写在前面为什么第一讲不直接讲 Prompt、RAG、Agent很多人学习 AI 产品经理第一反应是我要不要先学 Prompt我要不要先搭一个 Dify 应用我要不要先了解 RAG、Agent、MCP、微调这些当然重要但如果一开始就从工具入手很容易陷入一个误区把 AI 产品经理理解成“会用 AI 工具的人”。这其实是低估了 AI 产品经理的价值。AI 产品经理真正的核心能力不是知道多少 AI 名词也不是能写几个高级 Prompt而是能在一个真实业务问题面前判断这个问题是否值得用 AI用规则、搜索、BI、小模型、大模型、RAG、Agent还是微调模型能力能不能稳定满足业务要求产品体验如何设计才能让用户理解 AI 的不确定性上线后如何评估效果、控制成本、规避幻觉、处理安全与合规风险这个项目最终能不能带来业务价值而不是停留在 Demo 阶段本专栏原始课程设计中第一讲的定位是“AI 产品经理全景图谱”目标是帮助学习者理解 AI PM 岗位类型、能力要求、转型路径和个人适配方向并为后续大模型技术底座、Prompt、RAG、Agent、微调、商业化和作品集搭建建立认知基础。所以第一讲我们先不急着讲工具而是先回答一个更根本的问题AI 产品经理到底是什么它和传统产品经理的差异在哪里未来 3 年什么样的人更容易成为真正有竞争力的 AI 产品经理一、AI 产品经理的本质是什么传统产品经理的核心工作是围绕用户、业务、流程和体验设计一个相对确定的软件系统。比如一个电商订单系统用户点击“下单”系统校验库存、价格、地址、优惠券、支付状态然后生成订单。只要规则写清楚、研发实现正确同样的输入基本会得到同样的输出。但 AI 产品不同。AI 产品经理面对的是一个带有概率性、不确定性、上下文依赖和模型边界的系统。用户输入一句话模型可能理解准确也可能理解偏差同一个问题不同模型可能回答不同同一个模型在不同上下文、不同参数、不同提示词下也可能输出不同结果一旦 AI 具备工具调用能力它不只是“回答问题”还可能去查数据、写文档、调用系统、生成内容、执行动作。这意味着 AI 产品经理要管理的不再只是“页面和流程”而是用户目标 业务规则 数据来源 模型能力 工具调用 安全边界 成本约束 结果评估。用一句话概括AI 产品经理是把不稳定的模型能力封装成相对稳定、可用、可控、可评估的产品能力的人。这就是 AI PM 与传统 PM 的根本区别。二、AI 产品经理不是一个岗位而是一组岗位族群很多人问“AI 产品经理需要懂算法吗”这个问题本身就太粗了。因为 AI 产品经理不是一个单一岗位而是一组岗位族群。不同岗位对技术、业务、数据、工程、模型理解的要求差异很大。从产品总监视角看AI PM 至少可以从三个维度拆解。三、第一维度按产品初衷划分1. 存量产品 AI 改造型 PM这是目前最常见的一类 AI 产品经理。它的核心任务不是从 0 做一个 AI 产品而是把已有产品进行智能化升级。例如办公产品增加 AI 会议纪要、AI 文档总结、AI 写作助手客服系统增加智能问答、工单摘要、用户意图识别SCRM系统增加销售话术生成、客户跟进建议、线索评分电商后台增加商品标题生成、评论分析、智能客服、选品分析企业知识库增加 AI问答、制度查询、流程指引。这类岗位最适合传统产品经理转型因为它依赖的核心能力仍然是业务理解、流程设计、用户场景拆解和项目推动。但它比传统 PM 多了几个关键判断这个场景是否适合 AI原功能是效率问题、体验问题还是决策问题AI 是主功能、辅助功能还是兜底功能输出错误是否会造成严重后果能否通过灰度、人工审核、溯源、置信度、敏感词和兜底策略控制风险这类岗位的关键词是业务场景、AI 改造、效率提升、AI-PRD、灰度上线、效果评估。2. AI 原生产品 PMAI 原生产品不是“传统产品加一个 AI 按钮”而是从产品底层就围绕 AI 能力重新设计。例如AI 搜索产品AI 写作产品AI 陪伴产品AI 绘图产品AI 视频生成产品AI 教育助教AI 编程助手AI 数据分析助手AI 个人效率工具。这类产品的核心不是“把某个页面智能化”而是让用户通过自然语言、图片、语音、文件或上下文直接完成一个复杂任务。传统产品强调“用户按照系统流程操作”。AI 原生产品强调“系统理解用户目标并协助完成任务”。它的产品设计重点会从按钮、页面、表单转向输入设计上下文管理多轮对话任务拆解结果可编辑用户反馈个性化记忆模型风格生成质量创作控制感。AI 原生产品 PM 更需要理解用户心理、内容生态、模型能力边界和增长机制。这类岗位的关键词是AI 原生体验、自然语言交互、MVP 验证、用户留存、生成质量、商业化。四、第二维度按用户受众划分1. B 端行业 AI 产品 PMB 端 AI 产品经理面对的是企业、行业客户和复杂业务流程。典型场景包括金融智能投研政企知识问答医疗辅助问答制造业质检分析法律合同审查教育智能批改能源运维助手零售导购助手企业智能客服。B 端 AI 产品的难点不在于“功能酷不酷”而在于客户数据能不能接入行业知识是否足够准确业务流程是否复杂权限体系如何设计交付周期是否可控私有化部署成本高不高客户是否愿意为结果付费出了错谁负责B 端 AI PM 必须非常重视“业务闭环”和“交付可控”。一个 AI 客服产品如果只能在演示环境回答几个标准问题不能处理真实用户的复杂追问、异常表达、投诉情绪和知识库更新那么它就很难真正落地。所以B 端 AI PM 的能力重点是业务调研流程建模数据治理权限设计RAG 方案交付管理效果评估客户成功安全合规。2. C 端消费 AI 产品 PMC 端 AI 产品面对的是普通用户关键在于体验、留存、传播和商业化。例如AI 头像AI 写真AI 聊天AI 情感陪伴AI 作业辅导AI 修图AI 短视频生成AI 个人助理。C 端产品的特点是用户选择多、迁移成本低、对体验敏感。一个 C 端 AI 产品首轮体验可能很惊艳但长期留存很难。因为用户很快会问这个产品每天都能帮我什么它比通用大模型更懂我吗它生成的结果是否稳定它的风格是否有差异它有没有持续使用的理由它为什么值得我付费所以C 端 AI PM 不能只关注“生成能力”还要关注用户动机内容质量个性化情绪价值创作控制社交传播订阅转化模型成本。C 端 AI 产品真正的护城河往往不是“接了某个模型 API”而是用户数据、场景理解、交互体验、内容生态、分发渠道和品牌心智。3. 企业内部智能中台 PM企业内部智能中台是未来几年非常重要的 AI 产品方向。它不是直接面向外部用户而是服务企业内部员工、业务团队、运营团队、销售团队、客服团队、研发团队或管理层。典型场景包括内部知识库问答制度流程助手销售陪练会议纪要周报生成数据分析助手合同审查助手研发需求拆解助手客服质检助手HR 招聘简历筛选助手。这类岗位的核心目标是提升组织效率。它的难点不在前端交互而在企业知识分散系统权限复杂数据质量参差部门诉求不同安全边界严格ROI 难以短期量化员工使用习惯难改变。企业内部 AI 产品经理要有很强的组织协同能力。你不仅要懂产品还要懂业务流程、组织结构、数据资产、权限管理和内部推广。这类岗位的关键词是企业知识管理、内部效率、AI 中台、权限治理、流程自动化、组织赋能。五、第三维度按模型层级划分1. 模型应用 PM模型应用 PM 是目前 AI PM 中数量最多、转型门槛相对较低的一类。它的核心任务是基于已有大模型能力设计具体应用场景。比如使用通用大模型、行业模型或第三方 API做一个客服助手、写作助手、销售助手、数据分析助手。这类 PM 不一定需要训练模型但必须理解模型的输入、输出、上下文、成本、延迟、幻觉和兜底策略。模型应用 PM 的核心能力是场景判断Prompt 设计RAG 设计API 调用逻辑产品流程设计效果评估成本控制异常兜底。这是传统产品经理最容易切入的方向。2. 模型训练 PM模型训练 PM 更靠近算法、数据和平台团队。它关注的问题不是“这个 AI 功能怎么设计”而是模型为什么效果不好训练数据是否足够标注规范是否清晰评估集怎么构建模型如何迭代不同模型版本如何比较业务效果和模型指标如何对应模型上线后如何监控漂移模型训练 PM 不一定要自己写算法但要能和算法工程师、数据工程师、标注团队、业务专家沟通。这类岗位更适合有数据、算法、搜索推荐、风控、NLP、CV 或平台经验的人。它的关键词是数据集、标注、训练、评估、模型迭代、模型运营。3. 平台型 AI 产品 PM平台型 AI 产品 PM 负责的是 AI 应用开发平台、模型服务平台、Agent 平台、Prompt 管理平台、知识库平台、MCP 工具平台等基础能力。比如Dify 类 AI 应用开发平台Coze 类智能体平台企业内部模型网关Prompt 管理平台RAG 知识库平台Agent 编排平台MCP 工具市场模型评估平台AI 安全审计平台。这类产品不直接服务单一业务场景而是服务开发者、业务产品、运营团队或企业内部多个 AI 应用。平台型 AI PM 的难点是抽象能力。你要设计的不是一个具体功能而是一套能力体系模型接入Prompt 管理知识库管理工具调用工作流编排权限体系计费体系日志追踪效果评估安全审计多租户管理版本管理。随着 Agent 和 MCP 的发展平台型 AI 产品会越来越重要。MCP 是一种开放标准用于让 AI 应用连接外部数据源、工具和工作流这意味着未来 AI 产品不只是“问答系统”而会逐步走向“可以连接系统并执行任务的工作入口”。六、传统 PM 和 AI PM 的能力差异传统产品经理当然可以转 AI 产品经理但不能只换一个标题。从能力结构看AI PM 至少比传统 PM 多出五类能力。1. 从“需求判断”升级为“AI 适配判断”传统 PM 判断的是用户有没有这个需求频次高不高痛点强不强商业价值大不大研发成本能不能接受AI PM 还要继续判断这个需求是否适合 AI是否存在明确输入和可评估输出模型错误是否可接受是否有足够数据或知识库支撑AI 相比规则、搜索、人工流程是否真的更优是否能通过产品机制降低不确定性比如“让 AI 自动审批合同”听起来高级但如果合同金额高、责任重大、法律风险高就不适合一上来做全自动审批。更合理的产品设计可能是AI 先做合同风险点识别高风险条款标红给出引用依据人工法务确认系统记录审核痕迹。这就是 AI PM 的产品判断。2. 从“流程设计”升级为“人机协同设计”传统软件强调用户点击、填写、提交、确认。AI 产品强调人和模型如何分工。哪些由 AI 生成哪些由用户确认哪些由系统自动校验哪些必须人工复核哪些结果允许直接执行哪些结果只能作为建议Agent 产品尤其需要人机协同设计。OpenAI 对 Agent 的实践指导中强调Agent 通常围绕多步骤任务、工具调用和安全护栏来设计这意味着产品经理不能只设计“智能回答”还要设计工具权限、执行边界、失败恢复和人工介入机制。([OpenAI][2])一个成熟的 AI 产品方案往往不是“让 AI 全自动完成任务”而是设计清楚AI 做什么人做什么系统校验什么风险出现时如何停止结果如何被追踪和复盘。3. 从“功能指标”升级为“模型效果指标”传统产品常用指标包括DAU留存转化率点击率完成率使用时长客单价工单处理时长。AI 产品还需要模型效果指标准确率召回率幻觉率拒答率引用命中率任务完成率人工接管率平均响应时延单次调用成本用户编辑率用户采纳率。例如一个 AI 知识库问答产品不能只看“用户问了多少次”还要看回答是否引用了正确知识用户是否继续追问是否出现无依据编造回答是否被用户采纳人工客服是否减少错误回答是否引发投诉。AI 产品经理必须建立“业务指标 体验指标 模型指标 成本指标 风险指标”的综合评估体系。4. 从“项目交付”升级为“持续运营”传统产品上线后很多功能只要稳定运行即可。但 AI 产品上线后模型效果会受到很多因素影响用户提问方式变化业务知识更新政策制度变化模型版本变化Prompt 版本变化知识库内容变化上下游系统变化攻击和越权风险变化。因此AI 产品不是上线即结束而是进入持续运营。你需要持续做日志分析Bad Case 收集Prompt 迭代知识库更新模型评估成本监控安全审计用户反馈闭环版本回滚。这也是为什么很多企业 AI 项目卡在 Demo 阶段。McKinsey 2025 年关于 AI 的全球调研也指出企业 AI 使用范围在扩大Agentic AI 的试验和规模化部署正在增加但很多组织仍然面临从试点走向规模化影响的困难。5. 从“体验负责”升级为“结果负责”传统 PM 对体验负责。AI PM 不仅要对体验负责还要对结果负责。因为 AI 的输出可能被用户直接采纳甚至影响业务决策。例如AI 写错合同条款AI 客服错误承诺退款AI 医疗问答给出不恰当建议AI 财务审核漏掉异常发票AI 销售助手生成违规话术AI 数据分析助手解释错经营指标。这意味着 AI PM 必须具备更强的风险意识。产品设计时不能只问“用户爽不爽”还要问错了会怎样谁来兜底用户能否识别错误系统是否保留证据是否需要人工审核是否需要引用来源是否需要权限隔离是否需要敏感操作二次确认七、AI 产品经理能力模型五层能力金字塔为了便于学习我们可以把 AI 产品经理的能力拆成五层。第一层业务场景理解这是基础。AI 产品不是为了炫技而是解决业务问题。你需要能回答目标用户是谁用户在什么场景下遇到问题当前流程怎么解决痛点到底是效率、成本、体验、质量还是决策AI 能不能改变流程而不只是增加一个按钮业务价值如何衡量没有业务理解AI 产品很容易变成“技术演示”。第二层AI 能力判断这一层决定你能不能判断“该不该用 AI”。你需要理解大模型适合处理什么不适合处理什么Prompt 能解决什么RAG 能解决什么Agent 能解决什么微调适合什么规则系统什么时候更合适搜索和推荐什么时候更合适人工作业什么时候反而更可靠。AI PM 不需要成为算法工程师但必须知道模型能力边界。第三层产品方案设计这一层是把 AI 能力变成产品。你需要会设计AI 功能流程输入输出结构多轮对话用户确认机制AI 结果编辑异常兜底人工接管权限控制日志记录模型效果反馈灰度策略。AI 产品不是“接一个 API 就上线”而是把模型能力嵌入业务流程。第四层工程与数据协同AI PM 不一定写代码但不能完全不懂工程。你至少要知道模型接口怎么调用Token 成本怎么估算响应延迟如何影响体验知识库数据怎么清洗Embedding 和向量检索是什么API 限流怎么处理日志怎么埋点版本怎么管理失败怎么重试系统怎么回滚。只有懂一点工程和数据才能和研发、算法高效沟通。第五层商业化与风控这是高阶 AI PM 的分水岭。你需要关心产品如何收费单次调用成本是否可控毛利是否成立私有化交付是否可复制是否涉及隐私数据是否涉及内容安全是否需要备案或合规流程风险是否可追溯错误结果是否可解释客户是否愿意为最终结果付费。中国《生成式人工智能服务管理暂行办法》对面向公众提供生成式 AI 服务提出了内容安全、个人信息保护、投诉举报、算法透明度等方面要求如果 AI 产品要面向公众或企业客户提供服务产品经理就必须把合规和风险控制纳入产品设计而不是上线后再补。([斯坦福人工智能研究所][4])八、不同背景的人如何选择自己的 AI PM 方向下面给出一个实操判断表。你的背景更适合切入的 AI PM 方向原因建议作品集传统互联网产品经理存量产品 AI 改造、模型应用 PM已有需求分析、流程设计、项目推进能力AI-PRD、AI 功能改造方案、灰度指标设计B 端产品经理B 端行业 AI、企业智能中台、RAG 产品熟悉复杂业务、权限、流程和客户交付企业知识库问答、智能客服、合同审核方案运营/内容背景C 端 AI 工具、AI 内容产品、Prompt 产品理解用户表达、内容质量和增长传播AI 写作工具、内容生成工作流、Prompt 模板库技术/研发背景平台型 AI 产品、Agent 平台、MCP 工具平台理解接口、系统、工具调用和工程边界Agent 工作流、模型网关、MCP Server 设计数据/算法背景模型训练 PM、模型评估 PM、数据标注平台熟悉数据、指标、训练和评估逻辑评估集设计、模型优化方案、数据标注流程行业专家/业务负责人行业垂直 AI 产品、企业内部 AI 应用有行业知识和真实业务场景行业 AI 解决方案、流程自动化方案、业务 ROI 测算注意选择方向时不要只看哪个岗位“更火”而要看你过去的经验能不能迁移。一个有 5 年客服系统经验的产品经理去做 AI 客服、企业知识库、工单助手会比盲目去做 C 端 AI 陪伴产品更有优势。一个做过开发者平台的产品经理去做 Agent 平台、模型网关、Prompt 管理平台会比从 0 做消费级 AI App 更容易建立壁垒。一个懂电商运营的人做 AI 商品标题生成、评论分析、选品助手、客服话术助手可能比单纯学习大模型概念更快产出作品。九、AI PM 岗位地图从入门到高阶我们可以把 AI 产品经理分成三个阶段。阶段一模型应用型 AI PM这是入门阶段。你需要掌握PromptAPI 调用逻辑基本模型选型AI-PRD简单 RAG基础效果评估成本估算异常兜底。适合做AI 写作助手客服摘要智能问答合同抽取会议纪要内容生成工具办公产品 AI 插件。这个阶段的核心目标是能把一个具体 AI 功能设计清楚并推动上线。阶段二场景解决方案型 AI PM这是进阶阶段。你不仅做单点功能还要围绕一个业务场景做完整解决方案。你需要掌握业务流程重构RAG 全链路权限体系用户角色设计多系统集成人工审核机制指标体系客户交付数据闭环。适合做企业知识库智能客服销售助手财务审核法律合同审查行业问答系统运营分析助手。这个阶段的核心目标是能把 AI 嵌入业务流程并证明它带来业务价值。阶段三平台与生态型 AI PM这是高阶阶段。你需要设计的是平台能力而不是单一应用。你需要掌握模型接入模型路由Prompt 管理工作流编排Agent 编排MCP 工具生态知识库平台评估平台计费体系安全审计多租户管理开发者体验。适合做AI 应用开发平台企业 Agent 平台模型服务平台MCP 工具市场RAG 平台AI 安全平台模型评估平台。这个阶段的核心目标是能把 AI 能力产品化、平台化、规模化。十、判断一个 AI PM 是否靠谱的 10 个问题如果我是产品总监面试一个 AI PM不会只问“你会不会用 ChatGPT”。我会问下面 10 个问题。问题 1这个需求为什么必须用 AI如果候选人回答“因为现在 AI 很火”基本不合格。合格回答应该是当前流程存在非结构化信息处理、复杂语义理解、内容生成、知识检索、个性化辅助或多步骤任务自动化问题传统规则或搜索难以低成本覆盖所以考虑引入 AI。问题 2你怎么判断该用 Prompt、RAG、Agent 还是微调合格回答应该能说明Prompt 适合轻量任务RAG 适合需要外部知识和可溯源问答Agent 适合多步骤、需要工具调用的任务微调适合稳定风格、行业表达、特定任务模式优化如果规则足够稳定优先规则系统。问题 3模型答错了怎么办合格回答不是“继续优化模型”而是限制场景提供引用来源设置置信度高风险任务人工审核敏感操作二次确认记录日志Bad Case 回流上线灰度必要时拒答。问题 4如何评估一个 AI 功能是否成功不能只看调用量。要看任务完成率用户采纳率人工节省时长错误率幻觉率人工接管率平均响应时延单次调用成本用户满意度业务转化提升。问题 5如何控制成本合格回答应该包括模型分层缓存Prompt 压缩上下文裁剪批处理小模型优先高价值场景使用大模型Token 预算调用频控离线生成RAG 召回优化。问题 6如果业务方要求“全自动”你怎么办合格 AI PM 不会盲目答应。要判断任务风险等级。低风险任务可以自动化中风险任务需要用户确认高风险任务必须人工审核涉及财务、法务、医疗、安全、隐私的任务需要严格兜底和审计。问题 7怎么判断一个 AI 项目不是伪需求看三个条件是否高频或高价值是否有明确输入输出是否能衡量效果是否比现有方案更优是否有足够数据支持是否能形成闭环。如果只是“老板想要 AI”但没有明确业务问题大概率是伪需求。问题 8你如何和算法、研发协作合格回答应该能说清楚产品负责场景、目标、指标、交互、风险算法负责模型方案、训练、评估、推理优化研发负责系统架构、接口、性能、稳定性数据团队负责数据清洗、标注、治理安全法务负责权限、隐私、合规最终由产品负责结果闭环。问题 9如何让 AI 产品从 Demo 走向上线关键不是 Demo 能跑而是数据真实场景真实边界明确指标可量化成本可承受权限可控制异常可兜底日志可追踪用户愿意持续使用。问题 10未来 AI PM 的壁垒在哪里不是会用某个工具而是行业理解业务抽象模型边界判断人机协同设计复杂系统集成效果评估成本控制安全合规跨团队推进把 Demo 变成产品的能力。十一、实操任务完成你的 AI PM 转型定位表第一节课我们的目的不仅仅是了解相关概念而是要完成一个实操交付物。请你按照下面模板输出自己的 AI PM 转型定位表。模板一个人背景盘点项目我的情况当前岗位例如产品经理 / 运营 / 研发 / 设计 / 数据分析 / 业务负责人所在行业例如电商 / 教育 / 金融 / 政企 / 医疗 / 制造 / 内容最熟悉的业务场景例如客服、营销、交易、内容、销售、知识管理、办公协同已有能力需求分析、流程设计、数据分析、项目管理、技术理解、行业知识等AI 相关基础Prompt、API、RAG、Dify、Coze、Python、模型评估等当前短板技术、业务、作品集、面试表达、项目经验、行业认知等模板二目标岗位选择目标方向适配度原因需要补齐的能力存量产品 AI 改造高 / 中 / 低是否有传统产品经验AI-PRD、模型指标、灰度策略B 端行业 AI高 / 中 / 低是否懂行业和复杂流程RAG、权限、交付、客户成功C 端 AI 原生产品高 / 中 / 低是否懂用户、内容和增长MVP、留存、体验、商业化企业内部智能中台高 / 中 / 低是否懂组织效率和内部流程知识库、流程自动化、权限治理平台型 AI 产品高 / 中 / 低是否懂开发者、系统和平台API、Agent、MCP、模型网关模型训练 PM高 / 中 / 低是否有数据或算法背景数据集、标注、评估、模型迭代模板三AI 改造机会清单请选一个你熟悉的产品或业务列出 5 个可 AI 化的机会。业务场景当前痛点AI 可介入方式预期价值风险等级客服问答人工回复慢知识分散RAG 知识库问答降低人工咨询量中销售跟进销售不知道如何跟进客户AI 生成跟进建议提升转化效率中合同审核人工审查耗时AI 标注风险条款提升初审效率高会议复盘会议纪要整理费时AI 自动纪要和待办提取降低整理成本低内容运营标题和摘要生成慢AI 生成多个版本提升内容生产效率低十二、第一讲作业输出一份你的 AI PM 岗位定位报告请完成一份 800-1500 字的报告结构如下1. 我的背景与优势说明你当前岗位、行业经验、熟悉的业务场景、已有产品能力或技术能力。2. 我适合切入的 AI PM 方向从以下方向中选择 1-2 个存量产品 AI 改造B 端行业 AIC 端 AI 原生产品企业内部智能中台模型应用 PM模型训练 PM平台型 AI 产品 PMAgent 产品 PM。3. 我选择这个方向的理由从业务经验、能力迁移、行业机会、作品集可行性四个角度说明。4. 我准备做的第一个 AI 项目写清楚项目名称目标用户核心痛点AI 介入方式预期效果主要风险第一版 MVP 范围。5. 我的 30 天学习计划建议按下面节奏第 1 周学习 AI PM 岗位图谱、大模型基础、Prompt第 2 周完成一个 AI 功能 PRD第 3 周搭建一个 RAG 或 Agent Demo第 4 周整理作品集包括产品方案、流程图、Demo 截图、指标设计和复盘。十三、本讲小结这一讲我们没有急着讲工具而是先建立了 AI 产品经理的全景图谱。你需要记住 5 个结论第一AI 产品经理不是“会用 AI 工具的人”而是能把模型能力转化为产品价值的人。第二AI PM 不是单一岗位而是一组岗位族群包括存量产品 AI 改造、AI 原生产品、B 端行业 AI、C 端 AI、企业智能中台、模型应用、模型训练和平台型 AI 产品。第三传统 PM 转 AI PM 的关键不是从零学习算法而是补齐 AI 适配判断、模型边界认知、效果评估、成本控制和风险兜底能力。第四未来更有竞争力的 AI PM不是只会 Prompt而是能理解业务、模型、数据、工程、商业化和合规的复合型产品负责人。第五第一讲的产出不是笔记而是一份你自己的 AI PM 转型定位报告。只有明确自己的方向后面的 Prompt、RAG、Agent、微调和作品集才不会学散。下一讲我们将进入大模型底层通识系统拆解 Token、上下文窗口、模型幻觉、开源/闭源模型、Prompt、RAG、Agent、微调等 AI PM 必备技术底座重点解决一个问题产品经理不写算法究竟需要懂多少大模型技术
第1讲｜AI产品经理全景图谱：不是“会用AI工具”，而是能对AI产品结果负责
写在前面为什么第一讲不直接讲 Prompt、RAG、Agent很多人学习 AI 产品经理第一反应是我要不要先学 Prompt我要不要先搭一个 Dify 应用我要不要先了解 RAG、Agent、MCP、微调这些当然重要但如果一开始就从工具入手很容易陷入一个误区把 AI 产品经理理解成“会用 AI 工具的人”。这其实是低估了 AI 产品经理的价值。AI 产品经理真正的核心能力不是知道多少 AI 名词也不是能写几个高级 Prompt而是能在一个真实业务问题面前判断这个问题是否值得用 AI用规则、搜索、BI、小模型、大模型、RAG、Agent还是微调模型能力能不能稳定满足业务要求产品体验如何设计才能让用户理解 AI 的不确定性上线后如何评估效果、控制成本、规避幻觉、处理安全与合规风险这个项目最终能不能带来业务价值而不是停留在 Demo 阶段本专栏原始课程设计中第一讲的定位是“AI 产品经理全景图谱”目标是帮助学习者理解 AI PM 岗位类型、能力要求、转型路径和个人适配方向并为后续大模型技术底座、Prompt、RAG、Agent、微调、商业化和作品集搭建建立认知基础。所以第一讲我们先不急着讲工具而是先回答一个更根本的问题AI 产品经理到底是什么它和传统产品经理的差异在哪里未来 3 年什么样的人更容易成为真正有竞争力的 AI 产品经理一、AI 产品经理的本质是什么传统产品经理的核心工作是围绕用户、业务、流程和体验设计一个相对确定的软件系统。比如一个电商订单系统用户点击“下单”系统校验库存、价格、地址、优惠券、支付状态然后生成订单。只要规则写清楚、研发实现正确同样的输入基本会得到同样的输出。但 AI 产品不同。AI 产品经理面对的是一个带有概率性、不确定性、上下文依赖和模型边界的系统。用户输入一句话模型可能理解准确也可能理解偏差同一个问题不同模型可能回答不同同一个模型在不同上下文、不同参数、不同提示词下也可能输出不同结果一旦 AI 具备工具调用能力它不只是“回答问题”还可能去查数据、写文档、调用系统、生成内容、执行动作。这意味着 AI 产品经理要管理的不再只是“页面和流程”而是用户目标 业务规则 数据来源 模型能力 工具调用 安全边界 成本约束 结果评估。用一句话概括AI 产品经理是把不稳定的模型能力封装成相对稳定、可用、可控、可评估的产品能力的人。这就是 AI PM 与传统 PM 的根本区别。二、AI 产品经理不是一个岗位而是一组岗位族群很多人问“AI 产品经理需要懂算法吗”这个问题本身就太粗了。因为 AI 产品经理不是一个单一岗位而是一组岗位族群。不同岗位对技术、业务、数据、工程、模型理解的要求差异很大。从产品总监视角看AI PM 至少可以从三个维度拆解。三、第一维度按产品初衷划分1. 存量产品 AI 改造型 PM这是目前最常见的一类 AI 产品经理。它的核心任务不是从 0 做一个 AI 产品而是把已有产品进行智能化升级。例如办公产品增加 AI 会议纪要、AI 文档总结、AI 写作助手客服系统增加智能问答、工单摘要、用户意图识别SCRM系统增加销售话术生成、客户跟进建议、线索评分电商后台增加商品标题生成、评论分析、智能客服、选品分析企业知识库增加 AI问答、制度查询、流程指引。这类岗位最适合传统产品经理转型因为它依赖的核心能力仍然是业务理解、流程设计、用户场景拆解和项目推动。但它比传统 PM 多了几个关键判断这个场景是否适合 AI原功能是效率问题、体验问题还是决策问题AI 是主功能、辅助功能还是兜底功能输出错误是否会造成严重后果能否通过灰度、人工审核、溯源、置信度、敏感词和兜底策略控制风险这类岗位的关键词是业务场景、AI 改造、效率提升、AI-PRD、灰度上线、效果评估。2. AI 原生产品 PMAI 原生产品不是“传统产品加一个 AI 按钮”而是从产品底层就围绕 AI 能力重新设计。例如AI 搜索产品AI 写作产品AI 陪伴产品AI 绘图产品AI 视频生成产品AI 教育助教AI 编程助手AI 数据分析助手AI 个人效率工具。这类产品的核心不是“把某个页面智能化”而是让用户通过自然语言、图片、语音、文件或上下文直接完成一个复杂任务。传统产品强调“用户按照系统流程操作”。AI 原生产品强调“系统理解用户目标并协助完成任务”。它的产品设计重点会从按钮、页面、表单转向输入设计上下文管理多轮对话任务拆解结果可编辑用户反馈个性化记忆模型风格生成质量创作控制感。AI 原生产品 PM 更需要理解用户心理、内容生态、模型能力边界和增长机制。这类岗位的关键词是AI 原生体验、自然语言交互、MVP 验证、用户留存、生成质量、商业化。四、第二维度按用户受众划分1. B 端行业 AI 产品 PMB 端 AI 产品经理面对的是企业、行业客户和复杂业务流程。典型场景包括金融智能投研政企知识问答医疗辅助问答制造业质检分析法律合同审查教育智能批改能源运维助手零售导购助手企业智能客服。B 端 AI 产品的难点不在于“功能酷不酷”而在于客户数据能不能接入行业知识是否足够准确业务流程是否复杂权限体系如何设计交付周期是否可控私有化部署成本高不高客户是否愿意为结果付费出了错谁负责B 端 AI PM 必须非常重视“业务闭环”和“交付可控”。一个 AI 客服产品如果只能在演示环境回答几个标准问题不能处理真实用户的复杂追问、异常表达、投诉情绪和知识库更新那么它就很难真正落地。所以B 端 AI PM 的能力重点是业务调研流程建模数据治理权限设计RAG 方案交付管理效果评估客户成功安全合规。2. C 端消费 AI 产品 PMC 端 AI 产品面对的是普通用户关键在于体验、留存、传播和商业化。例如AI 头像AI 写真AI 聊天AI 情感陪伴AI 作业辅导AI 修图AI 短视频生成AI 个人助理。C 端产品的特点是用户选择多、迁移成本低、对体验敏感。一个 C 端 AI 产品首轮体验可能很惊艳但长期留存很难。因为用户很快会问这个产品每天都能帮我什么它比通用大模型更懂我吗它生成的结果是否稳定它的风格是否有差异它有没有持续使用的理由它为什么值得我付费所以C 端 AI PM 不能只关注“生成能力”还要关注用户动机内容质量个性化情绪价值创作控制社交传播订阅转化模型成本。C 端 AI 产品真正的护城河往往不是“接了某个模型 API”而是用户数据、场景理解、交互体验、内容生态、分发渠道和品牌心智。3. 企业内部智能中台 PM企业内部智能中台是未来几年非常重要的 AI 产品方向。它不是直接面向外部用户而是服务企业内部员工、业务团队、运营团队、销售团队、客服团队、研发团队或管理层。典型场景包括内部知识库问答制度流程助手销售陪练会议纪要周报生成数据分析助手合同审查助手研发需求拆解助手客服质检助手HR 招聘简历筛选助手。这类岗位的核心目标是提升组织效率。它的难点不在前端交互而在企业知识分散系统权限复杂数据质量参差部门诉求不同安全边界严格ROI 难以短期量化员工使用习惯难改变。企业内部 AI 产品经理要有很强的组织协同能力。你不仅要懂产品还要懂业务流程、组织结构、数据资产、权限管理和内部推广。这类岗位的关键词是企业知识管理、内部效率、AI 中台、权限治理、流程自动化、组织赋能。五、第三维度按模型层级划分1. 模型应用 PM模型应用 PM 是目前 AI PM 中数量最多、转型门槛相对较低的一类。它的核心任务是基于已有大模型能力设计具体应用场景。比如使用通用大模型、行业模型或第三方 API做一个客服助手、写作助手、销售助手、数据分析助手。这类 PM 不一定需要训练模型但必须理解模型的输入、输出、上下文、成本、延迟、幻觉和兜底策略。模型应用 PM 的核心能力是场景判断Prompt 设计RAG 设计API 调用逻辑产品流程设计效果评估成本控制异常兜底。这是传统产品经理最容易切入的方向。2. 模型训练 PM模型训练 PM 更靠近算法、数据和平台团队。它关注的问题不是“这个 AI 功能怎么设计”而是模型为什么效果不好训练数据是否足够标注规范是否清晰评估集怎么构建模型如何迭代不同模型版本如何比较业务效果和模型指标如何对应模型上线后如何监控漂移模型训练 PM 不一定要自己写算法但要能和算法工程师、数据工程师、标注团队、业务专家沟通。这类岗位更适合有数据、算法、搜索推荐、风控、NLP、CV 或平台经验的人。它的关键词是数据集、标注、训练、评估、模型迭代、模型运营。3. 平台型 AI 产品 PM平台型 AI 产品 PM 负责的是 AI 应用开发平台、模型服务平台、Agent 平台、Prompt 管理平台、知识库平台、MCP 工具平台等基础能力。比如Dify 类 AI 应用开发平台Coze 类智能体平台企业内部模型网关Prompt 管理平台RAG 知识库平台Agent 编排平台MCP 工具市场模型评估平台AI 安全审计平台。这类产品不直接服务单一业务场景而是服务开发者、业务产品、运营团队或企业内部多个 AI 应用。平台型 AI PM 的难点是抽象能力。你要设计的不是一个具体功能而是一套能力体系模型接入Prompt 管理知识库管理工具调用工作流编排权限体系计费体系日志追踪效果评估安全审计多租户管理版本管理。随着 Agent 和 MCP 的发展平台型 AI 产品会越来越重要。MCP 是一种开放标准用于让 AI 应用连接外部数据源、工具和工作流这意味着未来 AI 产品不只是“问答系统”而会逐步走向“可以连接系统并执行任务的工作入口”。六、传统 PM 和 AI PM 的能力差异传统产品经理当然可以转 AI 产品经理但不能只换一个标题。从能力结构看AI PM 至少比传统 PM 多出五类能力。1. 从“需求判断”升级为“AI 适配判断”传统 PM 判断的是用户有没有这个需求频次高不高痛点强不强商业价值大不大研发成本能不能接受AI PM 还要继续判断这个需求是否适合 AI是否存在明确输入和可评估输出模型错误是否可接受是否有足够数据或知识库支撑AI 相比规则、搜索、人工流程是否真的更优是否能通过产品机制降低不确定性比如“让 AI 自动审批合同”听起来高级但如果合同金额高、责任重大、法律风险高就不适合一上来做全自动审批。更合理的产品设计可能是AI 先做合同风险点识别高风险条款标红给出引用依据人工法务确认系统记录审核痕迹。这就是 AI PM 的产品判断。2. 从“流程设计”升级为“人机协同设计”传统软件强调用户点击、填写、提交、确认。AI 产品强调人和模型如何分工。哪些由 AI 生成哪些由用户确认哪些由系统自动校验哪些必须人工复核哪些结果允许直接执行哪些结果只能作为建议Agent 产品尤其需要人机协同设计。OpenAI 对 Agent 的实践指导中强调Agent 通常围绕多步骤任务、工具调用和安全护栏来设计这意味着产品经理不能只设计“智能回答”还要设计工具权限、执行边界、失败恢复和人工介入机制。([OpenAI][2])一个成熟的 AI 产品方案往往不是“让 AI 全自动完成任务”而是设计清楚AI 做什么人做什么系统校验什么风险出现时如何停止结果如何被追踪和复盘。3. 从“功能指标”升级为“模型效果指标”传统产品常用指标包括DAU留存转化率点击率完成率使用时长客单价工单处理时长。AI 产品还需要模型效果指标准确率召回率幻觉率拒答率引用命中率任务完成率人工接管率平均响应时延单次调用成本用户编辑率用户采纳率。例如一个 AI 知识库问答产品不能只看“用户问了多少次”还要看回答是否引用了正确知识用户是否继续追问是否出现无依据编造回答是否被用户采纳人工客服是否减少错误回答是否引发投诉。AI 产品经理必须建立“业务指标 体验指标 模型指标 成本指标 风险指标”的综合评估体系。4. 从“项目交付”升级为“持续运营”传统产品上线后很多功能只要稳定运行即可。但 AI 产品上线后模型效果会受到很多因素影响用户提问方式变化业务知识更新政策制度变化模型版本变化Prompt 版本变化知识库内容变化上下游系统变化攻击和越权风险变化。因此AI 产品不是上线即结束而是进入持续运营。你需要持续做日志分析Bad Case 收集Prompt 迭代知识库更新模型评估成本监控安全审计用户反馈闭环版本回滚。这也是为什么很多企业 AI 项目卡在 Demo 阶段。McKinsey 2025 年关于 AI 的全球调研也指出企业 AI 使用范围在扩大Agentic AI 的试验和规模化部署正在增加但很多组织仍然面临从试点走向规模化影响的困难。5. 从“体验负责”升级为“结果负责”传统 PM 对体验负责。AI PM 不仅要对体验负责还要对结果负责。因为 AI 的输出可能被用户直接采纳甚至影响业务决策。例如AI 写错合同条款AI 客服错误承诺退款AI 医疗问答给出不恰当建议AI 财务审核漏掉异常发票AI 销售助手生成违规话术AI 数据分析助手解释错经营指标。这意味着 AI PM 必须具备更强的风险意识。产品设计时不能只问“用户爽不爽”还要问错了会怎样谁来兜底用户能否识别错误系统是否保留证据是否需要人工审核是否需要引用来源是否需要权限隔离是否需要敏感操作二次确认七、AI 产品经理能力模型五层能力金字塔为了便于学习我们可以把 AI 产品经理的能力拆成五层。第一层业务场景理解这是基础。AI 产品不是为了炫技而是解决业务问题。你需要能回答目标用户是谁用户在什么场景下遇到问题当前流程怎么解决痛点到底是效率、成本、体验、质量还是决策AI 能不能改变流程而不只是增加一个按钮业务价值如何衡量没有业务理解AI 产品很容易变成“技术演示”。第二层AI 能力判断这一层决定你能不能判断“该不该用 AI”。你需要理解大模型适合处理什么不适合处理什么Prompt 能解决什么RAG 能解决什么Agent 能解决什么微调适合什么规则系统什么时候更合适搜索和推荐什么时候更合适人工作业什么时候反而更可靠。AI PM 不需要成为算法工程师但必须知道模型能力边界。第三层产品方案设计这一层是把 AI 能力变成产品。你需要会设计AI 功能流程输入输出结构多轮对话用户确认机制AI 结果编辑异常兜底人工接管权限控制日志记录模型效果反馈灰度策略。AI 产品不是“接一个 API 就上线”而是把模型能力嵌入业务流程。第四层工程与数据协同AI PM 不一定写代码但不能完全不懂工程。你至少要知道模型接口怎么调用Token 成本怎么估算响应延迟如何影响体验知识库数据怎么清洗Embedding 和向量检索是什么API 限流怎么处理日志怎么埋点版本怎么管理失败怎么重试系统怎么回滚。只有懂一点工程和数据才能和研发、算法高效沟通。第五层商业化与风控这是高阶 AI PM 的分水岭。你需要关心产品如何收费单次调用成本是否可控毛利是否成立私有化交付是否可复制是否涉及隐私数据是否涉及内容安全是否需要备案或合规流程风险是否可追溯错误结果是否可解释客户是否愿意为最终结果付费。中国《生成式人工智能服务管理暂行办法》对面向公众提供生成式 AI 服务提出了内容安全、个人信息保护、投诉举报、算法透明度等方面要求如果 AI 产品要面向公众或企业客户提供服务产品经理就必须把合规和风险控制纳入产品设计而不是上线后再补。([斯坦福人工智能研究所][4])八、不同背景的人如何选择自己的 AI PM 方向下面给出一个实操判断表。你的背景更适合切入的 AI PM 方向原因建议作品集传统互联网产品经理存量产品 AI 改造、模型应用 PM已有需求分析、流程设计、项目推进能力AI-PRD、AI 功能改造方案、灰度指标设计B 端产品经理B 端行业 AI、企业智能中台、RAG 产品熟悉复杂业务、权限、流程和客户交付企业知识库问答、智能客服、合同审核方案运营/内容背景C 端 AI 工具、AI 内容产品、Prompt 产品理解用户表达、内容质量和增长传播AI 写作工具、内容生成工作流、Prompt 模板库技术/研发背景平台型 AI 产品、Agent 平台、MCP 工具平台理解接口、系统、工具调用和工程边界Agent 工作流、模型网关、MCP Server 设计数据/算法背景模型训练 PM、模型评估 PM、数据标注平台熟悉数据、指标、训练和评估逻辑评估集设计、模型优化方案、数据标注流程行业专家/业务负责人行业垂直 AI 产品、企业内部 AI 应用有行业知识和真实业务场景行业 AI 解决方案、流程自动化方案、业务 ROI 测算注意选择方向时不要只看哪个岗位“更火”而要看你过去的经验能不能迁移。一个有 5 年客服系统经验的产品经理去做 AI 客服、企业知识库、工单助手会比盲目去做 C 端 AI 陪伴产品更有优势。一个做过开发者平台的产品经理去做 Agent 平台、模型网关、Prompt 管理平台会比从 0 做消费级 AI App 更容易建立壁垒。一个懂电商运营的人做 AI 商品标题生成、评论分析、选品助手、客服话术助手可能比单纯学习大模型概念更快产出作品。九、AI PM 岗位地图从入门到高阶我们可以把 AI 产品经理分成三个阶段。阶段一模型应用型 AI PM这是入门阶段。你需要掌握PromptAPI 调用逻辑基本模型选型AI-PRD简单 RAG基础效果评估成本估算异常兜底。适合做AI 写作助手客服摘要智能问答合同抽取会议纪要内容生成工具办公产品 AI 插件。这个阶段的核心目标是能把一个具体 AI 功能设计清楚并推动上线。阶段二场景解决方案型 AI PM这是进阶阶段。你不仅做单点功能还要围绕一个业务场景做完整解决方案。你需要掌握业务流程重构RAG 全链路权限体系用户角色设计多系统集成人工审核机制指标体系客户交付数据闭环。适合做企业知识库智能客服销售助手财务审核法律合同审查行业问答系统运营分析助手。这个阶段的核心目标是能把 AI 嵌入业务流程并证明它带来业务价值。阶段三平台与生态型 AI PM这是高阶阶段。你需要设计的是平台能力而不是单一应用。你需要掌握模型接入模型路由Prompt 管理工作流编排Agent 编排MCP 工具生态知识库平台评估平台计费体系安全审计多租户管理开发者体验。适合做AI 应用开发平台企业 Agent 平台模型服务平台MCP 工具市场RAG 平台AI 安全平台模型评估平台。这个阶段的核心目标是能把 AI 能力产品化、平台化、规模化。十、判断一个 AI PM 是否靠谱的 10 个问题如果我是产品总监面试一个 AI PM不会只问“你会不会用 ChatGPT”。我会问下面 10 个问题。问题 1这个需求为什么必须用 AI如果候选人回答“因为现在 AI 很火”基本不合格。合格回答应该是当前流程存在非结构化信息处理、复杂语义理解、内容生成、知识检索、个性化辅助或多步骤任务自动化问题传统规则或搜索难以低成本覆盖所以考虑引入 AI。问题 2你怎么判断该用 Prompt、RAG、Agent 还是微调合格回答应该能说明Prompt 适合轻量任务RAG 适合需要外部知识和可溯源问答Agent 适合多步骤、需要工具调用的任务微调适合稳定风格、行业表达、特定任务模式优化如果规则足够稳定优先规则系统。问题 3模型答错了怎么办合格回答不是“继续优化模型”而是限制场景提供引用来源设置置信度高风险任务人工审核敏感操作二次确认记录日志Bad Case 回流上线灰度必要时拒答。问题 4如何评估一个 AI 功能是否成功不能只看调用量。要看任务完成率用户采纳率人工节省时长错误率幻觉率人工接管率平均响应时延单次调用成本用户满意度业务转化提升。问题 5如何控制成本合格回答应该包括模型分层缓存Prompt 压缩上下文裁剪批处理小模型优先高价值场景使用大模型Token 预算调用频控离线生成RAG 召回优化。问题 6如果业务方要求“全自动”你怎么办合格 AI PM 不会盲目答应。要判断任务风险等级。低风险任务可以自动化中风险任务需要用户确认高风险任务必须人工审核涉及财务、法务、医疗、安全、隐私的任务需要严格兜底和审计。问题 7怎么判断一个 AI 项目不是伪需求看三个条件是否高频或高价值是否有明确输入输出是否能衡量效果是否比现有方案更优是否有足够数据支持是否能形成闭环。如果只是“老板想要 AI”但没有明确业务问题大概率是伪需求。问题 8你如何和算法、研发协作合格回答应该能说清楚产品负责场景、目标、指标、交互、风险算法负责模型方案、训练、评估、推理优化研发负责系统架构、接口、性能、稳定性数据团队负责数据清洗、标注、治理安全法务负责权限、隐私、合规最终由产品负责结果闭环。问题 9如何让 AI 产品从 Demo 走向上线关键不是 Demo 能跑而是数据真实场景真实边界明确指标可量化成本可承受权限可控制异常可兜底日志可追踪用户愿意持续使用。问题 10未来 AI PM 的壁垒在哪里不是会用某个工具而是行业理解业务抽象模型边界判断人机协同设计复杂系统集成效果评估成本控制安全合规跨团队推进把 Demo 变成产品的能力。十一、实操任务完成你的 AI PM 转型定位表第一节课我们的目的不仅仅是了解相关概念而是要完成一个实操交付物。请你按照下面模板输出自己的 AI PM 转型定位表。模板一个人背景盘点项目我的情况当前岗位例如产品经理 / 运营 / 研发 / 设计 / 数据分析 / 业务负责人所在行业例如电商 / 教育 / 金融 / 政企 / 医疗 / 制造 / 内容最熟悉的业务场景例如客服、营销、交易、内容、销售、知识管理、办公协同已有能力需求分析、流程设计、数据分析、项目管理、技术理解、行业知识等AI 相关基础Prompt、API、RAG、Dify、Coze、Python、模型评估等当前短板技术、业务、作品集、面试表达、项目经验、行业认知等模板二目标岗位选择目标方向适配度原因需要补齐的能力存量产品 AI 改造高 / 中 / 低是否有传统产品经验AI-PRD、模型指标、灰度策略B 端行业 AI高 / 中 / 低是否懂行业和复杂流程RAG、权限、交付、客户成功C 端 AI 原生产品高 / 中 / 低是否懂用户、内容和增长MVP、留存、体验、商业化企业内部智能中台高 / 中 / 低是否懂组织效率和内部流程知识库、流程自动化、权限治理平台型 AI 产品高 / 中 / 低是否懂开发者、系统和平台API、Agent、MCP、模型网关模型训练 PM高 / 中 / 低是否有数据或算法背景数据集、标注、评估、模型迭代模板三AI 改造机会清单请选一个你熟悉的产品或业务列出 5 个可 AI 化的机会。业务场景当前痛点AI 可介入方式预期价值风险等级客服问答人工回复慢知识分散RAG 知识库问答降低人工咨询量中销售跟进销售不知道如何跟进客户AI 生成跟进建议提升转化效率中合同审核人工审查耗时AI 标注风险条款提升初审效率高会议复盘会议纪要整理费时AI 自动纪要和待办提取降低整理成本低内容运营标题和摘要生成慢AI 生成多个版本提升内容生产效率低十二、第一讲作业输出一份你的 AI PM 岗位定位报告请完成一份 800-1500 字的报告结构如下1. 我的背景与优势说明你当前岗位、行业经验、熟悉的业务场景、已有产品能力或技术能力。2. 我适合切入的 AI PM 方向从以下方向中选择 1-2 个存量产品 AI 改造B 端行业 AIC 端 AI 原生产品企业内部智能中台模型应用 PM模型训练 PM平台型 AI 产品 PMAgent 产品 PM。3. 我选择这个方向的理由从业务经验、能力迁移、行业机会、作品集可行性四个角度说明。4. 我准备做的第一个 AI 项目写清楚项目名称目标用户核心痛点AI 介入方式预期效果主要风险第一版 MVP 范围。5. 我的 30 天学习计划建议按下面节奏第 1 周学习 AI PM 岗位图谱、大模型基础、Prompt第 2 周完成一个 AI 功能 PRD第 3 周搭建一个 RAG 或 Agent Demo第 4 周整理作品集包括产品方案、流程图、Demo 截图、指标设计和复盘。十三、本讲小结这一讲我们没有急着讲工具而是先建立了 AI 产品经理的全景图谱。你需要记住 5 个结论第一AI 产品经理不是“会用 AI 工具的人”而是能把模型能力转化为产品价值的人。第二AI PM 不是单一岗位而是一组岗位族群包括存量产品 AI 改造、AI 原生产品、B 端行业 AI、C 端 AI、企业智能中台、模型应用、模型训练和平台型 AI 产品。第三传统 PM 转 AI PM 的关键不是从零学习算法而是补齐 AI 适配判断、模型边界认知、效果评估、成本控制和风险兜底能力。第四未来更有竞争力的 AI PM不是只会 Prompt而是能理解业务、模型、数据、工程、商业化和合规的复合型产品负责人。第五第一讲的产出不是笔记而是一份你自己的 AI PM 转型定位报告。只有明确自己的方向后面的 Prompt、RAG、Agent、微调和作品集才不会学散。下一讲我们将进入大模型底层通识系统拆解 Token、上下文窗口、模型幻觉、开源/闭源模型、Prompt、RAG、Agent、微调等 AI PM 必备技术底座重点解决一个问题产品经理不写算法究竟需要懂多少大模型技术
