本文从非 AI 领域产品经理的视角出发，深入浅出地介绍了 AI 大模型的基本能力、应用场景及开发技巧。文章详细阐述了如何通过结构化输出、工具调用、多模态交互等功能，提升 AI 与产品的契合度，并探讨了模型微调、检索增强生成等优化方法。
从 ChatGPT 问世到 Deepseek 的出现，AI 给人类带来的惊艳已无需多言，AI 大模型的发展速度远超过我们想象。「如何打开脑洞让 AI 帮你做 PPT？」、「如何写 prompt 提示词让 AI 显得更专业？」，现在市面上并不缺乏教你如何更好使用 AI 大模型的内容。
今天我想要和大家聊聊的是：除了这些众所周知的，产品经理还需要知道哪些 AI 大模型的知识？
作为非 AI 领域的产品经理，可能并不需要深入了解其技术原理和运作方式，但在当前猛烈的技术浪潮下，你总有一天会遇到这样的问题：
在此之前，你可能听说过一些名词，诸如微调、知识库、Token、插件、MCP等，但知其名，不知其意。
此外，现在 AI 大模型也种类繁多，国外的 OpenAI、Google Gemini、Anthropic Claude、Meta Llama、xAI Grok…以及国内的 Deepseek、阿里通义千问、月之暗面 Kimi、字节豆包、腾讯混元…
纵然乱花渐欲迷人眼，但其实大体上核心基本能力相似，分支专业领域各有所长。
作为产品经理，有必要对这些能力有一些基本了解。别等到不得不拥抱AI的时候，你能想到的只有一个输入框。
接下来我将要重点介绍 AI 的一些基本能力，可以帮助你更好地去定制和设计 AI，让 AI 与你的产品更加契合。
希望了解这些知识后你能够打开思路，避免千篇一律教条化 AI 接入。
这个很好理解，就是让 AI 按照规定的格式来说话，别「瞎逼逼」。
填表比说话更有效率
我们平时也经常会「填表」，目的就是让我们按照规定的格式来输入信息，这样的数据能够更好地收集和处理。否则张三李四各说一个版本，你也搞不清楚关键的信息是否收集到位了。
让大模型「填表」
对于大模型，你也可以要求 AI 用你规定的格式来回答问题。
{
“产品名称”: “智能音箱”,
“型号”: “X100”,
“价格”: “499”,
“库存”: “200”,
“image”: “图片地址”,
“url”: “链接地址”
}
这样做的好处包括但不限于：
随便举几个应用例子：
小结
通过结构化输出，你可以进一步压榨 AI 大模型，让 Ta 和你想要设计的功能、想要满足的需求更高效地结合起来，AI 不再只是偶尔嘴上跑火车的对话框了。
数百万年前，人类开始学会制作和使用工具，工具的使用又反过来推动了人类的进化。
巧妇难为无米之炊
试问，在不借助任何工具的情况下，你能不能空手做好一桌大餐？
很难吧。
如果给你足够的工具，譬如菜刀、铲子、锅碗瓢盆、微波炉、烤箱、榨汁机、一个可以查询食谱的电脑…是不是事情会 easy 很多？
同样的，一个只会对话和回答问题的 AI 都是键盘侠，纸上谈兵罢了。但如果学会了使用工具，AI 实力将得到极大的提升。
举例一个具体的场景，当你想要去成都旅游时，可能会问 AI 大模型一些基础的攻略：
但如果让 Ta 学会调用旅游相关的工具，事情就会变得有意思：
……
简单来讲，你是可以教会 AI 怎么去使用你提供的工具的，基本的形式是：
目前，工具调用常见的概念有两个：
大多主流大模型都提供了 Function Calling 的能力，你可以提供很多个 Function 给大模型使用，每个 Function 实现不同的功能。
这就像工具箱里一个个不同用途的工具：螺丝刀、钳子、锤子、扳手、锯子…每个工具都有不同用途。大模型会根据对话需求，自行决定是否调用工具以及调用什么工具。
需要注意的是，这些工具需要你亲手做好，并写好说明书教大模型如何使用。虽然大差不大，但每个大模型对 Function Calling 规则和标准不尽相同，当你切换不同大模型时，可能需要针对性「私人定制」一下。
MCP
相比 Function Calling，MCP 则更像是一个个打包好的、不同用途的工具箱，譬如刚才提到的螺丝刀、钳子、锤子、扳手、锯子…就可以打包成一个「维修工具包」。
除此之外，我们还可以把创口贴、纱布、棉花、剪刀、碘伏等打包成一个「医疗急救包」。
同样的，把指甲刀、锉刀、修眉刀、挖耳勺等集合到一起，又可以成为一个「日常护理包」。
没错，你可以把 MCP 看做是一个标准化的、解决不同领域问题的「集合工具包」，Ta 把某一领域需要用到的功能都打包在了一起，并且用标准化的协议来连接大模型。这样一来，不同的大模型都能够统一地使用工具包里的每一个工具.
MCP（Model Context Protocol，模型上下文协议）是由 Anthropic 公司推出的开放标准协议，目前这个技术标准还在发展当中，更加复杂的技术概念就不在这里赘述了，感兴趣的朋友可以搜索更多资讯进一步了解。
二者对比
多模态：给 AI 嘴巴、眼睛和耳朵
除了传统的文本对话和工具调用之外，现代 AI 大模型正逐步具备强大的多模态能力。这意味着，AI 不仅能“说”，还能“看”图像、听语音，甚至处理视频内容，从而为产品带来更多维度的交互体验。
具体来说，多模态能力体现在以下方面：
1）视觉识别与生成
能看图，也能画图。AI 可以看懂图片，也可以根据描述自动生成符合风格的图片素材。
2）语音识别与合成
听人话，说人话。AI 能听懂用户说的话，也能够通过语音回应用户。
3）视频内容解析
看视频，做视频。AI 能看懂视频的内容，并且有自己的理解。与此同时，AI 也在逐步具备生成视频的能力，仍在发展中。
通过多模态交互，你可以让 AI 大模型变得更加“全能”，不仅限于文字对话，而是通过视觉、听觉等多个感官渠道与用户互动，为产品创新提供更多可能。
AI Agent
最近到处都在讲的 AI Agent，就是把这些能力整合在一起，通过感知、决策和使用工具，成为一个能自主思考并完成任务的智能助手。
小结
你可以把你产品的各种能力按需包装成「工具」或者「工具包」，AI 不止会「说」，还能真正去「做」。此外，可按需接入多模态能力，赋予 AI「看」、「听」、「说」的能力。这样一来，AI 同你产品的结合度会更加紧密，也可以更好地满足用户的需求。
大模型什么都懂，但 Ta 不一定懂你。那怎么让大模型知你懂你、按照你想要的方式和答案去回答用户呢？
请掌握好两大「PUA」大法：模型微调（Fine-tuning） 和 检索增强生成（RAG）。
说人话就是：喂饭 和 给辞典。
给 AI 喂饭：模型微调（Fine-tuning）
俗话说，熟读唐诗三百首，不会作诗也会吟。如果你对 AI 针对某些问题的回答不够满意，就可以用填鸭式教学的方式不停地给 Ta 举例子，让 Ta 逐步变成你想要的模样。
通过「喂饭」，可以把一个通用大模型转化为「医疗问答专家」，或者一个「中二少年」。需要注意的是，虽然这里叫「微调」，但 AI 的「饭量」很大，你需要提供足够多的数据，Ta 才能够有更加稳定可靠、符合期望的表现。
给 AI 辞典：检索增强生成（RAG）
在不借助互联网的情况下，如果你要搞懂「樽俎折冲」这个成语的含义，你会怎么办？
查辞典是一个比较高效的办法。
同样的，如果想要 AI 专精一些冷门或专业性知识，譬如客服回复话术或产品使用说明。
那就可以丢给 Ta 一个知识库文档，AI 会自己去检索文档内容，结合文档的知识来回答用户问题。
值得一提的是，这里 AI 使用的不是我们传统的「关键词搜索」，而是「语义检索」。
平时我们搜索一个文档，「番茄」就是「番茄」，「西红柿」就是「西红柿」，你搜索「番茄」是找不到「西红柿」的。
而语义检索可以做到搜索「番茄」也找到「西红柿」。这让 AI 对知识库的检索能力变得比人更强大。
二者对比
首先，众所周知，AI能对话。
除了在Ta们提供的聊天框内与他们对话，你还可以调用 API（开放接口）能力，与 Ta 对话。# 每一次消息都要带上之前说过的话，不然AI不知道之前说了啥。
看不懂没关系，也不需要太懂，我举个例子来逐一解释。
想象甲乙丙三方公司通过邮件进行沟通：
① role（角色）
角色即身份，有点类似邮箱@后的域名，你来自哪个公司一眼就看出来了。对于 AI 来说，主要有 3 种身份：
② name（名字）
有点类似邮箱@前面的账号名，你是甲方的谁谁谁或者乙方的谁谁谁就分得很清楚了：
一般来说，我们不会默认使用 name，因为 role 的三种角色已经足够了。但如果你构思的产品需要有多用户和多角色的时候（譬如人机混战剧本杀），那么 name 就能派上用场。
③ content（内容）
顾名思义，写邮件的时候肯定会包含邮件正文，甲乙丙三方都通过邮件正文传递信息。
④ forgetful（健忘）
每封邮件必须包含之前所有的对话历史。
很不幸，这个邮箱对话系统非常简陋，每次只能看当前收到的邮件内容，不存档之前说过什么，甲乙丙也都是「金鱼脑」，什么都不记得。
因此，为了让大家明白来龙和去脉，每一次发邮件的时候，都需要带上之前所有的对话。只有这样，AI 才能明白之前讨论过哪些问题，进而做出连贯、准确的回答。
但这样也带来两个硬伤：※ AI 对话的记忆有限，迟早会失忆；※ 对话轮次越多，消耗的 token(RMB😜) 也呈指数级增长。
小结
了解以上的信息之后，结合不同的 system、user、assistant，相信你已经有了很多新的想法和创意。
作为甲方的你，除了可以和大模型对话，还可以提一些小要求。
我就简单说几个大家可能常用的：
stream：流式输出
可以控制 AI 的回答是全部就绪了一次性发给你，还是一个字一个字蹦给你。是的，我们平时看大模型回答一直在打字，就是用的流式传输。由于大模型输出完整答案的时间目前还比较长，流式输出可以有效减少用户的等待焦虑。
frequency_penalty：重复率
-2 到 2 的一个数字，减少重复内容，避免复读机。如果 frequency_penalty>0，AI 回答问题一旦出现已有文本中就会被扣工资。
temperature：温度
虽然叫温度，但其实代表着 AI 的随机性、创造性。温度低，AI 就比较稳扎稳打，对同样问题尽可能保持一致回答，反之思维则更加发散、回答的随机性更多。还有一个参数叫 top_p，作用类似就不赘述了，免得把你绕晕了。
小结
如果你还想知道更多关于大模型的参数，你可以去查看各个大模型官网的 API 文档，里面有更加详细的说明。
AI 幻觉，简单来说就是 AI「一本正经地胡说八道」，Ta 有时候会给出看似逻辑通顺、有鼻子有眼，但实际上不符合事实、和你问题八竿子打不着的回答。
这是因为：
所以，除非你是专门做 AI 类的产品，否则最好让 AI 成为你产品功能的「拓展」，而不是「替代」。
毕竟，AI 不是随时都靠谱。
主流大模型就像武侠世界的各路高手，有的内力深厚适合硬刚代码，有的轻功了得擅长处理万字长文，有的暗器精妙专攻多模态花活。结合你的产品需求选对兵器，才能让 AI 真正成为你的「六脉神剑」。
以下是国内外部分主流大模型的对比（表格较大，PC查看效果更佳）：
以上的总结不一定准确，大家还是以各大模型官网和权威测评为准。
大模型不是万能药，它更像是产品创新的「催化剂」。理解能力边界，善用工具组合，才能让 AI 真正成为用户的「超级助手」。
一个比较个人主观的想法：
产品经理的核心任务是用 AI 放大用户价值，而非追逐技术炫技！
很庆幸见证这个 AI 飞速发展的时代，也正因为如此，AI 相关的技术日新月异。这篇文章也仅仅介绍了一些稍有拓展的基本概念。如果你对 AI 感兴趣，不妨在闲暇时多关注一些。
历史的车轮仍在向前，
焦虑不如期待。
本文由人人都是产品经理作者【格式刷JJW】，微信公众号：【格式刷】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。