大模型产品经理工作全解析：从启动到衍生的评估体系方法论

文章详解了大模型产品经理的完整工作地图，涵盖启动期（需求收集与基线评估）、优化期（模型精调与数据建设）和衍生期（生态构建）。重点阐述评估体系构建方法，包括能力拆解、评价方法选择和结果分析，强调科学评估是产品成功的保障，能精准定位模型问题，驱动产品持续迭代。

您是否正站在AI巨浪之巅，思考如何驾驭大模型这艘巨舰？

在当前技术飞速发展的AI/大模型时代早期，每一个大模型产品经理（PM）的工作都充满了挑战与机遇。想要做出成功的AI产品，评估就是我们手中最关键的“罗盘”。

今天，“慢达快语”将为您深度解析大模型产品经理的工作地图以及构建大模型效果评估体系的方法论，揭示如何“以评促建”驱动产品迭代。

🚀 第一站：大模型产品经理的工作地图

大模型产品开发是一个贯穿“启动期”、“优化期”和“衍生期”的复杂过程，并且始终有“市场及竞品追踪”贯穿始终，以把握趋势和策略。

🗺️ 启动期：锚定需求与评估基线

需求收集及拆解：通过C端&B端、业务日志分析、用户访谈等方式，全面收集和拆解用户需求。
用户需求分析：对收集到的需求进行分类，并确定优先级。
模型效果评估（基线）：构建评估集和标准，代表用户满意度，以便精准刻画模型问题，为后续优化提供基线。

🛠️ 优化期：精调模型与数据建设

这是提升模型“品味”和效果的关键阶段。

Prompt分析及改写：将业务需求转化为模型能清晰捕获的Prompt，这是影响后续效果的关键，也体现了PM对回复“品味”的把握。
模型效果优化：通过SFT（监督微调）、PPO（近端策略优化）、DPO（直接偏好优化）等方法，对底层各阶段模型进行优化。
数据建设：对数据进行规范、标注和清洗，是模型优化的基石。

💡 衍生期：构建生态与业务闭环

智能体设计：通过任务拆解和工具调用，激活模型的多维能力。
平台设计：设计功能和架构，支持内外部业务。
业务收益闭环：实现用户增长、运营联动、业务联动的增长和生态收益。

🧭 第二站：大模型评估体系的“指南针”

评估是PM了解大模型水平的唯一有效手段。一个全面、科学的评估体系是产品成功的保障。

PM在设计评估体系时会站在用户和市场视角，来定义设计模型应该具备什么能力。而如何评价什么是好什么是坏，就关系到在已有的科学的指标体系和评价方案中进行选择评判，当然，这一切必须得基于对用户需求的深入理解。

评估方案的具体设计主要围绕能力拆解、评价方法拆解和结果分析三个核心维度展开。

1. 能力拆解与评估集设计

设计评估集（即“试卷”）时，需要时刻关注市场和用户需求，行业里一般会考察这些内容：

评估能力维度	重点考察内容
基础能力	创作、理解、逻辑、教学、代码、记忆、事实等
重点能力	思维链（CoT）激发、Prompt派发/指令遵循、学科知识、重点垂类行业应用
安全稳定	稳定性（同一个Query多次提问，答案波动小）、技术安全性

2. 评价方法拆解与指标选择

评估指标：需求满足度、排序、准确度、相关性等。
量表选择：三分/五分量表、GSB、排名等。
评估方法：常用的有人工评估和自动化评估。人工评估更接近真实用户体验，但有人员疏漏和偏好差异的局限，会通过双人交叉校验再仲裁的方式；自动化评估方便快捷，但可能脱离真实用户场景。
评估量（题量）：如OpenAI推荐的300题，常见的评估量常在500-1000，如果想要快速看效果十条二十条也是可以的。

3. 结果分析

关于评估任务，一般分为例行（上线）评估（约500题/次）、横向能力评估（关注指令遵循、事实可靠性、角色扮演等）、竞品评估（竞品发新或者by month）和专项评估。

评估形成结果后，会对整体差异和规模现象分别进行说明，同时还会对照解读不同的策略。

完成评估任务后，如果能力有缺失，那么策略优化反馈的结论就指向预训练，能力需要优化则借助SFT（监督微调），效果不稳定则需要RM（奖励模型）。