AI Product Canvas 与 AI PRD
同时描述用户价值、数据、模型行为、风险和指标。
- 用自己的话解释“AI Product Canvas 与 AI PRD”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
普通 PRD 写“AI 自动生成高质量学习计划”，工程问什么叫高质量、用哪些数据、失败如何恢复、能否引用私人笔记、模型升级谁验收。AI Product Canvas 和 AI PRD 要把用户价值、数据、模型行为、风险与指标放在同一决策基线中。
PLAIN EXPLANATION
说人话：它到底是什么？
AI Product Canvas 用一页梳理用户任务、价值假设、数据、能力、交互、风险、指标和运营；AI PRD 再把范围、流程、模型可接受与不可接受行为、输入输出、评测、反馈、权限、成本、发布和监控写成可开发可测试规则。它不替代技术设计，但让概率性能力也有明确边界和验收。
价值与能力契约
先写目标用户在何种情境取得什么进展，以及为何 AI 比规则或人工更合适。模型能力描述任务和行为，不写供应商营销词；同时列出非目标，防止范围无限扩张。
- 用户价值与业务结果分别说明
- AI 增量假设可以被证伪
- 首版只覆盖关键闭环
模型行为与异常规则
对每类输入定义正常输出、质量门槛、拒答、澄清、引用、格式和错误恢复；列出事实错、危险建议、越权、超时与版本变化。非确定输出使用 rubric 和样例，而非“智能准确”。
- 可接受变化与不可接受错误分开
- 高风险触发人工和权限规则
- 失败状态连接用户下一步
数据评测与运营约束
说明输入、知识、日志和反馈的来源、同意、保留与删除；评测集、上线门槛、成本预算、灰度和漂移监控进入 PRD。每个指标有口径、责任人和停止阈值。
- 数据最小化与用途限定
- 离线质量和线上任务结果并存
- 模型 Prompt 知识版本可追踪
AI PRD 同时定义用户价值、模型行为、数据、风险和运营门槛。
概率性不等于不可验收，要用 rubric、样例、边界和失败规则。
非目标、上线门槛、停止条件与版本责任必须写清。
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
学习计划 PRD 限定为基于用户已选目标与可用时间生成可编辑初稿；输出包含周目标、任务、依据和冲突提示。禁止诊断学习障碍或使用未授权笔记，缺信息先澄清。评测覆盖可执行性、覆盖、事实、安全和成本，灰度门槛明确。
PRD 只有“接入先进模型，一键生成个性化计划”，没有目标人群、输入来源、质量边界和非目标。团队默认保存全部对话，模型无论信息是否充分都输出；验收只看三次演示，成本、拒答、投诉和版本升级无人负责。
“PRD 的 modelBehavior 表请转成接口状态和评测项：inputValidity、needsClarification、generated、blocked、failed。每次结果记录 model/prompt/data 版本；高风险和未授权数据在进入模型前由服务端拦截。”
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《AI Product Canvas 与 AI PRD》一页实践卡
步骤 1为目标产品完成用户价值、数据、能力、交互、风险和指标 Canvas。
步骤 2把“准确、智能、个性化”改成可观察行为、rubric 与正反样例。
步骤 3编写正常、缺信息、无权限、无答案、超时和危险输出验收标准。
步骤 4定义离线门槛、线上护栏、成本预算、灰度与回滚责任。
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/场景/进展：____
AI 增量假设：____ 非 AI 基线：____
目标：____ 非目标：____
输入与来源：____
数据同意/权限/保留：____
模型任务：____
正常输出与格式：____
可接受变化：____
不可接受：事实____ 安全____ 越权____
澄清/拒答/失败/降级：____
用户编辑、确认、撤回：____
评测集与门槛：____
线上指标/护栏/成本：____
灰度、回滚、版本与负责人：____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
除用户、范围、流程和验收外，要定义 AI 增量与非目标，输入数据来源和治理，模型正常、澄清、拒答、失败与不可接受行为，输出结构、引用和用户控制；再加入分层评测集、质量安全门槛、延迟成本、反馈闭环、版本、灰度回滚、漂移监控和跨角色责任。
RECAP & FURTHER READING
重点回顾、延伸阅读与下一步
- 1
围绕“AI Product Canvas 与 AI PRD”继续阅读：选择一篇真实用户研究或产品决策复盘，识别其中的问题证据、方案取舍与验证闭环。
- 2
用“AI PRD、Product Canvas、模型行为”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。