选择生成、检索、分类、预测或自动执行
从任务类型和失败成本选择合适 AI 能力。
- 用自己的话解释“选择生成、检索、分类、预测或自动执行”及其核心术语。
- 在真实 AI 产品场景中识别何时应该使用本课方法。
- 完成一份可沉淀进“AI PRD、系统架构、风险清单、PoC 与发布计划”阶段任务的实践产出。
REAL SCENE
先从一个真实场景开始
业务说“做一个 AI 审批助手”，团队有人想生成审批意见，有人想预测风险，还有人准备让 Agent 自动通过。若不先拆清用户任务、输出类型和错误后果，同一个需求会对应完全不同的数据、模型、交互与责任。
PLAIN EXPLANATION
说人话：它到底是什么？
AI 能力可粗分为生成、检索、分类、预测和自动执行。生成产生开放内容，检索寻找证据，分类把对象放入类别，预测估计未来或分数，自动执行会改变外部状态。一个场景常组合多类能力。选择顺序是：定义用户决策与成功结果，建立非 AI 基线，评估数据和可测性，再按错误影响、可逆性和实时性决定模型及自主权。
从任务而非界面分类
聊天界面背后可能是检索或分类，按钮也可能触发生成。先写输入、期望输出、谁使用结果和下一步动作；开放表达、事实查找、固定标签、数值判断与真实副作用需要不同控制。
- 同一流程允许多能力组合
- 每个节点有独立成功标准
- 确定规则不交给概率模型
数据与评测可行性
分类预测需要可靠标签与时间边界，检索需要受控知识和相关性标注，生成需要 rubric，执行需要环境反馈和权限。若无法判断好坏，就不具备安全优化基础。
- 先确认真实数据可获得
- 失败样本覆盖关键长尾
- PoC 只验证最大不确定性
自主权与风险匹配
建议输出可由用户判断，自动执行会产生外部副作用。错误越难检测、越不可逆、影响越大，越应采用确定规则、人工审批和有限范围；低风险可逆场景才逐步提高自主性。
- 建议和执行接口分离
- 权限按任务动态授予
- 保留撤销补偿与审计
先定义任务与决策，再选择生成、检索、分类、预测或执行。
没有代表性数据和可测成功标准，就不宜直接建设 AI。
AI 自主权随错误可检测性、可逆性和影响逐级增加。
KEY POINT
这节课最重要的结论
- 为什么重要
- 这决定了把概率性 AI 能力变成可控、可信、可交付的产品时，团队是否拥有一致、可验证的判断标准。
- 适用边界
- 当问题目标、数据来源或失败成本发生变化时，不要机械套用；先重新确认假设和风险等级。
EXAMPLES
正确案例与常见反例
审批助手先检索制度并引用，分类风险类型，生成建议和缺失材料清单；最终通过由权限规则和审批人决定。PoC 先验证制度召回与风险分类，高额或异常订单永不自动执行，低风险重复单据在证据充分后才小范围自动化。
团队把“审批”直接交给通用 Agent，既没有标签、制度版本、质量指标也没有金额权限。模型生成自信理由后调用通过接口，错误无法撤销；上线只统计处理量，不知道是生成、检索还是预测哪个环节失败。
“请把流程拆为 retrieve_policy、classify_risk、generate_recommendation 和 execute_decision 四个节点，各有输入输出与指标。前三者不持有审批权限，execute 仅接受受权用户确认或满足明确低风险规则的 proposal。”
HANDS-ON
必做实操任务
本节产出：“AI PRD、系统架构、风险清单、PoC 与发布计划”阶段任务中的《选择生成、检索、分类、预测或自动执行》一页实践卡
步骤 1把五个模糊 AI 需求拆成用户决策、输入、输出与下一步动作。
步骤 2为一个流程逐节点标注生成、检索、分类、预测、规则或人工。
步骤 3建立非 AI 基线并比较数据、质量、延迟、成本与失败恢复。
步骤 4用可检测、可逆、影响和法规四维设计自主权等级。
核心重点必须完成全部实践，并在测验中达到 80%，才能标记为掌握。
用户与高价值任务：____
当前做法和痛点：____
决策/动作：____
节点｜输入｜输出｜能力类型｜指标：____
生成：____ 检索：____ 分类：____ 预测：____ 执行：____
非 AI 基线：____
数据/标签/知识：____
错误：可检测____ 可逆____ 影响____ 法规____
人工节点：____
PoC 最大不确定性：____
自主权等级与升级证据：____
不使用 AI 的边界：____CHECKLIST
产品经理工作检查表
MASTERY QUIZ
掌握测验
核心重点需达到 80% 才算掌握，未通过会进入错题本。
INTERVIEW
常见面试题
展开参考回答
先定义用户任务、输入、成功结果和下一步动作，再把流程节点分为生成、检索、分类、预测、确定规则和执行；确认数据、知识和评测可行，并比较非 AI 基线。根据错误可检测性、可逆性、影响和法规设自主权，建议与执行分离，先 PoC 最大不确定性，证据充分后逐级灰度。
RECAP & FURTHER READING
重点回顾、延伸阅读与下一步
- 1
围绕“选择生成、检索、分类、预测或自动执行”继续阅读：阅读模型或 AI 框架的官方概念文档，区分能力原理、评测条件与真实产品限制。
- 2
用“任务分类、自动执行、AI 场景”作为检索词，分别写下一条定义、一条适用边界和一个反例。
- 3
对照本课正确案例与反例，寻找一个公开案例并记录其中可复用的判断与不能照搬的条件。