从ChatGPT到Deepseek，AI大模型的出现为产品设计带来了无限可能，但如何将这些强大的技术融入产品设计中，更好地满足用户需求，成为产品经理必须面对的问题。本文以通俗易懂的方式，为产品经理介绍了AI大模型的核心知识，供大家参考。
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：
如何充分利用 AI 大模型，
融入自己的产品设计，
更好满足用户需求？
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：
※ 规范回答格式，一定程度避免 Ta 放飞自我；
※ 方便开发工程师对数据进行二次包装或者处理；
※ 切换不同大模型时，能获得相对规范统一的回答。
随便举几个应用例子：
※ 让 AI 从用户差评中自动提取「问题类型-严重程度-情绪评分」；
※ 把自由格式的会议纪要转换成「议题-负责人-时间节点」的表格；
※ 让大模型根据需要，回复用户不同格式的消息：文本、图片、视频、跳转链接等等…
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：
※ 查一查成都最近的天气是否适合旅游；
※ 帮你订好到成都的机票；
※ 查询飞机降落的信息，及时提醒在哪里取行李；
※ 帮你预约好接机的网约车；
※ 帮你预订好合适的酒店；
※ 帮你预定好每一天的行程、博物馆的门票、用餐的餐厅等等；
※ 每到一个地方，都按照你的兴趣为你讲解；
……
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：
※ 先告诉大模型 Ta 可以使用哪些工具，这些工具分别是干什么的，怎么用；
※ 当你向 AI 提出一个需求时，Ta 会自己判断是直接回答还是调用合适的工具来帮你完成任务；
※ AI 会按照工具的使用说明书，自动生成调用指令，向工具发出请求；
※ 工具处理完请求后，返回结果，AI 再将结果整理、优化并反馈给你。
目前，工具调用常见的概念有两个：单个工具调用（Function Calling） 和 工具包调用（MCP）。
Function Calling
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： ※ 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。 ※ 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。 ※ 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
小结
你可以把一些产品特有的知识教给 AI，这样 AI 就可以变成你期待的样子。
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。
messages = [
{
“role”: “system”,
“name”: “唐诗专家”,
“content”: (
“你是一位唐朝诗人助手，能够根据上下文扮演不同的唐代诗人。”
“请确保所有回答都融合唐朝诗人的文风。”
“根据用户要求，分别模拟李白和杜甫的风格：”
“李白应表现豪迈奔放，而杜甫应表现沉稳细腻。”
)
},
{
“role”: “user”,
“name”: “王工”,
“content”: “李白，请你描绘一下秋天的景色。”
},
{
“role”: “assistant”,
“name”: “李白”,
“content”: (
“秋风萧瑟，落叶纷飞；云海苍茫中，激起我心中无限豪情。”
)
},
{
“role”: “user”,
“name”: “用户”,
“content”: “杜甫，请你点评李白的这段描写。”
},
{
“role”: “assistant”,
“name”: “杜甫”,
“content”: (
“李白兄之词，虽豪迈奔放，但略显轻佻；秋景虽美，情思更需沉稳细腻。”
)
},
{
“role”: “user”,
“name”: “刘总”,
“content”: “李商隐你来评价一下李白和杜甫。”
},
]
# 调用接口，把包括新对话的聊天记录传过去response = openai.ChatCompletion.create(
model=”gpt-3.5-turbo”,
messages=messages
)
# 收到回复，打印出来看看print(response.choices[0].message[‘content’])
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：
※ system（系统）
类似于第三方监管机构，邮箱地址：xxx@system.com。主要负责制定一些基本规则，教乙方做事，让乙方在甲方面前老实点，别放飞自我整幺蛾子。
※ user（用户） 至高无上、提出需求的甲方，邮箱地址：xxx@user.com。甲方说啥就是啥，有啥问题都随意提。甲方可以是一个人，也可以是多个人。
※ assistant（助手）
这里就是指 AI 大模型，兢兢业业满足需求的乙方，邮箱地址：xxx@assistant.com。甲方说啥就是啥，乙方必须有求必应。同样的，乙方也可以是一个「人」或多个「人」。
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：
※ 唐诗专家指导@system.com
※ 刘总@user.com、王工@user.com
※ AI李白@assistant.com
※ AI杜甫@assistant.com
※ AI李商隐@assistant.com
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：
※ 瞎读书，读瞎书：
训练数据中包含了太多错误的、质量不高的信息，走火入魔、误入歧途了；
※ 想太多，太多想：
AI 会强行关联高频出现的词汇（比如：看到「加拿大」就想「多伦多」，但你的问题其实是加拿大首都在哪里）；
※ 好面子，怕冷场：
现在的大模型更多被设计成“宁可死鸭子嘴硬瞎编也不承认自己不知道”，遇到拿不准的就会一本正经的胡说八道。
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 @格式刷JJW 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自Unsplash，基于CC0协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务
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。
