探讨了 AI 与大模型时代下产品经理的角色转型与核心能力要求。文章指出传统业务模式与 AI 技术之间存在断层，强调产品经理需优化 AI 应用管线，充当技术团队与业务端的桥梁。重点阐述了七大核心能力：明确 AI 技术用户定位、提升 Prompt 工程能力、判断功能边界、强化迭代沟通与抗压、具备抽象需求提取能力、掌握服务结构设计以及保持战略与战术的平衡。通过具体实践建议，如建立测试 Case 库、A/B 测试机制、数据标注指导等，帮助产品经理在 AI 应用中实现降本增效，确保技术投入产出比合理。
还是那句话，必须更加细分，产品经理才能在 AI 时代生存。
当 AI 和大模型带来的自然语言交互（LUI）成为主流，产品经理还有存在的价值吗？这大概是当下所有产品经理心中最大的疑问和恐惧。是不是 Prompt 做得好，就能做产品经理了？到底该怎么驯服 AI 这个「黑箱」，得到自己想要的结果？面对这些问题，基于行业经验总结，在 AI 时代中，产品经理需要具备新的品质和特性。
传统的互联网业务或者游戏业务，产品或业务输出需求，技术人员只需要指哪打哪就好了。而人工智能发展到当下这个阶段，仿佛它能干很多事，但是真把它往业务里搁就发现，这个叛逆的小东西不一定胜任得了这些有明确「规矩」的事情。
AI 服务提供商大多是由技术人员主导的，商务和销售虽然可以协助市场开拓，但并不能主导核心技术的倾向。这就导致了现在的 AI 产品主要集中在技术层面，技术即产品，产品即技术。而技术体现在每一款模型的通用能力上。至于是否可以解决业务需求，并不在模型训练师本来的考虑范围内。
这就导致销售或者业务端越来越直观地感受到需求的断层：自己对模型能干什么并不了解，导致自己不知道该拿模型怎么办。技术人员也发现自己仿佛不着地：自己往往不知道自己的模型能解决什么业务，举出来的例子并不能让业务端的人产生有用的联想。
最近几个月，随着我们的游戏业务不断趋于落地，我们和模型厂商的对接也越来越多。因为我们开始在追求效果的同时开始追求成本，合作伙伴也开始纷纷给出一些小模型希望我们尝试。这就导致原有的 Prompt 很可能无法直接在小模型上使用。因为 Prompt 在一定程度上属于商业机密，所以我们不会把业务的 Prompt 直接给到模型厂商。所以我们就会询问对方：请问这款模型擅长什么？不擅长什么？如果我们有一个这样这样的需求，你们希望我们如何组织 Prompt？这个问题往往会让对方措手不及。
反之，模型厂商直接面向业务的时候，大量的专业名词和与业务毫不相干的知识会让游戏研发团队的同学一头雾水，他们只想知道：我想要这个结果，有没有现成 Demo 吧？没有匹配的，那你就说需要我等多久吧，能不能保证效果？
而两边的老板也是一样的，业务的老板想知道这东西对 ROI 有多大增益，有多少各种成本？模型的老板想知道你们业务需要我们多少 QPS，日常使用量能有多大，我要为你们额外做多少定制开发？于是双方进入一种非常尴尬的博弈：如果模型不能为业务直接解决问题，业务就不愿意投入人力去做开发。如果垂类业务不愿意为模型研发买单，那么模型厂商就不愿意为定制需求做开发。这种情况最终会导致业务和技术进行「亲切而友好的交流，双方充分的交换了意见」之后，散场。散场之后互相埋怨。
于是，我们开始优化 AI 技术应用管线：游戏项目团队的策划与技术与我们的 Prompt 工程师、AI 技术策划对接；Prompt 工程师和模型产品经理对接；模型产品经理与模型厂商和模型训练团队对接，对前者提供的模型进行能力评测，对后者提出训练或微调需求。
这样，就对产品经理来说，他们可以将项目对 AI 模型的能力进行拆解，并且分难度梳理测试 Case。单项测试通过之后，可以将单项测试 Case 进行组合，面向项目可能的需求模拟复合测试 Case。
这些测试 Case 经过产品经理的梳理后，已经从游戏项目脱敏，可以提供给模型训练团队和第三方，并且可以接受不同模型提供方提供的解决方案。
逐渐的，就像前一段为场景美术搭建的 SD 管线一样：一个业务的流程可能会用到多个 Ckpt 和多个 LoRA，而每个模型在什么时机生效由产品和实际应用者在逻辑里编辑好。SD 的定制化管线，每个项目的不同点有技术美术团队搞定。LLMs 的定制化方案由技术策划团队搞定。而通用能力和通用解决方案，交给产品经理来解决。产品经理团队一方面负责寻找契合业务能力需求的模型及模型用法，一方面探索用更低的成本和更高的效率满足项目需求。
AI 技术本身的用户很可能不是 ToC 也不是传统意义上的 ToB，而是成为一个已经成型的产品中第一个零件。这个零件可大可小，可核心可周边。所以狭义的 AI 技术产品经理必须明确每一个 AI 技术的「用户」到底是谁。以及对这个 AI 技术的要求到底是什么。当然，现在面临的情况可能是原来业务的产品经理需要从产品商业化与体验设计层下沉，直面 AI 能力的应用策略设计。
比如说：我们希望模型根据所给的条件进行推理，并给出答案。如果产品经理本身的 Prompt 能力不够，那么可能在他眼里，某些模型就是无法使用的。而众所周知，Prompt 优化能力是一定要面向业务才能得到提高的。所以产品经理必须参与实际业务落地，而不能完全脱离业务。
扩展实践： 产品经理应掌握基本的 Token 预算控制、上下文窗口管理以及 Few-Shot 提示技巧。在实际工作中，建立一套标准化的 Prompt 模板库，针对不同业务场景（如客服问答、内容生成、数据分析）预设最佳实践，减少重复试错成本。
一个需求，到底用逻辑做好，还是用 AI 来处理好？同一个 AI 能力的需求，是需要 Chat 能力，还是用 Embedding 能力就够了？有逻辑加入是否会更省？如果逻辑和 AI 同时参与，那么我们对 AI 的能力需求是否会发生改变？这同样需要产品经理了解业务需求，并且面向业务需求做多种尝试。
扩展实践： 在需求评审阶段，引入「确定性 vs 概率性」评估矩阵。对于强规则、高准确率要求的环节（如计费、权限），坚持传统逻辑代码实现；对于模糊匹配、创意生成环节，引入 AI 辅助。混合架构下，需定义明确的异常处理机制，确保 AI 幻觉不影响核心业务流程。
一个诉求实现之后，还要不断迭代。这种迭代有可能是因为业务提高标准，导致的需求变更，也有可能是 ROI 的压力导致需要对现在的实现方案做优化。这需要产品经理时刻保持对各种测试 Case 的拓展和测试，还需要让产品经理有能力推动业务里的设计师、程序员以及内部的训练师、优化师配合自己进行尝试。这一定会带来额外的工作量，甚至有可能在测试开发周期内会导致效果的不稳定，甚至产生负优化。
扩展实践： 建立 A/B 测试机制，量化 AI 介入前后的转化率和满意度变化。设立灰度发布策略，先在小范围业务线验证模型稳定性，再全量推广。同时，保持与算法团队的定期同步会，及时对齐模型更新计划与业务排期。
与产品功能开发不同，对「模型训练」提需求是一件有点「抽象」的事情。让一个模型拥有一个专项能力是一种训练需求，而让一个模型拥有「理解一类专项指令」的训练需求就不那么好提。而每一种训练，都要和训练师一起设计训练集。而训练集的质量直接导致了训练结果的好坏。虽然训练集的设计本身不一定要由产品经理来做，但是我想说的是从需求的产生，到训练成果的呈现，都是没有太多可借鉴的。
扩展实践： 产品经理需具备数据敏感度，能够指导标注团队构建高质量的语料库。例如，针对垂直领域模型，需收集该领域的专业术语、历史对话记录及专家修正后的回答作为正样本，同时构造负样本以增强模型的抗干扰能力。
与传统产品功能开发不同，AI+ 的应用，如果将 AI 能力放在整个业务流程中间，那么上游业务的输出和下游业务的输入都与 AI 的部分关联。那么此时，产品经理需要统合上下游和 AI 部分的数据结构，根据业务需求和模型能力调整上下游的接口。
扩展实践： 熟悉常见的 API 协议（RESTful, gRPC）及消息队列机制。在设计系统时，预留异步处理通道，避免大模型推理耗时阻塞主线程。同时，定义清晰的数据流转规范，确保输入数据的清洗和输出结果的格式化符合下游系统的消费标准。
这一点，需要产品经理时刻保持清醒：产品是给人用的；功能开发是开发任务；模型训练是科研任务。什么意思？如果一个科研任务的结果无法预估，那么就不要着急决定把这个科研任务的结果放进产品中的时间。如果一个科研任务产生的成本（不管是金钱成本、人力成本还是时间成本）已经超过了这个产品本身的 ROI 限度，那么就要及时止损。
扩展实践： 设定明确的 MVP（最小可行性产品）里程碑。在模型效果未达标前，采用人工 + 规则兜底方案维持业务运转。定期复盘技术债务，评估继续投入微调的成本收益比，若边际效益递减则果断切换至其他技术路线或回归传统逻辑。
AI 时代的到来并非要淘汰产品经理，而是对产品经理提出了更高的要求。从单纯的功能设计者转变为技术能力的整合者与业务价值的挖掘者，需要在技术边界与商业目标之间找到平衡点。只有持续学习、深入业务、理性评估，产品经理才能在 AI 浪潮中找到不可替代的位置。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online
