主要观点总结
本文作者汐笺作为产品经理，通过两万字的长文分享了自己对AI产品从API到产品转化的理解，并探讨了AI产品的工程化过程、大模型的局限性、机会以及产品经理如何更好地利用AI模型。文章强调，虽然AI大模型在多个领域具有巨大潜力，但其在工程化、实际应用以及产品经理角色上仍面临诸多挑战。作者提出，产品经理需关注大模型的API，并通过设计合理的流程和策略来优化AI产品的用户体验和效率。同时，文章也指出，AI产品的成功不仅仅取决于大模型本身，更依赖于工程师和产品经理的创造力和实施能力。
关键观点总结
关键观点1: 理解AI产品的工程化
作者认为，从API到产品的工程转化过程被忽视，这是AI产品经理需要关注和聚焦的地方。AI大模型可以被视作为函数，但大模型产品才是真正面向用户的东西。模型在做工程化变成产品时，往往会添加很多限制，这些限制可能是做在产品层面的，而不是API本身。大模型在应用到行业的各个方面需要过程，需要和原本的实现方案做竞争。
关键观点2: 大模型的局限性
作者分析了大模型的三个主要局限性：1）一些可能永远都无法被解决的问题，如成本、性能与响应速度的问题；2）窗口大小与不稳定的问题，即大模型容易忘记之前的内容或产生幻觉；3）函数本身不可能被自调用的问题，即大模型无法自我调用。
关键观点3: 工程上的难点
作者讨论了工程化过程中的两个主要难点：1）不再互联的互联网，即如何使AI更好地调用外部API并获取结果；2）爹味十足的厂商，即大模型自带的安全机制是写死在模型里面的，不容易关闭。
关键观点4: 从《理解媒介》的角度探讨大模型的长处
作者从麦克卢汉的《理解媒介》出发，探讨了AI模型在内容生成、跨模态数据读取/生成能力上的潜在价值，并强调AI模型能够降低内容跨媒介甚至跨模态的门槛。
关键观点5: 对产品经理的工作方法启示
作者提出了几点对产品经理的工作方法启示：1）业务和数据的重要性；2）动手尝试比看论文更有效；3）产品经理需要学会自己调用API；4）设计Agent的关键思路，包括任务拆分、离线与在线任务的区分、每个离线任务都可以考虑用模型解决、成本和效果之间的Trade off；5）Agent、微调、提示词之间的边界与最佳实践。
文章预览
优秀的 AI 产品，离不开好的大模型。但 API 只是第一步，真正面向用户的是产品。 从 API 到产品，中间的工程转化过程很少被人提起，而这，正是 AI 产品经理真正需要关注和聚焦的地方。 本文作者汐笺是一位产品经理，这篇两万字的长文，讲述了作为一个 PM，持续关注的大模型局限性、长处和其中的机会，供大家参考。 ———— / BEGIN / ———— 注：本文成文于 2024 年 9 月 1 日，随着时间推移，文章中的结论可能会发生变化。 此外，本文面向的读者是非算法团队的产品经理，为了保障文章的可读性，可能会省略部分细节，同时文章重点是工程落地而非学术探讨，不具备任何辩经的价值。 01 理解 AI 产品的工程化 坦率来说 2024 年围绕大模型，产品的发展速度比之前预期的要低一些，比如在 BI 领域，Chat BI 声量很大，但落地下来效果并不好，这个也
………………………………
