AI产品的"冰山模型"：用户看得见的体验只是冰山一角，建立在水面下庞大的能力体系之上。四层架构为竞品拆解提供了从表层到底层的系统框架。
四层结构
| 层级 | 名称 | 定义 | 关键要素 |
|---|---|---|---|
| 1 | 用户层 | AI接触用户的部分，用户可直接看到、点到、感受到 | 发散式交互、约束式交互 |
| 2 | 技术应用层 | AI技术走向产业落地的桥梁，承载具体场景与实现方式 | 提示词工程、Agents设计 |
| 3 | 模型层 | AI能力的核心载体，连接底层技术与上层应用 | 基座模型→领域模型→场景模型 |
| 4 | 基础层 | AI落地的底座，支撑整体能力 | 数据、算力、算法 |
第一层：用户体验层（UX Layer）
用户直接看到、点到、感受到的部分。包括界面、交互、反馈、商业化设计。是AI产品中用户可直接感知的所有要素的总和。
三大拆解维度
核心场景与流程
- 用户从触发到完成任务有几步
- 关键路径是否顺畅、有无断点
AI特有的交互
- 流式输出/思考过程展示/多轮对话/引用与溯源
反馈与纠错机制
- 结果好坏怎么呈现
- 用户怎么纠错
- 如何引导重试
拆解方法
操作链路全流程截图记录
- 例如登录链路：打开产品→注册→完成首个任务，每一步截图
- 重点记录：注册需要几步、必填哪些信息、有没有第三方登录、新人引导是什么样、第一个有意义的任务花了多久
AI特有交互逐项测试
| 测试项 | 怎么测 | 看什么 |
|---|---|---|
| 流式输出 | 提一个长回答的问题 | 是逐字流式显示，还是一次性出现？速度多快？ |
| 思考过程展示 | 提一个推理类问题 | 有没有"思考中..."、能否展开看推理过程？ |
| 多轮上下文 | 第3轮问"我之前问了什么" | 能否记住、能否准确回忆 |
| 引用溯源 | 问一个时效性问题 | 有没有引用链接、可不可点击、引用源是否可靠 |
| 错误处理 | 主动断网、输入超长内容 | 错误提示是否友好、有无降级方案 |
第二层：技术应用层（Application Layer）
介于模型能力和用户体验之间的工程层，负责把"裸的AI能力"封装成"用户用得上的功能"。
| 维度 | 关注点 |
|---|---|
| 工作流类型 | 决定AI如何"思考-行动-反馈"的架构选择，主要分单轮、多轮、Agent、工作流编排四种 |
| Prompt与上下文工程 | System Prompt（系统提示词）的策略、上下文管理、记忆机制 |
| API与生态 | 是否对外开放API、是否支持插件/MCP（Model Context Protocol）、是否有开发者社区 |
第三层：模型层（Model Layer）
支撑产品AI能力的"模型本体"。
| 维度 | 关注点 |
|---|---|
| 模型选型 | 是自研底座（如GPT、Claude、文心），调用闭源API（如调GPT-4），调用开源（如Llama、Qwen），还是混合策略 |
| 多模态能力 | 文/图/语音/视频的输入和输出能力矩阵 |
| 增强方案 | 在基础模型之上的工程加固，主要包括三种：RAG、微调、Agent |
第四层：基础层（算法、算力、数据）
四层架构的最后一层。和前三层不同，这一层用户完全看不见，但它决定了产品的成本结构、能力天花板、长期护城河。
| 维度 | 关注点 |
|---|---|
| 算法 | 技术路线选择、研发投入强度、对前沿技术的跟进速度 |
| 算力 | GPU资源是自有还是租赁、推理优化水平、是否自建数据中心 |
| 数据 | 训练数据来源、用户数据飞轮（用户使用产生的数据反哺训练的能力）、数据合规 |
PM 怎么用 / 何时用
- 拆解竞品时，按四层（用户/技术应用/模型/基础）自上而下逐层扒，避免只看表层交互就下结论。
- 拆用户层时，用"AI特有交互逐项测试"表实测竞品（流式/思考过程/多轮/溯源/错误处理），记录截图与差异。
- 判断竞品护城河深浅时，重点看第四层（算法/算力/数据飞轮）——它决定成本结构和能力天花板。
相关页面
→ AI产品能力坐标 → 竞品分析五步法 → AI工程集成 → 模型选型五维度 → 提示词设计五要素 → Agent五要素技术定义 → AIPM课程 Day4