bestpractice_ai_product_design

道-方法 · 道层 skill 全文

本页是 <code>rules/skills/bestpractice_ai_product_design.md</code> 的逐字投影（仅隐私清洗，零改写）。

AI 产品设计原则

元数据

• 类型: BestPractice
• 适用场景: AI 产品设计、交互设计、系统架构
• 创建日期: 2026-02-22
• 来源: 多个 AI 产品实践总结

线性聊天 vs 非线性知识工作的根本矛盾

问题本质

AI 产品的主流形态是"线性聊天入口"（ChatGPT、Claude Chat），但知识工作的本质是非线性的：

• 思考跳跃、分支、回溯
• 需要多文档并行参照
• 需要可视化结构（脑图、大纲）

矛盾表现

• 用户被迫在单一线程中处理复杂问题
• 上下文线性堆积，难以定位关键信息
• 无法并行探索多个思路

设计启示

• 线性聊天适合简单问答，不适合深度知识工作
• 知识工具需要支持非线性结构（分支、链接、可视化）
• 考虑"对话+文档"混合形态

感知与规则解耦原则

架构决策

将"感知层"（Perception）与"规则层"（Rules）严格分离。

感知层职责

输出原始感知信号：

• 车道位置、线型
• 车辆朝向角
• 道路上下文

规则层职责

基于感知信号进行业务判断：

• 什么是"偏离"
• 何时告警
• 告警级别

解耦收益

1. 快速迭代：产品规则可独立修改，无需重新训练模型
2. 个性化：不同客户/地区可有不同规则
3. 可审计：规则变更可追溯，模型输出稳定
4. LLM 集成：未来可用 LLM 灵活组合信号

适用场景

• 安全关键系统（需要确定性规则）
• 多市场/多客户产品（需要个性化）
• 需要快速迭代的业务逻辑

一刀切产品定义的陷阱

问题

"一个产品满足所有客户"在多样化需求面前必然失败。

根因

• 不同客户的使用场景差异巨大
• 风险承受度不同
• 业务流程不同

解决方案

• 提供可配置的参数和规则
• 让 PM 或未来 LLM 灵活组合信号
• 将"什么是好"的定义权交给用户

案例启示

LDW 车道偏离预警：不同客户对"偏离"的定义、告警时机、容忍度完全不同。

Guideline 过载问题

现象

10 页 Guideline 直接作为 Prompt 会 Confuse LLM，无法进行精细的 Trade-off 处理。

这是通用大模型的硬伤

• LLM 不擅长同时处理大量约束
• 约束之间可能存在隐含冲突
• 缺乏业务上下文理解

解决方案

1. 结构化约束：将 Guideline 拆分为独立规则，逐步应用
2. Few-shot 示例：用案例替代长文档
3. 混合架构：LLM 处理感知，确定性程序处理规则

Multi-Agent 设计原则

核心洞察

LLM 存在固有的"个性"（Personality）：

• O3：擅长搜索、探索，但分析较浅
• Gemini：搜索弱，但分析深入、综合能力强

这种个性难以通过 Prompt 改变。

设计启示

1. 利用互补优势：让不同模型做自己擅长的事
2. 不要模仿人类角色划分：PM/QA/Dev 是人类组织模式，不适用于 Agent
3. 上下文窗口分离：不同 Agent 负责不同上下文子集
4. 必要时强制交接：当模型抗拒指令时，通过代码强制切换

当前阶段建议

结合硬性规则和 AI 能力的混合系统，比纯粹的 Agentic 系统更可靠。

产品定义先于工程实现

核心瓶颈

闯红灯检测等项目的核心瓶颈是缺乏 PRD，而非技术能力。

策略

• 将 RFC 会议转为 PRD 讨论
• 先明确产品需求，再讨论工程细节
• "什么是我们想要的"比"怎么实现"更重要

因果链

产品形式 → 评估方式 → 模型开发策略

起点是清晰的产品定义。

注意事项

• 考虑多市场/多地区的法规差异
• 安全关键系统需要确定性兜底
• 用户信任建立难、破坏易

变更日志