在国内做生成式AI产品，合规与风控从来不是附属品，而是产品设计的主战场。本文揭示了AI产品负责人如何将模型能力、成本控制和合规要求编织成可执行的策略，并通过快速学习、低成本实验和完整证据链，将不确定性转化为可控结果。从Perplexity的真相感到Aravind Srinivas的无我心态，你将看到顶级AI产品背后的实战方法论。

这篇来自文章结合Aravind Srinivas公开访谈里反复出现的硬核观点，写给准备把 AI 产品当长期职业的人，也写给仍在用传统互联网节奏管大模型项目的人。

你会发现，国内语境下的 AI 产品负责人，很多时候是在把不确定性变成可交付的版本，用更快的学习、更便宜的实验、更完整的证据链，把结果变得更可控。

国内AI产品负责人的真实战场

在国内做生成式 AI，功能做出来只是起点，能稳定、能控、能上线，往往占掉主业的一大半。

面向境内公众提供生成文本、图片、音频、视频等服务，有明确监管框架，服务提供者要对训练数据来源、个人信息保护、生成内容标识、投诉举报、违规处置等承担责任。例如《生成式人工智能服务管理暂行办法》要求训练数据合法来源，涉及个人信息要满足同意或其他法定情形，要保护用户输入与使用记录，并要求图片、视频等生成内容按《深度合成规定》进行标识。

对于具有舆论属性或社会动员能力的服务，还需要按规定开展安全评估并履行算法备案。《互联网信息服务深度合成管理规定》也把真实身份认证、内容审核、显著标识、日志留存写得很具体。未做真实身份认证的用户不能提供信息发布服务。智能对话、智能写作等文本生成服务在可能导致公众混淆时要做显著标识。

所以国内 AI 产品负责人的工作天然落在三条线的交叉点上：模型能力变化，成本与时延，合规与风控。它们都要进入产品决策，而不是把合规交给法务，把成本交给研发，把效果交给算法，自己只负责写 PRD。

学习速度：把跟进模型变成日常肌肉

当Aravind被问到两年估值从早期一路走到约 200 亿美元，靠什么，他回答不是愿景，而是持续快速上线，同时守住质量。他还说自己每天醒来就看用户反馈，立刻处理问题。更重要的是，他把学习当成基础体能，博士训练带来的关键收获是 learning to learn，愿意持续追问、追真相。

行动速度：让试错足够便宜，便宜到可以天天做

我们常用 1.01 的 365 次方解释增长的复利，放在国内 AI 产品上，更有价值的是把速度变成工程管理。

速度不是拼命冲刺，而是让试错成为流水线。

面对会幻觉的模型、会漂移的用户预期、会变动的推理成本，真正拖慢团队的不是做错一次，而是每次试错都很贵，贵到大家下意识回避。

让试错变便宜，通常有几件事立竿见影。把想法改写成最小实验。

不要写做一个知识库助手，而是选一个高频问答场景，限定答案边界，人工做 100 条对照题，目标是把可核验正确率拉到某个阈值。

这会强迫你先定义可度量结果，再谈体验。

把上线拆成可回滚的小块。AI 功能常常是一组策略与参数组合，例如 Prompt、检索配置、rerank 策略、拒答阈值、工具权限。

一次性打包发布会抬高回滚成本，团队自然变慢。你要追求的是今天上线一个小改动，明天能用数据推翻它。把用户投诉沉淀成可复现样本。Aravind 说自己醒来就看社媒反馈，重点不在勤奋，而在把外部噪声转成内部数据资产，能复现、能归因、能回归测试。

真相感：把证据链当成产品体验的一部分

Perplexity 把自己定义成 answer engine，它很强调每个回答都提供来源引用，用户能直接核验。

Lex Fridman 的对谈里，Aravind 也反复把这种设计和信任绑定，谈商业模式时强调不能让广告等因素损害用户对准确可信回答的信任，并把追求真相当成长期难题。

这不是浪漫主义，而是现实约束。

大模型存在系统性幻觉，输出可能流畅但不真实，已经成为可靠性落地的主要障碍之一。

RAG 之所以在业界常用，就是为了把模型参数里的知识与外部可更新的检索结果结合，并让来源可追溯成为可能。

在国内环境里，真相感最好写进 PRD，像写加载时间一样具体。关键结论给出处，让用户知道信息来自哪里，能点开看原文，减少误用风险，也更贴合 Perplexity 的产品主张。

给不确定性一个位置，不用含糊词糊弄，而是告诉用户依据哪些材料推断，缺哪类材料会改变结论。长期信任更依赖这种表达。

把可复现当作内部标准，同一问题、同一知识库版本、同一配置，输出差异太大就是问题，否则迭代只是换一种不稳定。

合规语境会放大真相感的价值，你越能把依据讲清，后续治理成本越低。

无我心态：敢推翻昨天的自己，才能跑得起来

AI 产品很难靠辩论赢下问题。

模型会用数据打脸，用户会用投诉打脸，线上指标会用下滑打脸。更实用的心态是承认错误、迅速改方案，而不是把方案护成个人作品。

Aravind 在 UC Berkeley Haas School of Business 的公开活动里提过一个细节，他每天醒来会看到大量用户在社媒吐槽产品哪里不行，这让他保持脚踏实地。背后是把自尊与决策分开，把被骂当输入，把修正当日常。在国内团队里，阻力常见来自三类。

投入很多了，于是不愿承认路线错了。想等更确定再做，但很多确定性只能靠行动换来。做错会被追责，于是团队用拖延自保。产品负责人能做的，是把试错设计成可控风险，小流量灰度，明确回滚，数据门槛，日志留存。成熟的无我心态也不是随便改，而是有条理地推翻自己，每次改动都留下决策记录、验证数据、回滚条件。你推翻的是假设，不是信念。

杠杆感与风险感：把AI当队友，也把AI当高风险组件

AI 确实让一个人的产出变多了。Aravind 也公开强调过让工程师强制使用 AI 编码工具，加快原型与交付，本质是在提高吞吐。但当工具从输出文字走向替你操作，风险也同步放大。

以 Perplexity 的 Comet 浏览器为例，媒体报道提到它把 AI 工具嵌进浏览器侧栏，能执行订酒店、购物等更接近代理的任务，也因此卷入平台与自动化行为的法律争议。

国内做 AI 产品负责人，需要同时具备两种能力：

一是杠杆感，把 AI 塞进团队工作流，让它承担可标准化的劳动，例如生成测试用例、梳理竞品差异、把客服对话聚类成问题清单、把知识库内容抽成结构化字段。重点不在会不会写提示词，而在能不能把工作拆成机器可接的子任务，并把输出纳入评测。

二是风险感，默认 AI 不可靠、可被攻击、会犯规，尤其是具备工具调用或自动执行能力时。

安全社区普遍把 Prompt Injection 视为 LLM 应用的高优先级风险，学术界也有面向工具集成 Agent 的注入攻击基准。

在落地中最好坚持这几条原则：

• 权限最小，能不让模型直接下单就别让，涉及资金、对外发送、删改数据的动作默认人确认。
• 输入分区，检索网页、用户上传文档、外部系统返回内容都当作不可信数据，不能让它们覆盖系统指令。
• 可审计，日志、来源、关键决策路径留痕，国内相关规定也强调日志留存、投诉处理、违规处置、个人信息保护等责任边界。
• 另外还要把算力当产品参数看待。

国内环境里 GPU 供给与出口管制会持续影响训练与推理成本，你不必做供应链专家，但要知道算力、时延、成本会反向决定功能边界。