“用 Vibe Coding 的成本越低，被模型取代的概率就越高。”
“画流程、抠交互、做穷举——传统产品经理的方法论正在消亡。”
“智能体越多越难驾驭。单个智能体准确率 90%，多者协同后成功率可能降至 10%。”
“软件从固态变为液态。界面不再是长久固定的，而是‘日抛’的。”
“万物皆 Chatbot、万物皆 Workflow、万物皆龙虾——这些在旧验证器里的满分答案，在新衡量体系中可能归零。”
上述观点出自 2026 奇点智能产品大会。元理智能创始人、前智谱 COO 张帆在《从 AI 模型第一性视角，重构产品设计方法论》演讲中，直指 AI 产品设计的第一性：不谈表象与热点，而是从模型底层逻辑出发，剖析行业焦虑与幻觉。
其核心论断为：AI 的原生第一性是概率性的，而非确定性的。产品经理的核心能力已转变为建棋盘、定方向、设围栏。若用户仅凭一句 Prompt 即可复现产品结果，那体现的是模型价值而非产品价值。
此外，模型迭代从一年一版加速至两三月一版，本质是自进化逻辑跑通。但该逻辑尚未大规模进入商业世界，关键在于“验证器”极难定义。这恰是当下产品人需攻坚的核心。
张帆，元理智能创始人、前智谱 COO
以下为演讲实录：
透过表象看第一性：AI 时代的产品焦虑
当前 AI 领域热点频出，从业者普遍焦虑。从 2023 年的 Prompt 工程，到 GPTs、Coze、Dify 等 Workflow 工具，再到 Sora 视频生成及 OpenClaw、Harness Engineering 等新概念，技术迭代令人应接不暇。
若仅追逐表象，必将疲于奔命。本文旨在从技术视角探讨 AI 时代产品设计的第一性原理，分析范式变革及其对上层应用的影响。
AI 产品定义的重构：从确定性到概率性
传统产品方法论在 AI 时代逐渐失效。以往产品类似“有限状态机”，需穷举所有可能性并定义固定流程，具有高度确定性。
而 AI 产品往往仅需一个输入框，却蕴含巨大能量。其底层逻辑是概率分布。与传统软件执行 10 次结果必然相同不同，AI 执行 10 次结果可能各异，但遵循固定的概率分布。这一本质差异决定了设计方法的根本转变。
人机交互的本质：带宽提升与角色反转
产品的广义定义
广义而言，产品即人机交互界面，解决人类意图与机器执行之间的沟通问题。其中存在两大鸿沟：人类能否清晰表达意图，以及机器能否准确反馈结果。
回顾发展历程，从打孔机、命令行到图形界面、触控，再到如今的自然语言与多模态交互，本质均是重新定义人机交互，让人类想法更高效地进入机器并获取反馈。
通信带宽与主导权转移
人机交互演进主要涉及两个维度：
通信带宽的提升：从 DOS 时代的低带宽指令，到触控时代的丰富操作，再到自然语言和多模态的高带宽表达，信息传递效率呈指数级增长。
主导权的反转：早期是人迁就机器（如背诵命令、学习交互规则）；而在自然语言时代，机器开始迁就人类，主动理解模糊指令并解决问题。
核心逻辑在于：人机交互带宽持续变宽，双方理解效率持续提升。
设计重心转移：从生产内容到验证内容
大模型极大提升了信号表达与放大的能力。人类只需提供简短意图（如“哈姆雷特”四字），模型即可基于共识将其补全为丰富内容。这导致产品设计难度与锚点发生偏移。
大模型出现前，成本主要集中在降低输入门槛、提高输入带宽，且结果确定无需复杂验证。大模型出现后，“写文章容易，判别好坏难”。设计重心从“如何高效生产”转向“如何有效验证”。面对模型生成的海量内容，如何验证其有效性、合理性成为关键。
产品经理新角色：雕塑概率分布
从设计确定性到调优概率性
传统产品设计是绘制确定的业务地图，而 AI 时代的核心是设计概率性。产品经理需在带宽与确定性之间权衡：描述越清晰，可控性越强但体验越僵硬；描述越模糊，灵活性越高但不可控风险越大。
若仅停留在界面调整或简单封装，极易被基础模型取代。真正的产品价值在于通过设计（包括模型选择、Harness 工程、业务链路叠加等），创造出区别于通用基模的独特概率分布。
搜索空间的无限性与应对策略
AI 面临的搜索空间极其庞大（如围棋组合数远超宇宙原子总数），正面穷举所有可能性已不可能。因此，必须引入外部信号进行间接控制与验证。
Loop Engineer：利用外部信号控制概率
从 Prompt Engineer 到 Loop Engineer
当前趋势已从编写 Prompt 转向构建 Loop Engineer。即通过建立循环体系，让模型自我探索与研究，利用外部信号高效控制概率分布。DeepSeek R1 及 GRPO 算法的成功，证明了模型可通过不确定信号获得优质反馈。
类比“写笑话难，评笑话易”，验证与生产是异构的。通过多维度的异构验证信号，可引导模型收敛至更有效的分布。
AlphaGo 的启示：自进化逻辑
2016 年 AlphaGo 依赖人类棋谱战胜李世石；2017 年 AlphaGo Zero 摒弃人类数据，仅凭规则自我对弈，三天内完胜前者。这验证了“模型训练模型”的自进化逻辑。
如今，基模公司正将此逻辑应用于大模型研发。未来产品设计亦将遵循此道：不再依赖固定、高噪的人类经验建模，而是利用机器无穷、细腻且可持续进化的信号进行优化。
商业落地的瓶颈：验证器的定义难题
围棋与 Vibe Coding 之所以能跑通自进化，因其拥有明确的验证结果（输赢、代码运行成功与否）。然而，真实商业场景（如销售、客服）往往目标多元、反馈延迟且信号稀疏，导致验证器极难定义。
尽管挑战巨大，但人类专家的成长路径（从初级到高级）证明信号是可获取的。业务专家的核心能力在于构建过程奖励信号（如倾听需求、策略运用、表达清晰度等），这些是通用基模难以具备的。
产品经理的任务是将基模调整至符合特定业务场景的概率分布，而非简单调用接口。
避坑指南：设定围栏与指南针
警惕低效方法论
市面上许多方法存在误区：简单的“蒸馏员工”仅模仿语气而未复刻思维路径；盲目堆叠多智能体反而因幻觉叠加导致成功率骤降。
人的核心价值在于为机器的搜索空间设定“围栏”与“指南针”。
- 设围栏：界定机器探索的边界，避免无效发散。
- 定方向：提供明确的目标指引，减少 Token 消耗，提升效率。
理想的 AI 产品设计是结合机器的暴力搜索能力与人定义的空間方向，实现有效探索。
软件形态演变：从固态到液态
传统软件界面固定（固态），而 AI 驱动的软件呈现“液态”特征。例如 Claude Artifacts 可自动生成临时界面，Google Disco 浏览器能根据目标重组网页内容。界面变为“日抛”型，随用户需求动态生成。
这与 Feed 流取代传统杂志的逻辑一致：从千人一面到千人千面。人类的能力层随之上移，从感知信号、语义补全，进阶至判断优劣与定义真实世界地图。
拒绝旧验证器：构建新的衡量体系
过去几年，“万物皆 Chatbot"、“万物皆 Workflow"、“万物皆龙虾”等跟风现象，本质上是用旧验证器解答新问题。若无独立棋盘、缺乏弹性空间或缺失方向指引，此类产品毫无竞争力。
成功的產品必须独立于生成过程之外，与真实场景对齐，建立连续优化的验证体系。甚至在产品开发前，应先定义验证器，以证明对业务世界的深刻理解。
总结而言，传统“画流程、抠交互、做穷举”的方式正在消亡。新时代产品经理的核心能力是：建棋盘、定方向、设围栏，并构建适配新范式的验证器。
