作者回复: 我觉得，需要明确的有： 1、具体的模型输出（即算法目标）。你要解决是一个分类问题还是一个回归问题（输出是一个概率还是一个连续值） 如果是一个概率值，并且是用在分类场景，那还要确定是否需要模型进行二次加工，比如在做高潜用户预测，模型输出的是一个概率值，但这个概率值在业务场景无法使用，所以就还需要映射成具体的用户等级。 2、数据接入。是否有数据依赖，注明已接入的数据，包括数据类型（Hive / MQ），数据量大小，更新频率，Hive表名及格式。 3、服务性能。部署的接口峰值qps、延迟要求、日均UV。 4、验收标准。除了如 KS、AUC 等强模型指标的确定。另外还要以目标为导向编写 PRD 的验收标准，不要拘泥形式。 举个例子，比如在推荐系统的排序环节中，产品经理就要以目标为导向将模型的评估指标写到 PRD 中，如果产品是以提高 CTR 为目标，那么可以使用 CTR 作为衡量排序模型的指标。但在电商场景中，还存在 CVR、GMV、UV 等多个核心指标，并不是一个指标所决定的，所以此时产品经理要根据业务目标来优化排序模型的验收标准，如果公司追求的是 GMV，那么此时的单纯提升 CTR ，在一定程度上只能代表着用户体验的提升。 但这些关注点对于算法工程师来说，就会考虑的很少，因为他们只对模型负责，不对产品负责。但对于产品经理来说，这才能体现你的 PRD 的价值。