第一章埋过一颗种子：五道关塌成四道，四道关合并成一道——你把话说清楚。第三部写到这里，种子的形状终于露出来了：「说清楚」的尽头不是形容词，是例子。这一章就讲这颗种子怎样落地。
你多半亲身试过这两件事的对照。第一件：你对 AI 说「帮我写一段产品介绍，要专业、简洁、有吸引力」，它交回来的东西四平八稳——每个词都对，整段话是废话。第二件：你贴给它三篇你真心觉得好的旧文案，说「照这个感觉，再写一篇」——它一口气交回来的第四篇，居然真有点像样。
同一台模型，两种命运。差别不在模型的智力，在你递过去的东西：第一种递法，是一页形容词；第二种递法，是三个例子。这一章要论证的事情，从这个对照里已经露了一半：形容词是人类的压缩格式，例子才是机器的母语。
一、一句判词：数据就是你的 PRD
2024 年 12 月，吴恩达在他的专栏里干了一件产品圈等了很多年的事：把「PRD」这个词从文档世界里整个搬了出来。他先立了个靶子——传统的需求写法，比如「做一个回答银行账户相关问题的聊天机器人」。在他看来，这样的规格是「留下大量想象空间的模糊规格」（a vague specification that leaves much to the imagination）：每一方读到这句话，脑子里都升起一台不一样的机器人，等产品做出来，才发现各方想的根本不是同一件事。
替代方案是什么？他给出的动作朴素得近乎笨拙：产品经理亲手写出十个到五十个具体的对话示例——用户会怎么问，机器人该怎么答。不需要先写文档框架，不需要形容词评审，就是一个一个把例子摆出来。他说，写到一定程度，产品的范围会自己浮出水面。然后是那句判词：「换句话说，数据就是你的 PRD（the data is your PRD）！」他还补了一个工厂级的类比：机器学习算法靠训练样本来学习，AI 产品的开发团队同样需要具体示例才能对齐——没有样本的算法学不会任何东西，没有例子的团队对不齐任何标准。
这句话为什么出自 2024 年，而不是 2014 年？因为在「需求写给人看」的年代，形容词有人类的默契兜底：你说「简洁」，工程师会拿自己的人生经验把它补全成某种具体的东西，做出来不对，再靠一轮一轮评审拉回来——形容词的含糊，是用人的判断力兜底的。到了「需求写给 AI 执行」的年代，兜底没有了：你说「专业」，它就用一千字的华丽废料把「专业」填满；你说「简洁」，它就把废话压缩成更密的废话。执行免费把「说清楚」从一种美德，逼成了一项基础设施。这就是为什么定义问题（上一章）之后，必须紧跟着一整章讲「怎么把定义递出去」——定义在你脑子里，递不出去，等于没有。
二、例子为什么赢：两层机制
「例子比形容词有效」是个经验事实，但值得问一句为什么。答案有两层，一层比一层深。
浅的一层是机器的机制。大模型学习的方式，本质上就是从海量例子里学模式——它的看家本领是「见过足够多类似的，就能照着再来一个」。所以你给它例子，不是在给它讲解，是在接通它的母语。提示工程里给例子这件事有个术语，叫「少样本提示」（few-shot prompting），是各家模型厂商文档里排在最前面的最佳实践。你贴三篇范文说「照这个感觉」，就是一次最标准的少样本提示——第二段开头那个对照实验，你其实早就亲手做过了。
深的一层是人的机制，也是多数人没意识到的：例子不光是在教 AI，更是在照出你自己。每个形容词都是一根没有刻度的尺——「简洁」是三句话还是三百字？「有分寸」是少说话还是说话留余地？你以为你知道，直到你开始写例子：写到第七个，你发现它的口吻和第二个打架；写到第十个，你发现有两个场景你其实说不清该偏向哪边。形容词的含糊可以共存，例子的含糊当场穿帮——这就是吴恩达说「写到一定程度，范围自己浮出水面」的真实含义：不是例子帮 AI 学会了什么，是写例子的过程逼着你想清楚了什么。例子 PRD 的第一读者不是 AI，是你自己。
想通这一层，就明白上一章三问和这一章的关系了：三问的答案如果停留在脑子里，它就是一组感觉；写成正例、反例、难例，它才变成一组可以拿给别人看、拿给 AI 执行的规定。定义问题（第七章）产出判断，数据即 PRD（本章）给判断换一个存储格式——从形容词的格式，换成样本的格式。
三、例子 PRD 的写法：正例、反例、难例
工具交付。一份合格的例子 PRD，是三张清单。
第一张，正例：什么是好的。五到十个，每个都是完整的一进一出（用户怎么问、产品该怎么答；素材怎么给、成品该长什么样）。正例覆盖你产品最高频的典型场景，是整个例集的地基。选正例有一条隐形纪律：挑你真心觉得好的，不挑看起来体面的——例集是照镜子，掺了体面照出来的就是化过妆的规格。
第二张，反例：什么是不可接受的。三到五个，写明坏答案长什么样、错在哪一环。反例为什么必需？因为只看正例，AI（和人）学到的是「风格像」，摸不到「什么不能碰」。红线不在正例里，红线只能靠反例钉死。
第三张，难例：两可之间的裁决。两三个，专挑最难的那几个场景，写清你选了哪一边、为什么。难例是一份例集里判断密度最高的部分——正例反例多数人都能列，难例的裁决才是你的产品真正的性格。
拿教培老板的家长答疑助手过一遍，三张清单立刻有了血肉。正例一条：家长问「今天学了什么」，AI 按当堂记录答出知识点要点，附一句孩子当堂的具体表现，结尾留一句「详细情况欢迎问王老师」——准确、有分寸、留了人工的口。反例两条：家长问「我家孩子是不是被忽视了」，AI 编出一段「今天他主动发言两次」的安抚——红线：不编造观察；家长问「孩子这次排名第几」，AI 直接报数——红线：成绩类一律转人工。注意这条红线是从哪来的：上一章预演讣告里写过的死因（「答错孩子情况，截图上家长群」），在这里变成了例集里的一条具体行规——讣告防的死法，要靠反例才能落成规矩，两章合起来才是闭环。难例一条：家长问「孩子最近表现怎么样」，但这周的课堂记录只有两条——坦白说「这周记录不多」，还是给一段模板化好评？裁决：坦白，外加建议和老师约一次谈话。写完这条难例，「有分寸」这个形容词就死了，取而代之的是一条可执行的规定。
四、两个坑：例子的偏差，与「免判断」的幻觉
例子 PRD 不是银弹，有两个坑必须钉在明处。
第一个坑，例子的偏差。你挑的十个正例如果全是最顺溜的场景，AI 学到的就是「只会答顺题」；你的例集偏理性，你的产品就长成理性脸。一份例集就是一张隐形考纲——它考什么，AI 就会什么；它漏什么，用户就在哪里撞墙。考纲怎么出得有代表性、怎么随产品长大而更新，是两门大学问，分别在第十章（金标准的代表性）和第十五章（数据闭环）正面讲——这里先把坑位挖出来。
第二个坑，更隐蔽：「有例子就不用判断了」的幻觉。恰恰相反。每一个例子里都压缩着一次完整的判断——这条算好，那条算碰线，这个两可场景我裁这边。数据即 PRD 的真实含义，从来不是判断可以省了，而是判断换了存储格式：从形容词搬进了样本。「要专业」是一句判断，十个专业的样本是十次判断。判断没有消失，一克都没少——但换了格式之后，它第一次变得可积累、可复用、可检验：同事可以对着你的例集挑错，AI 可以对着它校准，三个月后你可以回头问「当时这十条，还成立几条」。形容词做不到这些，形容词只能被反复重新解释。
所以这一章在全书里的位置可以说得很白：它是判断的落脚处。第三部从「产品经理是干什么的」走到「判断长什么样」，本章把判断钉进了可以传递的容器。但容器有了，还缺最后一块：规格只是出题——题目出好了，AI 交卷了，谁来判卷？
五、第三部收官：规格是出题，验收是判卷
把第三部收进工具箱。第六章祛魅：产品经理的手艺抽到底，是三问——该不该做、给谁做、做到什么程度算够。第七章给三问各配了一件工具：预演讣告、雇用测试、倒推新闻稿。本章给了把答案递出去的格式：正例、反例、难例。三件工具加一个格式，产品的「定义」部分到此齐装。
回到第一章门口那三个问题：做什么——罗盘部答了行业层，岩石部答了产品层；什么算好——规格答了一半，「好」的样子有了，但「每次都好」怎么验，还没有着落；下一步——还剩这个。第二章埋过一句「能做不等于每次都做好」，说尺子部会回来量这段距离，现在就到量的时候了。
因为下一章你会遇到一个所有用过 AI 的人都撞过的墙：AI 交了卷，你看一眼说「挺好」，你的同事看一眼说「不行」，老板看一眼说「再改改」——形容词又回来了，而且这次它们裹着「验收」的名头。判卷需要尺子。尺子这门手艺，独立到值得用一整部来讲。
出处与延伸
- 吴恩达「数据即 PRD」：Andrew Ng《Best Practices for AI Product Management》（The Batch 专栏，DeepLearning.AI，2024-12-11）。原文关键句：“a vague specification that leaves much to the imagination”（模糊规格）；“if the PM writes out a number (say, between 10 and 50) of concrete examples of conversations they’d like a chatbot to execute”；“In other words, the data is your PRD (product requirements document)!”；“Just as a machine learning algorithm needs training examples to learn from, an AI product development team needs concrete examples.”链接：deeplearning.ai/the-batch/best-practices-for-ai-product-management。第一章出处节的预告（「第八章会正面接手这个话题」）在本章兑现。
- 配套佐证：吴恩达在 YC AI Startup School 的演讲《Building Faster with AI》（2025-06-17）与《How to Get Through the Product Management Bottleneck》（The Batch，2025-07-16）——瓶颈从写代码转移到写规格（specs），与第六、七章互注。
- 少样本提示（few-shot prompting）：大模型提示工程通行术语，各家模型厂商文档均列为最佳实践（OpenAI/Anthropic 官方提示工程指南）。
- 「形容词是人类的压缩格式，例子才是机器的母语」「正例/反例/难例三张清单」「例子 PRD 的第一读者是自己」「例集是照镜子」「判断换了存储格式」：本书提法。「正/反/难」的三分结构与各清单的数量区间为本书给出的操作化；吴恩达原文只给出「10–50 个示例」的总量建议，两相边界在此说明。
- 教培老板例集内容为本书推演（延续第四至七章的推演样本设定）。