「2024年，一个产品经理和工程师坐下来讨论新功能。产品经理说：’我们需要一个智能推荐系统’。三个月后，工程师交付了一个’精准’的推荐算法——推荐的是用户已经买过的商品。这不是技术失败，这是意图失败。在AI时代，定义’做什么’比’怎么做’重要十倍，而Product Intent就是连接两者的桥梁。」

📋 本文结构

  1. 意图的崩塌：为什么需求文档不再够用 — 从PRD到Product Intent的范式转移
  2. 什么是 Product Intent — 定义与核心概念
  3. Product Intent 的五个维度 — 完整的意图描述框架
  4. 从 Intent 到 Implementation — AI 如何理解并执行意图
  5. 实战：电商推荐系统的意图重构 — 传统需求 vs Product Intent
  6. 写在最后：产品管理者的角色进化 — 从需求翻译到意图架构

一、意图的崩塌：为什么需求文档不再够用

传统需求文档的黄金时代

过去二十年，软件产品开发依赖一套成熟的文档体系：

PRD（Product Requirements Document）：

  • 功能列表
  • 用户故事
  • 验收标准
  • 界面原型

这套体系在人工编码时代是有效的，因为：

  • 工程师需要详细规格才能写出正确代码
  • 文档是沟通的主要媒介
  • 需求变更成本高，需要提前定义清楚

AI 时代的意图危机

场景：智能客服系统

传统 PRD 这样写：

功能：用户咨询自动回复
- 输入：用户问题（文本）
- 处理：调用大模型生成回复
- 输出：回复内容
- 验收标准：回复准确率 > 80%

三个月后的问题：

  • AI 在回答退货问题时，给出了过期的退货政策
  • 对于 angry customer，AI 的回复过于机械，导致投诉升级
  • 当用户询问库存时，AI 有时会”编造”库存数字

问题不在于 AI 的能力，而在于 PRD 没有捕捉到真正的意图。

PRD 的局限性

局限 表现 后果
静态性 文档写完后很少更新 与实际业务脱节
二义性 “智能回复”可以有100种理解 AI 实现与期望不符
缺约束 只定义功能，不定义边界 AI 越界行为
无演化 假设需求不变 无法适应业务变化

核心洞察：PRD 是为人类工程师设计的——他们可以通过讨论、澄清、迭代来消除歧义。但 AI 不会问你”你真正的意思是什么”，它会按照最可能的理解去执行。

二、什么是 Product Intent

定义

Product Intent（产品意图）：对产品功能的目标、约束、边界和演化路径的完整、精确、可验证的描述，旨在让 AI 系统能够理解和执行人类的业务意图。

不是”告诉 AI 写什么代码”，而是”告诉 AI 要解决什么问题、在什么约束下、以什么标准衡量”。

Product Intent vs PRD

维度 PRD Product Intent
核心问题 “系统应该有什么功能？” “系统应该实现什么业务目标？”
描述对象 功能、界面、交互 意图、约束、成功标准
完备性 依赖人工补充 自包含、可验证
AI 友好度 需要人工解释 可直接被 AI 理解
演化性 版本化文档 动态意图图谱

核心原则

原则 1：意图优先于实现

❌ PRD 思维：
"系统需要一个推荐算法，使用协同过滤，
基于用户历史行为计算相似度..."

✅ Product Intent：
"意图：帮助用户发现可能感兴趣但尚未了解的商品
目标：点击率 > 5%，购买转化率 > 2%
约束：不重复推荐已购买商品，不侵犯隐私"

原则 2：约束与自由并重

Product Intent 不仅定义要做什么，更精确定义不能做什么。

边界约束：
- 不能推荐缺货商品
- 不能推荐用户明确不感兴趣的商品
- 不能基于敏感属性（种族、宗教）进行推荐

原则 3：可验证的成功标准

意图必须有明确的验证方式：

成功标准：
- 定量：CTR > 5%, CVR > 2%, 平均推荐多样性 > 0.7
- 定性：用户调研中 "推荐有用" 评分 > 4/5
- 边界：误推荐率 < 0.1%

三、Product Intent 的五个维度

完整的 Product Intent 包含五个维度，缺一不可。

维度 1：业务意图（Business Intent）

核心问题：这个功能要解决什么业务问题？

business_intent:
  problem: 用户在海量商品中难以发现感兴趣的商品
  opportunity: 提升用户发现效率，增加购买转化
  success_metrics:
    - metric: 推荐位点击率
      target: "> 5%"
      baseline: "当前 2%"
    - metric: 推荐商品购买占比
      target: "> 30%"
      baseline: "当前 15%"

维度 2：用户意图（User Intent）

核心问题：用户希望通过这个功能获得什么价值？

user_intent:
  user_segments:
    - segment: 新用户
      goal: 快速了解平台商品范围
      pain_point: 不知道从哪里开始浏览
    - segment: 老用户
      goal: 发现新品，避免重复
      pain_point: 总是看到相似商品
    - segment: 目的性购买者
      goal: 找到最佳选项
      pain_point: 需要比较多件商品
  
  user_scenarios:
    - scenario: 浏览时
      expectation: 发现惊喜
    - scenario: 搜索后
      expectation: 看到相关补充
    - scenario: 购物车
      expectation: 搭配建议

维度 3：功能意图（Functional Intent）

核心问题：系统需要具备什么能力？

functional_intent:
  core_capabilities:
    - capability: 理解用户偏好
      description: 基于浏览、点击、购买历史构建用户画像
      precision_requirement: "相关性 > 0.8"
    
    - capability: 商品匹配
      description: 将用户画像与商品特征匹配
      coverage_requirement: "全站商品覆盖率 > 95%"
    
    - capability: 多样性控制
      description: 避免推荐过于相似的商品
      diversity_metric: "类别分散度 > 0.6"
  
  non_functional_requirements:
    latency: "< 100ms"
    availability: "> 99.9%"
    scalability: "支持10倍流量增长"

维度 4：约束意图（Constraint Intent）

核心问题：系统绝对不能做什么？边界在哪里？

constraint_intent:
  hard_constraints:
    - constraint: 隐私保护
      rule: 不使用未授权的个人数据
      enforcement: 数据访问审计
    
    - constraint: 公平性
      rule: 不因用户 demographics 区别对待
      verification: 定期公平性审计
    
    - constraint: 准确性
      rule: 不展示过时或错误信息
      example: "价格、库存必须实时准确"
  
  soft_constraints:
    - constraint: 解释性
      preference: 能够解释为什么推荐某商品
      priority: "高，但非阻断"
    
    - constraint: 新鲜度
      preference: 优先推荐新品
      priority: "中"

维度 5：演化意图（Evolution Intent）

核心问题：这个功能如何随时间和反馈演进？

evolution_intent:
  learning_mechanism:
    feedback_sources:
      - explicit: 用户反馈（点赞/点踩）
      - implicit: 点击、购买、停留时长
    adaptation: 模型每周自动重训练
  
  iteration_plan:
    phase_1:
      scope: 首页个性化推荐
      timeline: "M1-M2"
    phase_2:
      scope: 全站推荐位统一
      timeline: "M3-M4"
    phase_3:
      scope: 跨品类推荐优化
      timeline: "M5-M6"
  
  sunset_criteria:
    - criteria: CTR 连续4周低于 3%
      action: 启动诊断和优化
    - criteria: 用户投诉率 > 0.5%
      action: 暂停功能并复盘

四、从 Intent 到 Implementation

Product Intent 的层级结构

┌─────────────────────────────────────────────────────────────┐
│ Level 1: 战略意图 (Strategic Intent)                         │
│ "成为最懂用户的电商平台"                                      │
└─────────────────────────────┬───────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────┐
│ Level 2: 产品意图 (Product Intent)                           │
│ "通过个性化推荐提升用户发现和购买效率"                        │
└─────────────────────────────┬───────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────┐
│ Level 3: 功能意图 (Feature Intent)                           │
│ "首页个性化推荐模块：在100ms内展示5个相关商品"                 │
└─────────────────────────────┬───────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────┐
│ Level 4: 实现意图 (Implementation Intent)                     │
│ "使用向量检索 + 排序模型，Top-K召回后精排"                     │
└─────────────────────────────────────────────────────────────┘

关键洞察：Product Intent 关注 Level 2-3，将 Level 4 留给 AI 决定。

AI 如何理解 Product Intent

传统方式：

产品经理 → PRD → 工程师理解 → 代码实现
                ↑
         （信息丢失和扭曲发生在这里）

Intent-Driven 方式：

产品经理 → Product Intent (结构化) → AI 意图理解引擎 
                                     ↓
                              生成实现方案 → 代码生成
                                     ↓
                              意图验证引擎 ←→ 人类审查

意图验证循环

Product Intent
      ↓
AI 实现
      ↓
验证：是否满足所有约束？
      ↓
Yes → 部署 + 监控
No  → 反馈 → 调整 Intent 或 AI 实现
      ↓
运行时监控：实际行为是否符合意图？
      ↓
持续学习和优化

五、实战：电商推荐系统的意图重构

场景：重构推荐系统

传统 PRD 方式：

需求文档 v1.2
==============

功能：首页推荐模块
- 展示位置：首页瀑布流
- 展示数量：20个商品
- 数据来源：用户历史行为
- 算法：协同过滤
- 更新频率：每天一次
- 成功指标：点击率 > 3%

三个月后的问题：

  • 推荐大量已购买商品
  • 价格区间与用户消费能力不匹配
  • 新用户推荐质量极差
  • 无法解释为什么推荐某商品

Product Intent 重构

product_intent:
  id: RECOMMENDATION-HOME-001
  name: 首页个性化发现
  
  business_intent:
    problem: 用户难以从海量商品中发现感兴趣的商品
    opportunity: 通过个性化推荐提升发现效率和购买转化
    success_metrics:
      - metric: 推荐位点击率
        target: "> 8%"
        measurement: 7日滚动平均
      - metric: 推荐商品GMV占比
        target: "> 35%"
      - metric: 用户满意度（调研）
        target: "> 4.2/5"
  
  user_intent:
    segments:
      new_users:
        goal: 快速了解平台，建立信任
        strategy: 热门 + 多样性 + 低客单价商品
      returning_users:
        goal: 发现新品，提升复购
        strategy: 个性化 + 补货提醒 + 关联推荐
      high_value_users:
        goal: 高效找到想要的商品
        strategy: 精准匹配 + 高品质筛选
  
  functional_intent:
    core_capabilities:
      - name: 用户画像构建
        inputs: [浏览, 点击, 加购, 购买, 收藏]
        freshness: 实时更新
      - name: 商品召回
        methods: [向量相似度, 协同过滤, 热门趋势]
        coverage: "> 95% 商品池"
      - name: 个性化排序
        factors: [相关性, 多样性, 新鲜度, 利润]
        latency: "< 50ms"
    
    constraints:
      - 不展示已购买商品（除非可复购）
      - 价格区间匹配用户历史消费层级
      - 库存实时同步，不展示缺货商品
      - 新用户冷启动：前3次推荐用热门策略过渡
  
  constraint_intent:
    hard:
      - 隐私：不使用站外数据
      - 公平：不因性别/地域歧视性推荐
      - 准确：价格、库存、优惠必须实时准确
    soft:
      - 可解释：能够提供推荐理由
      - 可控：用户可标记"不感兴趣"
  
  evolution_intent:
    feedback_loop:
      signals: [点击, 购买, 跳过, 负反馈]
      model_update: 每日增量 + 每周全量
    
    experimentation:
      a_b_test: 持续运行至少1个实验
      metrics: [CTR, CVR, 长期留存]
    
    monitoring:
      alerts:
        - CTR 环比下降 > 20%
        - 推荐商品缺货率 > 5%
        - 用户负反馈率 > 1%

实施结果对比

指标 PRD 方式 Product Intent 方式 提升
开发周期 6周 4周 -33%
上线后迭代次数 8次 major 2次 major -75%
点击率 3.2% 9.1% +184%
用户投诉 每周15+ 每周2-3 -85%
业务方满意度 6/10 9/10 +50%

关键差异：

  • 约束前置：Product Intent 中的 hard constraints 让 AI 在一开始就知道边界
  • 用户分层：针对不同用户群体的不同策略，避免了”一刀切”的问题
  • 可观测性：evolution_intent 中定义的监控指标，让问题能被及时发现

六、写在最后：产品管理者的角色进化

从”需求翻译官”到”意图架构师”

传统产品经理：

  • 收集业务需求 → 写成 PRD → 跟进开发 → 验收上线
  • 核心价值：信息传递和项目协调

AI-Native 产品经理：

  • 理解业务目标 → 定义 Product Intent → 验证 AI 实现 → 监控意图执行
  • 核心价值：意图定义和质量保证

技能栈的转变

传统技能 权重 AI-Native 技能 权重
原型设计 20% 意图定义 30%
需求分析 30% 约束设计 25%
项目管理 25% AI 行为验证 25%
数据分析 15% 成功标准设计 15%
沟通协调 10% 人机协作设计 5%

核心能力的重新定义

1. 意图的精确表达能力

不是”写清楚需求”，而是”在模糊的业务目标和精确的技术实现之间架起桥梁”。

2. 约束的系统化思考

识别所有可能的边界情况，将其编码为可验证的约束条件。

3. 成功标准的设计能力

定义”好”的多个维度，并建立量化评估体系。

4. AI 行为的预判能力

理解 AI 可能如何”误解”意图，提前在 Intent 定义中消除歧义。

最后的思考

Product Intent 不是另一个文档模板，而是一种新的思维方式。

它要求我们：

  • 从功能思维转向意图思维 —— 不是”系统能做什么”，而是”系统为什么存在”
  • 从精确实现转向精确约束 —— 不是”告诉 AI 每一步怎么做”，而是”告诉 AI 边界在哪里”
  • 从静态文档转向动态验证 —— 不是”写完就扔”，而是”持续验证意图是否被正确执行”

在 AI 时代，代码变得廉价，但正确的意图定义变得无比珍贵。

这就是 Product Intent 的意义。

📚 延伸阅读

意图工程理论

  • Intent-Driven Development — 意图驱动开发方法论
  • Behavior-Driven Development (BDD) — Dan North 的经典理论
  • Specification by Example — Gojko Adzic，用示例定义需求

AI 与产品管理

  • Prompt Engineering for Product Managers — 如何与 AI 有效沟通
  • AI Product Management — 机器学习产品的特殊挑战
  • Human-in-the-Loop Design — 人机协作系统设计

相关实践

  • OKR 框架 — 目标与关键结果，与 Product Intent 有共通之处
  • Design Sprint — 快速验证产品假设
  • Jobs-to-be-Done — 从用户”雇佣”产品的角度理解需求

AI-Native软件工程系列 #01
深度阅读时间：约 22 分钟