🧰 AI PM 实战工具包

面向 AI 产品经理的日常作战工具箱 —— 立项检查、跨团队沟通、Demo 防翻车，拿来即用。

---

目录

1. AI 产品立项 Checklist
2. 跨团队沟通框架
3. AI 产品 Demo 技巧

---

1. AI 产品立项 Checklist

1.1 接手新 AI 产品后第一周要做的事

下列清单按优先级排列。第一周完成 ☐ 项，第二周完成 ◻ 项，存档备查 ○ 项。

Day 1-2：问题确认与用户验证

• ☐ 确认这是真 AI 问题还是假 AI 问题
  • 这个问题不用 AI 能解决吗？如果能，成本更低吗？
  • 用户真正需要的是「更准的答案」还是「有答案就行」？
  • 伪需求信号：用户说"希望更智能"，但追问后说不出具体场景
• ☐ 现有方案为什么不够好
  • 用户现在用手工/规则/外包怎么做的？痛在哪里？
  • 是效率问题、质量问题、还是根本做不到？
• ☐ 一句话价值主张
  • 写完这句发给至少 5 个真实用户验证："我们这个功能可以帮你 ____，让你 ____"
  • 如果 3 个人以上说"看不懂"或"不需要"，回炉重造
• ☐ 成功指标定义（立项即定义）
  • 核心指标 1 个（不要超过 3 个）：任务完成率 / 时间节省 / 收入提升
  • 当前 baseline 值是多少？没有 baseline 的指标等于没指标

Day 3-4：竞品与技术调研

• ☐ 竞品 AI 能力矩阵
  • 列出 Top 3 竞品 + 2 个跨行业参考
  • 竞品用 AI 做了什么？效果如何？（截图 + 数据）
  • 我们差异化的点在哪里？数据优势？场景理解？成本结构？
• ☐ 技术方案选型
  • 自研 vs 调用 API vs 开源微调？依据是什么？
  • 模型选型：参数规模、推理速度、上下文长度、成本
  • 是否需要 RAG？知识库来源是什么？更新频率？
• ☐ 数据可行性评估
  • 训练/微调数据从哪里来？质量如何？标注成本？
  • 用户数据隐私合规：数据出境？用户授权？脱敏方案？
  • 冷启动策略：没有用户数据时怎么让模型先跑起来？

Day 5-7：成本、评估与风险

• ☐ 成本估算 —— 必须算三笔账
  • 推理成本：每次请求的 token 消耗 × 预估调用量。GPT-4 级别模型约 $0.03-0.12/次请求，小模型 $0.001-0.01
  • 标注成本：评估集标注、bad case 回收标注、微调数据标注。按条计费 vs 按小时
  • 基建成本：GPU 实例/API 订阅/向量数据库/CDN/带宽。最低 MVP 每月至少 $500-2000
  • 成本模型要随着规模变化重新算：1000 DAU 和 100 万 DAU，成本结构完全不同
• ☐ 评估准备 —— 没有评估就是盲人摸象
  • 评估集：至少 200-500 条覆盖核心场景的测试用例，含 edge case (不少于 20%)
  • Baseline：没有 AI 时的效果（规则/人工/旧模型），作为对比基准
  • 评估维度：准确率 ✓、拒绝率（该拒绝时拒绝了吗）、幻觉率、用户满意度
  • 自动评估 vs 人工评估：自动评估跑量，人工评估跑质，两者不可偏废
• ☐ 团队能力评估
  • 团队之前做过 AI 产品吗？踩过哪些坑？
  • ML Engineer：有部署和推理优化经验吗？还是只会调 API？
  • 谁负责 prompt 工程？谁负责评估？谁负责 bad case 分析？
  • 没有专职 AI 评估角色的团队，AI 产品质量一定崩塌
• ☐ 风险管理 —— 列出 Top 5 风险
  • 技术风险 1：模型幻觉导致用户体验灾难（概率：高 / 影响：灾难级）
  • 技术风险 2：推理延迟超预期，用户流失（概率：中 / 影响：高）
  • 产品风险 1：用户对 AI 能力过度期望（概率：高 / 影响：中）
  • 产品风险 2：PMF 不成立，用户不需要（概率：中 / 影响：致命）
  • 组织风险：AI 评审周期过长，错过窗口（概率：中 / 影响：中）
  • 每个风险要有缓解措施和触发告警的阈值
• ☐ 合规检查清单
  • 内容安全：AI 输出的有害/偏见/违法内容如何拦截？
  • 数据隐私：用户数据是否用于模型训练？是否获得授权？
  • 版权风险：模型输出是否可能侵犯第三方版权？
  • 监管合规：是否涉及深度合成/生成式 AI 备案？
  • 未成年人保护：是否有年龄分级和内容过滤？
• ☐ 退出标准 —— 什么情况下应该放弃
  • 模型效果持续 N 周达不到 baseline（建议：连续 4 周）
  • 推理成本超过用户生命周期价值的 3 倍
  • 用户留存率低于传统方案
  • 合规审查不通过且无可行替代方案
  • 写进 PRD 的"Not Doing"清单中，明确放弃条件
  • 每两周复盘一次退出条件，不要等到投入半年才决定放弃

1.2 立项后第二周 Checklist（快速启动）

• ◻ MVP 范围锁定：最小可行 AI 功能是什么？砍掉 50% 的 feature
• ◻ Prompt 基线版本：写第一版 system prompt，团队内 blind review
• ◻ 用户体验流程图：AI 输出的不确定性如何在前端处理？（loading / fallback / 纠错入口）
• ◻ 灰度计划：5% 用户 → 20% → 50% → 全量，每个阶段的评估标准
• ◻ 监控面板搭建：延迟 P50/P95/P99、调用成功率、用户满意度打分
• ◻ Bad Case 回收机制：用户如何反馈问题？反馈是否进入迭代闭环？

1.3 持续运营节奏

• ○ 每周：Bad Case 评审 ≥30 条，标记根因（幻觉/理解偏差/数据缺失/prompt 缺陷）
• ○ 双周：模型效果报告（准确率/幻觉率/满意度趋势）
• ○ 每月：推理成本复盘（是否需做蒸馏/量化）
• ○ 每季：竞品 AI 功能扫描
• ○ 每次发版：评估集全量回归 + 新增 edge case

---

2. 跨团队沟通框架

2.1 给 CEO / 投资人讲 AI ROI

CEO 不关心你用的是什么模型，只关心这玩意儿到底值不值。

核心问题

CEO/投资人最常问的三个问题：

1. "AI 到底给我们带来了什么价值？"
2. "这个 ROI 怎么算？"
3. "凭什么我们要比别人多花钱做 AI？"

价值沟通框架：三种 ROI 叙事

① 用户价值型（适合 toC 产品 / 增长阶段）

• 叙事角度：AI 提升了哪些用户体验指标
• 关键指标：任务完成率 ↑、完成时间 ↓、用户满意度 ↑、NPS ↑
• 话术模板：
  • "这不是一个 AI 功能，这是一个让用户效率提升 X 倍的解决方案。"
  • "用户之前完成这个任务平均需要 Y 分钟，现在只需要 Z 秒，转化率提升了 W%。"
  • "我们不是在做 chatbot，我们是在做7×24 小时的专家助手。"

② 成本价值型（适合 toB 产品 / 降本增效）

• 叙事角度：AI 替代/辅助了哪些人工环节
• 关键指标：客服成本 ↓、人工处理时长 ↓、人效比 ↑、自动化率 ↑
• 话术模板：
  • "当前每次人工客服成本 $Y，AI 首次解决成本 $X，差 Z 倍。"
  • "AI 自动化率从 0% 提升到 N%，相当于省了 M 个全职人力。"
  • "这不是裁员工具，这是让团队做更高价值工作的杠杆。"

③ 收入价值型（适合商业化阶段）

• 叙事角度：AI 功能带来了多少付费转化和收入
• 关键指标：AI 功能付费率 ↑、ARPU ↑、付费转化率 ↑、留存 ↑
• 话术模板：
  • "AI 功能上线后，付费转化率从 A% 提升到 B%，新增 MRR $C。"
  • "用户因为 AI 功能留下的比例比非 AI 用户高 D%，12 个月 LTV 高 E 倍。"
  • "当前成本 $F/用户，但给用户节约了 $G/用户的时间价值。"

ROI 计算模板（填空即用）

AI 功能 ROI = (节省成本 + 新增收入) / (AI 成本 + 工程成本)

节省成本 = 人工处理量 × 人工单价 × AI 替代率
新增收入 = AI 功能付费用户数 × 客单价 + 留存提升带来的增量收入
AI 成本  = 推理成本 + 标注成本 + 基础设施 + API 订阅
工程成本 = AI 团队人力成本分摊 + 迭代周期分摊

避坑提示：不要只报正面数据。主动暴露风险："如果模型效果达不到预期，ROI 可能减半，我们的止损线是 XXX。"

给 CEO 的汇报模板（5 分钟版）

1. 一句话：我们做的 AI 功能解决了什么问题，给用户/公司带来什么价值
2. 数据说话：上线以来核心指标变化（Before vs After）
3. ROI 计算：投入多少钱，省了/赚了多少钱，什么时候回本
4. 风险提示：最大的不确定性是什么，我们怎么应对
5. 下一步：接下来做什么，需要 CEO 做什么决策

2.2 给工程师讲 PM 视角

话术 1：为什么这个 Prompt 这么重要？

工程师常说的话："不就是改几个字吗？效果能有多大差别？"

你的回答框架：

• 第一层（技术理解）："Prompt 不是'改几个字'，是模型的指令集。好的 prompt 能降低幻觉率 30-50%，这比换一个更大参数量模型性价比高得多。"
• 第二层（产品视角）："你知道吗？用户对这个功能的满意度，70% 取决于 prompt 质量，只有 30% 取决于模型选型。因为 prompt 决定了用户看到的第一句话、第一个回答、第一次信任。"
• 第三层（共同目标）："我们一起设计一个 prompt 版本管理系统，每次改动都跑完整评估集。你来做 prompt 工程化的架构，我来定义评估标准和用户反馈。"
• 实操建议："prompt 的每个变更都要有版本号、变更理由、评估结果。像管理代码一样管理 prompt。工具推荐：LangSmith、Weights & Biases Prompts。"

话术 2：为什么评估标准不能只看准确率？

工程师常说的话："准确率 98%，够了吧？"

你的回答框架：

• 第一层（产品视角）："准确率 98% 的意思是，每 100 个用户里有 2 个得到错误答案。对搜索引擎来说这 OK，但对金融/医疗/法律场景，2% 的错误率意味着灾难。"
• 第二层（用户视角）："用户记住的不是 98 次正确，而是那 2 次错误。错误答案带来的信任损失是指数级的。"
• 第三层（系统视角）："我们需要的是一套多维评估体系：
  • 精确率：给出的答案中正确的比例 → 错了就是信任崩塌
  • 召回率：该覆盖的问题都覆盖了吗 → 漏了就是体验缺失
  • 拒绝率：不知道的时候能说不知道吗 → 硬答就是致命幻觉
  • 延迟 P95：95% 的请求在多长时间内返回 → 慢了就是流失
  • 用户纠错率：用户需要手动修改 AI 输出的比例 → 高了就是鸡肋"
• 落地建议："我们建一个评估看板，把这些指标都可视化。每周过一遍 bad case，把准确率拆解成用户可感知的体验指标。"

话术 3：怎么让工程师参与产品决策？

• "你来决定用什么模型、怎么部署，但做什么、做到什么标准我们一起定。"
• "我希望你能看到用户反馈——我给你开权限看客服记录和用户评价。"
• "每次 bad case 评审，我不只看数据，我叫上你一起看用户说了什么。"
• "评估集里我给你留 20% 的'探索用例'，你可以自己加你觉得重要的场景。"

2.3 给设计师讲 AI 产品交互约束

设计师常说的困惑

• "为什么 AI 的输出不能像普通数据一样精准？"
• "为什么 loading 状态这么复杂？"
• "为什么不能给用户一个'确定'按钮？"

你的回答框架

第一课：AI 是不确定的，交互要为不确定性设计

• 普通产品：输入 A → 输出 B（确定的、可预期的）
• AI 产品：输入 A → 输出可能是 B/C/D/E（概率性的、不可完全预期的）
• 对设计的影响：
  • 不要假设 AI 输出是"正确的"——用户需要有验证和纠错的入口
  • 不要假设 AI 输出是"一致的"——同一问题不同时间可能不同答案
  • 不要做"一次输出定终身"的设计——要有编辑、重新生成、反馈机制

第二课：状态设计比普通产品多一倍

状态	普通产品	AI 产品
初始态	空白页面	引导示例 + 能力边界提示
加载态	spinner	流式输出 + 进度暗示 + 取消按钮
成功态	显示数据	显示 AI 输出 + 置信度标识 + 纠错入口
空态	"暂无数据"	"我还不会回答这个问题，试试问别的"
错误态	错误提示	降级方案(简化回答/转人工/重试)
极限态	分页展示	长回答折叠 + 关键信息高亮

第三课：交互模式的三个层次

• 第一层（AI 主导）：用户说，AI 做。交互最简单，但用户控制感最弱。
  • 适用：信息查询、内容总结、翻译
  • 设计要点：输入框 + 结果显示 + "不满意？重新生成"按钮
• 第二层（人机协作）：AI 建议，用户决定。交互最复杂，但效果最好。
  • 适用：文案创作、代码生成、数据分析
  • 设计要点：AI 产出 → 用户编辑 → AI 辅助修改 → 用户确认
• 第三层（AI 辅助）：用户主导，AI 在旁边提供建议。
  • 适用：写作辅助、设计辅助、决策支持
  • 设计要点：保持用户主控权，AI 建议不打断用户流程

第四课：给设计师的检查清单

• ☐ 用户知道 AI 的能力边界吗？（不要等用户问了才知道 AI 不会）
• ☐ 用户能理解 AI 的回答为什么不完美吗？（置信度/来源提示）
• ☐ AI 出错时，用户知道怎么纠正吗？（反馈入口放哪里）
• ☐ 用户能控制 AI 的"温度"吗？（创意度调节、详细程度调节）
• ☐ 加载状态有"可取消"选项吗？（生成到一半不满意可以直接停）
• ☐ 历史对话中，用户能找到之前 AI 给的答案吗？（会话存储和搜索）

---

3. AI 产品 Demo 技巧

3.1 AI Demo 为什么容易翻车？

五大翻车原因：

原因	概率	典型场景
模型输出不稳定	⭐⭐⭐⭐⭐	昨天演示正常的 prompt，今天输出完全不一样
幻觉不可控	⭐⭐⭐⭐	模型自信满满地说出一个错误事实
演示环境 vs 真实环境差异	⭐⭐⭐⭐	本地跑得好好的，现场网络慢/延迟高
用户输入不可控	⭐⭐⭐	投资人问了预期之外的刁钻问题
依赖服务不稳定	⭐⭐⭐	第三方 API 限流/宕机/版本变更

3.2 Demo 准备 —— 三层防线

第一层防线：多套输入方案

• Plan A：你最完美的演示场景，模型 90%+ 概率稳定输出
  • 输入经过精心设计，覆盖核心价值主张
  • 提前跑 50 次以上，确认输出质量稳定
• Plan B：备选场景，与 Plan A 不同但同样能展示核心价值
  • 当 Plan A 翻车时的第一替代方案
  • 同样提前跑 50 次以上验证
• Plan C：最安全、最简单的场景（哪怕展示价值不够惊艳）
  • 最后的兜底方案，模型输出确定性最高
  • 可以是"能跑就行"的级别

铁律：每个 demo 至少准备 3 套输入方案，且每套都在演示环境中跑过至少 50 次。

第二层防线：硬编码策略 vs 真实调用

硬编码策略（适合高规格演示 / 投资人场）

• 提前把理想的模型输出录好 / 写好
• 现场演示时走"模拟模式"，展示的是一致的最佳效果
• 适用场景：融资演示、重要客户签约、CEO 对外的 Keynote
• 注意事项：必须标注"模拟效果"，不要误导观众以为模型已经完美
• 伦理边界：可以展示"未来能力"但必须诚实说明当前阶段

真实调用策略（适合内部评审 / 灰度验收）

• 现场真实调用模型，展示真实效果
• 适用场景：团队内部评审、技术选型对比、A/B 测试结果展示
• 注意事项：做好翻车预案，坦然面对不完美
• 最佳实践："我们来看看真实的效果 —— 好的一面和不好的一面都看"

混合策略（推荐）

• 核心价值场景走硬编码（展示愿景）
• 互动环节走真实调用（展示诚实）
• 话术："这是我们的目标效果（硬编码），这是当前的真实水平（真实调用），差距就是我们下一步要解决的问题。"

第三层防线：降级预案

模型崩了/变慢 → 降级方案执行清单（5 秒内切换）：

□ 第一步：切换到预先录制的 Demo 视频（提前准备好 3-5 分钟）
□ 第二步：口头描述"正常情况下这里会看到……"
□ 第三步：切换到备用模型（如 GPT-4 → GPT-3.5 / 本地小模型）
□ 第四步：如果所有方案都失败 —— "这正是我们正在解决的问题，它展示了 AI 产品的不确定性，这也是为什么我们需要更多的资源和时间来打磨。"

心态提示：翻车不是世界末日。真诚地面对问题，解释"这是我们正在解决的挑战"，反而能给观众留下诚实和专业的印象。

3.3 Demo 现场 Checklist

演示前 24 小时

• ☐ 环境检查
  • ☐ 演示网络已测试（带宽 > 10Mbps，延迟 < 50ms）
  • ☐ 所有 API Key 有效，没有过期
  • ☐ 模型 endpoint 可用（不是"维护中"）
  • ☐ 备用网络（手机热点/独立 5G 路由）
• ☐ 内容验证
  • ☐ Plan A/B/C 各跑了 50 次，记录输出稳定性
  • ☐ 所有计划中的 demo 输入已保存为文本（不要现场打字）
  • ☐ 录播视频已准备好（画质 1080p，声音清晰，含字幕）
  • ☐ fallback 回答已写好，存为本地文件
• ☐ 设备检查
  • ☐ 电脑电量 100%，充电器随身
  • ☐ 投影/投屏测试通过，字体大小可读
  • ☐ 演示用浏览器清除了缓存和插件干扰
  • ☐ 关掉所有通知（Slack/邮件/日历弹窗）

演示前 1 小时

• ☐ 现场网络再次测试
• ☐ 再次跑一遍 Plan A 确认稳定
• ☐ 录播视频本地播放测试（不要依赖流媒体）
• ☐ 关闭所有无关浏览器标签和应用程序
• ☐ 深呼吸，心态准备好：最坏情况已有预案

演示中

• ☐ 开场白先降预期："AI 产品的一个特点是每次输出都不一样，我们来看看今天的运气如何。"
• ☐ 先展示价值，再展示技术：不要上来就讲模型架构
• ☐ 操作要慢：让观众看到你输入了什么、得到了什么
• ☐ 如果翻车：微笑 → "这正是我们在解决的挑战" → 切换到 Plan B
• ☐ 控制演示范围：只演示你准备好的场景，不要即兴探索
• ☐ 留 30% 时间做 Q&A：但 Q&A 环节不做实时 demo 演示

3.4 常见翻车案例与预防措施

案例 1：模型返回错误答案

场景：给投资人演示 AI 客服，问"我们公司去年的营收是多少"，模型说了一个错误的数字。

根因：

• RAG 检索到的知识文档版本不对/太旧
• 模型无视检索结果，凭训练数据回答（即"检索增强"没生效）
• prompt 没有约束"如果不知道请说不知道"

预防措施：

• ✅ prompt 里明确写："优先使用检索到的知识，如果文档中没有信息，请明确说'我的知识库中没有这个信息'"
• ✅ 演示前测试那些"模型容易出错"的问题，针对性加固
• ✅ 准备一个"全对"的演示路径和一个"模型说不知道"的演示路径（后者反而能展示诚实）
• ✅ fallback 回答就写在旁边的纸上："以下是准备好的回答……"

案例 2：现场网络延迟过高

场景：在客户公司会议室演示，Wi-Fi 信号差，模型返回需要 30 秒。

根因：

• 没有提前测试演示环境网络
• 没有降级方案
• 模型推理时间没有做超时处理

预防措施：

• ✅ 提前到现场测试网络，或自备 5G 热点
• ✅ 准备好 3-5 分钟录播视频（展示完整流畅的体验）
• ✅ 模型设置超时时间（建议 10 秒），超时自动展示 fallback
• ✅ 流式输出（streaming）先显示第一个 token 给用户"有东西在出来了"的感觉

案例 3：用户输入预期之外的 Prompt

场景：CEO 在 demo 现场突然问："让它写一首诗讽刺我们竞品。"

根因：

• 没有对演示输入做范围限定
• 模型的安全对齐被触发，拒绝回答（反而尴尬）
• 或者更糟 —— 模型真的写了一首讽刺诗（合规灾难）

预防措施：

• ✅ 演示前明确告知观众："我准备了几个场景，我们先按这些来走。"
• ✅ 准备好回应框架："这是个有趣的问题，不过我今天的 demo 主要聚焦 XX 场景，会后我们可以专门测试这个方向。"
• ✅ 如果被强迫输入，先确认输入安全："让我看看怎么处理这个……"（给自己争取切换到备用方案的时间）
• ✅ 最好的预防：演示界面限定输入范围（预置的示例问题，不让自定义输入）

案例 4：模型突然"失忆"或风格突变

场景：同样的问题，上周 demo 回答得很好，今天模型像换了个人。

根因：

• 模型版本被服务商悄悄更新了（API 模型常见问题）
• system prompt 被其他人不小心改了
• 温度/超参设置被重制

预防措施：

• ✅ 锁定模型版本（不要用"最新版"，用固定版本号如 gpt-4-0613）
• ✅ 演示前 checklist 中加一条：检查 system prompt 和超参设置
• ✅ 把 system prompt 和参数配置写成可复用的配置文件
• ✅ 如果必须用 unpinned 版本，提前测试新版本的输出变化

案例 5：依赖的第三方服务不可用

场景：RAG 系统依赖的向量数据库挂了，AI 无法检索知识。

根因：

• 没有做服务依赖的降级设计
• 没有离线缓存

预防措施：

• ✅ RAG 系统设计时加上本地缓存层（向量缓存 + 知识缓存）
• ✅ 降级方案：缓存不可用时，模型退化为纯 LLM 模式（只靠训练知识回答）
• ✅ 演示前检查所有依赖服务的健康状态
• ✅ 准备一个"纯 LLM"模式的演示路径

3.5 录播 vs 直播：选型决策

维度	录播（Pre-recorded）	直播（Live Demo）
推荐场景	融资演示、Keynote、客户签约、高规格对外展示	内部评审、技术选型、灰度验收、团队 sync
核心优势	100% 可控，零翻车风险，可后期制作	真实可信，能展示交互细节，现场问答
核心风险	不够真实，观众怀疑是"假 AI"	翻车概率 30-50%，不可控因素多
准备时间	2-3 天（拍摄 + 剪辑 + 字幕）	1-2 天（测试 + 预案 + 排练）
最佳时长	3-5 分钟	10-15 分钟
翻车应对	不存在翻车问题	必须准备完整降级预案
观众信任	中（会被质疑真实性）	高（翻车但诚实反而加分）
技术深度展示	难（只能展示结果）	易（可以展示交互过程）

决策树：

Demo 场景是什么？
├── 对外的（投资/客户/大会演讲）
│   ├── 建议录播（3分钟精剪版）
│   └── + 会后安排直播 Q&A 环节
├── 对内的（团队/评审/老板汇报）
│   ├── 建议直播（展示真实能力）
│   ├── + 录播备份兜底
│   └── + 准备好"翻车也是个亮点"的心态
└── 混合的（部分展示用录播，互动用直播）
    └── 最佳方案：录播展示"愿景"，直播展示"现状"

录播制作 Checklist

• ☐ 脚本撰写：说人话，不讲术语，30 秒内展示核心价值
• ☐ 录制工具：Screen Studio / OBS，60fps，4K 录制（输出 1080p）
• ☐ 音频质量：领夹麦 + 安静环境，背景噪音 < 40dB
• ☐ 后期处理：关键步骤加放大镜/高亮效果，视频底部加字幕
• ☐ 免责声明：末尾标注"展示效果基于实际产品，可能因网络环境和模型状态有所不同"
• ☐ 备用格式：MP4（通用）+ 链接（在线播放），两种都准备好

直播呈现技巧

• ☐ 开场先展示"这是真的"：现场输入几个字，让观众看到实时输出
• ☐ 慢节奏操作：每次输入后等 2-3 秒再说话，让观众消化
• ☐ 口头标注："这是我的屏幕，我正在输入……可以看到模型在实时生成……"
• ☐ 互动技巧："谁想上来试试？"（选 1-2 个观众，但控制输入范围）
• ☐ 出现小问题直接说：语气轻松地解释"这里模型有点调皮了"
• ☐ 出现大问题直接切换：不要挣扎，立刻换 Plan B

---

附录：工具推荐

Prompt 管理：LangSmith、W&B Prompts、Agenta

模型评估：Giskard、DeepEval、LangFuse

Demo 制作：Screen Studio、OBS Studio、Arcade

成本监控：Helicone、LangSmith、Arize AI

---

版本：v1.0 | 更新于 2026.05