拿到一个AI产品的backlog，里面塞满了来自用户、业务和研发的各种功能诉求，如何快速理清头绪，把有限的资源投入到真正重要的事情上？用大模型做功能优先级排序不是让它胡乱拍脑袋，而是通过精心设计的Prompt，将产品经理的决策逻辑和约束条件完整注入，让模型在理性的框架内给出可解释的建议。本文将分享一套经过验证的Prompt方法，帮助你从混乱中梳理出清晰的优先级路线图。
从需求矩阵到决策模型：排序的底层逻辑
产品功能优先级排序本质上是在多维度约束下求最优解。传统方法像RICE评分（Reach、Impact、Confidence、Effort）或Kano模型，已经提供了很好的评估维度，但人工逐项打分耗时且容易受主观偏好影响。大模型适合承担的角色，不是替代人的判断，而是快速综合大量输入，按照既定规则给出初始排序版本，让团队在此基础上修正，从而节省大量对齐成本。
设计Prompt之前，需要先厘清你的排序模型包括哪些核心维度。典型的AI产品可能会关注以下几点：用户价值，即功能对核心用户痛点的解决程度；战略契合度，该功能与产品当前阶段目标是否一致；技术可行性，实现难度、现有基础设施支持程度；数据依赖，是否需要大量高质量标注数据；模型能力边界，当前基座模型是否能够可靠支撑该功能的准确率要求。这些维度并不需要全部塞进Prompt，而是根据当前产品阶段精选3-5个，否则模型容易在评估时权重混乱。
把这些维度转换成可量化的描述是Prompt能否落地的关键。比如“用户价值”不能只给一个抽象短语，而要给出具体定义：“该功能预计能解决产品核心用户中至少40%的日活用户的明确痛点，且该痛点目前没有低成本的替代方案”。这种清晰的定义能让模型输出相对一致的评分，而不是每次给出飘忽不定的结果。
构建分层Prompt：从指令到思维链
一个可靠的功能排序Prompt不应该只是一个简单的提问，而应该是一套包含角色设定、任务描述、排序维度说明、输出格式约束以及思考过程引导的完整指令。我们可以采用分层结构来让模型逐步深入。
第一层是角色与背景。明确告诉模型：“你是一名经验丰富的AI产品负责人，擅长结合数据分析和战略目标对产品功能进行优先级排序。你的排序结果将直接影响一个10人产研团队未来两周的迭代计划。”角色设定能有效激活模型对应的能力域，让它的输出风格更专业、更审慎。
第二层是输入信息的结构化。不要直接把一份凌乱的需求列表丢给模型，而是将每个功能项拆解为固定字段：功能名称、一句话描述、目标用户、当前数据表现（如有）、已知技术依赖、干系人初步意见等。下面是一个示例输入片段：
feature_list = [
{
"id": "F001",
"name": "智能摘要生成",
"desc": "对长文档自动生成200字以内的结构化的摘要，支持中英文",
"target_users": "知识工作者、学生",
"data_insight": "每日文档上传量约5000份，当前用户平均阅读时间低于文档长度的20%",
"tech_dependency": "需微调现有摘要模型，算力成本中等",
"stakeholder_note": "运营部门强烈建议优先推出"
},
# ...更多功能
]
第三层是排序维度的引导。要求模型对每个功能按照预设维度进行评分，并且指明每个维度的打分标准。例如：“用户价值维度1-5分：1分代表只影响边缘场景，5分代表能明显提升核心用户群的关键体验指标（如阅读完成率提升15%以上）”。为避免模型给出中庸的3分，可以在标准中强调区分度，要求每个维度只允许出现少量高分项。
利用思维链与Few-shot提升稳定性
如果只是简单地要求模型“请对上面的功能按优先级排序”，输出的结果往往会显得任意，且缺乏可追溯的推理过程。我们在Prompt中明确要求模型显示思考步骤，也就是Chain-of-Thought。可以添加这样一段指令：“在进行最终排序前，请按以下步骤逐步推理：第一步，列出每个功能的预估实施成本；第二步，分析每个功能在接下来1个月内的预期收益；第三步，综合收益、成本和战略方向，给出优先级顺序，并解释前三名和后三名的关键取舍理由。”
Few-shot示例能进一步约束模型输出格式和质量。准备2-3个已经由团队精炼过的功能优先排序案例，包含输入需求描述、评分过程和最终排序理由，以对话形式或者结构化示例展示给模型。比如展示一个“语音识别多语种支持”功能被排在“AI写作辅助”之后的案例，并说明原因是当前海外用户占比不足8%，而文档处理用户占比超过60%，战略聚焦点不同。模型会模仿示例中的权衡逻辑，减少天马行空的排序。
另外一个实用技巧是让模型进行自我校验。在得出初步排序后，追加一个自检步骤：“请重新审视你的排序结果，考虑是否存在以下风险：热门功能可能掩盖了长尾基建的必要性；过于乐观的技术评估可能低估了模型幻觉带来的体验问题。如有调整，请说明调整原因。”这一步能有效降低模型在缺少领域上下文时的盲目乐观倾向。
Prompt模板与迭代实践
综合上述要点，下面给出一个可直接使用的Prompt模板框架，你可以根据自己的产品实际情况替换[]中的内容。
你是一名经验丰富的AI产品负责人，当前产品是一款[产品类型，如AI辅助写作工具]。接下来我会提供一份功能需求清单，请按照以下步骤进行优先级排序：
[第一步：维度定义]
请从以下三个维度对每个功能打分（1-5分）：
- 用户价值：[具体定义和评分锚点]
- 实现成本：[具体定义，包括数据、算力、研发人天等]
- 战略契合：[与产品Q3 OKR [简述OKR]的契合程度]
[第二步：功能输入]
以下是功能清单：
{feature_list}
[第三步：思考过程]
请先输出你的逐步推理过程，包括：
1. 每个功能在三个维度上的得分和依据；
2. 你识别到的关键依赖或风险；
3. 综合评估后的优先级排序（P0/P1/P2）及解释。
[第四步：最终输出格式]
请以JSON格式输出最终排序，包含功能ID、优先级、综合评分和核心理由。
[第五步：自检]
完成上述步骤后，重新检查是否有因为技术乐观或短期压力而错置优先级的现象，如有修正请注明。
实际使用中，这套Prompt往往不能一次完美。迭代的方向通常集中在维度权重的调整和评分标准的细化上。如果发现模型总是把“实现成本低”的功能排得太靠前，而忽视了长期价值，可以在Prompt中增加一条约束：“请警惕‘低垂果实陷阱’，对于用户价值评分低于3分的低成本功能，需特别说明其战略必要性。”这种反复打磨的过程，其实也是产品团队对自己的决策逻辑进行梳理和内省的过程。
最后要注意，大模型给出的排序只是一个高质量起点，最终决策仍需要团队结合对市场动态、用户反馈和最新技术进展的感知来修正。但有了这样一套Prompt作为决策辅助，你可以把精力从无休止的列表拉扯中释放出来，投向真正需要人类创造力的产品设计领域。