第 03 讲 · 认识岗位
AI 运营：用户、数据与质量
区分产品运营、数据运营、评测运营和内容安全，认识它们各自处理的材料、标准与反馈。
关注运营、评测、数据类实习的读者更新 2026-09-05
与本章一起读的原文
方法 / 教程Your AI Product Needs Evals个人面经数据运营 · 业务分析 · ButtercupGlimmer社区汇编AI 数据、模型与服务运营 · 汇编 · 林小白zii讲义为教学整理；个人经验反映作者当时的情境。查看完整导读与资料目录 →
01运营岗位并不只有拉新
AI 产品运营可能关注用户为什么来、为什么留下；数据运营关注训练或评测材料如何获得和整理；评测运营关注输出好坏如何被一致判断；内容安全则关注风险类别、处理规则和案例复盘。它们使用的数据有重叠，但目标不同。
招聘标题中的“模型运营”“AI 训练师”也不能直接决定技术门槛。有的工作重心是文本判断与规则维护，有的需要 SQL、Python 或领域知识，应以任务描述为准。
02从输入到产出看四种工种
分类用于帮助阅读 JD，不代表每家企业都设置独立岗位。
| 方向 | 输入材料 | 常见产出 |
|---|---|---|
| 产品与用户运营 | 使用记录、访谈、反馈 | 用户问题分析、触达与留存策略 |
| 数据运营 | 原始内容、采集需求、标注规则 | 整理后的数据、质量统计、更新机制 |
| 评测运营 | 问题集、模型答案、评价标准 | 标注结果、差异分析、错误分类 |
| 内容安全运营 | 规则、风险样本、申诉反馈 | 风险分类、处置建议、规则修订 |
03一个回答为什么会得到不同评价
假设用户问“这项服务能否退款”。回答语气很好，但引用了过期规则。只看表达可得到高分，只看事实则应该判错。如果不同标注者各自理解“好答案”，最后汇总的分数就难以用于比较。
因此评价表要拆出事实、完整性、来源、语气等维度，并配上判定样例。争议样本需要讨论是规则不清、题目缺少信息，还是标注理解不同。解决争议的结果可以反过来改善规范，而不仅是把分数平均。
04运营如何连接产品改进
把低分样本整理成可处理的问题类型，比单独报告“满意度下降”更有用。知识过期需要维护内容，检索偏离需要检查检索链路，界面不清晰可能需要改交互，模型越权使用工具则需产品和工程重新明确动作边界。
业务效果也要与工作目标一致。拉新看触达和激活，知识维护看覆盖与更新，评测看判定规则与错误分布。不同工作不能共用一个笼统的“准确率”。
来源与延伸阅读
正文为教学整理与分析。下列公开资料用于核对概念、产品能力和招聘入口；具体岗位条件以原公告为准。
User Interviews 101Maria Rosala、Kara Pernice / NN/g · 英文
先读访谈与可用性测试的区别，再看研究目标、提纲、试访和追问。适合对照面经中“你如何发现用户需求”的问题。