做了五年PM，我是怎么开始接触AI方向的
一个被裁的字节五年PM，从”以为必须学会技术”的弯路到”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”的过来人路径记录。
基本信息
| 维度 | 内容 |
|---|---|
| 作者 | 产品经理林景贤（原字节五年产品经理，带过项目带过人） |
| 来源 | 人人都是产品经理 |
| 发布日期 | 2026-07-16 |
| 原始 URL | https://www.woshipm.com/ai/6427440.html |
| 字数 | 约 3387 字 |
核心观点
1. 最大的弯路是一开始以为必须学会技术
作者被裁后第一周买了一本 Python 入门，写到 Hello World 就放弃了。问题不是懒——当盯着 for i in range(10) 的时候，脑子里想的是”这跟我做产品有什么关系”。没有关系。这是在用战术上的勤奋掩盖战略上的迷茫。后来换了一个方法：不再想”我要学什么”，而是想”AI产品经理到底在干什么”，从翻几十篇 JD 开始。
2. AI产品经理的四项核心工作（从 JD 提炼）
- 判断什么场景该用AI、什么不该用（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。
- 知道模型的能力边界在哪：不需要写代码，但需要知道这个模型擅长和不擅长的分别是什么；输出是可预期的还是高度不确定的；对错误能容忍到什么程度。
- 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。
- 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。
核心结论：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”。
3. PM所需AI基础概念只要五个（一个周末看完）
作者筛选出来”够用到第一次面试”的五个概念清单：监督学习、大语言模型、Prompt、RAG、微调。学习方法不是做题、记公式、推导反向传播——而是反复问自己：“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。
4. Prompt是PM的”起手式”——当成产品设计工具来用
作者把日常工作里的三件事用 Prompt 让 ChatGPT 完成：
- 竞品分析初稿：写详细 Prompt——竞品名、分析维度（功能、定价、目标用户）、输出格式要求——完成70%，再花一小时核实补充。单次分析耗时从4小时缩减到1.5小时。
- PRD框架：固定 Prompt 模板——产品名、目标用户、核心场景、约束条件——产出结构完整、逻辑自洽的初稿，让 PM 从”搭框架”的体力活里脱出来。
- 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”自动分类并标注优先级建议。
核心认知：“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。” Prompt Engineering 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，但你必须能写出角色定义 + 任务边界 + 输入格式 + 输出格式 + 质量约束。
5. RAG是第一个AI产品原型的正确选择
作者选 RAG 作为第一个项目的原因：技术上有现成框架，不需要写代码也能搭起来（LangChain 和 LlamaIndex 封装得足够好）。但重点不是搭起来——重点是要经历一次完整的产品思考：选一个真实的小痛点、定义数据质量、“好的回答”长什么样、找同事试用收集反馈迭代。技术部分可以不碰或只做最轻量配置，但产品决策（选什么数据、定义什么标准、怎么判断”够好了”）必须自己做。你需要一个项目来证明自己”懂AI”——一个你自己跑通的RAG原型，比十门课程证书更有说服力。
6. AI评估是”练出来的”而非”学出来的”——建立肌肉记忆
作者养成的习惯：试用任何 AI 产品时都带评估框架去思考——AI 搜索想它的回答来源、漏了多少、错了吗、能接受这个错误率吗；AI 聊天想它的记忆窗口、上下文超过多少条开始胡说、回复速度够快吗。一个 AI PM 和一个传统 PM 最核心的区别：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。
AI PM核心能力清单（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
实操内容保留
Prompt 模板
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]。“
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）
简历改写模板
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”。
关键概念
- AI产品经理——本文是 AI PM 职业转型的完整路径记录，补充入门者可参照的四阶段路径
- 提示词工程——Prompt 作为 PM 产品设计工具：角色定义+任务边界+输入格式+输出格式+质量约束
- RAG 知识库——作为 PM 第一个 AI 产品原型的推荐项目，重点是产品决策而非技术实现
- AI评估计分板——AI 评估肌肉记忆：试用任何 AI 产品时带评估框架思考
- AI产品经理面试——简历改写和面试回答：用具体数据替代功能描述、用真实项目替代背概念
- AI PM 转型路径（纯文本标注，概念积累足够后创建实体页）——非技术 PM 转型 AI PM 的四阶段路径：理解角色→基础概念→Prompt 实践→RAG 原型→评估习惯→求职表达
- AI 应用的判断力（纯文本标注）——判断一个场景该不该用 AI 的能力，是 AI PM”最被低估的能力”
与已有素材的关联
- 2026-05-26-woshipm-ai-pm-core-knowledge 同样讲 AI PM 必须掌握的核心知识，但偏重知识清单；本文偏重从零起步的路径叙事
- 2026-05-25-ai-pm-onboarding-sop 讲入职摸底 SOP，本文是”入职前怎么让自己够格”的预备篇
- 2026-05-17-ai-pm-interview-claude-workflow 讲面试工作流，本文补充了面试前的学习路径和回答范例
- 2026-07-07-woshipm-ai-pm-five-judgments 是资深 AI PM 的判断，本文是从传统 PM 转型 AI 的新人视角
原文精彩摘录
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？
“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。
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。