AI 产品经理知识库

001 AI 产品经理能力模型 站内读 → 002 AI PM 的 3–5 年：分水岭、常见误判与出路 站内读 → 003 AI PM 岗位类型盘点:大模型 / 应用 / 平台 / 行业 站内读 → 004 AI 产品团队怎么建：角色、分工与选型话语权 站内读 → 005 AI 产品经理入门路径 站内读 → 006 多模态 AI PM 能力清单：交互、评估、数据、成本与合规 站内读 → 007 如何识别「挂羊头卖狗肉」的 AI PM 岗位 站内读 → 008 传统 PM 转型 AI PM 指南 站内读 →

001 AI 术语速查表 站内读 → 002 Agent 入门:规划、记忆、工具调用 站内读 → 003 Agent Skills:给 Agent 装上可复用的「操作手册」 站内读 → 004 Agentic Retrieval:检索如何变成 Agent 的工具 站内读 → 005 Agent-search 与 Search as Code:搜索栈如何可编程 站内读 → 006 上下文窗口:限制、成本与产品设计影响 站内读 → 007 幻觉问题:成因与产品层面的缓解手段 站内读 → 008 大模型是怎么"想"的:预测下一个 token 的直观解释 站内读 → 009 长上下文 vs RAG:什么时候塞全库,什么时候检索 站内读 → 010 MCP:给 Agent 接上外部世界的「USB-C」 站内读 → 011 主流大模型盘点与选型思路(2026 年中) 站内读 → 012 NL2SQL:自然语言查库,为什么学术高分上不了生产 站内读 → 013 工业级 RAG 清单:混合检索、重排、评测与知识治理 站内读 → 014 Prompt / RAG / 微调:三种让模型更懂你的方式怎么选 站内读 → 015 RAG 没死:死的是 Naive 固定流水线 站内读 → 016 Transformer 架构:大模型的地基 站内读 → 017 什么是 RAG:检索增强生成入门 站内读 → 018 分类、回归、聚类:业务问题如何映射到 ML 问题 站内读 → 019 训练集/验证集/测试集与过拟合:为什么 demo 惊艳、上线拉胯 站内读 → 020 深度学习与神经网络:从感知机到 Transformer 的极简史 站内读 → 021 机器学习三大范式:监督学习 / 无监督学习 / 强化学习 站内读 → 022 精确率 vs 召回率:PM 必须会做的权衡 站内读 → 023 思维链(CoT):让模型先想再答 站内读 → 024 Context Engineering：从写 Prompt 到拼上下文系统 站内读 → 025 Prompt 基本功:角色、任务、约束、示例、输出格式 站内读 → 026 结构化输出:让模型稳定吐出 JSON 站内读 → 027 系统提示词设计与 Prompt 工程化:把玄学变工程 站内读 →

001 Agent 评测与可观测性：从最终答案追到完整轨迹 站内读 → 002 Agent 产品生产化：从会执行到可负责地完成任务 站内读 → 003 AI 功能留存与成功指标：死亡路径与 DAU 误判 站内读 → 004 AI 产品指标体系：从业务结果到成本与风险 站内读 → 005 AI 安全与 Agent 权限：把“能做什么”变成可治理的边界 站内读 → 006 何时不该上多 Agent：延迟、成本、工具膨胀与劝退 站内读 → 007 AI 产品定价与商业化：订阅、Token、按结果怎么选 站内读 → 008 降本手段盘点:缓存、批处理、路由与蒸馏 站内读 → 009 AI 产品成本测算入门:token、并发与人力 站内读 → 010 模型选型决策框架:效果、成本、延迟、合规四要素 站内读 → 011 标注规范怎么写:PM 写规范,标注质量就是产品质量 站内读 → 012 冷启动与数据飞轮:没有数据时产品怎么起步 站内读 → 013 数据合规红线：用户数据能不能用来训练 站内读 → 014 生成式 AI 合规设计清单（中国为主，出海对照） 站内读 → 015 AI 产品的 A/B 测试：概率性输出下如何做实验 站内读 → 016 Badcase 分析方法论:收集、归因、分发、验证 站内读 → 017 从零建设评测集:用例从哪来、标准答案怎么定 站内读 → 018 主观任务怎么评:人工评估与 LLM-as-a-Judge 站内读 → 019 Agentic UX 与信任校准：用户何时该信、何时该介入 站内读 → 020 AI Native vs +AI：怎么判断该怎么做 站内读 → 021 AI 产品 PRD 怎么写:与传统 PRD 的核心差异 站内读 → 022 兜底、反馈与预期管理:AI 产品的交互设计三件套 站内读 → 023 从一句话需求到能跑的原型:AI PM 的 Vibe Coding 实战方法论 站内读 → 024 Vibe Coding 工具盘点与选型(2026 年中) 站内读 → 025 Vibe Coding 是什么:AI PM 该不该自己写代码 站内读 →

001 AI 视频生成案例拆解:Sora 与 Veo 的两条路线 站内读 → 002 Claude Code 与 OpenAI Codex：AI 编程 Agent 的运行环境与执行闭环对比 站内读 → 003 Cursor 与 GitHub Copilot:AI 代码助手的付费转化 站内读 → 004 可灵与即梦:视频生成两条商业化路径 站内读 → 005 Midjourney 案例拆解:文生图的用户分层与 GPU 定价 站内读 → 006 助手类产品的商业化路径:订阅、广告、还是 API 站内读 → 007 头部通用助手的差异化定位对比 站内读 → 008 ChatGPT 案例拆解 站内读 → 009 Claude 案例拆解:知识工作协作的深度优先路线 站内读 → 010 豆包案例拆解:3 亿月活之后如何收费 站内读 → 011 Kimi 案例拆解:从长文本卖点到 Agent 产品化 站内读 → 012 千问案例拆解:对话入口抢交易履约 站内读 → 013 WorkBuddy 与 Marvis:腾讯的两条 Agent 产品线 站内读 → 014 元宝（腾讯元宝）案例拆解：腾讯生态分发与免费 Agent 站内读 → 015 AI 搜索 vs 传统搜索:交互范式与商业模式的双重颠覆 站内读 → 016 Amazon Alexa for Shopping:电商推荐里的大模型落地 站内读 → 017 答案引擎的引用与信任设计 站内读 → 018 Google AI Overviews 与 AI Mode:传统搜索的答案层防御 站内读 → 019 推荐系统中大模型的实际落地位置 站内读 → 020 Perplexity 案例拆解:AI 搜索的答案引擎范式 站内读 → 021 夸克 AI 搜索与答案引擎案例拆解 站内读 → 022 智能客服:最成熟的 LLM 落地场景拆解 站内读 → 023 Harvey 案例拆解:法律垂直的高合规企业 AI 站内读 → 024 Khanmigo 案例拆解:教育 AI 的成效指标与采纳教训 站内读 → 025 OpenEvidence 案例拆解:医疗 AI 的证据分级设计 站内读 →

001 AI 产品中如何平衡准确性与响应速度? 站内读 → 002 Agent 路由选错了怎么办?超大文件(如 1G)又该怎么接? 站内读 → 003 什么是 Agent?它和 Chatbot 的区别是什么? 站内读 → 004 什么是 Agentic Workflows? 站内读 → 005 AI 产品的 A/B 测试和传统产品差在哪？ 站内读 → 006 AI 产品的黑箱问题如何影响用户信任?产品层面怎么做? 站内读 → 007 什么是 CoT(思维链)?有什么优势? 站内读 → 008 大厂为什么都在推 CLI?CLI 会取代 MCP 吗? 站内读 → 009 大模型的上下文窗口和记忆机制是什么? 站内读 → 010 什么是数据飞轮?对 AI 产品为什么重要? 站内读 → 011 生成式 AI 产品上线前，PM 的合规清单有哪些？ 站内读 → 012 什么是大模型的幻觉?产品上怎么缓解? 站内读 → 013 你怎么看「RAG 已死」这说法? 站内读 → 014 为什么大模型的输出每次都不一样? 站内读 → 015 LoRA 和全量微调有什么区别?什么场景选哪个? 站内读 → 016 如何构建大模型效果评测体系? 站内读 → 017 多模态 AI 产品的 PM，需要补哪些能力？ 站内读 → 018 为什么 Text-to-SQL 在 Spider 上很高分,上线企业库却翻车? 站内读 → 019 离线 Evals 全绿、线上「时灵时不灵」，Gap 怎么填？ 站内读 → 020 精确率和召回率的区别?举一个产品中需要权衡的例子 站内读 → 021 预训练、微调、SFT 的区别与应用场景 站内读 → 022 Prompt、RAG、SFT 分别是什么?有什么区别? 站内读 → 023 如何评估 RAG 知识库的准确率? 站内读 → 024 RAG 系统有哪几种检索路径?分别适合什么场景? 站内读 → 025 RAG 和微调有什么区别?什么场景该用哪个? 站内读 → 026 上下文都到 1M 了,Re-Ranker 还有用吗? 站内读 → 027 如何设计 Skill 来降低 token 消耗? 站内读 → 028 Skill 怎么做版本管理?Skill 之间的依赖怎么解? 站内读 → 029 Skill 和 Rules 到底有什么区别? 站内读 → 030 什么是 token?它如何影响产品的成本和体验? 站内读 → 031 什么是 AGENTS.md / Agent.md?产品经理为什么要关心? 站内读 → 032 什么是 Context Engineering？和 Prompt Engineering 有什么区别？ 站内读 → 033 企业知识库问答和 Coding Agent,检索架构该怎么选? 站内读 → 034 所有人都在卷 Agent，什么场景不该用？怎么说服老板？ 站内读 → 035 如何判断一个业务问题是否适合用 AI 解决? 站内读 → 036 AI 产品经理和传统产品经理最大的区别是什么? 站内读 → 037 说一个你用 AI 解决实际问题的经历 站内读 → 038 你最近在关注 AI 领域的什么进展? 站内读 → 039 你没有 AI 背景,凭什么胜任 AI 产品经理? 站内读 → 040 模型选型该听算法还是 PM？你怎么协作？ 站内读 → 041 如何判断一个 AI PM offer 是不是「伪 AI 岗」？ 站内读 → 042 你为什么想做 AI 产品经理? 站内读 → 043 DeepSeek 开始峰谷定价,你怎么看 AI 产品的商业模式? 站内读 → 044 AI 功能上线后留存很差，你怎么分诊？ 站内读 → 045 如何用 AI 优化生鲜电商的库存周转? 站内读 → 046 如果你是某 AI 搜索产品的 PM,你的北极星指标是什么? 站内读 → 047 分析一个你最近觉得做得好的 AI 产品,好在哪里? 站内读 → 048 估算日活 100 万的 AI 对话产品每月模型调用成本 站内读 → 049 模型准确率从 90% 提升到 95%,对业务价值如何量化? 站内读 → 050 某功能接入大模型后成本涨了 10 倍,如何降本? 站内读 → 051 JD 写「熟悉大模型」，面试官的三档标准是什么？怎么自测？ 站内读 → 052 AI PM 作品集与 Demo 准备 站内读 → 053 AI PM 项目深挖的准备方法 站内读 → 054 怎么在 PRD 里写清楚 Agent 的行为边界？ 站内读 → 055 怎么设计 Agent 的信任校准，避免过度信任或不信任？ 站内读 → 056 AI 客服产品解决率停在 70% 上不去,怎么办? 站内读 → 057 AI 产品如何判断 PMF、如何冷启动、兜底策略怎么设计? 站内读 → 058 市面上已有成熟竞品,你的产品核心优势是什么? 站内读 → 059 面试官让你「设计一个 AI 客服」，3 分钟内必须说清哪些判断点？ 站内读 → 060 设计一个面向老年人的 AI 产品 站内读 → 061 为电商 App 设计一个 AI 导购 站内读 → 062 为主流电商平台设计智能客服问答机器人(含兜底机制) 站内读 → 063 为微信设计一个 AI 功能 站内读 → 064 如何判断一个 AI 需求是真需求还是伪需求? 站内读 →

001 书籍推荐 站内读 → 002 课程与视频 站内读 → 003 信息源：Newsletter、博客、播客 站内读 → 004 值得上手的 AI 工具与平台 站内读 →