利益关系披露：DragonAI 运营 AI 产品经理课程。本文与配套 JSON 是第一方原型研究记录框架，不是统一设计标准、用户研究结果或项目效果保证；不包含真实参与者、样本规模、模型跑分或生产结论。涉及个人信息、高影响用途或专业判断时，仍需研究、隐私、安全、法务和领域责任人确认。
30 秒答案：原型不是缩小版产品，而是一次有停止条件的实验
AI 产品经理做原型，第一步不是选 Figma、代码生成器或模型，而是写下“本轮最不确定、最值得先验证的判断是什么”。可能是用户是否理解价值、能否提供必要输入、是否接受等待与澄清、能否发现并修正错误、人工接管是否可行，或真实模型能否在目标任务上达到最低门槛。
每个原型只需要达到足以回答该问题的保真度。可下载 AI 产品原型验证记录 JSON，把假设、原型边界、行为合同、任务切片、参与者与协议、逐次运行和最终决定连接起来。
| 要验证的未知 | 最低可用原型 | 不能由它证明的事项 |
|---|---|---|
| 用户是否理解价值与边界 | 文案、故事板、静态概念 | 真实任务完成和模型能力 |
| 流程、纠错与接管是否清楚 | 可点击流程、固定响应 | 输出分布、延迟和系统稳定性 |
| 理想输出是否有用 | 人工模拟 AI 输出 | 真实模型质量、成本和安全 |
| 模型能否完成窄任务 | 真实模型单任务切片 | 完整工作流和生产容量 |
| 检索、工具与权限能否协作 | 可运行系统切片 | 长期采用、规模化和持续安全 |
一、先写验证问题、反对证据和停止条件
把需求写成可被观察推翻的假设。例如，不要写“用户需要 AI 助手”，而写“目标用户在给出已有工单和产品版本后，能用建议草稿更快形成可发送回复，并能发现错误依据”。同时预设：若多数任务仍需重新查资料、用户把草稿误当最终结论、敏感信息被带入错误位置，或人工接管成本超过当前流程，就修改范围或停止。
Google 的机器学习问题定义指导建议先明确非 ML 目标、比较生成式 AI 与更简单方案，并保留非 ML 基线。原型因此也应包含当前流程或简化方案的对照，而不是只展示 AI 版本。
二、按未知问题选择原型保真度
原型保真度不是从低到高必须走完的阶梯。按本轮问题选择：
- 文案与概念：验证价值主张、术语、预期和排除范围；
- 故事板或可点击流程：验证步骤、状态、反馈、确认与退出；
- 人工模拟 AI：验证理想输出、节奏、澄清和接管，但明确模拟边界；
- 真实模型切片：验证特定模型、提示和输入条件下的随机输出与失败；
- 系统切片：加入检索、工具、权限、日志和依赖，验证端到端薄切片。
如果问题是“用户是否理解人工接管”，没有必要先搭完整后端；如果问题是“模型在冲突资料下是否可靠引用”，静态高保真界面也回答不了。不要用漂亮程度替代证据强度。
三、原型必须包含 AI 行为合同和失败状态
在画流程前固定：允许输入、所需上下文、理想输出属性、依据显示、不确定性表达、澄清条件、拒绝边界、反馈纠错、人工接管、撤销恢复和禁止行为。Microsoft HAX 的人机交互指导覆盖初次交互、日常使用、系统出错和随时间变化四类状态；原型至少要让适用状态可见，而不是只做一条成功路径。
Google PAIR 的心智模型指导强调让用户理解系统能做什么、不能做什么，以及输入与输出之间的动态关系。原型研究因此要问参与者如何解释系统、认为它使用了什么依据、何时会信任或复核，而不只问“喜欢吗”。
四、用任务与失败切片设计研究脚本
至少准备正常任务、信息不足、表达含糊、资料冲突或过期、无权访问、超出范围、依赖失败和高影响边界。对每条任务固定起始条件、允许资料、目标结果、观察点、严重失败和结束条件。参与者可以自由探索，但主持人不能为了让原型成功而临时补充只有某一位用户得到的提示。
若原型含模型随机性，固定模型和提示版本、采样参数与外部依赖，并为相同任务保留重复运行。若使用人工模拟，记录模拟规则、操作者可见信息、响应时延和禁止临场优化的部分，避免把研究员的专业判断误算成模型能力。
五、研究协议要连接参与者、同意与数据边界
记录目标人群、招募标准、排除条件、样本限制、研究场景、主持脚本、同意状态、录音或日志范围、保存期限、删除路径和研究责任人。不得把真实客户材料、凭证、内部数据或个人信息直接送入未经批准的原型服务。
若参与者需要知道人工模拟或 AI 生成的具体方式，应由研究和伦理责任人确定披露时点，并在记录中说明。原型可以暂时隐藏实现以验证交互，但不能通过误导规避同意、数据权利或高影响用途要求；涉及暂缓披露时，还要记录理由、相应批准或豁免、事后说明计划与完成状态。
六、逐次保存“发生了什么”，不要只做总结页
每次运行至少关联原型版本、任务、参与者范围、模型/提示/数据/工具版本、输入、输出、状态变化、观察、用户解释、错误发现、纠错、人工接管、完成状态和严重失败。区分参与者原话、观察事实、研究者解释和后续假设。
Google 的机器学习项目指导区分产品或业务指标与模型指标，并提醒好的模型指标不自动等于业务成功。原型阶段同样不能用一次流畅回答或参与者好评替代任务证据。量化统计只在样本、协议和测量口径支持时使用；小样本探索优先报告范围、反例和未决问题。
七、用证据决定继续、修改、缩小、暂停或停止
最终决定可以是 continue、modify、narrow_scope、pause 或 stop。绑定被验证的假设、支持和反对运行、严重失败、研究限制、责任人、下一项最低成本验证和复审触发器。没有反对证据不等于假设成立；没有覆盖高影响切片时，只能保留未知。
NIST AI RMF 要求记录目标范围、角色、人类监督、代表性测试、接近部署条件的评估和生产监测。原型通过后，应把失败样例转入 AI 产品评测集，将指标和阻断项写入 发布门禁，再在 AI 产品 PRD 中明确范围、数据、责任和回退。
“用 AI 生成原型”与“验证 AI 产品原型”不是一回事
生成式工具可以帮助创建文案、线框图、交互代码和模拟内容，这回答的是怎样更快制作材料。AI 产品原型验证回答的是：用户任务是否成立，系统行为与边界是否被理解，真实模型或模拟组件怎样失败，纠错与接管是否可行，以及什么证据支持继续投入。
前者提高制作速度，不自动增强研究有效性。若原型由 AI 生成，仍要核对组件、状态、无障碍、权限、数据和错误路径；生成成功、代码可运行或视觉完整都不能当作用户需求、技术可行性或生产安全的证明。
使用边界
本文与 JSON 不替代专业用户研究、无障碍评估、数据保护影响评估、安全测试、法律意见、领域验证或生产评测。模板中的空白字段和示例状态不代表任何真实研究已执行；若没有参与者、运行记录或责任人复核，应保持 not_run 或未知状态，不得写成已验证结果。