昨天刷到深度智耀在招 AI 产品经理，我盯着 JD 看了半小时。20-40k，要懂 AI Agent、RAG、工作流，要能把老板需求和员工任务转成 AI 员工产品，还要能用 AI 写代码。我突然意识到，这个岗位的技能要求跟我之前理解的应用型 AI PM 不完全一样。哪些必须会？哪些了解就够？

昨天刷到深度智耀（DIP）在招 AI 产品经理，岗位名叫“企业 AI 产品经理｜AI 员工与企业工作流”。我点进去看了一会，觉得这个 JD 写得挺清楚的——不是那种“精通 AI、懂产品、会协作”的空话，而是把岗位目标、职责和技能要求都拆得很细。

这个岗位不是纯产品经理，也不是纯 FDE，而是应用型 AI PM + 现场交付的混合角色——你得懂产品、懂 AI、懂业务，还得能进客户现场，跟销售和交付团队一起干活。

对着深度智耀这个 JD，可以把AI产品经理要求的技能拆成三层：

第一层：必须会

不会就没法干活那种

1. 业务理解与场景拆解

JD 里写“理解中小企业经营流程，能把老板需求和员工任务转化为产品能力”。

翻译过来就是：你得能判断哪些企业任务适合用 AI 员工做，哪些不适合。

我之前接过一个项目：客户是个小外贸公司，老板说“我们每天要回复 200 封询盘邮件，能不能让 AI 自动回？”我当时想：这不就是个标准的客服场景吗，GPT-4 肯定能搞定。结果进了客户现场才发现，他们的询盘邮件 30% 是标准产品咨询，50% 是定制需求（要查库存、问供应商、算报价），还有 20% 是客户抱怨质量问题。

后来我把任务拆成三类：标准咨询让 AI 自动回，定制需求 AI 辅助起草（人工审核），质量问题直接转人工。上线后，AI 处理了 40% 的邮件，人工效率提升了 60%。

这就是业务理解能力。

2. 评测设计与效果验收

JD 里写“定义可配置、可交付、可评测、可复制的产品方案”。这句话背后是：你得会设计评测体系，不然上线后就是黑盒。

我第一次做 AI 产品交付时，算法团队说“模型准确率 90%，可以上线了。”我信了，结果上线第一周，客户打电话来：“你这个 AI 怎么回事？十封邮件错了三封。”我说：“不可能啊，测试准确率 90%。”客户说：“你测的都是标准询盘，我们真实场景里 40% 是边界情况。”

后来我学会了：AI 产品的“准确率”不是算法团队说了算，是 PM 和客户一起定的。你得能定义“准确率”“召回率”“误报率”的业务含义，得能从真实业务数据中采样构建评测集，得能设计 badcase 收集机制。

3. 需求拆解与方案设计

JD 里写“将客户需求拆解为 AI 员工角色、任务流程、知识库、工具调用和交付标准”。这句话翻译过来就是：你得能把一个模糊的业务需求拆解成技术可实现的产品方案，并判断用 RAG、Agent 还是规则引擎。

我记得有一次，客户说“我们要做一个 AI 采购助手，能帮采购员快速找供应商、比价、下单。”我当时想：这是个多步骤任务，用 Agent 肯定没问题。结果上线后发现，Agent 成功率只有 60%（五步任务，单步 90% 准确率，0.9^5 ≈ 0.59）。

后来我改了方案：找供应商用 RAG（从供应商库检索），比价用规则引擎（从 ERP 拉数据），下单让人工确认（涉及合同和付款）。成功率提升到 85%。

这就是方案设计能力。

你得能把一个业务需求拆解成 3-5 个子任务，每个子任务标注技术方案（RAG、Agent、规则引擎）和兜底逻辑（置信度 <80% 转人工）。

4. 能用 AI 写代码（新增必备技能）

JD 里写“能用 AI 写代码”。这是这个岗位最特别的一条要求。这不是要你成为工程师，而是要你能用 AI 工具（Cursor、GitHub Copilot、v0.dev）快速实现原型、写配置脚本、验证技术方案。

我之前跟一个算法团队协作时，他们说“这个 Prompt 要加 Few-shot 示例，但我们不确定格式对不对，你能不能先写个 Demo 验证一下？”我当时懵了，我又不会写代码。后来我学会了用 Cursor：我把需求描述给 AI，AI 生成代码，我跑一遍看效果，不对就改 Prompt 让 AI 重新生成。半小时就搞定了一个验证脚本。

这就是“能用 AI 写代码”的真正含义：你不需要自己从头写代码，但你得能跟 AI 对话，把需求描述清楚，让 AI 生成代码，你能看懂、能跑、能判断对不对。

第二层：了解就够

需要理解，但不需要深入掌握

1. 写提示词

JD 里写“输出 Prompt 策略”。这句话背后是：你得能写出可用的 Prompt，但不需要自己调优生产级 Prompt（那是算法团队的活）。

我刚开始做 AI 产品时，写的 Prompt 特别简单：“帮我总结这封邮件。”结果 AI 生成的总结完全不符合业务方的要求。后来我学会了：Prompt 要包含角色定义、任务说明、输出格式、Few-shot 示例。比如：

你是一个外贸询盘邮件助手。

请总结这封邮件的核心诉求（产品、数量、交期、价格），输出格式为：

– 产品：XXX

– 数量：XXX

– 交期：XXX

– 价格：XXX

 

示例：原邮件：”Hi, we need 1000 units of Model A, delivery by Dec 1st, please quote.”

输出：

– 产品：Model A

– 数量：1000 units

– 交期：Dec 1st

– 价格：待报价

但我不需要自己调优生产级 Prompt（那要考虑 token 限制、模型版本、成本优化），我只需要能写出可用的 Prompt，能验证效果，能说出“这个 Prompt 太长了，会超 token 限制”。

2. 算法协作

JD 里写“协同研发实现 AI Agent、LLM、RAG、API、工作流”。这句话翻译过来就是：你得能听懂算法团队说的“微调”“对齐”“token 限制”“embedding”，能判断技术方案的可行性和成本。

我记得有一次，算法团队说“这个需求要微调模型，成本大概 30 万。”我问：“能不能先试试 Few-shot Prompt？”他们说：“试过了，效果不好。”我说：“那能不能用 RAG？”他们说：“可以试试。”结果用 RAG 解决了，成本只要 3 万。

这就是算法协作能力。

3. AI 系统理解

JD 里写“熟悉 AI Agent、LLM、RAG、工具调用、API、工作流”。这句话翻译过来就是：你得理解大模型的能力边界（擅长什么、不擅长什么）、RAG 和 Agent 的原理和适用场景。

我刚开始做 AI 产品时，以为 AI 什么都能做。后来发现，AI 擅长的是“高频、规则复杂、错误代价低”的任务，不擅长的是“低频、规则简单、错误代价高”的任务。比如：

  • RAG 适合：知识库更新频繁的场景（产品手册、政策查询）
  • Agent 适合：多步骤、低风险任务（邮件起草、资料整理）
  • 规则引擎适合：逻辑清晰、高准确率要求的任务（价格计算、库存查询）

但我不需要自己实现 RAG 或 Agent，我只需要知道什么时候用 RAG、什么时候用 Agent、什么时候用规则引擎。

第三层：可以外包

不需要会，交给算法团队或外部供应商。

1. 模型训练与调优

JD 里没写“要会训练模型”。这就对了——应用型 AI PM 不需要自己训练模型，那是算法团队的职责。

我只需要关注验收标准（准确率、召回率、P95 延迟）、训练成本、上线时间。

2. 底层架构设计

JD 里也没写“要懂底层架构”。这也对——应用型 AI PM 不需要懂模型部署、推理优化、分布式训练，那是工程团队的职责。

我只需要关注系统稳定性、响应速度、成本控制。

能力证据清单：怎么证明你会

技能地图画出来了，但面试官怎么知道你真会？我总结了五类能力证据：

1. Model Sense（对模型能力的感觉）

  • 每天至少 2 小时跟模型对话，试不同 Prompt、不同模型、不同场景
  • 在 Claude、GPT、DeepSeek 上试同一个任务，对比效果；记录 badcase，总结规律

2. 评测设计能力

  • 能定义评测标准、构建评测集、设计监控大盘
  • 从真实业务数据中采样 200 条，标注“好”“中”“差”；定义“准确率 85% 且误报率 <10%”的验收标准

3. 算法协作能力

  • 能听懂算法团队的术语，能判断技术方案的可行性
  • 跟算法团队开过至少 3 次需求评审会，能说出“这个方案成本太高，我们先试试 Few-shot 或者 RAG”

4. Prompt 工程能力

  • 能写出生产级 Prompt，能验证效果
  • 写过至少 10 个 Prompt，包含角色、任务、格式、Few-shot 示例；能说出“这个 Prompt 效果不好，我加了 3 个 Few-shot 后准确率从 70% 提升到 85%”

5. 能用 AI 写代码（新增证据）

  • 能用 Cursor 或 GitHub Copilot 写一个 Prompt 测试脚本或数据处理脚本
  • 能看懂 AI 生成的代码，知道哪里是 API 调用、哪里是逻辑判断
  • 能在客户现场快速搭一个验证 Demo，而不是回去让研发做

转型路径：70% 能平移，30% 要补课

我做了 7 年产品，前 4 年做传统 To B 产品，后 3 年转 AI。转型初期我也迷茫过——要不要学深度学习？要不要刷吴恩达的课？后来我发现，传统 PM 转 AI PM，70% 的能力可以平移，30% 要补课。

70% 能平移的能力：

  • 用户研究：传统 PM 的用户研究方法论完全适用于 AI 产品
  • 需求拆解：把业务需求拆解成产品方案的能力是通用的
  • 跨团队协作：跟研发、设计、运营的协作方式没变，只是多了算法团队
  • 项目推进：排期、资源协调、风险管理的方法论是通用的

30% 要补课的能力：

  • 大模型认知：理解大模型的能力边界、成本结构、技术路线
  • Prompt 能力：能写出可用的 Prompt，能验证效果
  • 数据评估：能定义评测标准、构建评测集、监控线上效果
  • 能用 AI 写代码：能用 Cursor 或 GitHub Copilot 快速验证想法、写配置脚本

补课路径：

我当时补课花了 4 个月：

第一个月建立 Model Sense（每天 2 小时跟模型对话）

第二个月学 Prompt 工程（学 Prompt Engineering 指南，写 10 个生产级 Prompt）

第三个月学评测设计（学 Anthropic《AI Agent 评测指南》，从真实业务数据中采样构建评测集）

第四个月学用 AI 写代码（学 Cursor 和 GitHub Copilot，写了 20 个验证脚本）。

但现在有更快的路：比如起点课堂的《AI 产品经理技能特训课程》

配套实训项目带教，每月两场直播，提供可写入简历的项目案例。

我当时自学花了 4 个月，现在有课程大概能缩短到 2 个月。

但不管自学还是上课，核心是：你得有真实项目经验。没有真实项目，学再多理论都是纸上谈兵。

写在最后：这个岗位的特殊性

我盯着深度智耀这个 JD 看了半小时，突然意识到：这个岗位不是纯产品经理，也不是纯 FDE，而是应用型 AI PM + 现场交付的混合角色。

你不需要训练模型，但你得懂边界。你不需要写代码，但你得能用 AI 写代码。你不需要深入掌握 Prompt 工程，但你得能写出可用的 Prompt。你不仅要在办公室里画原型写 PRD，还要进客户现场，跟销售和交付团队一起解决真实业务问题。

技能分三层：必须会、了解就够、可以外包。

  1. 必须会的是业务理解、评测设计、需求拆解、能用 AI 写代码；
  2. 了解就够的是 Prompt 工程、算法协作、AI 系统理解；
  3. 可以外包的是模型训练、底层架构。

但技能地图只是起点，真正的判断力要靠实战积累。

至少你知道方向了，不会在转型路上走弯路。

本文由 @最美小时光 原创发布于人人都是产品经理。未经作者许可，禁止转载

题图来自Unsplash，基于CC0协议