第1章大模型浪潮与产品思维

一、大模型浪潮与产品思维：从ChatGPT到国产大模型

说实话，2022年底ChatGPT刚出来那会儿，我还在带一个NLP团队做客服机器人。当时团队里有个同事跑过来跟我说：「老大，OpenAI那个东西好像能写代码了。」我瞄了一眼，心想这不就是个大号对话模型嘛。结果第二天，我试着让它帮我重构了一段Python代码——嗯，比我写得还干净。

从那天起，我就知道，这个赛道变了。

先讲个我自己的经历。去年有个客户找到我，说想做一个「AI法律助手」。按传统做法，我们需要标注几万条法律问答数据，训练一个BERT模型，再部署上线。整个流程下来，少说三个月，预算至少30万。

但当时GPT-4已经出来了。我换了个思路：直接用Prompt Engineering + RAG（检索增强生成）来做。结果呢？两周就出了原型，成本不到两万。客户当场就懵了。

为什么会这样？因为大模型把AI应用的开发门槛，从「算法工程师专属」拉低到了「产品经理也能参与」。你想想看，以前做一个智能客服，你得懂Transformer、懂微调、懂部署。现在呢？你只需要会写Prompt，会搭知识库，就能做出一个可用的产品。

核心变化：大模型不是替代工程师，而是让产品经理和工程师的协作模式发生了根本性转变。

我经常被问到：「老师，我们该用ChatGPT还是国产模型？」

这个问题没有标准答案。我个人的习惯是：

做原型验证：用ChatGPT或Claude，效果好，速度快
做产品落地：优先考虑国产模型（文心、通义、智谱等），原因有三：
- 数据合规：国内业务数据不能出境
- 成本控制：国产模型API价格更低
- 定制化：可以私有化部署

我记得去年帮一家金融公司做项目，客户明确要求所有数据必须留在国内。那没办法，只能上国产模型。当时用的是智谱的GLM-4，效果虽然比GPT-4差一点，但配合RAG和微调，最终也达到了业务要求。

我的建议：不要迷信某个模型。好的产品架构应该支持「模型切换」。说白了，今天用GPT，明天换文心，你的业务逻辑不应该受影响。

以前的产品经理和AI工程师是怎么协作的？

产品经理提需求：「我要一个能自动分类用户反馈的功能。」

AI工程师说：「好，给我三个月，我先标注数据、训练模型、调参、部署...」

产品经理：「三个月？黄花菜都凉了。」

现在不一样了。有了大模型，协作模式变成了：

我在项目中遇到过最典型的案例：一个产品经理用GPT-4写了个「自动生成周报」的Prompt，效果很好。但到了工程师手里，发现调用GPT-4 API太贵，换成国产模型后效果又不行。最后怎么解决的？我们做了一个混合方案：用国产模型做初稿，再用规则引擎做后处理。成本降了80%，效果也达标了。

避坑指南：我曾经见过一个团队，产品经理用ChatGPT跑通了原型，直接拿去给老板演示。老板很满意，要求一个月内上线。结果工程师发现，ChatGPT的API在高峰期延迟高达5秒，根本没法用。嗯，后来整个项目重做。所以记住：原型用最好的模型，产品用最稳的方案。

说白了，大模型时代的产品思维，就三个字：快、轻、活。

你想想看，以前做一个AI产品，你得先确定模型、标注数据、训练、调参、部署。每一步都像在走钢丝。现在呢？你只需要确定一件事：这个需求，大模型能不能做？

如果能，那就用Prompt快速验证。如果不能，再考虑微调或传统方案。这个思维转变，是产品经理和AI工程师都需要掌握的。

如果你是一个产品经理，我建议你：

如果你是一个AI工程师，我建议你：

我记得有个学员跟我说：「老师，我学了三个月Prompt，感觉比学了三年算法还有用。」虽然这话有点夸张，但确实反映了现实：大模型时代，产品思维比算法能力更重要。

好了，这一章就到这里。下一章我们会深入讲Prompt Engineering，我会分享一些我在项目中踩过的坑和总结的技巧。到时候见。