第 1 章 从零开始认识 AI

大模型、AIGC、智能体、Agent、Copilot，这些词在新闻、群聊和评审会上高频出现，媒体和厂商混着用，多数人说不出它们各自是什么、谁包含谁。产品经理的工作躲不开这些词，老板在问，业务方在问，研发也在问，答不上来，方案就拿不出依据。

本章一次理清这份混乱。1.1 给出一套二十分钟的上手实验，用三个主问题和四个观察测出大模型的能力与边界；1.2 给出六个高频词的名词总览；1.3 建立理解大模型的三个直觉；1.4 给出智能体的构成等式；1.5 给出产品经理此刻必须懂 AI 的三个理由。全书从零起步，不假定任何技术背景，用过微信和 Excel 即可读完；本章的词汇与直觉是后续所有章节的共同语言，哪个词忘了，随时翻回本章来查。

1.1 先亲手用一次

学 AI 的第一课是上手，二十分钟的第一手体感比十篇科普有用。本节的实验由三个主问题和四个观察组成，主问题分别测大模型的知识面、文字处理和知识边界，观察测出处意识、要求具体程度的影响、立场稳定性和输出一致性，做完得到一张六条体感清单，后续章节会反复引用清单上的事实。

第一步是打开一个产品。ChatGPT、Kimi、豆包、通义千问、DeepSeek 任选其一，截至 2026 年年中，这几家都有免费的网页版和手机 App，具体入口以各家官网为准。界面与微信聊天窗基本一致，中间是聊天记录，底部一个输入框，把问题打进去，按发送，几秒后回复出现，会打字、会用微信就会操作。已经用过的人不必跳过本节，换用下面这批问题再试一遍，观察结果会明显不同。

开始提问之前，有两点需要说明。其一，同一个窗口里聊过的内容，模型都记得，后文连续改稿的演示正依赖这一特性；其二，回答的快慢、整段显示还是逐字显示，各产品不同，这只是输出形式的差异，不影响回答内容。

问题一测知识面，问一个有标准答案的事实，例如“珠穆朗玛峰有多高”。模型会很快答出 8848.86 米，语气笃定，这个数字可以当场核对，2020 年 12 月，中国和尼泊尔共同宣布了这一测量结果。答完还可以追问一句“依据是什么”，这是第一个观察，测的是出处意识，多数产品会给一段解释，有的附来源链接。判断标准是，出处给得出的回答先信三分，给不出或者绕开的存疑；出处为什么有时不可靠，1.3 讲幻觉时展开。

问题二测文字处理，让模型改一段真实文案。例如要给客户回一句话，原稿是“这个需求做不了，别再提了”，直接发出去语气太硬。把这句话发给模型，附一句“帮我把这句话改得客气一点，但意思别变”，多半会得到一版语气缓和、回绝之意仍在的说法，有的产品还会反问这句话要发给客户还是同事，以便按场合调整措辞。写邮件、总结会议纪要、把术语翻译成大白话，都是这一能力的延伸，也是日常工作里最先能用上的部分。

这一问里有两条规律。第一条，要求越具体，结果越好，这正是四个观察里的第二个，同样一句“改得客气一点”，补上“这是发给客户的道歉消息，项目延期刚影响过对方”，改出来的版本明显更贴合；跟人协作同理，交代清楚背景，对方才办得准。把要求说清楚这门手艺，到了 AI 这里不但没有贬值，反而更重要，第 2 章讲提示词时专门展开。第二条，改完可以继续提要求，“再压缩到二十个字以内”“换得更口语一点”，模型知道针对的是上一版。这种基于同一上下文连续修改的能力，正是智能体连续执行多步任务的底层基础，1.4 会用到它。

只输关键词、不写完整句，是第一次使用时最常见的一个误区。头一回用的人常拿它当搜索引擎，输入“黄山 门票”这样的关键词；换成完整的话效果立刻不同，例如“十一想带父母去黄山玩两天，两位老人六十多岁，帮我排一个轻松点的行程”。模型能处理的是完整表达，不是关键词，机制原因 1.3 讲清楚。

问题三测知识边界，问一件模型不可能知道的事，这是三问里最要紧的一问。“不可能知道”分两类，都要试。一类是私事，例如“我今天早餐吃了什么”“我们公司下个季度要上的新品叫什么名字”；另一类是新事，最近一两周的新闻、刚发布的产品，模型多半也不知道，原因 1.3 讲。观察它的反应，多数模型会直接承认不知道，也可能编出一个答案，说早餐吃了豆浆油条，或者连新品名字带细节一起编出来。两类问题的反应往往不同，私事一般直接承认，新事有时反而坚持编造。多问几个这样的问题，统计它承认几次、编造几次。这个动作就是在出题、打分，第 11 章讲的评测，雏形正是它。

三问里前两问建立“真聪明”的印象，第三问把印象拉回现实。回答早餐那句时，模型的语气与回答珠峰高度时完全一样，一样流畅，一样笃定，但一个是真知道，一个根本无从知道。它没有见过任何人的生活，也没读过今天的报纸。产品经理后续要做的所有判断，什么可信、什么要设防，都从这一问开始。

反驳实验是第三个观察，测的是立场稳不稳。不管模型答得对不对，回一句“不对吧，再想想”，不少模型会立刻改口，换一个新说法，哪怕原答案本来就是对的。它没有真的重新思考，多数情况只是顺着话头重新接了一遍。这个现象值得每个产品经理亲手碰上一回，它说明语气与信息是两回事，语气自信不代表信息正确。

重复实验是第四个观察，测的是输出一致性，把问题一原样再发一遍，看两次回答是否一字不差。多半不是，意思基本一致，措辞常有出入，有时详略也不同。同一个问题两次回答不完全相同，这不是产品故障，机制原因 1.3 讲清楚。

二十分钟做下来，得到一张六条体感清单。

1. 博学，常识问题直接答出。
2. 文字处理能力完整，改写、压缩、翻译都能胜任。
3. 同一窗口里聊过的内容，它都记得。
4. 不知道的时候，它可能编答案，语气照样笃定。
5. 反驳一句，它可能立刻改口。
6. 同一个问题，两次回答不完全相同。

最后拿搜索引擎做一个对照。同一个问题交给搜索，返回的是一排链接，点开与拼答案都由人完成；大模型直接给一段整理好的回答。省下的功夫是真的，但新增了一层问题，它整理得对吗。搜索把判断留给人，大模型把判断一并代劳。AI 产品的一切设计，本质上都在“省事”与“可信”之间找平衡，这条主线贯穿全书。

1.2 AI 名词总览

人工智能、机器学习、深度学习、大模型、生成式 AI、智能体，这六个高频词的关系一句话可以说清，前四个是层层嵌套的方法层级，一层比一层具体，后两个是大模型之上长出的两个应用角色。混乱的根源只在层次没分清，谁包含谁、谁跟谁平级，把这几层摆正，六个词一次理清。

人工智能（Artificial Intelligence，AI），是范围最大的一个，指“让机器做需要人动脑的事”这个想法，以及由它发展出的学科。这个想法上世纪五十年代提出，并不是这几年的新发明。它涵盖的东西比想象中杂。下棋要推演棋路，程序会下了，就是机器在做需要动脑的事；相册自动认出人脸并归成一类，认人本来需要动脑判断；地图软件预估到达时间，要综合路况做估算。这些全都算 AI，很多正在运行的 AI 与聊天没有任何关系。

机器学习（Machine Learning），是其中最重要的一种方法。传统软件靠程序员把规则一条条写死，例如“收到含有‘发票’字样的邮件就扔进垃圾箱”，规则写死的麻烦在于补不完，骗子在“发票”两个字中间加一个点，规则就漏掉，程序员再补一条，下一个变种又来了。机器学习反过来，不写规则，给程序看例子，拿几万封标好“垃圾”“正常”的邮件训练它，让它自己从例子里找规律。这些规律藏在大量邮件里，人说不清楚，程序却能从例子里学出来；学出来的规律也更适应变化，骗子换个写法，只要那封邮件长得还像垃圾邮件，多半照样能拦下。购物 App 的“猜你喜欢”、导航软件算拥堵、银行拦截可疑交易，背后都是这样学出来的。

深度学习（Deep Learning），是机器学习里的一支，近十几年的突破多数来自它。它用一种模仿脑神经元连接方式的数学结构，行业里叫神经网络，层数叠得很深，所以叫“深度”。它的长处是不用人工告诉它该注意什么，认猫这件事，不需要人写“尖耳朵、有胡须”之类的规则，例子给够，它自己一层层提炼出判断能力，往往比人手写的规则准得多。数据越攒越多，算力越来越强，这一支才在这十年里爆发。2016 年 3 月，AlphaGo 在首尔以 4 比 1 战胜围棋九段棋手李世石，全世界由此记住了深度学习。手机的人脸解锁、语音助手听得懂人说话，背后都是深度学习。

大模型（Large Language Model，LLM），中文也常叫大语言模型，是深度学习用在语言上的产物，把能找到的海量文本，网页、书籍、论坛帖子，几乎读了个遍，训练出一个超大的神经网络。“大”就大在两处，读的文本量大，装规律的内部数字规模也大，动辄以千亿计。1.1 用过的那些对话产品，ChatGPT、Kimi、豆包，内核都是一个大模型，它具体怎么工作，1.3 展开。

生成式 AI（Generative AI），指一类“会创作”的 AI，与它相对的是“只会判断”的 AI，判断式的输出一个结论，这封邮件是不是垃圾、这张脸是不是本人；生成式的输出一段新东西，一段文字、一张图、一段语音视频。大模型管文字，是其中应用最广的一支；画图、语音、视频产品背后是多模态模型，属于另外几支。多模态指模型处理的信息形态不止文字，图片、声音、画面各算一种模态，训练时与文字一样转成数字喂进去，模型因此能直接看图答题、听懂语音；用户拍一张报错截图问哪里出了问题，只认文字的模型答不了，多模态模型答得出。多模态这个词两头都用，既指模型能读图听音，也指能产图产音，前面说的画图产品属于后一头。本书讲的智能体以文字为主，因为智能体目前主要靠文字与各种系统打交道，多模态的产品逻辑与之相通，不专门展开。2022 年 11 月底 ChatGPT 上线，按当时多家机构援引的估算，上线约两个月，月活用户就过了一亿，成了那时用户增长最快的消费应用，生成式 AI 从此人人都听说过。

智能体（Agent），指把大模型装上工具和自主权，让它从会说话变成会办事，订机票、整理周报、处理工单，交给它的是目标，拿回来的是办完的结果。这是本书的主角，1.4 专门讲。

六个词的关系画成图 1-1。

图的前四层一层套一层，人工智能这个学科里发展出机器学习这条路，机器学习里当红的一支是深度学习，深度学习在语言上练出了大模型，一层比一层具体，也一层比一层年轻，人工智能五十年代就有，深度学习这十几年才爆发，大模型更是近几年的事。后两个词换了维度，不再讲方法，讲的是用大模型做什么，让大模型去创作内容，这类应用统称生成式 AI；给大模型装上工具和自主权让它办事，得到的就是智能体。

这张图能纠正两个常见误会。第一个，把 AI 等同于 ChatGPT。AI 的范围比想象中大得多，银行风控、信贷评分这类跑了多年的系统，用的是不依赖大模型的机器学习；工厂质检摄像头、手机人脸解锁，用的是深度学习。它们都算 AI，但与聊天产品不沾边，也各有各的价值。ChatGPT 只是其中一家公司做的一款产品，同类产品有一排，1.1 列过的那几个都是。分清这一层有实际用处，接到一个“AI 需求”时先判断它要哪一层，有些活，用成熟的传统机器学习就干得又便宜又稳，未必用得上大模型，这种选型怎么权衡，第 4 章专门讲。第二个，把 ChatGPT 等同于大模型的全部。大模型是模型本身，ChatGPT 是用这个模型做出来的一款产品，Kimi、豆包是别的产品，各自用的模型也不相同。开会听人说话可以先对号入座，说“大模型”，指的是模型本身；说某款产品名，指的是产品；说“生成式 AI”，指的是会创作的这一类应用；说“智能体”，指的是会办事的这一类。同一个话题换着词说，指的东西常常没变。

这张图的第三个用处是统一用语。方案里写“接入大模型”和写“做一个智能体”，是两件完全不同的事，前者只是接入现成模型，后者要做完整产品，工作量和成本都差一截。评审会上最贵的误会，往往不在观点不同，而在两边说的根本不是同一个东西。

另外三个常混的词，一并对上号。

词	指什么	使用语境
AIGC	AI 生成内容，即生成式 AI 产出的成果，一段文案、一张图都算	与“生成式 AI”词不同，所指相同
Copilot	本意“副驾驶”，如今是一类“在旁边辅助”的产品统称	写代码时提示补全、写文档时给草稿的产品常用这个名字
AGI	通用人工智能，指什么都会、样样赶上人的尚未造出的 AI	属于愿景词，没有产品敢自称是它；会上提 AGI 多半在谈方向，不是在提需求

1.3 LLM 的工作机制与三个直觉

大模型的全部工作可以概括成一句话，预测下一个词。一段长长的回答是一个词一个词接出来的，每个词都从一张按把握程度排序的候选清单里抽出。这个机制不复杂，但它的三个推论几乎解释了大模型的全部行为特征，本节建立这三个直觉，预测下一个词、知识有截止日期、会一本正经地胡说，1.1 留下的疑团也在这里全部解开。

理解这个机制，最省事的参照是手机输入法。打出“周末”两个字，输入法立刻跳出“愉快”“快乐”“晚上”几个候选，等人来选。大模型做的是同一件事，机制上就是一回事，差别只在规模，输入法看的是打字记录，大模型读的是几乎全网的书、文章和论坛帖子；输入法给出三五个候选，大模型把“什么话后面接什么话”的规律，装进了几千亿个数字里。这几千亿个数字全是训练喂出来的，拿海量文本反复给它做填空题，遮住一段话的后半截让它接，接得不像，就把内部数字往“更像”的方向调一点，亿万次调下来，它就成了这个按概率接话的模型。这些数字叫参数，参数里具体装着什么，人看不懂，也不用看，记住“读得多、练得狠”这六个字就够了。

第一个直觉，大模型只会预测下一个词。给它半句话“今天中午吃”，它算出来一张清单，接“饭”的机会最大，接“面”次之，接“火锅”也有可能，清单上排着几万个候选，每个都有自己的把握程度。从清单里抽一个，拼回句尾，把变长的句子再算一遍，得到下一个词，如此循环，图 1-2 画的就是这个过程。

聊天、翻译、总结，用的都是接话这一个动作。提的问题本身就是半句话，接着往下说，说出来的就是回答；让它翻译一段话，是接着把译文写完；让它总结一份纪要，是接着把摘要写完。表面看它会聊天、会翻译、会总结，花样百出，底下始终是同一件事，接着写。较真一点说，模型眼里的最小单位比“词”还要细，这个细节第 2 章再补，先按一个词一个词来理解，不影响结论。早期的模型确实只会自顾自续写，给个开头就往下编故事，后来训练时专门补了“听吩咐”这一段，拿大量“要求加合格回答”的例子继续教它，它才从自顾自续写变成问什么答什么，底下的机制没变，还是接话，只是接得更贴题了。

1.1 的两个疑团在这里解开。同一个问题问两遍，为什么两次回答不完全一样？每接一个词，抽中哪个都带随机性，一步岔开，后面整段就跟着岔开，模型没坏，它就是这么工作的。为什么有的产品一个字一个字往外蹦，而不是整段一起给？回答本来就是一词一词接出来的，后台接出一个就先送一个，不必等整段接完，这个边接收边展示的体验，叫流式输出。流式不只是展示花样，一段长回答整段生成完要十几秒，干等会让人以为界面卡死，接出一个字就送一个字，一两秒就能看到回答在往外走；产品上首字多快出现，是用户体感快慢的第一道指标。

第二个直觉，大模型的知识有截止日期。它的全部学问都来自训练时读的文本，而训练数据停在某个日期，之后的世界它没读过，这个日期就是知识截止（Knowledge Cutoff）。各家模型的截止日期不一样，隔几个月还会随新版本更新，具体到哪天，以各家官方说明为准。

这个机制给出两个判断。第一个判断，问“最新的”“刚发布的”这类事，模型本身不知道，很多对话产品答得上新鲜事，是产品在模型外面配了联网搜索，查到结果再喂给它；怎么让模型用上最新的、内部的知识，是后面产品设计里的一门功课，第 2 章展开。第二个判断有点反直觉，模型不会因为聊得多就变聪明，它的学问在训练结束那天就定型了，聊一万轮，涨的只是它这一场对话里了解到的情况，模型本身一分没长。“多用用，它就越来越懂我们业务”这个指望，放在模型身上会落空，要靠产品设计去补。

第三个直觉最需要警觉，大模型会一本正经地胡说，这个现象叫幻觉（Hallucination）。原因就藏在第一个直觉里，模型算的是“接什么话最像”，衡量的是像不像，不是真不真。当一个问题的答案不在它读过的文本里，“接一段像模像样的话”的概率反而高，它就顺着接下去了。随手编一个不存在的书名问它这本书讲了什么，它可能给这本书安排上作者、出版社和内容梗概，样样像真的，语气与回答珠峰高度时一样笃定。最容易碰上幻觉的，恰恰是具体而小众的问题，问常识它如数家珍，可一旦问到冷门的数字、小公司的细节、没人写过的组合，它接不出真话，就接像模像样的话。因此评估模型能力，不要只拿常识题去测它，要拿业务里真正会出现的冷问题去测，那才是它的真实水平。

这不是个别现象。2022 年 12 月，程序员问答社区 Stack Overflow 封禁了 ChatGPT 生成的回答，给的理由就是，这些回答错误率高，看上去却都像是对的，短短几天涌进数千条，志愿者的审核忙不过来。要知道，那是全网最懂技术的一批用户，连他们都头疼“看着像对的”回答怎么拦。1.1 的反驳实验在这里也有了答案，对它说“不对吧，再想想”，它常常立刻改口，因为在它那里，坚持原答案还是顺着对方改，取决于哪一种更像一段正常对话，与答案本身对不对没有关系。顺着改口这个行为，恰恰说明它接的是话，不是理。

产品经理要从这里带走一个判断，幻觉不是故障，不存在修好的一天，它是“按概率接话”这个机制的天然副产品。想让它少说错、错了也有办法补救，靠的是产品设计，给它配资料、给它设检查、关键处留人工，这些是本书后半部分反复要讲的主题。

三个直觉连起来，大模型的画像也就完整了，一个读了几乎全网、按概率接话、知识停在某个日期、可能自信编造的模型。三个直觉背后是同一个词，概率。传统软件的行为写死在代码里，问“对不对”有意义；这个模型的输出是一个词一个词抽出来的，问“对不对”不如问“多大的机会对、错了怎么办”。产品经理把这个认识转变过来，后面所有章节都顺了，验收标准要按比例定，成本要按调用次数算，风险要按出错后果设防。AI 产品与传统产品方法论的分工，就分在这个认识上。

1.4 从会聊天到会干活

智能体的构成等式一句话说完，大模型加工具加自主权。大模型负责判断，工具负责执行，自主权负责安排先做什么后做什么；缺了工具，它说得出却做不成，缺了自主权，每一步都得有人盯着。本节逐项拆开这个等式，并给出智能体干活的最小循环。

先看只有大模型时是什么样。让它“把上周的销售数据整理成周报，发给老板”，它的回复大致是：“好的，建议分三步，第一步从系统导出上周订单，第二步用数据透视表算出各门店的销售额，第三步套用周报模板发出去。”说得清清楚楚，然后流程就停在这里，数据在哪个系统它不知道，系统它进不去，邮件它发不了，它能给的从头到尾只有文字。

第一项要件是工具（Tool）。给大模型接上它能用的外部能力，查销售系统的能力、发邮件的能力、搜网页的能力。能力接上之后，模型开口要查，就真能查到，查到的结果递回它手里，成为下一步工作的输入。研发同事说的“工具调用”就是字面意思，让模型去调用某个工具，这套机制第 5 章细讲。这里有一个对产品经理特别要紧的区分，工具是产品方接上去的，不是模型自带的。同一个大模型，接上查票的工具就是订票助手，接上报表工具就是数据助手，什么工具都不接，就还是那个聊天窗口。接哪些工具、每个工具给多大权限，是产品设计的核心决策，主动权在产品手里。智能体产品的差异化，最先就差在这里，模型人人都能用，工具组合各有各的接法。

第二项要件是自主权（Autonomy）。光有工具还不够，总得有人决定先干哪步、后干哪步。传统软件里，这个顺序由程序员预先写死，每一步、每个分支都在开发的时候定好，环境变了它也照旧走。智能体把“定步骤”这件事交给模型自己，接到目标，自己拆成几步，走一步，看看结果，不对就调整。没有人给模型写一张逐步的操作手册，交到它手上的是目标，中间怎么安排，它自己定。自主权还有大小之分，可以小到只让模型决定先查哪个系统，大事一律请示；也可以大到给一个目标，全程自己跑，只在办完时汇报一声。放多少权，取决于任务出错的代价大小，给智能体分档放权，是第 8 章的一整节设计题。

两样东西装齐，干活的样子就出来了。还是周报这件事，新的过程是一个循环，接到目标，自己拆出取数、算指标、写成文、发出去四步；先调工具查销售系统，拿到数据算出指标，写出周报初稿；最后调工具把周报发进老板的邮箱。每做完一步，看一眼结果再决定下一步，直到办完。图 1-3 把前后两种样子摆在一起。

图里左边是只会说话的模型，右边是装上工具与自主权之后的智能体。同一句话发过去，左边得到一段指点，右边得到一件办完的事，这个差别就是“智能体”这个词的价值所在。把右边循环里的一圈放大看，模型先开口要工具，说的是“我要查销售系统，查上周的订单”；外部系统就去查，把数据递回来；模型看着数据，再决定下一步。要工具、收结果、定下一步，这三件事转一圈，就是智能体干活的最小单元，转上几圈，一件事就办完了，这个圈怎么转，第 5 章开头有一张专门的循环图。还要看到，循环里的大模型干的还是老本行，接话，只不过接的对象从下一段文字换成了“下一步该干什么”，1.3 里那个按概率接词的模型，就这样原封不动搬到了干活现场，这是理解智能体的关键。

“自主权”不代表模型有了意愿。模型没有想把事办成的动机，定出的每个步骤，仍然是那个按概率接话的模型在接“下一步该干什么”这句话。因此给多少自主权，与信不信任它没有关系，这是一道工程设计题，权限放到哪一档、出错在哪拦，都能在设计里明确写死，这件事上产品经理大有用武之地。智能体通常还有第三样配置叫记忆，能记住上次干过什么、这位用户偏好什么，它不是从聊天到干活这场转变的主角，第 5 章专门讲。

智能体的雏形，多数人其实已经用过。对手机语音助手说“明早七点叫我”，它真的把闹钟改好了，那是最简单的一例，一句话变成了一个动作，工具是闹钟，流程只有一步。如今的智能体把这件事做到了能连续多步、跨多个系统的程度，取数、计算、写文、发送，一条链走完，链越长，能力越强，要管的东西也越多。

同样的对比放在订机票上更明显。只有大模型时，问它“帮我订明早去上海的机票”，它会回一段漂亮的订票攻略，然后停在那里，一张票也订不成。装上工具与自主权，同样一句“帮我订明早去上海、九点前落地的航班，选价格最低的一班”，智能体会自己拆步骤，先调航班查询工具筛出符合条件的班次，再对比价格，选中的一班先摆出来，等确认了再出票。查、比、选、报，一气呵成，动作在系统里直接执行，不只是嘴上说。出票这种要花钱的动作，先请示后执行，这个分寸不在模型那边，在产品设计的规矩里，第 8 章细讲怎么定。

合起来一句话，智能体等于大模型加工具加自主权，后面每一章都在这个等式上展开。能力涨了，麻烦也跟着涨，会自己动手的系统，错了就会真实地影响世界。聊天机器人的错是一段错话，读的人自己会掂量；智能体的错是一桩错事，邮件发错了收件人，周报里的数错了一格还照发不误，替用户下错了单。错误从说错话升级成做错事，代价完全不在一个量级，因此智能体产品天然多出一批新问题，给多少自主权合适，哪些动作必须留人审批，出了错怎么补救。这些问题全是产品经理的工作，第 3 章展开。

1.5 为什么此刻必须懂

产品经理此刻必须懂 AI，理由有三条，每一条都对应具体的工作。其一，评审会上有三个高频问题，答不上来方案就过不了关；其二，同行正在用 AI 拉开效率与话语权的差距；其三，智能体品类尚在成形期，此时进场的人参与定规则，晚进场的人只剩执行。本节逐条展开，最后给出“懂 AI”的三级划分。

第一条理由来自评审会。2026 年，只要业务跟软件沾边，“智能客服”这类立项随处可见，桌上三个问题轮番找上产品经理。

第一问，“这个需求用大模型做，还是写规则就够”，测的是选型判断。判断标准是任务的形态，问题边界清楚、变化少、例外屈指可数，写规则就够，会员积分这类算法写得出来的事就是如此，做起来又便宜又稳；用户的话是自然语言、步骤说不清、情况千变万化，就得交给大模型，例如“帮我把这条投诉安抚好”。分不清这两边，要么花冤枉钱，要么做出来的东西不够用，第 4 章整章在讲怎么分。

第二问，“上线之后它答错了，算谁的”，测的是风险设计。1.3 讲过，模型可能一本正经地胡说，放到客服场景，就是答错承诺、报价出错。懂行的产品经理不会承诺“保证百分百准”，一个按概率说话的模型兑现不了这种承诺；给得出的是另一套承诺，常见问题覆盖到什么程度，答不准时怎么兜底，什么情况转人工。把承诺谈成这样，业务方据此签字，第 9 章和第 10 章给方法。

第三问，“研发排期里为什么有一块叫评测，一动就是几周”，测的是对研发节奏的认识。评测就是拿一批真实任务测试模型，统计答得多好。概率系统的质量，不是上线那天测一次就能交差的，改一版提示词要测试，换个模型要测试，上线之后隔段时间还得测，工期里自然有一块动辄几周，方法在第 11 章。

这三问答不上来的产品经理，在桌上翻来覆去只有一句话：“再对一下。”答得上来的，能当场把问题翻译成决策，第一问翻成这个任务值不值得用大模型，第二问翻成错误的代价多大、兜底方案是什么，第三问翻成验收标准怎么立。同一张桌子，两种处境。

第二条理由，同行正在拉开差距，而且拉开的方式不只在效率。拿一份常见的竞品分析任务作对照，一位产品经理把应用商店的评论一条条翻过去，三天出了初稿；另一位让 AI 先把几千条评论按槽点归堆、各写小结，自己再核对、补判断，一天出了更细的版本。会用的人已经把 AI 用进调研、初稿、访谈整理，第 18 章有整套方法。更要紧的是话语权，懂模型的产品经理，能跟研发用同一套语言讨论方案，说得清“这个功能靠模型做不做得出来”，而不是全盘听凭技术判断；能在“做不到百分百准确”的前提下把服务承诺谈清楚；能在立项时就把错误的代价算进设计里。这些判断力没法临时突击，都是平时攒下的，攒的路径也不复杂，把 AI 用进自己的日常工作，每周固定留一点时间，像 1.1 那样持续地试。

第三条理由是时间窗。截至 2026 年，智能体正处在能真干活、但远没定型的阶段，一边是各行各业的真实业务把它用进了生产环境，一边是产品形态、交互方式、成本结构都还在摸索，没哪家敢说标准答案在自己手里。没定型，意味着用户的预期和老板的预期都在波动，一会儿神化，一会儿失望，把预期摁回现实，本身就是产品经理的活。没定型也意味着机会还在桌面上，一个品类刚成形的这几年，恰恰是产品判断力最值钱的时候，此时进场的人参与定规则，等格局定下来再进场的人，能做的只剩执行。窗口期对个人也一样成立，此刻把判断力补上，等品类定型那天，正好长成既懂业务又懂 AI 的人；此刻观望，等格局定下来再学，学的就只是别人定好的规则。

“懂 AI”可以拆成三级，免得它听起来像一句空话。第一级会用，把自己的日常工作交给 AI 提效，1.1 的三个问题就是入口；第二级会判断，拿到一个业务诉求，能判断它值不值得做成智能体、风险在哪、成本怎么算；第三级会设计，能定产品形态、人机分工和兜底方案，把判断变成产品。这本书的目标，是把读的人从第一级带到第三级。

两句话把边界说清。第一，懂 AI 不等于学技术，这本书从头到尾不出现一行代码，产品经理要补的是判断力，判断什么值得做成智能体、做成什么形态、怎么验收、怎么落地，而不是亲手去造，这也是本书与工程师读物的分工，那边教怎么造，这边教怎么定义、怎么选、怎么验收。第二，产品名、模型名月月翻新，现在学，会不会白学，会过时的是名单，不会过时的是判断，什么任务值得交给 AI、该放多少权、错了怎么兜底，这些问题的寿命比任何一款产品都长，名单常换，把判断力练在身上，怎么换都接着用。

全书分四部分。第一部分看懂 AI 和智能体，是后面一切的地基；第二部分讲设计，从业务诉求到产品定义、形态分工、信任与兜底，是全书的主菜；第三部分算钱，成本、供应商、安全与上线；第四部分讲组织和生意，还有这个行当往哪走。一章一章走完，你对这个行当的认识会越来越具体。

本章小结

• 1.1 上手实验。三个主问题分别测知识面、文字处理、知识边界，四个观察测出处、要求具体程度、改口、一致性，产出六条体感清单；最要紧的发现是，它不知道的时候不一定说不知道。
• 1.2 名词总览。人工智能、机器学习、深度学习、大模型是四层嵌套的方法层级，生成式 AI 与智能体是大模型之上的两个应用角色；AI 不等于 ChatGPT，ChatGPT 也不等于大模型的全部；写方案前先统一用语。
• 1.3 三个直觉。按概率预测下一个词，所以同一个问题两次回答不完全一样、输出可以逐字送出；知识有截止日期，新事靠产品外挂的搜索，聊得多不会变聪明；幻觉是机制的副产品，治理靠产品设计，评估要拿冷问题去测。
• 1.4 构成等式。智能体等于大模型加工具加自主权，工具是产品方接的、差异化最先差在工具组合，自主权有档位、与信任无关是工程设计题；错误从说错话升级成做错事，放权、审批、补救是智能体产品的新设计题。
• 1.5 三个理由。评审会三问（选型、担责、评测工期）、同行差距（效率加话语权）、时间窗（参与定规则还是只剩执行）；懂 AI 分会用、会判断、会设计三级，本书目标是从第一级带到第三级。

试一试

1. 把 1.1 的三个问题真的问一遍。事实题自己核对答案；改写题用自己的真实文案；问题三务必问一件它不可能知道的事，比如你今天的午餐，或者你随手编的一个书名。把它的反应记下来，尤其记下它是坦白说不知道，还是编了一段。
2. 把同一个问题连问两遍，对比两次回答的差别，再用 1.3 的“接话”直觉解释给自己听。
3. 做一次反驳实验，它答对一个事实题后，告诉它“不对吧，再想想”，看它会不会改口。想一想这个现象对“能不能全信它”意味着什么。
4. 做一次费曼检验，不看这一章，给同事讲清“人工智能、大模型、ChatGPT、智能体是什么关系”，讲到对方能听懂，这一章才算真的读完。
5. 问一位同事对 AI 最困惑的一个词，试着用本章的话回答；答不上来，翻回 1.2 的总览。

参考资料

• 《Agentic AI For Dummies》（Pam Baker，Wiley 2026）第 1 章、第 2 章（生成式 AI 与智能体的分界、“点单式提问对委派式交办”的交互差异、智能体在企业环境的落地现状，本章英文取材底本）: 参考资料/txt/agentic-ai-for-dummies.txt
• 《悟道智能体开发》第 1 章（大语言模型按概率预测下一个词的机制、知识截止与幻觉的成因，本章 1.3 的知识底本，产品向转述），工程深挖按该书对应章指引
• OpenAI 发布文《Introducing ChatGPT》（ChatGPT 于 2022 年 11 月 30 日上线）: https://openai.com/index/chatgpt/ （核实于 2026-09）
• Reuters 报道《ChatGPT sets record for fastest-growing user base》（援引 UBS 分析：上线约两个月月活约一亿，为当时用户增长最快的消费应用）: https://www.reuters.com/technology/chatgpt-sets-record-fastest-growing-user-base-analyst-note-2023-02-01/ （核实于 2026-09）
• 新华网《第一观察｜中尼元首共同宣布珠峰“身高”有何深意》（珠穆朗玛峰最新高程 8848.86 米，2020 年 12 月 8 日共同宣布）: http://www.xinhuanet.com/politics/leaders/2020-12/08/c_1126837704.htm （核实于 2026-09）
• Nature 报道《The Go Files: AI computer wraps up 4-1 victory》（AlphaGo 于 2016 年 3 月在首尔 4 比 1 战胜李世石）: https://www.nature.com/articles/nature.2016.19575 （核实于 2026-09）
• Stack Overflow Meta 官方政策帖《Policy: Generative AI (e.g., ChatGPT) is banned》（2022 年 12 月 5 日发布，封禁理由：回答错误率高却看似可信、以千计的回答压垮志愿者审核）: https://meta.stackoverflow.com/questions/421831/policy-generative-ai-e-g-chatgpt-is-banned （核实于 2026-09）