AI 产品：不是接入模型，而是经营概率

把大模型 API 接进应用，不叫 AI 产品，那叫演示。AI 产品真正难的地方在于：模型输出是概率的，而用户要的是确定价值。产品经理和工程师的任务，就是在这两者之间搭一座桥。

场景比模型重要。 不是所有问题都值得用 AI。高频、容错、语言密集、反馈快的场景，更容易跑通。为了 AI 而 AI，只会得到一个昂贵玩具。

交互是产品的一半。 传统软件给按钮，AI 产品给意图。用户说一句话，产品要能澄清、确认、撤销、引用来源。聊天不是唯一形态，嵌入式辅助、批处理、代理执行都可以。关键是让用户感到可控，而不是在猜盲盒。

评估是生命线。 没有评估的 AI 产品，每次模型升级都是赌博。离线用例、在线指标、人工抽检、A/B 测试，一个都不能少。提示词改了、数据漂移了、模型换了，都要回归验证。

成本与延迟也是功能。 用户不会为“聪明但慢且贵”长期买单。缓存、模型路由、小模型兜底、流式输出，都是产品设计的一部分。技术指标最终会变成体验指标。

护栏与信任决定上限。 幻觉、隐私、版权、安全，任何一个失控都可能毁掉产品。要能拒答，要能溯源，要能人工接管。AI 产品不是让模型自由发挥，而是让它在边界内可靠工作。

数据飞轮是长期壁垒。 用户反馈、修正、采用率，可以变成评估集和优化数据。但必须合规、透明、可退出。没有信任，飞轮转不起来。

这些原则可以浓缩成一段伪代码：

def ai_product(user_input):
    intent = clarify(user_input)      # 不确定时先问
    draft = generate(intent)          # 模型只提供候选
    if not guardrail(draft):          # 安全、事实、合规检查
        return fallback(intent)       # 失败路径同样重要
    return confirm(draft)             # 让用户确认或修正

这段代码说明：AI 产品不是“输入→输出”，而是“理解→生成→检查→确认→反馈”。模型只是中间一步，前后都是产品工程。

AI 产品最终卖的不是模型，而是可信结果。会调 API 是起点，能经营概率、管理失败、建立信任，才是产品。