八年跨越AI两个时代：一个产品经理的五条核心判断
这篇素材用一位 AI 产品经理从知识图谱、智能客服、产业 NLP 到大模型 Agent 的八年经历，提炼 AI 产品在商业模式、入口形态、PM 能力、评测闭环和 Agent 生态上的五条判断。
基本信息
- 原文标题：八年跨越AI两个时代：一个产品经理的五条核心判断
- 来源：人人都是产品经理 / 甜甜圈 Tina
- 原始链接：https://www.woshipm.com/it/6424699.html
- 本地原文：
raw/articles/2026-07-07-102608-tg-0984b8.md - 采集方式：Telegram bot prefetch
- 消化日期：2026-07-07
核心观点
-
AI 产品经历了“结构化知识工程 → 业务流程智能 → 人机协同 → Agent 编排”的连续演进：作者从 2018 年百度金融智能投研机器人里的知识图谱与专家规则出发，经历 2020 年智能客服/虚拟人客服、2022 年制造与零售中的 NLP + 知识图谱 + 智能调度、2023 年金融科技大模型辅助审核，最后进入近两年的字节 AI 审核产品。这个路径说明 AI 产品不是 2023 年才开始，而是从“智能不够时靠结构化知识和流程补足”一路演进到“智能爆发后靠产品设计、评测和 Agent 架构治理能力”。
-
AI 产品商业价值最终会走向按价值分成，而不是按 Token 成本定价：Token 成本像水电和人力，是必要基础设施，但用户愿意为 AI 付溢价的前提是它创造了收入或节省了成本。AI 产品经理需要同时设计智能资源调度和AI产品价值分成：小模型处理高频简单任务，大模型处理复杂推理，产品在用户无感知状态下自动分配资源，并把收费逻辑从“用了多少算力”迁移到“产生了多少业务结果”。
-
未来入口会更统一，但可视化页面不会消失：作者判断 All-in-One 入口会替代多 App 反复切换，但“统一入口”不等于“只有对话”。可视化页面仍有两个不可替代价值：用户想看时可以直接查看，以及简单操作用点击比多轮对话更高效。比如 AI 可以负责跨渠道检索、比价和筛选，但最后点击购买不必让 AI 用多轮对话代办；Token 经济学上，一次点击往往比多轮对话更划算。
-
AI 产品经理的核心能力从垂直执行变为端到端决策：写 PRD、画原型、推需求、跟研发正在被 Agent 化，AI 产品经理更重要的能力是端到端理解用户需求、数据流向、模型边界、工程约束、商业模式和合规风险，再做出好的决策来指挥 AI 完成每个步骤。作者强调，在 Demo 阶段 PM 甚至需要自己能完成所有验证，不依赖研发资源；“能端到端完成 AI 产品的人”本质上都在承担 AI 产品角色。
-
测评和自迭代必须从产品定义第一天开始设计：AI 模型能力边界模糊，产品表现会随模型版本、Prompt 策略和数据分布波动。作者把理想测评体系拆成三层：上线前离线评测定义“好”的标准；上线后用户反馈机制捕捉点赞、纠错、举报等信号；数据回流和模型迭代闭环把使用过程变成产品持续进化的引擎。这与AI评估计分板的 Golden Set、R-U-B 和 Bad Case 回流逻辑高度一致。
-
人机协同的边界在 2023 年大模型初期已经被验证：当时模型可靠性不足、幻觉让业务方不敢用，作者采用“模型负责信息检索和初稿生成，人负责审核和决策”的路径，既发挥模型价值，又把业务影响控制在可接受范围。这说明 AI 产品里的“辅助”和“替代”不是口号，而是必须通过产品机制、审核流程和责任边界设计出来。
-
Agent 生态的终局不是模拟人类聊天，而是“对话 + 多模态传输 + 接口调用”：人类需要文件传输来承载 100 页合同，AI 之间更不需要靠模拟打字交流，而是通过接口和结构化数据传输。未来一个 Agent 可以代表用户调用另一个 Agent 的服务，完成支付、签约、交付等流程。产品经理的新挑战是：自己的产品能否作为可被其他 Agent 调用的能力单元存在，也就是Agent间交易和服务化能力封装问题。
-
PM 需要亲自上手端到端快速跑通验证需求：作者在字节阶段感受到技术范式从 Prompt Engineering、RAG、Workflow Agent、Multi-Agent 到 OpenClaw 这类 Agentic Agent，每个更新周期不超过三个月。面对这种速度，最有效的产品推进方式不是等待完整研发排期，而是 PM 亲自跑通端到端 Demo，用实际结果验证需求、暴露风险、压缩组织试错周期。
实操内容保留
操作步骤
- AI 产品定价先问业务结果，再问模型成本：梳理产品能为客户创造的收入、节省的成本或降低的风险；再反推哪些结果可以被量化、验收和分成，而不是直接把 Token 成本加价卖给用户。
- 设计模型路由而不是让用户选模型：把任务分为高频简单任务、复杂推理任务、规则确定任务三类，分别匹配小模型、大模型和规则/代码；用户只感知结果，不承担模型选择成本。
- 保留可视化直接操作入口：对“查看、确认、点击、勾选、购买”等低复杂度动作保留页面控件；对“检索、对比、分析、组合、执行多步骤任务”等复杂动作交给 AI，避免用多轮对话替代一次点击。
- 从产品定义第一天写评测体系：上线前定义离线评测集和成功标准；上线后布置点赞、纠错、举报、转人工、修改追踪等反馈入口；再把线上 Bad Case 回流进评测集和模型/Prompt/流程迭代。
- 把 PM 工作改成端到端验证闭环：新需求阶段不要只写 PRD，而要亲自用 Agent、低代码、脚本或原型工具跑通输入、处理、输出、验收和异常分支，确认“能不能做、值不值得做、哪里需要人兜底”。
- 把产品能力设计为 Agent 可调用单元：为未来 Agent 间调用准备稳定接口、权限边界、价格/分成规则、证据链和交付确认机制，让产品不只服务人类点击，也能服务 Agent 调用。
Prompt 模板
（本文无可直接复用的 Prompt 模板。）
代码/配置
（本文无实操代码/配置。）
关键概念
- AI产品价值分成 — AI 产品从功能订阅、Token 加价转向按业务收入、节省成本或可验证结果分成的商业模式。
- 智能资源调度 — 产品自动按任务复杂度、成本和体验要求分配模型、规则引擎和人工审核的资源策略。
- Agent间交易 — Agent 代表用户调用其他 Agent 或服务，完成支付、签约、交付等交易流程的生态形态。
- AI产品经理 — 本文补充其从垂直执行者转向端到端决策者、验证者和 Agent 编排者的角色演进。
- AI产品经理工作流 — 本文补充 AI PM 的商业判断、入口判断、测评闭环和 Agent 服务化能力。
- AI评估计分板 — 本文强调测评与自迭代要从产品定义第一天开始，而不是上线后补救。
- 人机协同 — 本文用 2023 年大模型初期的模型检索/初稿 + 人类审核/决策案例补充协同边界。
- AI Agent 智能体 — 本文补充 Agent 之间通过接口和多模态传输交互、交易与调用服务的生态判断。
- AI产品场景连接 — 本文的统一入口与可视化页面判断，补充“对话并不替代所有交互”的场景连接视角。
- AI商业化趋势 — 本文的价值分成判断，补充结果收费和按价值分成在 AI 产品中的产品经理视角。
与其他素材的关联
- 与 2026-05-26-woshipm-ai-pm-core-knowledge 的关联：两篇都强调 AI PM 必须懂 Tokenomics、Model Routing、商业测算和评测体系；本文进一步把这些能力放进“八年 AI 产品演进”的长期视角里。
- 与 2026-06-19-woshipm-ai-commercialization-endgame 的关联：终局论提出健身房、云服务和结果收费三种商业模式，本文从产品经理角度补充“按价值分成”为什么会成为 AI 产品定价方向。
- 与 2026-06-22-woshipm-ai-product-connection-density 和 2026-06-26-vibe-coding-to-vibe-using 的关联：这两篇讨论 App 是否会被 Agent/个人数字界面绕过，本文补充一个务实判断：统一入口会出现，但可视化页面和直接点击仍会保留。
- 与 2026-07-01-woshipm-pm-3-unchanged-3-changing 的关联：两篇都认为 PM 的不可替代性不在 PRD 和原型，而在业务洞察、问题定义、端到端判断和 Agent 编排。
- 与 2026-07-05-juejin-claude-code-tool-calling 的关联：工具调用机制说明 Agent 的行动依赖宿主运行时受控执行，本文则从产品生态角度提出 Agent 之间会通过接口、文件和服务单元进行交互与交易。
原文精彩摘录
八年前，2018年，我在百度金融做智能投研机器人。那是AI 1.0的黄金年代——我们试图用知识图谱构建金融行业多要素的联动影响关系，让机器理解”油价上涨→化工成本上升→下游利润压缩”这种跨领域的因果传导，从而实现智能投资预测。那时”智能”这个词背后是大量专家规则和结构化知识工程，产品的核心竞争力在于把领域知识结构化，并让模型能在上面做推理。
2022年，我去了上海六大人工智能实验室之一，推动NLP与知识图谱、智能调度和预测在制造业与零售的落地。这是对我认知冲击最大的阶段。我们实地走访了大量客户，看到了智能调度加智能对话全链路智能的未来。也是在那时，我第一次体会到AI时代的商业逻辑和SaaS完全不同——客户愿意为AI产生的价值按比例付费，而不是为一个功能模块付固定的订阅费。
大模型虽强，但把所有任务都丢给最强模型既不经济也不必要。小模型处理高频简单任务，大模型处理复杂推理，两者结合使用才是可持续的路径。但现在行业普遍的做法是让用户自己选模型——用户往往没有这种经验，要么过度消费Token，要么选了太弱的模型导致体验下降。
可视化页面有两个不可替代的价值：让用户在想查看的时候可以查看，以及让用户可以手工完成简单操作。比如AI帮我对比各个渠道的产品和价格，筛选出最合适的购买页面——这个过程AI做复杂的信息检索和比较，但最后点击”购买”这件事，用户自己点一下就行，不需要用多轮对话让AI去完成。
我理解的理想测评体系包含三个层次：上线前的离线评测（定义清楚”好”的标准是什么）、上线后的用户反馈机制（点赞、纠错、举报按钮只是起点）、数据回流和模型迭代的闭环（用户使用过程就可以无感地为产品贡献反馈，数据自动回流给模型做迭代）。
这意味着未来的AI生态有两个关键特征：软件和硬件一定是打通的，Agent之间就能直接交互和做生意。一个Agent可以代表用户去调用另一个Agent的服务，完成支付、签约、交付——整个流程不需要人类在中间做”胶水”。