去年秋天，我认真问了自己一个问题：我每天做的那些事，AI能代替多少？答案是大部分。但想明白之后反而踏实了。
你有没有过这样的瞬间——
深夜改完PRD，关掉Figma，忽然想起白天刷到的那篇文章，标题写着”AI正在替代初级PM”。你没有点开。不是因为不关心。是因为你下意识觉得，这事离你还远。
但关掉电脑的那一刻，脑子里有一个声音：是真的远，还是我不想面对？
我去年秋天开始面对这个问题。不是因为我有远见，是因为我被裁了。
在字节做了五年产品，带过项目也带过人。被裁的那一刻，最让我难受的不是丢了工作——是发现自己在做的事情，AI全线接管了。
但这个故事我不想讲第二遍。我今天想说的是之后的事：我是怎么从”完全不知道从哪开始”走到”能跟算法工程师聊得有来有回，能自己跑通一个AI产品原型”的。
不是教程。是一个过来人的路径记录。中间走过的弯路，和走通的路。
最大的弯路，是一开始以为自己必须学会技术。
第一阶段：搞清楚”AI产品经理”到底在干什么被裁后第一周，我干了件蠢事——买了一本Python入门。
翻开第一章，写了个Hello World，然后就没有然后了。
问题不是我懒。问题是这条路走不通。当你盯着for i in range(10)的时候，你脑子里想的是”这跟我做产品有什么关系”。没有关系。你只是在用战术上的勤奋掩盖战略上的迷茫。
后来我换了一个方法。我不再想”我要学什么”，而是想”AI产品经理到底在干什么”。
我翻了几十篇JD，总结了四件事：
第一，判断什么场景该用AI、什么不该用。这是最被低估的能力。一个可以用三条if-else搞定的分类任务，非要上大模型——成本高十倍，效果差不多。知道什么不该用，比知道什么该用重要。
第二，知道模型的能力边界在哪。不需要你写代码，但需要你知道：这个模型擅长的和不擅长的分别是什么。它输出是可预期的还是高度不确定的。它对错误能容忍到什么程度。
第三，设计人和AI的交互方式。传统产品是”用户操作→系统响应”。AI产品多了一层——”用户输入→AI理解→AI生成→用户确认/修正”。整个交互链路不一样了。
第四，建立一套AI产品特有的评估标准。传统产品看DAU、留存率。AI产品多了一整套维度——准确率、召回率、幻觉率、响应速度、token成本。这几个指标经常互斥，怎么取舍是日常决策。
你不需要成为那个写模型的人，但你必须能说出“这个场景下模型的失败率我能接受多少”。
搞清楚这些之后，我才知道自己到底该学什么。答案比我以为的少得多。
第二阶段：建立基础认知——五个够用的概念被裁第二周，我放下了Python，开始做一件事：搞清楚AI是怎么工作的——不是从数学原理搞懂，是从”一个产品经理需要知道的程度”搞懂。
我花了三个晚上，翻了吴恩达的《AI For Everyone》和几篇科普文章。以下五个概念，是我筛选出来的”够用到第一次面试”的清单：
重点来了：这五个概念，我一个周末就看完了。我没有做题，没有记公式，没有去看反向传播的推导。
我只是反复问自己一个问题：“如果我要跟一个算法工程师聊这件事，我需要知道什么才不会被当成外行？”
答案是：够用了。
入门需要的技术知识，远比你想象的少。你真正需要的是判断力——知道什么该问、什么不用问。
搞懂基础概念之后，我没有急着去学RAG或者Agent。
我做的第一件事，是把Prompt用起来。
不是随便输入两句话那种。是认真地把Prompt当成一个产品设计工具来用。
具体做法：把我日常工作里的三件事，用Prompt让ChatGPT帮我完成。
第一件：竞品分析初稿。以前我自己翻App Store评论、翻产品文档、整理成表格，一个竞品做半天。现在我会写一段详细的Prompt——告诉它竞品名、分析维度（功能、定价、目标用户）、输出格式要求。出来的东西肯定不能直接用，但至少完成70%。我只需要再花一小时核实和补充。
第二件：PRD框架。我写了一个固定的Prompt模板——产品名、目标用户、核心场景、约束条件。丢进去，它能给我一个结构完整、逻辑自洽的初稿。不是替代我的判断，是让我从”搭框架”这种体力活里脱出来。
第三件：用户反馈分类。把一堆用户反馈丢给AI，让它按”bug/需求/表扬/吐槽”自动分类，然后标注优先级建议。
三件事做完，我最大的感受不是”AI好厉害”，而是一个更具体的认知——
“原来我需要的不是技术深度，是把需求翻译成AI能执行的语言。”
这个能力有一个专门的词：Prompt Engineering。但我一直不太喜欢叫它”工程”。它更像是”翻译”——把你脑子里的产品问题，翻译成AI能理解并执行的一组指令。
你不需要理解Transformer的注意力机制。但你必须能写出这样的Prompt：角色定义 + 任务边界 + 输入格式 + 输出格式 + 质量约束。
这就是你的武器。学会了它，你就迈出了AI之路的第一步。
一个可复用的Prompt模板（适用于竞品分析/需求拆解/用户反馈分析）：”你是一名[角色定位]。请根据以下[输入材料]，完成[具体任务]。分析维度包括[维度1/2/3]，输出格式按[表格/列表/段落]整理。注意[质量约束/边界]。”
Prompt是你和AI之间最直接的界面。把它当成一个产品来打磨——就像你打磨一个注册页的文案一样认真。
第四阶段：跑通第一个AI产品原型——RAG掌握了Prompt之后，我开始做下一个动作：搭建一个RAG系统。
RAG全称是检索增强生成。讲人话就是——”让AI不止回答通用问题，还能回答特定资料里的问题”。比如：把你公司的产品文档丢进去，AI就能回答产品FAQ。把内部知识库丢进去，新人入职培训可以自动化。
我选RAG作为第一个项目的原因很简单：技术上有现成的框架，你不需要写代码也能搭起来。LangChain和LlamaIndex封装得足够好，网上教程多到令人发指。
但重点不是搭起来。重点是你要经历一次完整的产品思考：
这个RAG要解决什么问题？（选一个真实的小痛点——哪怕是你团队内部的一个文档问答需求）用什么数据？（PDF、网页、数据库？数据质量怎么评估？）“好的回答”长什么样？（不能只说“对了就行”，要定义具体的标准）找几个同事试用，收集反馈，迭代。技术部分你可以不碰，或者只做最轻量的配置——网上有大把的教程和模板。但产品决策你必须自己做：选什么数据、定义什么标准、怎么判断”够好了”。
这是一次完整的AI产品从想法到反馈的完整经历。做过一遍和没做过，面试时聊出来的深度完全不同。
动手资源：
– LangChain官方Quick Start教程（github.com/langchain-ai/langchain）
– 腾讯云开发者社区搜索”RAG 从零搭建”系列
– LlamaIndex官方文档（llamaindex.ai）
你需要一个项目来证明自己“懂AI”。不需要是公司的正式项目。一个你自己跑通的RAG原型，比十门课程证书更有说服力。
到了这个阶段，我开始有意识地养成一个习惯：试用任何AI产品的时候，都带着评估的框架去思考。
比如用AI搜索，我会想：它的回答来源是什么？漏了多少？错了吗？我能接受这个错误率吗？
用AI聊天，我会想：它的记忆窗口是多大？上下文超过多少条开始胡说？它的回复速度对我的使用场景来说够快吗？
这不是学出来的。是练出来的。而且在面试的时候，这种习惯一眼就能被看出来。
一个AI PM和一个传统PM最核心的区别，一句话：你有没有对“不确定性”的本能警惕。
传统PM追求确定——点了这个按钮，一定会跳那个页面。AI PM面对的是概率——同一个问题问两次，答案可能不一样。你对这种不确定性的态度，决定了你是不是真正适应了这个角色。
AI PM的核心能力清单（做个自我对照）：
能用Prompt把一个模糊需求变成可执行的指令能判断一个场景该不该用AI（而不是“别人都用所以我也用”）知道RAG、Agent、微调分别适合什么场景能说出一个AI功能的评估维度有哪些、它们怎么互斥跑通过一个AI产品原型，从数据处理到收集反馈走完了全流程最后：怎么让别人知道你”懂”写了这么多，最后说一句实在的——你学了、练了，最终要落到一个东西上：让人知道你懂。
简历上，把”负责XX功能的迭代优化”换成”用Prompt优化竞品分析流程，将单次分析耗时从4小时缩减到1.5小时”。
面试的时候，不要背概念。聊你做过的RAG项目——为什么选这个场景，数据怎么处理的，上线后踩了什么坑。面试官不怕你做得不完美，怕的是你什么都没做过。
我见过的最打动人的AI PM面试回答，只有一段话，大意是——
“我自己搭了一个RAG系统，把团队的会议纪要和产品文档丢进去，做了一个内部问答工具。准确率不高，大概75%。但我的同事们开始真的用它了，每天有5-8人在用。我在收集他们的反馈，下一版重点优化搜索召回。”
就这一段。没有术语，没有方法论。但一个AI PM该有的思考方式，全在里面了。
本文由 @产品邦林景贤 原创发布于人人都是产品经理。未经作者许可，禁止转载。
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
科元网提示：文章来自网络，不代表本站观点。
