AI 产品的核心结构：Prompt、RAG、Workflow、Agent、Human-in-the-loop
很多团队说自己在做 AI 产品，其实只是接了一个模型接口。真正能落地的 AI 产品，不是一个模型，而是一组能力结构。
对 PM 来说，理解这些结构不是为了写代码，而是为了做更准确的方案判断。
五个核心构件
graph LR
A["Prompt"] --> B["RAG"]
B --> C["Workflow"]
C --> D["Agent"]
D --> E["Human-in-the-loop"]
style A fill:#e3f2fd,stroke:#1565c0,stroke-width:2px
style E fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px
| 构件 | 解决什么问题 | 什么时候需要 |
|---|---|---|
| Prompt | 让模型按预期输出 | 所有 LLM 应用都需要 |
| RAG | 让模型基于外部知识回答 | 知识会变、不能只靠模型记忆 |
| Workflow | 把多步骤任务串起来 | 任务有稳定流程和环节 |
| Agent | 动态规划步骤并调用工具 | 任务变化大、路径不固定 |
| Human-in-the-loop | 人工审核、接管、纠偏 | 错误成本高、风险大 |
PM 需要怎么理解 Prompt
Prompt 不是“写一段话给模型”，而是定义：
- 任务目标
- 输入上下文
- 输出格式
- 约束条件
- 失败时怎么办
如果没有结构化输出要求，后续系统往往很难接。
PM 需要怎么理解 RAG
RAG 的价值不是“更高级”，而是让系统回答时能引用当前知识，而不是只依赖模型记忆。
典型适用场景：
- 知识库问答
- 企业文档检索
- 运营 SOP 查询
- 产品政策说明
Workflow 和 Agent 不要混为一谈
| 维度 | Workflow | Agent |
|---|---|---|
| 流程路径 | 相对固定 | 动态选择 |
| 可控性 | 更高 | 相对更低 |
| 适合场景 | 标准流程任务 | 开放任务、探索任务 |
| 成本与复杂度 | 较低 | 较高 |
很多项目说做 Agent，其实做 Workflow 就够了。PM 如果分不清，容易把方案做重。
Human-in-the-loop 是现代 AI 产品的安全阀
def route_answer(confidence: float, risk_level: str) -> str:
if risk_level == "high":
return "人工审核"
if confidence < 0.75:
return "人工接管"
return "自动回复"
print(route_answer(0.82, "medium"))
print(route_answer(0.60, "medium"))
print(route_answer(0.91, "high"))
这类逻辑体现的是产品设计思想：AI 不一定每次都自己做完，关键是知道什么时候该交给人。
一个典型 AI 客服结构
- 用户发问
- 系统识别意图
- RAG 检索相关知识
- Prompt 组装上下文
- 模型生成回答
- 置信度与风险判断
- 自动回复或转人工
- 日志与反馈回收
这才是一个可运营的 AI 产品结构，而不是只有一个输入框。
完整流程图：AI 客服从提问到转人工
graph TD
A["用户提问"] --> B["意图识别"]
B --> C["RAG 检索知识"]
C --> D["Prompt 组装上下文"]
D --> E["模型生成回答"]
E --> F{"置信度/风险判断"}
F -->|通过| G["自动回复"]
F -->|不通过| H["转人工"]
G --> I["日志与反馈收集"]
H --> I
课堂案例：一个团队到底该做 Workflow 还是 Agent
案例背景
某 SaaS 团队要做销售助手，需求包括：
- 回答产品问题
- 根据客户需求推荐方案
- 总结会议纪要
- 帮销售准备后续动作建议
教学拆解
这类需求看起来像 Agent，但第一版并不一定需要动态规划。
如果任务路径相对稳定，其实更适合：
- 用 Workflow 串联固定步骤
- 用 RAG 保证知识准确
- 用人工确认控制关键动作
课堂结论
很多“想做 Agent”的项目，第一阶段更适合做“可控的 Workflow + Copilot”。
练习题
- Prompt、RAG、Workflow、Agent 的区别分别是什么
- 为什么很多项目被“Agent”这个词带偏
- 哪类项目最需要 Human-in-the-loop
标准答案提示
- 回答时分别从目标、复杂度、可控性和适用场景切分
- 注意“动态规划”与“固定流程”的差异
- 高风险、高错误代价、强合规场景都要优先考虑人工介入
本章 checklist
- 我是否区分了 Prompt、RAG、Workflow、Agent 各自的作用
- 我是否避免把简单流程做成重型 Agent
- 我是否为高风险场景设计了人工介入点
- 我是否能用产品语言解释这些结构，而不是只会复述技术名词
本章小结
- AI 产品不是模型接口，而是一组能力结构
- PM 要能判断什么时候该用 Prompt、RAG、Workflow、Agent
- Human-in-the-loop 不是妥协，而是成熟产品的必要设计
下一节：02-Prompt与RAG系统设计要点 — PM 视角下的 Prompt 工程原则与 RAG 知识库设计关键判断点。