解读

面试官真正想验证的是：你是否理解“AI功能”与“传统功能”在需求描述、验收标准、交付节奏、风险管控上的本质差异。国内AI项目普遍面临“算法指标≠用户体感”“数据合规红线高”“算力预算卡脖子”三大痛点，PRD 如果不能提前把算法边界、数据链路、迭代节奏写清楚，后期必然返工。因此，回答要围绕“把不确定性变成可落地、可量化、可复盘”展开，突出数据、模型、合规、成本四条主线。

知识点

1. 算法可交付基线：Precision/Recall、F1、AUC、TOP-N 命中率等，必须给出“可上线”阈值与“可迭代”阈值两层数字。
2. 数据闭环四件套：采集、标注、质检、回流；需明确数据源合法性（个人信息保护法、数据跨境评估）、标注规范版本号、质检抽检比例。
3. 算力成本换算：训练 GPU 时、推理 QPS/RT 与云厂商刊例价的对应关系，能直接折算到每月预算。
4. 模型更新节奏：灰度放量比例、影子模式、A/B 实验桶编号、回滚阈值（如召回率下降 3% 立即回滚）。
5. 合规预埋：算法备案、深度合成标识、用户单独同意、未成年人过滤逻辑。
6. 失败案例补偿：兜底策略、人工审核链路、用户投诉通道，防止“算法翻车”导致舆情。

答案

一份可直接评审的 AI PRD 必须补充以下 6 大核心要素，任一缺失都可能在内部评审会被算法、法务、财务直接挑战：

1. 算法目标双阈值
   写明“上线门槛”与“迭代目标”两组指标，并给出线上可自动回捞的统计口径。例如智能客服意图识别，上线门槛：TOP-1 准确率≥85%，迭代目标 90%；指标通过离线 benchmark + 线上 shadow 双通道验证。

2. 数据供给 SOW（Statement of Work）
   用独立章节把“数据从哪里来、怎么标、谁出钱”写死：

   • 数据源：用户对话日志脱敏后使用，已获个人信息主体“单独同意”，保存 30 日自动删除；
   • 标注规范：附《意图标签 V4.2》PDF，标签层级不超过 3 层，互斥率 100%；
   • 预算：标注 10 万条，单价 1.2 元/条，总预算 12 万，由业务方承担。

3. 算力与成本预算表
   给出训练+推理两笔账：

   • 训练：A100 80G * 8 卡 * 5 天 ≈ 3.2 万（按阿里云 preemptible 刊例价）；
   • 推理：峰值 500 QPS，RT≤200 ms，需 6 卡 T4，月成本 1.1 万；
     并写明“若模型 Size 下降 30%，成本可节省 20%”，让财务一眼看到优化空间。

4. 模型更新与回滚策略

   • 灰度节奏：5%→15%→50%→100%，每阶段观察 3 天；
   • 回滚触发：核心指标下降≥3% 或客诉量上涨≥50%，10 分钟内切换回旧模型；
   • 影子模式：新模型并行跑 24 h，写影子日志但不影响用户，对比无差异再放量。

5. 合规与风险清单
   对照《互联网信息服务算法推荐管理规定》逐条打钩：

   • 算法备案号申请中，预计上线前 30 天提交；
   • 深度合成内容加水印，透明度报告每季度更新；
   • 未成年人识别逻辑：调用实名接口 age<18 自动关闭个性化推荐。

6. 失败补偿与兜底方案

   • 置信度低于 0.6 的结果走人工审核通道，承诺 2 h 内给出结论；
   • 用户投诉入口前置在结果页，24 h 内完成退款或补偿优惠券；
   • 建立“AI 事故复盘”机制，出现重大 badcase 48 h 内邮件通报全员。

把这 6 点写进 PRD，评审现场就能少被挑战 80% 的时间，后续迭代也有数据可依、责任到人。

拓展思考

如果面试继续追问“如何证明你写的指标合理”，可补充“行业基线 + 竞品拆解 + 用户可用性测试”三段式：

1. 行业基线：公开论文/开源数据集榜单，证明 85% 已处于行业 75 分位；
2. 竞品拆解：用脚本批量调用竞品接口，估算对方准确率 83%，我们 85% 略有优势；
3. 可用性测试：找 30 名目标用户做任务完成率测试，发现 85% 准确率下任务成功率 96%，再降到 80% 则掉到 88%，从而验证 85% 是用户体验拐点。

把这套验证过程也写进 PRD 的“指标推导”附录，评审委员基本不再质疑“拍脑袋”，你也就从“写需求”升级为“定标准”，直接体现 AI 产品经理的核心价值。