本文以作者成为AI产品经理第一个月的真实学习体验切入用夸父追日比喻AI领域知识更新速度远超学习速度的现实。文章核心聚焦AI产品经理与传统PM的思维差异管确定性 vs 不确定性、必备基础能力需求分析、沟通、PRD写法、五大核心认知Token上下文窗口、RAG、提示词工程、智能体、模型能力边界。特别强调Model Sense的积累重要性建议产品经理以边学边做方式掌握Token消耗计算、RAG系统设计、提示词工程等实战技能而非急于深入代码。文章最后提出AI学习非终点论主张先稳扎地基再追新知鼓励同行者共享未完成经验。我开始学AI产品经理的第一个月手机首页每天都是新模型发布、新概念冒出来。刷完一个视频评论区已经在讨论下一个更新的东西了。那段时间我有一种很奇怪的感觉——不是我什么都不懂而是我刚刚懂了一点它已经变了这种感觉我后来给它找到了一个名字夸父追日夸父追的是太阳太阳不会停。你的学习速度永远赶不上新知识产生的速度。这是AI领域的基本现实不是你的问题是这个时代的节奏。但夸父有没有意义我觉得有。他跑的那段路是他自己的所以这篇文章不是一篇AI产品经理完全学习指南我没有资格写那个。这是一个正在学习中的人把手里攥着的那些东西摊开来给你看一看。我在门里但还没走远。我看到的风景可能比那些已经走了很远的人对你更有参考价值——因为我还记得刚进门时的感觉记得哪些词会让人一头雾水哪些比喻会让人突然明白。AI产品经理和传统产品经理到底哪里不一样我最开始以为AI产品经理就是普通产品经理加上会用那些AI对话工具。后来才意识到这两件事的差距大概相当于会开车和会设计发动机之间的距离——不是量的差别是思维方式的差别。传统产品经理管的是确定性你把需求文档写清楚开发按图施工测试跑一遍用例上线了就是那个样子。用户点了按钮一定弹窗提交了表单一定入库。整个世界是可以用流程图画清楚的。AI产品经理管的是不确定性下的判断力模型的输出是概率性的——同一个问题问两次可能得到两个不同的回答这不是bug是特性。用户的行为是涌现的——你没办法预判他会怎么用你的产品。模型的能力是流动的——三个月前做不到的事现在可能已经做到了三个月前能做到的事新版本可能表现又不一样了。有一个比喻我觉得很准传统PM像建筑师图纸画好就照着盖AI PM更像种地的——种子每年都在变天气你控制不了你能做的是搞清楚什么节气该干什么活以及怎么判断哪一垄长得不好需要补救。这个思维方式的转变是进入这个领域最重要的第一步。在这之前学再多的技术名词都只是在用旧地图走新路。产品经理的基础能力进AI领域之前这些先想清楚我有一段时间急着去学RAG、学Agent结果发现连用户故事怎么写、需求文档的结构是什么都还没搞清楚。就像想学做菜却跑去研究分子料理——地基没打楼盖不稳。这个弯路让我意识到一件事AI只是在产品经理的地基上加盖了新楼层地基本身没有捷径。无论做哪个方向的产品经理有几件事是必须先想清楚的。需求分析是核心中的核心用户真正想要的是什么他说的需求和他真实的痛点是不是一回事在AI产品里这个问题更难回答——因为用户自己也不知道AI能帮他做什么你需要替他想清楚我遇到过一个很典型的情况。做智能客服的产品用户反馈说回答太机械。你如果只听字面意思就会去改措辞、加语气词。但如果你追问几个为什么会发现用户真正的问题是——它不理解我的上下文每次都要从头解释。这两个问题解决方案差了十万八千里在AI产品里这种需求分析能力被放大了因为用户对AI的预期往往不清晰他们说的和他们想要的经常是两件事沟通能力在AI产品里变得更重要不是更不重要你需要跟工程师讲清楚你要什么效果需要跟业务方解释为什么AI的输出有时候不稳定是正常的需要跟用户管理预期特别是管理预期这件事我觉得是AI产品经理最容易忽视的一个技能。很多用户对AI的理解来自科幻电影和媒体报道。他们要么觉得AI无所不能要么觉得AI一无是处。这两种极端预期都会导致产品体验的崩塌——前者会失望后者根本不会用。怎么在产品界面上、在引导文案里把用户的预期调到一个合理且积极的区间这是纯产品设计的问题跟技术没关系但会直接影响留存。PRD的写法在AI产品里也发生了变化传统PRD写用户点击后走这个流程AI产品的PRD要写这个场景下期望的效果是什么接受率的底线是多少什么情况算失败。从确定性的流程描述变成概率性的效果定义。这个转变听起来简单但真的要写的时候很多人会发现自己根本不知道效果好和效果坏的边界在哪里。举个具体的你在做一个智能摘要功能你怎么在需求文档里定义摘要质量合格这个问题没有标准答案但你必须给出一个可以测量的标准否则上线之后什么叫成功、什么叫失败没有人说得清楚。用户思维始终是第一位的这说起来是废话但在AI产品里这句话会被反复考验。因为AI太好玩了太有趣了。你很容易就陷进去花大量时间去研究模型的技术细节测各种参数搞各种实验然后忘记了——这个东西要给真实用户用他们才不管你用的是哪个模型、参数调成什么样他们只在意这个东西有没有帮我节省时间。我在学习初期就踩过这个坑。对着提示词调了一个星期得意洋洋地跑去问朋友感受对方说输出太长了我没时间读完。整个研究成果被一句话否定。但这句话是对的。AI产品的核心认知你必须先懂这几件事这是我目前学得最用力的部分也是我最想分享的部分。我不打算用教科书的方式写我只想告诉你我是怎么理解这些东西的。Token与上下文窗口模型的工作记忆第一次看到Token这个词我以为是什么加密货币相关的东西。后来才知道它是大模型处理信息的最小单位——不完全等于一个字或一个词但可以大致这样理解一个汉字差不多对应一到两个Token。更重要的概念是上下文窗口。你可以把它理解成模型的工作记忆——它在回答你的问题时能同时看到多少内容。比如一个32K上下文窗口的模型大概能处理两万字左右的中文内容。超出这个范围它就忘了前面说了什么。这个遗忘不是模型坏了是它的工作机制就是这样。你跟它聊了很久前面的内容超出窗口之后它就像一个记忆力有限的人开始只记得最近说的话忘了对话一开始你交代的背景。对产品设计的影响是直接的你想做长文档解读、合同审核、多轮对话首先要搞清楚上下文窗口的上限。窗口上限就是你产品功能的天花板。另一个影响是成本。几乎所有大模型的商用接口都按Token计费。你设计的每一个功能每一次对话都在花钱。这不是工程师该考虑的问题是产品经理必须算清楚的账。我见过一个反面案例一个做智能阅读的产品用户每次上传文档都会把整篇文档塞进上下文然后开始对话。听起来很合理但他们没算过每次对话的Token成本上线之后发现用户越活跃亏的越多。最后不得不加限制用户体验一落千丈。所以作为产品经理你不需要会写代码但你必须知道Token是怎么消耗的你的功能设计会带来多少消耗这些消耗的成本是否可持续。RAG给模型配一本可以查的书这个概念让我想了很久。大模型有一个天然的问题它的知识是训练时学进去的训练结束后就固定了。你问它最新的政策、你公司内部的文档、昨天发生的事情它要么不知道要么幻觉——也就是一本正经地编一个听起来合理但完全错误的答案。幻觉这个词我第一次听到的时候觉得很有意思。模型不知道自己不知道所以它不会说我不清楚而是会生成一个听起来流畅的答案但这个答案是它想象出来的。RAG检索增强生成解决的就是这个问题。它的逻辑很简单不让模型背知识而是给它一本可以查的书。用户提问的时候系统先去知识库里找最相关的内容然后把用户的问题 找到的内容一起交给模型让模型基于这些内容来回答。这样模型就不需要记住所有东西只需要理解和表达。对产品经理来说懂RAG意味着什么意味着当用户反馈回答不准、瞎编的时候你知道问题大概率出在哪里——是文档切片方式不对还是检索匹配度不够还是召回的内容太杂。你能给工程师提出有价值的优化方向而不是只会说把准确率提上去。我之前看到一个产品的用户投诉问合同里的违约金条款模型给了一个完全错误的数字。后来排查发现不是模型幻觉而是文档切片的时候把一个表格切断了关键数字被切到下一片没有被召回。这个问题不懂RAG的产品经理根本不知道从哪里入手。还有一件事关于RAG很值得专门说一下知识库的质量决定了产品的上限。很多团队把精力全放在模型调优上但知识库里的文档是几年前的、格式乱的、有错误的。这就像给一个很厉害的厨师提供了一堆变质的食材——厨师再好也做不出好菜。这个道理说起来简单但在真实的产品开发里知识库的建设和维护经常是最不受重视的环节。产品经理如果理解RAG就应该把知识库的质量管理纳入产品的核心指标而不只是去看模型的各种评测分数。提示词工程给模型写需求文档很多人对提示词的理解还停留在网上抄几句万能咒语。但我学到的是提示词就是你给模型写的需求文档。你在提示词里定义模型的角色它是谁、任务它要做什么、约束它不能做什么、输出格式它应该怎么呈现结果。写得越清晰模型的输出越稳定。这个类比我觉得特别准。一个写得很烂的需求文档开发出来的功能会跑偏一个写得很烂的提示词模型的输出会发散甚至走向你完全不想要的方向。有一次我想让模型帮我总结一篇会议记录随手写了帮我总结一下这个会议。结果模型给了我一段很长的叙述把会议里的废话也总结进去了格式也乱。后来我改成角色定义是专业的会议助理任务是提取决策事项和待办清单格式是分两个部分每部分不超过五条只保留有明确结论的内容。同样的模型同样的会议记录输出的质量天壤之别。这对产品经理来说是一个直接的控制手段——你不需要改代码不需要重新训练模型只需要优化提示词就能显著改变产品的表现。这是AI产品独有的无代码调优能力。我目前在学一个叫CRISPE的提示词框架把角色、背景、指令、风格、约束、示例都写清楚。用这个框架写出来的提示词比随手写的效果要稳定得多。有兴趣的话可以自己去搜内容很多实操性很强。顺便说一个容易踩的坑提示词写长不等于写好。我一开始以为提示词越详细越好后来发现写得太长太复杂模型反而会顾此失彼某些重要的约束会被淹没。提示词是有侧重的你最不想要模型做的事情要用最明确的方式写出来放在显眼的位置。这个感觉很像在做产品设计——不是功能越多越好是主次越清晰越好。智能体从回答问题到完成任务这是我目前理解得最模糊的一个概念但我觉得模糊本身就是一种诚实的状态——这个领域的边界本来就还没画清楚。如果说大模型是一个很聪明的大脑那智能体就是给这个大脑配上了手脚、记忆和行动能力。它不只是回答你的问题而是能够主动规划、调用工具、执行步骤、完成任务。举个例子你说帮我策划一次日本旅行。一个普通的大模型会给你一段文字建议内容可能不错但需要你自己去执行每一步。一个智能体会主动问你预算和偏好然后去查航班价格、查酒店、查景点开放时间生成一份附带具体价格和预订链接的行程表最后把一份可以直接用的旅行计划交给你。差别在于模型是在给你信息而智能体是在替你完成事情。目前智能体的能力已经很强但边界也很清晰——它在处理复杂的、多步骤的任务时仍然会出错需要人来介入和校验。作为产品经理你需要知道什么场景适合用智能体以及当它出错的时候产品应该怎么设计兜底方案。这个兜底设计我觉得是目前大多数智能体产品做得最差的地方。很多产品把智能体包装得很厉害但当它出错的时候用户不知道哪里错了、错在哪一步、怎么纠正。结果用户的处置方式就是关掉页面不再用了。这是产品设计的问题不是技术问题。模型能力的边界你需要有手感这是我觉得最难学、也最关键的一点。懂Token、懂RAG、懂提示词这些都是可以通过读文章学到的知识。但对模型能力边界的感知——也就是这件事当前的模型能做到吗做到什么程度——这个判断力只能靠自己动手积累。我目前的状态是我知道这件事很重要但我的手感还很弱。我会把一个需求交给模型然后发现它做得比我预期好很多或者差很多但我说不清楚为什么。这个说不清楚就是我现在的知识缺口。有一个词我在一篇文章里看到过叫Model Sense——对模型能力的体感。作者说这是AI产品经理最底层的能力也是最难速成的只能靠亲手写过几千条提示词、调过几十个任务之后形成的肌肉记忆。我深以为然也深感自己目前还在这条路的起点。这里有一个很现实的问题想聊一下作为产品经理要不要学编程我的个人答案是不一定要学会写代码但一定要能看懂逻辑。你不需要自己去写一个RAG系统但你要能理解文档切片——向量化——检索——召回——生成这个链路里每一步的输入输出是什么可能在哪里出问题。这样你才能和工程师有效沟通才能在出问题的时候快速定位。很多技术概念不写代码一样可以理解区别只是理解的深度。我目前选择的路径是先把概念理解到能用人话解释给别人听的程度然后通过实际使用产品和分析产品来积累手感暂时不去深入代码层面。这个策略对不对我还不确定。但这是我现在的判断。学这些东西我目前最真实的感受写这篇文章的过程本身就是一次暴露。写到上下文窗口那一段我意识到我对Token的计算方式其实只有模糊的概念没有真正算过一个完整产品的Token成本。写到RAG那一段我发现我能讲清楚它是什么但如果真的要让我去设计一个RAG系统的文档切片方案我会卡住。写到Model Sense我承认我现在就是那个把模型当黑盒的人。这不是谦虚是事实。但我发现写下来和记在脑子里是完全不同的两件事。写的时候才知道自己哪里真的懂了哪里只是以为自己懂了。这篇文章让我的知识地图变清晰了一点同时也让我看见了更多空白的格子。这种感觉有点像——你以为房间很整洁打开灯才发现角落里全是灰尘。但看见了总比看不见好。我在一个奇怪的中间地带知道的刚好够多但多到可以看见自己不知道的有多少。我不是专家但我也不是完全的门外汉。我认为这个位置写出来的东西可能比专家讲的更容易被刚入门的人接受。专家经常犯一个错误就是忘记了他们也有过不懂的阶段他们讲的东西对他们来说很简单但对刚入门的人来说仍然是一堵墙。我还没走远我记得墙在哪里。还有一件事我想说这个领域的学习不是一个学完就结束的过程。你不需要等到学完再开始做你可以边学边做边做边学。我写这篇文章的时候我还在学。我发出这篇文章的时候我还在学。这没有什么不好意思的。给同样在路上的你AI这个领域知识更新快但核心框架是相对稳定的Token、上下文、RAG、智能体、提示词工程——这些概念不会因为下一个模型发布就过时它们是这个领域的地基。先把地基搞清楚再去追那些日新月异的新东西会更有底气有时候我也会觉得这个追日的过程是不是太累了。信息流每天都在更新新工具每周都在涌现你刚搞懂一个框架另一个更厉害的已经出来了。有一段时间我焦虑得很觉得自己永远学不完。后来我换了一个思路我不需要追上太阳我只需要比昨天的自己跑快一点。夸父最后累倒了但他手里那根木杖变成了一片桃林。这个结局我觉得挺好。写这篇文章让我想到一件事这个领域里愿意把自己还没学完的状态公开出来分享的人其实不多。大家更愿意等到学成了再出来说话。但对于刚入门的人来说一个比你早几步的同行者有时候比一个遥不可及的专家更有参考价值。所以我写了这篇。不完整、有缺口、有些地方只能说我还不确定。但这是我现在真实的状态。如果你也在这条路上欢迎一起走。我打算把后面学到的东西继续写出来RAG在真实产品里怎么落地、提示词工程的实战案例、以及那些我踩过的坑。一格一格地填慢慢来。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】