想象你是一家餐厅的老板。你站在餐厅门口，看着一位顾客从进门、点餐、用餐、结账到离开的完整过程。你发现顾客进门后东张西望找不到座位，等菜时无聊地刷手机，结账时排队等了五分钟。这些“痛点时刻”就是你需要改进的地方——也许可以引入一位智能引导员、上菜提醒铃，或者扫码点餐系统。 在AI产品设计中，用户旅程图（User Journey Map） 就是那张“观察顾客体验的全局地图”，而 AI介入点（AI Intervention Point） 则是在地图上标记“哪里值得引入AI来帮忙”的红点。这张地图不只是在画用户体验，更是在帮产品经理找准“AI该在哪里发挥作用”的战略决策。 这份教程将用“餐厅经营”的比喻，带你从零掌握用户旅程图的绘制方法、AI介入点的识别原则，以及如何在PRD中原型化地呈现这些设计——让你从“不知道AI放哪里”到“有理有据地设计AI功能”。

岗位关联

对AI产品经理而言，用户旅程图与AI介入点设计是最核心的“侦察工具”——它决定了你的AI功能是解决真痛点，还是自嗨式堆砌。掌握它，你就能在PRD评审中用数据和洞察说服所有人。

目录
  1. 可视化演示
  2. 旅程图概念
  3. 绘制五要素
  4. 解剖用户痛点
  5. 定位AI介入点
  6. 介入设计原则
  7. 评估介入价值
  8. PRD落地呈现
  9. 工程可操作性
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示用户旅程5阶段情感曲线（认知→考虑→购买→使用→忠诚）与痛点AI介入、痛点×AI效率二维矩阵识别最优介入点、以及三种AI介入时机（主动/响应/预测）与效果度量对比。

本节配有交互动效（进入视口后自动加载，约 3KB）。

用户旅程5阶段 认知→考虑→购买→使用→忠诚，情感曲线在购买阶段最低（痛点） AI介入聚焦痛点最强处（购买阶段），而非每个环节堆砌AI 旅程=Σ（阶段行为+情感+痛点） 痛点最强处即AI价值最大化介入点

旅程图概念

还记不记得你站在餐厅门口观察顾客的那个画面？你看到的不只是“顾客来吃饭”这个笼统的事件，而是他从进门到出门期间的每一个细微环节——这，就是用户旅程图的雏形。

用户旅程图（User Journey Map） 是把用户从“第一次接触产品”到“深度使用甚至推荐给别人”的完整过程，以时间轴为横轴、以体验要素为纵轴，画成一张可视化地图。它不只记录用户做了什么（行为），还记录用户在每一步的“感受温度”（情绪）——就像你在餐厅里不只是看顾客走到哪，还要看他等菜时是悠闲还是焦躁。

这张地图之所以重要，是因为它把设计师和产品经理从“我觉得用户需要什么”的主观判断，拉回到“用户实际上在哪些环节受苦”的客观观察。餐厅老板一旦画出顾客的完整动线，就立刻知道该在哪里加椅子、哪里改进菜单。类似地，AI产品经理画出的用户旅程图，直接决定了“AI该在哪个环节介入”。

概念上，用户旅程图包含几个层次：最上层是阶段划分（如获客、激活、留存、收入、推荐），中间是用户行为与触点（用户每一步做了什么、和什么交互），底层是情绪曲线与痛点标注。AI介入点设计，正是在这张图上找出“情绪低谷”和“行为卡点”的位置，再判断AI是填坑的铲子还是提速的引擎。

绘制五要素

有了概念，怎么真正画出一张能指导AI设计的旅程图？你不需要专业的设计软件，一支笔、一张便利贴墙，甚至一个表格就能开始。关键是理解绘制的五个核心要素。

要素一：用户与场景（Who & Where）——画图前先定义“观察谁”。餐厅老板不能同时服务所有顾客，他得先挑一类典型顾客（比如“带孩子的家庭”）来观察。同理，AI产品要先选定一个核心用户画像和一个典型使用场景，否则旅程图会变成大杂烩。

要素二：阶段与行为（Stages & Actions）——把用户从接触到离开的完整过程切分为若干大阶段（通常4-8个）。餐厅场景是“进门→点餐→用餐→结账→离开”，SaaS产品可能是“注册→创建项目→邀请成员→日常协作→升级付费”。每个阶段内再列出用户的具体行为。

要素三：触点与情绪（Touchpoints & Emotion）——触点是用户与产品（或人、物理环境）发生交互的每一个点，比如点击按钮、呼叫客服、收到邮件。每个触点都要标注用户情绪值（从非常沮丧到非常满意）。餐厅顾客“扫码点餐时发现页面卡了3秒”，就是一个低分触点。

要素四：痛点与机会（Pains & Opportunities）——基于情绪低分触点，写下用户当时的“痛点陈述”（如“我不知道这个套餐包含什么”），再反向思考“机会点”（如“能否在扫码后自动弹出套餐说明？”）。

要素五：地图迭代（Iterate）——旅程图不是画完就锁进抽屉。每次用户访谈、每次数据分析后都要回来更新地图。餐厅老板每天打烊后复盘顾客反馈，旅程图也要随产品版本持续演化。

餐厅老板画完五个要素后恍然大悟：原来顾客最大的情绪低谷在“等菜”环节——孩子饿得哭，大人尴尬。于是他知道，AI辅助的“智能上菜预计时间提醒”或“儿童餐优先出餐”功能，就有了明确的落地位置。旅程图的五要素，本质上是把“用户受苦”这件事从模糊的感受变成了可定位的坐标。

旅程图=∑i=1n(阶段i×行为i×情绪i×痛点i)\text{旅程图} = \sum_{i=1}^{n}\left( \text{阶段}_i \times \text{行为}_i \times \text{情绪}_i \times \text{痛点}_i \right)
这个公式想表达的是：一张完整的旅程图，不是简单画一条时间线，而是每一个阶段都要有行为、情绪、痛点三个维度的交织信息，缺一维，地图就“扁平”了，AI介入点的判断就会失真。
  1. 阶段遍历（Σ）将用户旅程切分为 n 个阶段，这是地图的“横向骨架”。
    阶段i,i=1,2,…,n\text{阶段}_i, \quad i = 1, 2, \dots, n
  2. 行为维度每个阶段内用户执行的具体动作，这是“用户在做什么”。
    行为i={点击,输入,浏览,咨询,… }\text{行为}_i = \{ \text{点击}, \text{输入}, \text{浏览}, \text{咨询}, \dots \}
  3. 情绪维度每个行为对应的体验评分（如1-5分），这是“用户感受如何”。
    情绪i∈{1,2,3,4,5}\text{情绪}_i \in \{1, 2, 3, 4, 5\}
  4. 痛点维度情绪低分处的根因描述，这是“为什么难受”。
    痛点i=Min(情绪i) 对应的根因\text{痛点}_i = \text{Min}(\text{情绪}_i) \text{ 对应的根因}
  5. 求和聚合所有阶段的信息叠加，构成完整地图。
    旅程图=阶段×(行为+情绪+痛点)\text{旅程图} = \text{阶段} \times (\text{行为} + \text{情绪} + \text{痛点})

解剖用户痛点

地图画出来了，情绪曲线也标了，接下来要做的是把“痛点”解剖清楚——因为不是所有痛点都值得用AI去解决。餐厅老板观察到顾客在“等菜”时皱眉，但“皱眉”是表面现象，深层原因可能是：上菜慢？等得太无聊？还是担心菜不合口味？

痛点三分法（Pain Point Triangulation） 是把模糊的痛点拆解为三类，从而找到真实根因：功能型痛点（产品某功能缺失、不好用），流程型痛点（完成一件事的路径太绕、步骤太多），情感型痛点（用户感到焦虑、不被重视、不安全感）。AI介入不同类型的痛点，所需能力完全不同——功能型适合“智能补全/分类”，流程型适合“AI自动化/引导”，情感型适合“拟人化交互/共情回应”。

频率×强度交叉分析 是另一个解剖利器。把每个痛点按“发生频率”（每100次使用中遇到几次）和“影响强度”（遇到时有多崩溃）两个维度打分，然后画出一张二维矩阵：高频高强的痛点（比如每次扫码点餐都卡顿）是必治痛点；低频高强的（比如一年遇到一次的数据丢失）是需防痛点；高频低强的（比如弹窗有点烦）是优化点；低频低强的（比如某个冷门功能颜色不好看）则先放着。AI资源有限，必治痛点优先。

痛点解剖的产出是一张 痛点地图（Pain Map） ，按旅程阶段排列所有痛点及其频率/强度得分。AI产品经理拿着这张地图，就像急诊科医生看到分诊台的数据——先救心跳停止的，再处理骨折的，最后关怀感冒的。

回到餐厅：老板发现“等菜焦虑”频率极高（每桌必遇），强度也高（顾客催单、差评），优先级得分碾压“桌布颜色不好看”（低频低强）。于是AI介入的目标明确了：做一个“实时上菜进度可视 + 超时自动补偿”的功能，而不是花大力气给桌布换色。痛点解剖的意义在于：用数据而不是直觉，找出AI最该响应的“求救信号”。

痛点优先级=频率×强度=fpain×spain\text{痛点优先级} = \text{频率} \times \text{强度} = f_{pain} \times s_{pain}
这个公式将“痛点有多值得解决”量化为一维指标。频率和强度的乘积越大，代表用户受苦的总量越大，越值得投入资源（包括AI资源）去解决。
  1. 定义频率（f_pain）某痛点在单位使用周期内出现的次数，通常用“每N次使用出现次数”描述。
    fpain=该痛点出现的次数总使用次数f_{\text{pain}} = \frac{\text{该痛点出现的次数}}{\text{总使用次数}}
  2. 定义强度（s_pain）某痛点出现时用户的负面情绪程度，通过问卷或可用性测试打分（1-5分）。
    spain=∑用户负面评分反馈用户数s_{\text{pain}} = \frac{\sum \text{用户负面评分}}{ \text{反馈用户数}}
  3. 优先级排序将两个维度相乘得到痛点优先级分数，从高到低排列，即得资源分配的先后序列。
    优先级=fpain×spain\text{优先级} = f_{\text{pain}} \times s_{\text{pain}}

定位AI介入点

痛点地图告诉你“哪里有问题”，但“哪里该用AI解决”是另一层决策。餐厅里发现上菜慢，你可以多招厨师（人力），也可以优化厨房动线（流程），还可以引入炒菜机器人（AI）。AI介入点设计的核心就是回答：在用户旅程的哪个环节、用哪种AI能力，能最大化提升体验与效率。

评估一个环节是否适合AI介入，需要双维度评估：痛点强度（这个环节用户受苦有多深）和 AI效率增益（AI在这个环节相比传统方式能提升多少效率）。画出四象限：痛点强×AI增益高的是黄金介入点，优先做；痛点强×AI增益低的是谨慎介入点，可能需要先优化流程再考虑AI；痛点弱×AI增益高的属于机会主义介入点，成本低可以做但别期望太大；两者都弱的直接放弃。

AI能力类型匹配 是第二步：把候选介入点映射到AI的基本能力类型上——感知智能（图像识别、语音识别、NLP理解）适合处理“信息输入”类痛点；认知智能（推荐、决策、预测、分类）适合处理“选择困难/信息过载”类痛点；生成智能（内容生成、对话、摘要）适合处理“创作门槛/表达困难”类痛点；自动化智能（RPA、流程编排）适合处理“重复操作”类痛点。

介入成本估算 也不能忽略：AI介入需要数据基础（有没有足够的标注数据）、模型能力（现有模型能否达到可用精度）、工程成本（接入耗时）和运维成本（持续优化投入）。餐厅老板再想用炒菜机器人，如果厨房电路撑不住、厨师不会操作、维护成本高过人力，这个介入点就不是好介入点。

餐厅老板的“等菜焦虑”环节：痛点强度9分，AI效率增益8分（机器人炒菜确实快），可行性5分（厨房改造贵、厨师培训慢），综合得分360。而“记错订单”环节：痛点5分，AI增益10分（语音识别点单确实准），可行性9分，综合450——居然更高！于是老板发现，AI介入“点单环节”比“炒菜环节”性价比更好。定位AI介入点，本质上是在用户受苦的地图上，用“AI擅长+可行性”的探照灯寻找最值得挖的金矿。

AI介入优先级=痛点强度×AI效率增益×可行性系数\text{AI介入优先级} = \text{痛点强度} \times \text{AI效率增益} \times \text{可行性系数}
这个综合公式提醒PM：好的AI介入点，必须同时满足“用户确实痛”“AI确实擅长”“确实做得出来”三个条件，任何一项为0，整体都为0。
  1. 痛点强度评分（P）对候选环节的痛点频率与强度综合评价，来源于旅程图与痛点地图。
    P=fpain×spainP = f_{\text{pain}} \times s_{\text{pain}}
  2. AI增益预估（G）预估引入AI后相比人工/传统方案的效率提升倍数与体验改善。
    G=AI方案效率传统方案效率G = \frac{\text{AI方案效率}}{\text{传统方案效率}}
  3. 可行性系数（F）数据、模型、工程、成本四方面综合评估的0-1之间的折扣因子。
    F=wdD+wmM+weE+wcCF = w_d D + w_m M + w_e E + w_c C
  4. 综合排序三个维度相乘后排序，即得AI介入点优先级列表。
    优先级=P×G×F\text{优先级} = P \times G \times F

介入设计原则

黄金介入点找到了，但“在哪里介入”不等于“如何介入”。AI介入点的设计有一组核心原则，帮你在落地时不跑偏。

原则一：聚焦高痛高频，而非全线铺开。 餐厅老板的AI预算只够做一个功能，他是给每张桌子装一个AI平板（全线铺开），还是先解决最痛的“上菜慢”？答案显然是后者。AI介入点设计的第一原则是克制：在用户痛点最强、AI效率提升最显著的节点做深做透，而不是在每个环节都堆一个AI机器人——堆砌AI不仅成本高，还会让用户觉得“这个产品AI味太重，像个机器人开会”。

原则二：人机协同，而非人机替代。 AI介入的目标不是取代用户或员工的判断，而是在关键时刻给人“超能力”。餐厅的AI系统不是代替厨师炒菜，而是实时预测每桌的等餐时间，让服务员在顾客快失去耐心前主动安抚。在AI产品设计中，这句话意味着：AI给出推荐，用户做最终决定；AI自动完成重复劳动，把复杂决策留给人类。

原则三：解释可控，建立信任。 AI介入点会给交互增加不确定性——用户会想“AI凭什么推荐这个？”“AI算错了怎么办？”。设计上必须让AI的行为可解释、可干预、可撤回。顾客看到“系统预测您还需等待8分钟”时，如果旁边有一行小字“这是基于当前厨房出餐速度的估算”，信任感会大幅提升；如果顾客还能点“催单”按钮（人工介入通道），焦虑感会更低。

这三个原则用餐厅的话说就是：把AI当成一个训练有素的领班——他在你最需要的时候出现（聚焦高痛），帮你解决问题但不抢你的决定权（人机协同），而且他的建议总是说得清为什么（解释可控）。这样的AI介入，用户才会觉得是“贴心服务”而不是“被监视”。

AI介入质量=痛点解决率×用户信任度打扰感×不可解释性\text{AI介入质量} = \frac{\text{痛点解决率} \times \text{用户信任度}}{\text{打扰感} \times \text{不可解释性}}
这个质量公式说明：AI介入的成败不只是“有没有解决问题”，还要看用户是否信任AI、AI是否让用户感到被打扰。一个虽准但让用户毛骨悚然的AI介入，乘积算下来是负分。
  1. 痛点解决率（S）AI介入后，目标痛点的改善比例，如“等餐焦虑降低60%”。
    S=介入前痛点强度−介入后痛点强度介入前痛点强度S = \frac{\text{介入前痛点强度} - \text{介入后痛点强度}}{\text{介入前痛点强度}}
  2. 用户信任度（T）用户对AI建议的采纳率与满意度。
    T=采纳率×满意度T = \text{采纳率} \times \text{满意度}
  3. 打扰感（D）AI主动介入对用户造成的干扰程度，如弹窗频率、打断次数。
    D=被动打扰次数总交互次数D = \frac{\text{被动打扰次数}}{\text{总交互次数}}
  4. 不可解释性（U）用户无法理解“AI为什么这么做”的程度，来自黑箱设计。
    U=1−解释覆盖率U = 1 - \text{解释覆盖率}

评估介入价值

AI介入点设计完、功能上线后，怎么知道它真的创造了价值？餐厅老板装了“等餐进度提醒”功能，一个月后发现：顾客催单次数少了、差评率降了、甚至翻台率提高了——但他是凭感觉知道这些的，还是靠数据？答案显然应该是后者。

关键指标（Metrics）的事前定义 是评估的第一步。在AI功能开发之前，就要明确：这个介入点成功后，哪些数字会变好？餐厅的指标可以是“平均催单率下降50%”；SaaS产品的指标可以是“新用户激活率从30%提升到50%”、“客服工单量下降40%”、“用户完成首次创建的耗时从15分钟降到5分钟”。指标不是上线后拍脑袋想的，而是设计介入点时就要写进PRD的承诺。

成本收益分析（Cost-Benefit） 是第二步。AI介入的收益不只是体验指标，还有商业收益：减少的人工成本、提升的转化率、降低的流失率。成本也不只是工程开发，还有数据标注成本、模型训练/调用成本、误判带来的潜在口碑损失。餐厅老板算了一笔账：装提醒系统花5万，但每月减少的食材浪费和流失客损失是8万——两个月回本，值得做；如果成本倒挂，就要重新评估介入方案。

数据反馈闭环（Feedback Loop） 是第三步。评估不是一次性的“期末考”，而是持续的过程：上线后收集数据 → 对比基准值 → 分析偏差原因 → 优化介入策略 → 再上线验证。餐厅老板发现“智能等餐提醒”虽然降低了催单率，但部分顾客嫌“提醒信息太机械”，于是把文案改成更人性化的语气，催单率进一步下降。AI产品也一样：介入点的效果需要持续迭代，因为用户行为、市场环境、AI能力都在变化。

餐厅老板看着数据面板得出结论：“等餐提醒”介入点两个半月回本，12个月净收益30万，果断决定把同一套AI能力复制到“预订”和“结账”环节。评估介入价值，是把AI介入点从“我觉得有效”推进到“数据证明有效”的关键一步，也是你在PRD评审会上有底气的根基。

介入净价值=∑t=1T收益t−成本t(1+r)t\text{介入净价值} = \sum_{t=1}^{T} \frac{\text{收益}_t - \text{成本}_t}{(1 + r)^t}
这个净现值公式提醒AI PM：评估AI介入点价值时，不能只看当下，要计算整个生命周期内的净收益（考虑资金的时间价值）。一个前期投入大但长期回报高的介入点，优于一个短期见效但不可持续的花架子。
  1. 预测期（T）评估介入点价值的时间窗口，如12个月或18个月。
    T=评估周期（月）T = \text{评估周期（月）}
  2. 当期收益（收益_t）第t期的增量收益，包括效率提升、成本节约、收入增长，按金额折算。
    收益t=AI带来的增量产出×单位价值\text{收益}_t = \text{AI带来的增量产出} \times \text{单位价值}
  3. 当期成本（成本_t）第t期的所有成本，包括研发摊销、模型调用费、运维人力、数据成本。
    成本t=开发摊销t+推理成本t+维护成本t\text{成本}_t = \text{开发摊销}_t + \text{推理成本}_t + \text{维护成本}_t
  4. 折现率（r）资金的时间价值，通常取公司规定的折现率（如10%）。
    r=年折现率r = \text{年折现率}
  5. 汇总净现值（NPV）所有期净现金流的折现总和，大于0说明介入点在商业上成立。
    NPV=∑t=1T收益t−成本t(1+r)t>0\text{NPV} = \sum_{t=1}^{T} \frac{\text{收益}_t - \text{成本}_t}{(1 + r)^t} > 0

PRD落地呈现

AI介入点确定了、价值也说清了，但如果PRD里呈现得一团糟，开发看不懂、设计找不到重点、老板看不出价值——前面的分析全部白费。用户旅程图与AI介入点设计的最终价值，要落在PRD文档中清晰有力的呈现上。

旅程图的可视化表达 是PRD的“主视觉”。不要只用文字描述用户流程，而是把旅程图画出来：横轴分阶段、纵轴标情绪、关键触点加图标、痛点处用红色标注、AI介入点用绿色星标。这张图放在PRD最显眼的位置，让所有读者30秒内理解“用户在哪个环节受苦、AI在哪里帮忙”。餐厅老板给投资人看的PPT上画着顾客动线与情绪低谷，比写十页“我们很懂用户”管用得多。

AI介入点设计说明表 是PRD的“规格书”。每个介入点需要包含：介入环节（对应旅程图哪个阶段）、用户痛点（为什么介入）、AI能力类型（用什么技术）、交互方式（AI如何呈现）、预期指标（怎么衡量成功）、异常处理（AI出错怎么办）。表格化的表达让每个介入点可评审、可追踪、可验收。以下是AI介入点设计说明表的示例结构：

| 介入点ID | 旅程阶段 | 用户痛点 | AI能力类型 | 交互方式 | 预期指标 | 异常处理 |

|---------|---------|---------|-----------|---------|---------|---------|

| AI-01 | 激活期 | 新用户不知从哪开始 | 认知智能（推荐） | 首次登录弹出智能引导 | 激活率↑20% | 用户可跳过，5秒后自动收起 |

| AI-02 | 使用期 | 重复操作耗时 | 自动化智能（RPA） | “一键完成”按钮 | 操作耗时↓50% | 操作前二次确认，可撤销 |

原型联动与需求评审 是PRD呈现的终极形态：把旅程图、介入点设计表与可点击的原型联动起来。评审会上，你演示原型：用户走到“付费”阶段时，AI弹出“智能推荐最适合你的套餐”（配套讲解介入点的触发逻辑、AI模型的输入输出、降级方案）。评审不是让听众想象，而是让他们“看见”AI介入点长什么样、用户会有什么感受。

工程可操作性

最后一步，也是最容易翻车的一步：设计完美的AI介入点，到了工程手里发现数据没埋、模型没有、排期不够。所以，AI产品经理在设计介入点时，必须同步考虑工程可操作性。

埋点依赖与数据就绪 是AI介入的地基。AI介入依赖数据——无论是推荐系统依赖用户行为数据，还是语音识别依赖音频样本，都需要对应的数据管道支撑。在设计介入点时就问自己：现在有没有埋点？用户的行为数据能拿到吗？数据量够训练模型吗？如果新用户激活阶段的AI引导依赖“用户是否完成了某操作”的判断，那么这个操作是否已埋点在PRD中必须明确列出。餐厅老板想用数据分析顾客偏好，发现收银系统根本不记录每桌点了什么——这就是数据没就绪，AI介入无从谈起。

MVP版本切分与快速迭代 是AI介入的落地策略。不要指望一次上线就达到完美效果。把AI介入点拆成MVP（最小可行版本）：先上线一个“能用但不完美”的版本（比如基于规则的智能推荐），验证用户接受度和指标变化，再逐步升级为“更聪明”的模型版本（比如个性化排序的推荐算法）。餐厅老板的第一版“智能推荐套餐”用的是固定规则（雨天推荐热饮），虽然不“AI“，但先验证了”推荐这个动作”有没有价值——有，再上真正的机器学习模型。

跨角色协作流程 是AI介入的保障。AI介入点不是产品经理一个人拍板就能落地的，它需要：数据工程师确认数据可获取，算法工程师评估模型可行性，前端工程师实现交互方式，业务方确认商业逻辑，法务/合规审查数据隐私。产品经理的角色是把各方拉到一起，在设计阶段就同步对齐约束条件，而不是等开发到了再“改需求”。

餐厅老板把“预测顾客等待时间”介入点交给开发时，数据工程师发现：现有收银系统每5分钟才同步一次订单状态，根本做不到“实时预测”。于是MVP改为“顾客扫码后显示菜品平均制作时间”（依赖静态数据），先解决“等待不可见”问题；下一版本再升级为实时动态预测。工程可操作性的核心思想是：AI介入点设计得再好，也要顺着数据、模型、排期的“地心引力”往下落——聪明的PM在画图时就想好了怎么落地。

AI介入可交付度=数据就绪度×模型成熟度×工程排期充裕度\text{AI介入可交付度} = \text{数据就绪度} \times \text{模型成熟度} \times \text{工程排期充裕度}
这个公式是AI介入点从“设计”走向“上线”的及格线。三者中任一为0或很低，介入点就必须重新设计方案或延后——宁可砍掉一个漂亮的AI介入点，也不要上线一个数据不通、模型乱跑、工程崩溃的灾难。
  1. 数据就绪度（D）目标介入点所需数据的可获得性与质量，0-1取值。
    D=埋点覆盖率×数据质量分D = \text{埋点覆盖率} \times \text{数据质量分}
  2. 模型成熟度（M）现有算法或模型能否达到可用精度，或有无成熟方案可复用。
    M=评估指标达标率（如准确率、召回率）M = \text{评估指标达标率（如准确率、召回率）}
  3. 排期充裕度（E）工程团队在当前迭代中能投入的合理时间比例。
    E=可用人时预期需用人时E = \frac{\text{可用人时}}{\text{预期需用人时}}
  4. 综合可交付度三者相乘判断门槛，建议阈值≥0.5方可进入开发。
    可交付度=D×M×E≥0.5\text{可交付度} = D \times M \times E \geq 0.5

AI 应用场景

智能客服介入点——某SaaS产品的激活期痛点

阶段：用户旅程图分析 → AI介入点识别

解决的问题：传统SaaS产品的新用户激活率通常只有20%-30%，大量用户注册后因“不知道下一步做什么”而流失。传统的解决办法是发教程邮件，但邮件打开率低、指导不个性化，无法根据用户的具体行为给出针对性引导。

具体案例：某项目管理SaaS在绘制用户旅程图时发现，新用户的情绪低谷出现在“创建第一个项目”环节——因为项目模板太多、不知道选哪个。团队通过“频率×强度”分析确认这是高频高强痛点。他们在该介入点设计了AI智能引导：当新用户进入创建页时，AI根据用户的职位（通过注册表单）和浏览行为（通过埋点）推荐3个最适合的模板，并伴随一行解释“因为您是设计师，这些模板包含了设计审阅流程”。上线后新用户激活率从25%提升到52%，创建项目耗时缩短63%。

AI介入点双维度评估——电商App的“购物车放弃”环节

阶段：AI介入点评估 → 成本收益分析

解决的问题：电商行业平均购物车放弃率超过70%，传统手段是发优惠券（无差别触达所有放弃用户），转化率低且利润被蚕食。问题在于：不是所有放弃购买的用户都需要优惠券，有些人只是“暂时不想买”，有些人是因为“运费太贵”，还有些人是因为“还在比价”。

具体案例：产品团队在用户旅程图上定位“购物车→支付”环节，将放弃用户按埋点行为拆分为三组：A组（在支付页停留超过1分钟——可能犹豫）、B组（看了运费说明后退出——价格敏感）、C组（单纯关闭App——暂不购买）。AI介入策略差异化为：A组发送“库存紧张提示”，B组自动弹出“满99免运费进度条”，C组不做任何干预。结果：购物车放弃率下降18%，优惠券成本降低40%，用户投诉“被短信轰炸”的数量归零。这个介入点的成功，正是基于“痛点强度×AI效率增益”双维度评估做出的克制选择。

PRD中原型化呈现AI介入——企业服务B2B产品的功能发布

阶段：AI介入点设计 → PRD落地呈现

解决的问题：B2B产品的AI功能往往被开发团队质疑“说不清楚需求”，评审会上常见的反馈是“这个AI功能用户到底在哪里看到？触发条件是什么？模型输入输出是什么？降级方案呢？”

具体案例：某B2B数据产品的PM在PRD中完整呈现了“智能报表生成”介入点：旅程图标注了目标环节（用户选择指标后），介入点设计表填写了AI能力类型（生成智能——基于用户选择的指标自动生成分析文案）、交互方式（侧边栏出现“AI生成解读”按钮）、异常处理（AI生成失败时展示静态模板）。原型演示视频中，AI的加载、生成、可编辑全过程清晰可见。评审一次通过，开发排期预估误差小于5天。旅程图+介入点表+原型联动“三件套”让AI介入点的叙述从“我觉得”变成了“请看”。

Python 演示

python62 行
"""用户旅程图与AI介入点分析工具功能：根据用户旅程各阶段的情绪分和痛点频率，计算AI介入优先级"""class JourneyAnalyzer:    def __init__(self, stages):        self.stages = stages                     # 阶段列表        self.scores = {}                         # 各阶段评分配置     def set_emotion_score(self, stage, score):        """设置某阶段情绪分，1-5，越低越痛"""        self.scores[stage] = {'emotion': score}     def set_pain_frequency(self, stage, freq):        """设置某阶段痛点频率，0-1"""        self.scores[stage]['freq'] = freq     def get_pain_priority(self, stage):        """计算某阶段痛点优先级 = (5-情绪分) * 频率"""        s = self.scores[stage]        pain_strength = (5 - s['emotion']) / 4    # 归一化到0-1        return pain_strength * s['freq']     def recommend_ai(self, threshold=0.5):        """输出AI介入点推荐列表，按优先级排序"""        results = []        for stage in self.stages:            if stage in self.scores:                pri = self.get_pain_priority(stage)                results.append({                    'stage': stage,                    'priority': round(pri, 2),                    'suggest': pri >= threshold                })        results.sort(key=lambda x: x['priority'], reverse=True)        return results  def main():    """执行一次用户旅程分析"""    stages = ['注册', '激活', '创建项目', '日常使用', '付费转化']    ja = JourneyAnalyzer(stages)     # 访谈与埋点数据得出：各阶段情绪分(1-5)与痛点频率    emotion_data = {'注册': 4.0, '激活': 2.0, '创建项目': 1.5,                    '日常使用': 3.5, '付费转化': 2.5}    freq_data = {'激活': 0.8, '创建项目': 0.9, '付费转化': 0.6}     for st in stages:        if st in emotion_data:            ja.set_emotion_score(st, emotion_data[st])        if st in freq_data:            ja.set_pain_frequency(st, freq_data[st])     print('=== AI介入点推荐 ===')    for r in ja.recommend_ai():        flag = '建议介入' if r['suggest'] else '观察'        print('%s  优先级:%.2f  %s' % (r['stage'], r['priority'], flag))  if __name__ == '__main__':    main()
目的：用Python实现一个极简的“用户旅程图→AI介入点”分析器。输入各阶段的情绪分和痛点频率，输出按优先级排序的AI介入推荐列表，模拟PM在旅程图上做数据驱动的介入点决策过程。
  1. self.scores = {}用一个字典存储每个阶段的评估数据，键是阶段名，值是情绪分与频率构成的子字典
  2. def set_emotion_score(self, stage, score)设置某阶段的情绪分，1-5分，分数越低代表用户体验越糟糕
  3. (5 - s['emotion']) / 4把“低分=痛点强”反转成“痛点强度0-1”，5分不痛为0，1分极痛为1
  4. pain_strength * s['freq']优先级=痛点强度×发生频率，对应正文中的“频率×强度交叉分析”
  5. results.sort(key=lambda x: x['priority'], reverse=True)按优先级降序排列，确保“最该介入的排最前”
  6. suggest: pri >= threshold超过阈值（默认0.5）才建议AI介入，体现“克制原则”——不是每个痛点都要堆AI
  7. recommend_ai()完整的分析入口，模拟PM将旅程图每个阶段的数据代入，得出决策列表

常见误区

误区“既然我们要做AI产品，那用户旅程图上每个低分环节都应该加一个AI功能吧？这样用户就会觉得产品很智能。”

正解这是“AI堆砌症”。真正合理的AI介入点设计聚焦于“痛点最强×AI增益最高×可行性最好”的少数关键节点，做深做透。就像餐厅老板不会因为顾客觉得椅子颜色不好看就买一个AI换色机器人——他只会把AI用在上菜慢、点餐难这种最痛的地方。四处堆AI的结果是每个AI功能都做得浅、效果差，用户反而觉得产品在炫耀技术而非解决问题。

为何常见：AI产品经理容易受“技术兴奋感”驱动，且“每步都用AI”在产品演示时看起来很炫酷，让人误以为这是正确的AI产品策略。

误区“用户旅程图是PRD里的一张图，画完就可以交给设计和开发了，不用再更新。”

正解用户旅程图是“活地图”，不是“墓碑图”。用户行为随版本迭代、市场环境、AI能力提升而持续变化——餐厅的顾客流和一年前完全一样吗？竞争对手上了新功能后，你的用户情绪曲线会不会变化？正确做法是每个迭代周期都回访用户、观测数据、更新旅程图。特别是AI介入点上线后，用户行为会因AI的存在而改变（比如用户习惯了AI推荐，就不再自己探索），地图必须跟上这种变化。

为何常见：旅程图的绘制过程耗时，人们本能地不希望自己辛苦的产出被频繁推翻。而且很多团队把旅程图当成“汇报材料”而非“工作工具”，所以画完即弃。

误区“用户在这个环节体验不好，既然我们是AI产品，就应该用AI解决，比如加一个聊天机器人！”

正解AI不是万能工具箱。有些痛点用流程优化更简单（比如减少两步操作）、用人工服务更合适（比如高情感需求场景）、用规则引擎更可靠（比如风控判断）。AI介入的判断标准是“AI效率增益是否显著高于其他方案”。餐厅顾客催菜，与其上AI机器人，不如先把厨房动线改合理。上线AI介入点前先问：这个环节用AI比不用AI好在哪？如果答案是“不知道”，就不要上。

为何常见：AI热潮下，“不用AI”仿佛就是产品落后。加上ChatGPT这类生成式AI能力强大，PM容易产生“一切问题都能用AI解决”的错觉。

误区“我只要把介入点设计得足够好、足够有创意就行，工程能不能做是开发的事。”

正解AI介入点设计如果脱离工程约束，就是空中楼阁。是否需要埋点？数据量够不够？模型成熟度如何？排期允不允许？这些必须在设计阶段就同步评估。餐厅老板想设计“根据顾客心情自动推荐菜品”，但系统连顾客历史订单都没有——这个设计再美，落不了地。AI产品经理的角色不是“画饼师”，而是“在理想与现实中搭桥的人”。每个AI介入点设计都要伴随可行性评估，否则PRD评审就是灾难现场。

为何常见：产品经理大多来自非技术背景，对工程细节不熟悉，容易把“设计”和“实现”切分成两个互不相干的阶段。同时，“AI什么都能做”的媒体叙事加深了这种误判。

误区“AI介入点就是让AI全自动处理这个环节的问题，用户全程不需要人工帮助。”

正解AI介入大概率带来不确定性——推荐可能不准、识别可能出错、生成内容可能不合适。所以每个AI介入点都要设计“人机协同”的兜底机制：用户可跳过的引导、可修改的AI生成内容、一键转人工的通道。餐厅的AI推荐系统推荐了顾客过敏的菜品怎么办？必须允许顾客“换一个”并要求人工确认。AI介入不是“无人驾驶”，而是“辅助驾驶”——方向盘始终在用户手里。

为何常见：“AI=自动化=无人化”是大众媒体的简化叙事。PM容易忽略AI的准确率天花板和用户对失控的恐惧。

面试题

Q1. 用户旅程图最核心的价值是什么？

单选题 · easy

  • A.展示产品页面的美观程度
  • B.从用户视角定位体验痛点与机会点← 正确答案
  • C.替代数据分析报表
  • D.记录开发团队的工作进度

答案：B。用户旅程图站在用户视角，按时间阶段展示完整使用过程并标注情绪与痛点，帮助PM定位“哪里最该优化”。选项A是视觉设计范畴，C说法错误（旅程图补充数据但不能替代数据），D牛头不对马嘴。

Q2. 绘制用户旅程图的第一个步骤是什么？

单选题 · easy

  • A.画情绪曲线
  • B.定义用户画像与场景← 正确答案
  • C.标注AI介入点
  • D.编写PRD文档

答案：B。绘制旅程图的第一步是选定“观察谁”——明确用户画像和典型使用场景。没有这一步，后续的阶段划分和情绪标注都会失去方向。A和C是后续步骤，D是最终产出物。

Q3. 某痛点的发生频率为0.8，情绪强度评分（1-5）为1.5，其优先级得分是多少？

单选题 · mid

  • A.0.6
  • B.0.7← 正确答案
  • C.0.9
  • D.1.0

答案：B。优先级=压力强度×频率。压力强度归一化=(5-1.5)/4=0.875，乘以频率0.8得0.7。B正确。A选项是情绪分直接乘频率的错误算法（1.5×0.8=1.2，不是0.6），C和D也是错误计算。

Q4. 以下哪个环节最不适合作为AI介入点？

单选题 · mid

  • A.频率高、强度大、AI增益显著
  • B.频率低、强度大、AI增益高
  • C.频率高、强度小、AI增益低
  • D.频率低、强度低、AI增益低← 正确答案

答案：D。AI介入点选择看“痛点强度×AI效率增益×可行性”。D选项三个维度都低，是最不适合的介入点。A是黄金介入点，B需防型痛点也值得做，C高频低强度虽然优先级一般，但AI增益低所以建议谨慎。

Q5. AI介入点设计的核心原则包括哪些？

多选题 · mid

  • A.在用户痛点最强处集中发力← 正确答案
  • B.在所有用户接触点都加入AI功能
  • C.人机协同而非人机替代← 正确答案
  • D.AI行为可解释、可干预、可撤回

答案：AC。聚焦高痛高频、人机协同、解释可控是三大原则。B是“AI堆砌症”的错误做法。A对应聚焦原则，C对应协同原则，D对应信任原则。

Q6. 下列关于AI介入点评估的说法，正确的是？

单选题 · hard

  • A.只看模型准确率即可判断介入点价值
  • B.介入点上线后不需要再关注用户反馈
  • C.成本收益分析应覆盖全生命周期的投入产出← 正确答案
  • D.AI介入方案必须一次做到满分才能上线

答案：C。介入价值评估涉及痛点解决率、用户信任度、成本收益、反馈闭环多维度，A以偏概全。B违反了数据闭环原则。D违背MVP快速迭代原则。C正确——评估应折算全生命周期内的收益与成本。

Q7. “AI介入质量 = 痛点解决率 × 用户信任度 /（打扰感 × 不可解释性）”说明什么？

单选题 · mid

  • A.AI系统的技术越先进，介入质量越高
  • B.用户信任度和低打扰感对介入质量同样关键← 正确答案
  • C.痛点解决率不重要，只要让用户开心即可
  • D.应该增加AI主动介入的频率来提升质量

答案：B。质量公式表明介入效果与痛点解决率、信任度成正比，与打扰感、不可解释性成反比。B正确。A忽略了用户感受的变量，C把痛点解决率当不重要是误解，D增加介入频率恰恰会增加打扰感、降低质量。

Q8. 在PRD中呈现AI介入点方案时，应包含哪些内容？

多选题 · hard

  • A.AI介入点对应旅程图的可视化标注← 正确答案
  • B.每个介入点的触发条件与交互方式← 正确答案
  • C.预期业务指标与异常降级方案← 正确答案
  • D.完整的AI模型训练代码

答案：ABC。PRD中呈现AI介入点核心是旅程图可视化、设计说明表（含触发、交互、指标、异常）、原型联动。D不属于PRD范畴，模型训练代码是算法团队的工作产出。A是主视觉、B是规格、C是目标与兜底，三者缺一不可。

Q9. 从用户旅程图上发现某环节情绪谷值低但发生频率很低时，正确策略是？

单选题 · mid

  • A.立即投入大量AI资源解决
  • B.作为重点AI介入点优先开发
  • C.评估是否设为“需防点”并作低成本预案← 正确答案
  • D.忽略这个环节做下一个

答案：C。低频高强痛点是“需防型”——不常发生但一发生就很严重。对策是低成本预案而非重投入。C正确。A和B错在资源分配不合理，D完全放弃也不对。

Q10. “AI介入点的工程可操作性”不包括以下哪项？

单选题 · easy

  • A.埋点数据是否就绪
  • B.模型效果是否达标
  • C.页面配色的美观度← 正确答案
  • D.开发排期是否充裕

答案：C。工程可操作性三要素是数据就绪度、模型成熟度、排期充裕度。C页面配色属于视觉设计，与AI介入点的工程可行性无关。

Q11. 关于“人机协同”的AI介入设计，以下哪些做法是正确的？

多选题 · hard

  • A.AI自动完成所有步骤，用户无需确认
  • B.AI生成内容后允许用户编辑修改← 正确答案
  • C.AI给出推荐理由，用户保留最终决定权← 正确答案
  • D.所有AI操作都不可撤回

答案：BC。人机协同=AI辅助人类，而不是替代。B允许编辑生成内容和C保留决定权正是协同精神。A是AI接管一切，D不可撤回剥夺用户控制权——都是错误实践。

Q12. 公司要求每季度上线8个AI功能，但你从旅程图分析发现仅有2个环节适合AI介入，正确做法是？

单选题 · hard

  • A.按领导要求堆出8个AI功能满足KPI
  • B.在数据分析基础上向团队展示2个黄金介入点的依据并建议资源聚焦← 正确答案
  • C.在2个环节做2个功能，另外6个随便凑数
  • D.放弃AI功能开发，全面转向人工服务

答案：B。AI介入点的核心原则是“聚焦高痛而非全线铺开”。B用旅程图和数据说话，是专业PM的做法。A和C违背“克制”原则，D完全放弃AI也不合理。好PM要敢于用数据说服团队调整不合理目标。