AI产品经理学习：用PRD模板拆解一个智能客服需求

知识分享

2026-11-01 11:00

12 阅读

AI产品经理学习的第一个分水岭，不是学不学得会算法，而是能不能把一个模糊的“智能客服”需求，拆成开发能直接接手的任务。
很多新手卡在写PRD时只会写“要智能、要准确”，结果技术团队反复追问细节，项目推不动。
这篇用一个智能客服意图分类的真实需求，带你走一遍从写PRD到验证基线效果的流程。

先判断：你的需求属于哪一类AI能力

写PRD前先明确需求边界。
智能客服常见的AI能力分三类：

意图识别：判断用户这句话想干什么，比如“查订单”“退货”“转人工”。
实体抽取：从话里提取关键信息，比如订单号、手机号。
对话生成：基于意图和上下文生成回复。

新手最容易犯的错是把三类混在一个需求里。
建议第一版只做意图识别，因为它的输入输出最清晰，验收标准也最容易量化。
本文后续步骤都围绕意图分类展开。

写PRD：把“智能”翻译成可验收的字段

一份能落地的AI需求文档，至少包含下面五个部分。
可以直接套用这个结构：

1. 业务目标与成功指标

不要写“提升客服效率”，要写可测量的数字。
例如：

意图分类准确率 ≥ 85%（在标注测试集上）
人工转接率下降 20%
平均响应时间 ≤ 2 秒

注意：85% 是示例值，实际指标需要和业务方、技术负责人一起定，不要自己拍板。

2. 输入输出定义

明确模型吃什么、吐什么：

输入：用户单轮文本，长度不超过 200 字。
输出：预定义意图标签之一，外加置信度分数。
意图标签列表：查订单、退换货、修改地址、投诉、转人工。

标签列表要和客服团队确认，不能产品经理一个人定。

3. 数据准备要求

写清楚需要多少数据、谁标注、怎么验收：

每个意图至少 200 条真实用户问法，覆盖同义表达和错别字。
标注由客服组长抽检 10%，标注一致率低于 90% 的批次退回重标。
训练集、验证集、测试集按 7:2:1 划分，测试集不参与调参。

4. 模型选型建议

产品经理不需要选具体模型，但要给出约束条件：

首版优先用规则 + 轻量分类模型跑基线，不直接上大模型。
如果准确率不达标，再评估微调或调用大模型API。
推理延迟要求 ≤ 500 毫秒，部署在现有服务器上。

5. 验收清单

把验收标准写成勾选项，开发自测和产品验收共用同一份：

[ ] 测试集准确率 ≥ 85%
[ ] 每个意图的召回率不低于 70%
[ ] 置信度低于阈值的请求自动转人工
[ ] 接口 P99 延迟 ≤ 500 毫秒
[ ] 错误日志包含原始文本和预测标签，便于复盘

验证基线：用Python跑一个意图分类小实验

PRD写完后，建议自己跑一个最小基线，确认需求在技术上不是空中楼阁。
不需要GPU，在普通Linux服务器上就能做。

准备环境：

python3 -m venv venv
source venv/bin/activate
pip install scikit-learn pandas

准备一个CSV文件 intent_data.csv，两列：text 和 intent。
然后运行下面的脚本：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report

df = pd.read_csv('intent_data.csv')
X_train, X_test, y_train, y_test = train_test_split(
    df['text'], df['intent'], test_size=0.2, random_state=42, stratify=df['intent']
)

vectorizer = TfidfVectorizer(max_features=5000)
X_train_vec = vectorizer.fit_transform(X_train)
X_test_vec = vectorizer.transform(X_test)

model = LogisticRegression(max_iter=1000)
model.fit(X_train_vec, y_train)
pred = model.predict(X_test_vec)

print(classification_report(y_test, pred))

预期结果：终端会输出每个意图的精确率、召回率和F1值。
如果某个意图的F1明显低于其他意图，说明该意图的标注数据可能不够或定义模糊，需要回到PRD补充标签说明。

这个脚本只用来验证数据质量和需求可行性，不是最终方案。
但它能帮你和技术团队用同一组数字对话。

避坑指南：新手产品经理常犯的三个错

指标定得太虚：写“准确率要高”，开发无法判断做到什么程度算完成。所有指标必须带数字和测试集条件。
忽略置信度阈值：只要求模型输出标签，不要求输出置信度，导致低质量预测也直接展示给用户。PRD里必须写明低于阈值转人工。
测试集被污染：把测试集数据拿去调参，最终准确率虚高，上线后效果暴跌。要在PRD里明确测试集只在最终验收时使用。

怎么确认需求真的可交付

PRD评审通过不等于需求可交付。
建议在开发启动前做一次三方对齐：

产品经理逐条过验收清单，确认每条都有负责人。
开发确认数据格式和接口字段，尤其是置信度字段是否返回。
客服团队确认意图标签列表和转人工规则。

上线后第一周，每天抽样 50 条真实请求，对照预测标签和人工判断，记录不一致的案例。
如果连续三天准确率低于 80%，触发回滚或调优流程。
这个复查动作要写进PRD的运维章节，而不是等出了问题再补。

AI产品经理学习的核心不是背模型名词，而是能把一个模糊想法拆成数据、指标、验收和回滚方案。
按上面的PRD模板走一遍，你会比大多数只写“智能客服”四个字的需求文档更接近落地。

AI合规学习路线：从法规清单到落地检查的执行顺序

AI项目经理学习：用Python脚本跑通项目风险预警小工具