综合大作业：AI Native App PRD
综合大作业不是要求你做一组项目，也不是要求你从零实现一个完整 AI 产品。
这个阶段的目标，是用一个简单的 AI Native App PRD，把前面学过的基础系统串起来：模型调用、Prompt、上下文、工具、RAG、Workflow、Agent、安全权限、评估、成本和 AI UX。你要证明的不是“我能堆多少功能”，而是“我知道一个 LLM 应用需要哪些系统、哪些边界、哪些取舍”。
学习目标
完成这个主题后，你应该能够：
- 选择一个足够小的 AI Native App 场景，并说清楚用户、任务和不做什么。
- 判断这个场景需要哪些 LLM 应用基础系统，不需要哪些系统。
- 写出核心用户流程、上下文来源、模型输入输出、工具边界和数据沉淀方式。
- 为 RAG、Agent、Workflow、多模态等能力做取舍，而不是默认全部加入。
- 定义最小评估方式、安全权限边界、成本风险和 MVP 范围。
PRD 结构
这张图强调 PRD 的重点是系统判断。你不需要把所有能力都做进去，但需要说明每个关键能力为什么需要、为什么暂时不需要，或者为什么应该留到后续版本。
选题要求
选题应该小到可以在一页 PRD 里讲清楚，但又足够体现 LLM 应用的系统复杂度。
推荐选题：
- 面向团队文档的 AI 问答助手。
- 面向客服工单的总结与回复草稿助手。
- 面向会议纪要的行动项提取与任务创建助手。
- 面向长文档的 AI 阅读、引用和改写助手。
- 面向前端代码库的组件问答与变更建议助手。
不建议选题：
- “做一个 ChatGPT Clone”。
- “做一个万能 Agent”。
- “做一个完整 AI Workspace”。
- “做一个什么都能上传、什么都能问的知识库”。
这些题目不是不能做，而是边界太大，容易把系统设计变成功能堆叠。
PRD 应该包含什么
一份合格的大作业 PRD，至少回答这些问题：
- 用户与场景：用户是谁，原来的工作流是什么，AI 介入哪个环节。
- 核心任务：用户输入什么，系统输出什么，结果如何被用户使用。
- 上下文来源：会话、文档、业务对象、用户偏好、工具结果分别来自哪里。
- 模型能力：需要生成、分类、摘要、结构化输出、工具调用还是多模态理解。
- 系统取舍：是否需要 RAG、Workflow、Agent、Memory、Eval、Gateway、权限层。
- 安全边界：哪些数据不能进入模型，哪些操作需要用户确认，如何避免越权。
- 信任设计：是否展示引用、过程、置信度、失败原因和可编辑草稿。
- 评估方式：用哪些样例和指标判断输出是否可用。
- MVP 范围：第一版只做什么，明确不做什么。
示例选题：团队文档问答助手
可以把 PRD 范围限定为：
- 用户上传 Markdown 或 PDF 文档。
- 系统解析、切分、索引文档。
- 用户在有权限的文档范围内提问。
- 系统基于检索片段回答，并展示引用来源。
- 检索不到依据时拒答。
- 暂不支持图片扫描 PDF、跨租户检索、自动执行外部操作。
这个题目能自然用到 RAG、上下文组装、引用展示、权限过滤、Eval 和成本控制，但不必引入 Agent、Browser Agent 或复杂 Workflow。
验收标准
这份 PRD 不按功能数量验收，而按系统判断验收：
- 边界是否足够小。
- 是否能看出前面阶段的基础系统被正确使用。
- 是否明确说明哪些能力暂时不需要。
- 是否区分模型建议、应用校验、用户确认和真实执行。
- 是否有最小可行的评估方式。
- 是否能解释成本、安全、权限和失败状态。
最终交付物可以很简单：一份 1 到 3 页的 PRD，加一张系统关系图或数据流图。重点是清楚，而不是大。