本文中提供的内容偏向战术执行层，适合产品的战略和价值论证已经确定的场景。关于AI产品的PRD可扩展内容还有很多，比如提示词的验证与优化、UX设计原则、持续自动的评估体系、产品的动态迭代等，将陆续作为单独的主题与大家分享。

传统PRD的结构

需求背景：帮助读者理解为什么会提出需求

目标：明确完成需求要达成的效果，尽可能量化

用户故事（or业务描述）：以用户视角描述要完成哪些事情，大致的步骤是什么

用户旅程：以流程图的形式表达一个完整的业务场景在系统中的操作路径、逻辑条件，帮助读者站在全局角度理解业务之间的关系（点状需求除外）

功能清单：按功能模块，结构化列出功能点、功能一句话描述、优先级

功能详细说明（含原型设计）：包含界面内容、样式与交互、逻辑、前后置事件、异常处理，结合原型图说明

非功能性需求描述：数据统计需求、埋点需求、性能需求、安全需求等

AI产品PRD的不同之处

以下内容为个人对AI产品的思考，仅供参考

用户旅程转变为Agent工作流

在Agent工作流中，人与Agent分别扮演“将军”和“士兵”角色，一个负责决策，一个负责执行。梳理清楚每一个“士兵”具体要做哪些事，可以辅助后面编写提示词。

以企业内的招聘场景为例

功能清单增加大模型或Agent功能点

这类功能点不一定按照功能模块去梳理，有些是某个功能模块中直接利用大模型的功能点，例如：让大模型根据标题生成一段描述。而在AI产品中很多是在Agent工作流中Agent要做的事，要描述这些功能点的实现要点，帮助开发者做合适的技术选型，最终选择的关键技术应该是产品经理和开发者共同决定的。

以企业内的招聘场景为例

功能详细说明中增加提示词设计

提示词可以让工作流中每个节点更正确的输出结果，非常像“老师指导学生”的过程。要讲清楚背景或角色、任务是什么、按什么步骤做（COT）、举几个例子（few shots）、异常情况怎么处理。

以招聘场景中生成JD为例

制定数据集要求

准备数据集是AI产品与传统软件产品最大的不同，大规模高质量的数据是保证高质量输出的前提。产品经理要充分调研对于真实用户来讲，什么样的输出才是高质量的，作为数据集制定要求的依据，最终按照要求去准备数据集。准备数据集的过程需要产品经理与算法工程师一起配合完成。

以企业内的招聘场景为例

制定测试标准

传统软件产品到AI产品最本质的变化是由“规则”定义转变为由“数据”定义，这导致最终向用户输出的结果由“确定性”变为“概率性”，这也是很多产品经理开始做AI类产品时，对产品有“失控感”原因。所以产品经理要和测试工程师一起制定测试标准，每一个功能点都要有测试方法和测试指标。

以企业内的招聘场景为例