Appearance
AI 产品经理能力地图
第一部 · 产品手记 · 第5章
撰写日期：2026-07-02
结论
AI 产品经理的核心能力不是“会用 AI”，而是把 AI 能力转化为可落地、可评估、可持续迭代的产品系统。
这个角色连接五件事：
| 连接对象 | 核心问题 |
|---|---|
| 用户需求 | 用户真正要解决什么问题 |
| AI 能力 | 模型、RAG、Agent、工具调用能做到什么 |
| 产品流程 | 如何把不稳定能力嵌入稳定流程 |
| 数据反馈 | 如何判断效果是否变好 |
| 商业价值 | 这个能力是否值得持续投入 |
能力结构
| 能力模块 | 关键问题 | 典型产出 |
|---|---|---|
| AI 技术理解 | 模型能做什么，边界在哪里 | 能力边界说明、技术沟通清单 |
| 产品设计 | 如何把 AI 放进用户流程 | PRD、原型、异常流、灰度方案 |
| 数据与评估 | 如何证明方案有效 | 指标体系、评测集、实验报告 |
| 行业与商业 | 为什么这个场景值得做 | 竞品分析、商业测算、落地路径 |
| 项目协作 | 如何让多角色稳定交付 | 需求评审、风险清单、上线复盘 |
AI 技术理解
AI PM 不需要成为算法工程师，但需要理解能力边界。
| 主题 | 需要理解到什么程度 |
|---|---|
| LLM | 输入、输出、上下文窗口、幻觉、推理限制 |
| Prompt | 如何约束任务、格式、角色、边界和评估标准 |
| RAG | 文档切片、Embedding、召回、重排、生成链路 |
| Agent | 任务拆解、工具调用、状态管理、失败兜底 |
| 模型评估 | 准确率、召回率、幻觉率、拒答率、满意度 |
| 安全与隐私 | 数据脱敏、权限控制、内容安全、合规风险 |
判断标准：
能否把技术能力翻译成产品语言，把产品问题翻译成技术任务。
产品设计
AI 产品设计的难点在于：模型输出天然不稳定，但用户流程必须稳定。
| 设计对象 | 关注点 |
|---|---|
| 入口 | 用户为什么会在这里触发 AI |
| 输入 | 需要用户提供多少信息，是否可以自动补全 Context |
| 输出 | 用户能否直接使用，是否需要解释依据 |
| 反馈 | 用户如何纠错、重试、追问或接管 |
| 异常 | 模型失败、超时、误判、无权限时如何处理 |
| 信任 | 如何让用户知道 AI 做了什么、为什么这么做 |
AI 产品不是把聊天框放进业务，而是重新设计任务链路。
数据与评估
没有评估体系，AI 产品很难持续迭代。
| 场景 | 评估指标 |
|---|---|
| 对话体验 | 任务完成率、追问率、人工接管率、满意度 |
| RAG 问答 | 召回率、引用准确率、幻觉率、拒答率 |
| Agent 执行 | 成功率、工具调用失败率、恢复率、耗时 |
| 内容生成 | 可用率、编辑率、采纳率、违规率 |
| 推荐/匹配 | CTR、转化率、留存、长期满意度 |
我的判断是，AI 产品评估要同时看三层：
- 模型是否答对。
- 用户任务是否完成。
- 业务指标是否变好。
只看第一层，很容易高估模型价值。
行业与商业
AI 产品的机会通常不来自“模型很强”，而来自“某个行业流程可以被重组”。
| 行业场景 | 典型机会 | 关键约束 |
|---|---|---|
| 医疗 | 分导诊、预问诊、随访、医生 Copilot | 合规、准确性、责任边界 |
| 教育 | 个性化学习、家校沟通、内容生成 | 效果验证、家长期待、教育公平 |
| 内容治理 | 风险识别、标注平台、人机协同 | 误判成本、规则更新、审核效率 |
| 企业服务 | 知识库问答、流程自动化、办公 Copilot | 权限、数据安全、系统集成 |
| 本地生活 | 行程规划、服务推荐、交易转化 | 实时数据、履约能力、兜底策略 |
学习优先级
| 阶段 | 重点 | 产出 |
|---|---|---|
| 入门期 | Prompt、RAG、Agent 基础概念 | 产品拆解、概念卡片、简单 Demo |
| 实践期 | PRD、原型、评估指标、用户测试 | 一个可运行 MVP |
| 进阶期 | 行业场景、数据闭环、成本收益 | 模块从需求到上线的完整复盘 |
AI PM 的竞争力不在单点技能，而在系统连接能力：能否把技术、用户、流程、数据和商业放在同一个判断框架里。