人工智能产品经理是连接技术与业务的桥梁，其核心使命是利用 AI 技术解决现实问题并提升效率。与传统互联网产品经理侧重连接不同，AI 产品经理更关注 ToB 场景下的生产力提升，如推荐系统、智能客服及医疗诊断等。该岗位要求从业者具备机器学习基础、深入的业务理解能力及产品设计能力。当前行业面临技术迭代快、数据合规、模型可解释性及商业化闭环等挑战，需持续学习并探索人机协作新模式。
首先，我们需要从大的历史背景和趋势上来思考：为什么会有 AI 产品经理这样一个岗位。
AlphaGo 先后打败了李世石、柯洁之后，大家都觉得 AI 好像已经成熟了。但其实，AI 之所以能发展到现在这样一个阶段，主要由三个方面决定：
所以这波人工智能浪潮的爆发，基于以上三点——云计算、大数据，和深度学习算法。这也是 AI 产品经理这个职位产生的技术背景和时代背景。
中国经历了改革开放几十年，各行各业有了长足的发展。以前只要大家胆大敢干，就可以做个小生意，挣不少钱。但是现在不同了，挣快钱的时代一去不复返，取而代之的是各行各业的恶性竞争，红海竞争和产能过剩。
我们国家也采取了一系列的策略，比如：一带一路，把我们过剩的产能，通过资本、技术的输出，输出给一些其他的国家（通过修高铁、建工路等）。另一方面，国内也在硬性去产能——比如现在好多省都开始查环保。其实查环保不是目标，去掉产能是目标。
也就是说，从国家层面，是希望各行各业进行产业结构升级，不要再整个社会都从事低端的行业，要往更高级的行业，往食物链上层走。这样整个国家才有前途，整个社会才能是一个比较良性的发展。而不是像最近的贸易战，中兴芯片被禁了，我们就没辙了。
正因为有这样社会发展需求的背景，国家从去年七月份（2017 年 7 月）起，将人工智能上升到了国家战略层面。现在人工智能公司提交上市的时候，有即报即审这样的优先策略。人工智能可以优先得到资本市场的支持。这也说明，我们国家对于产业升级的支持力度还是非常大的。这是当前我们国家所面临的问题，同时也是 AI 产品经理这个职位产生的社会需求背景。
我们纵观第一次、第二次、第三次工业革命，到现在人工智能为代表的第四次工业革命。历史的发展其实是循着明确的路径的：一个是自动化，另一个是智能化。
我们会发现生活中一些场景越来越自动化，也越来越智能化。比如，无人超市；银行可以自动办理部分业务的机器；小区的自动门禁能识别业主而不是让随便一个人就能刷进来。
在互联网产品上表现得更明显：比如一个用户使用今日头条的时间足够长，今日头条就可以知道 TA 的癖好，然后给 TA 推喜欢的东西。这在以前，以人作为编辑的时代是不可能实现的，因为需要大量的人力。
整个社会的发展趋势，其实是一个自动化 + 智能化的大趋势。这为当前弱 AI 的成熟提供了社会需求背景。AI 产品经理实际上就是一个把这种趋势变成现实的岗位。这个岗位的使命是运用 AI 技术来解决现实问题。
我们先讲一下什么是产品经理。
在互联网圈子里，大家对产品经理都比较理想主义，认为产品经理就是张小龙、乔布斯、马化腾、周鸿祎。其实，我认为最落地的解释：产品经理就是一个造轮子的岗位——在用户或者客户提出需求，以产品化的方式来满足部分或者全部需求的岗位，就叫产品经理。
举个例子：微信是一个满足人和人之间沟通社交需求的产品，策划并且设计出这个产品的人所在的岗位就叫产品经理。
再举个例子：今日头条是解决人们阅读、娱乐和休闲的需求。把今日头条的推荐系统设计出来，今日头条能不断地学习人的癖好，又能不断满足图文类消息、短视频类消息、微博类消息和问答类消息，这样的人所在的岗位叫做产品经理。
AI 产品经理听着很高大上，本质上来说和微信以及今日头条的产品经理没什么差异。
AI 产品经理相对于传统的互联网产品经理来说，就是多了一点：要利用 AI 技术来解决现实的问题，满足客户或用户的需求。
很多专门搞算法或者是技术出身的小伙伴可能不太理解——明明很多 AI 技术本身就是一个端到端的应用，为什么还需要 AI 产品经理？
这个疑问其实是很正常的，因为对于 AI 产品经理，我做了一段时间发现，有些小伙伴儿做业务非常薄的产品其实不太需要 AI 产品经理。比如，做图像识别、人脸识别、虹膜识别、语音识别等。
这些技术应用在某个细分的领域，有准确率、召回率等一系列固定的'硬'指标来衡量产品质量。这种情况下，产品经理帮不上什么忙，可能是过得比较尴尬的。
AI 产品经理在哪些领域里更有可为，能够跟我们的 AI 工程师更好地配合，把一件事做成呢？
我经过观察发现：更容易做出成绩，更容易把 AI 结合落地，应用得比较好的领域，反而是一些业务导向强、变动大的领域。在 AI 技术之上需要一个业务层，这样的应用反而是比较需要 AI 产品经理的。
举几个例子：
像上述这样的产品都比较需要 AI 产品经理。
我们先讲一下互联网产品经理和 AI 产品经理的本质性的差异，或者说重心上的差异。
互联网本质上解决的是连接的问题。
例如，微信解决了人与人通过互联网产品连接的问题；今日头条解决了人和内容、人和媒体人连接的问题；滴滴打车解决了乘客和出租车、快车、专车司机连接的问题。
AI 领域要解决的是提升效率的问题。
例如，今日头条背后用的推荐系统，在传统的门户时代，是需要很多编辑每天来运营，第一条放什么，第二条放什么，第 n 条放什么，纯靠编辑的感觉。
所有人看到的东西是一样的，千人一面。编辑的口味不一定符合你的口味，他可能符合 c 的口味，但不一定符合 a 和 b 的口味。
但是有了个性化推荐系统这个 AI 应用，就可以做到千人千面——每个人看到的都是自己感兴趣的。
以前花多少钱花多少人都解决不了的问题，现在通过一个推荐系统，一个算法的大众化的应用就解决了。大大节省了很多人力成本，内容分发的效率提升了很多。
自媒体的内容如果放在门户网站通过编辑来分发的话，就是完全受制于'人'。编辑心情好，可能流量就大点，编辑心情不好，就没什么流量了。
但放在今日头条这样的个性化分发系统，只要文章受众足够大，就一定会分发得比较好，并不依赖编辑的感觉，比较理性和中性。从整体的内容库的角度来说，就是整体的内容分发的效率提升了。
再来讲一下目前 AI 在医疗诊断领域，比如糖尿病诊断、心脏病诊断等的应用。
大家都知道，中国病人很多，但是医疗资源，尤其是好的专家，非常有限。导致很多人有病但是得不到救治，这是一个很大的社会问题。
AI 在医疗诊断领域里，应用很多，比如可以根据输入的历史数据生成一个模型，来判断这个病人是有糖尿病还是没有，有糖尿病的风险有多大。这样就通过 AI 的方式解决了糖尿病或者心脏病检测的问题。
以前一个国家可能需要投入很多财力、物力去培养一个训练有素的医生，但是现在只要是复制这个算法和模型就可以了，成本非常低地来解决医疗资源不足的问题。
在医疗领域，AI 也是起到了提升效率的作用。
再比如，以前虽然有各种摄像头，但是如果想通过摄像头来破案还是非常难的。因为没有那么多人看那么长的视频。一个个地找里面有没有问题，有没有嫌疑人。这是海量的工作，投入多少人力、物力都解决不了的。
但是现在采用人脸识别或者步态识别等 AI 技术，就有可能快速解决这样的问题，不需要投入那么多人力，不需要花那么多长时间，就可以很快锁定嫌疑人。
在这里，AI 解决的还是效率的问题。
说了这么多，我们发现传统的互联网产品经理始终在围绕着连接解决现实的问题，比如如何让人们更好地社交，如何让人们更好地阅读，如何让人们更好地打车。
AI 产品经理的重点是在如何不断提高效率，比如如何让内容分发更有效率，如何让人脸识别更有效率，如何解决医疗诊断的准确性。
这两类产品经理的工作重心不太一样。
传统的互联网主要是一个 toC（To Customer）的业务，主要的生意是面向消费者/个人用户的。
ToC 业务的特点是比较讲究规模化。羊毛出在猪身上，通过吸引大量的流量，然后去卖广告，或者是给游戏导流提取佣金；运用的是规模效应，是总量的逻辑。
很多服务都是免费提供给用户使用的，比如百度搜索、微信、QQ、今日头条都是免费使用的。
AI 这个行业本质来说带来的是生产力的提升，是社会效率的提升。就目前发展来看，它和 c 端的用户关系不大。这也就是为什么大家都知道 AI 来了，但是谁也不知道 AI 是干什么的。
目前AI 主要还是 to B（To Business）的生意，是面向企业服务的。
比如，即便今日头条是以推荐、服务建成的一家公司。但是它推荐本身并不是直接提供给终端消费者，而是提供给内部的各个产品，比如头条内部的抖音、火山视频、懂车帝、西瓜视频。
这些产品都在共用一个推荐的逻辑，共有一套推荐的基础设施，所以本质来说也是一个 toB 的服务。
更典型的 toB 的例子是图灵机器人，它给很多企业提供客服服务。
再比如最近国家对内容审核比较严格，有很多公司提供内容审核的服务。这些内容审核服务会利用到一些 AI 技术来做分词，过滤和构建模型，把敏感词等各种有问题的内容都给排除掉。
这些服务主要是提供给媒体企业或者自媒体大号，都属于 toB 业务，C 端客户不太能感知到。
这是互联网产品经理和 AI 产品经理另外一个比较大的差别。
互联网产品经理，尤其是创业潮比较热的时候产生的大量产品经理，基本不懂技术。学什么专业的都有，比如生物、英语、化学、工业设计、美术等等。
不懂技术为什么又能做产品经理呢？因为当时的大环境属于互联网流量红利期，无论做什么产品都容易成，懂不懂技术不重要，重要的是你知道用户想要什么。
所以在那个阶段的互联网产品经理比较偏用户体验，工作重点在于功能做得好不好，交互体验做得好不好，文案写得美不美，是不是解决了刚需。
剩下的问题并不太重要，交给工程师来解决就行了。稍微懂一点技术，比如知道一点服务端和客户端的通信机制，基本上就能解决大部分产品设计的问题。
但是到了 AI 时代，AI 产品经理不懂技术是没法做的。需要懂：
总之，需要懂很多技术，才知道客户的需求如何来通过 AI 来解决，做出来的东西才能靠谱。这是 AI 产品经理和传统的互联网产品经理的第三个差异。
一个比较合格的 AI 产品经理至少需要三方面的素质：拥有技术背景；理解客户需求；具备产品设计能力。
这点刚才已经提到过。比如做推荐系统，至少知道：
1）有哪些推荐算法，这些推荐算法都是干什么的；
2）做推荐排序的时候需要用到哪些特征，这些特征是如何筛选；
3）具体的调优手段（比如数据处理）对整体的效果会有哪些提升，最终会体现在哪里等……
现在很多 toB 的 AI 应用，其实是一种 B2B2C 的应用——虽然面向的是企业客户，但是最终使用产品的是 C 端用户。最终的用户不付给你钱，但是 TA 通过各种方式来帮企业挣钱。
这样就要求 AI 产品经理理解企业客户需求和运作机制。比如分层决策，真正使用你系统的人可能不是真正决策要用你的系统的人。也许决策要用你系统的人是一个管理层，而真正用系统的人是一个执行层的。
了解了这些，才能知道要做什么，有的放矢。
因为 AI 产品经理的价值就在于造轮子——在满足客户需求的前提下，通过产品化的方式把 AI 应用落地。
目前 AI 被阿诟病的一点是很多 AI 应用落不了地，或者商业逻辑是走不通的。
当然这两年 AI 投资热还是有一定泡沫的，但是我相信今年下半年或者明年初基本上很多事就能见分晓了。这两年应该是 AI 产品化的一个关键时期，很多事成或者不成，基本上就能有结论了。
AI 产品经理的工作内容包括：
某个小伙伴在做机器人。机器人是运用 AI 技术之集大成，因为它要用到人脸识别、语音识别等各种弱人工智能技术。
这个小伙伴是怎么入行的呢？他最开始自己做电商没做成，就去淘宝做运营。在淘宝做运营做得很潇洒，很愉快。
因为阿里上市，有些人就拉他一块儿去做 AI 创业了。我们都知道，前两年 AI 火了一阵儿，但是很明显，从现在来看技术不成熟，导致它的应用大部分都是泡沫，所以这个小伙伴又换了方向。
但是他 AI 的时候，他通过软硬件技术结合，对软件和硬件都有了一定的感觉。传统的互联网产品经理对软硬件结合是非常不适应的，整个北京来说是偏软件的多，偏硬件的是非常少的。
他认为软硬结合是一个趋势，就通过过往的工作优势，顺利地迁移到了北京的一家机器人公司。
他对各种技术了解也是比较多，于是把各种 AI 不断产品化到各个垂直的场景里，比如：巡逻机器人、银行大堂经理机器人等。
另外一个小伙伴，之前是在一家中关村的互联网金融公司，做征信产品，并不懂 AI。
后来某个大型的互联网公司，有金融业务，缺金融类产品经理人才，这个小伙伴凭借自己做过征信，懂业务，就过去了。
然后慢慢和算法工程师磨合，逐步转为了 AI 产品经理，目前工作已进入正轨。
其实现在整个市场上，AI 产品经理是非常稀缺的。很多人都是误打误撞，或者是从过往经历，或者是从业务，或者是从对技术理解入手，进入了 AI 行业。并不是把所有的事都准备好了，然后再去从事这个行业的。
再举一个 AI 产品经理具体工作的例子：我们刚开始做 AI 推荐业务的时候，只知道 AI 有用，但并不知道怎么用。只能去不断地在了解和认知市场。
期间走了很多弯路，比如，最初我们做推荐业务是一种外包模式。什么客户我们都接，电商的、短视频的、直播的、新闻的、个性化营销的我们都接。
后来就会发现，我们虽然接了很多客户但是没有一套完整的套路，所有的事都是给不同的客户提出的不同的需求和一些线上的 bug 在'擦屁股'。
很多产品做得非常臃肿，希望适应所有的情况，但是这样的产品就会变得非常复杂，非常不易接入。
这个阶段，我们推荐系统中的很多工作是人来做的，非常不自动化、不智能。比如，给不同的客户配召回、做推荐排序，都是定制化地做召回，定制化地给客户通过历史行为数据和物理数据来做建模。
我们遇到了业务瓶颈，大家看似都很忙，但是并没有什么成果。不得已之下，我们调整了策略，以产品化的方式，通过不断地缩小产品的边界来解决我们的窘境。
什么电商这些东西我们都不用了，我们只做媒体或者是中小型站长。
之前我们还做移动端（大家都知道移动端是主流），但我们现在只做 PC 端。因为觉得 PC 端发版快，是一个存量市场，很多技术都是比较成熟的，是一个更容易做的市场。
以前我们接入一个客户推荐系统需要两周甚至一个月的时间，如今我们的接入效率已经降到了一小时之内。
因为我们做自动化、智能化的事，同时通过技术手段和系统化的方式，解决了很多之前需要手动解决的问题。
当然我们做到现在还比较初级，经常觉得对客户的认识或者是对市场的认识还不够。
这是一个做业务正常的状态，你始终会觉得有瓶颈，始终不断地往前走，是一个逐步落地的过程。这个过程可能还是要持续一段时间，但是产品化相对于之前已经成熟了很多。
A1：产品经理是一个强思考、强实践的岗位。你需要思考、实践去输入很多信息，这样就会潜移默化地影响了你这个人，影响你去认识世界和改造世界的能力，我觉得这是给我最大的收获。
比如在现实生活里，我做任何决策都会做一些基本的调研，再去整理加工这些调研，得出一些结论，最后再去行动，是有这样一个过程的。
在读研的过程中，写过一段时间代码，但是觉得写代码的成就感，没有做产品经理大，就机缘巧合去做了产品经理。
到第四范式做推荐系统产品经理其实也是一种机缘巧合。
因为之前做过某个新闻客户端的产品经理，主要是偏用户体验的，对内容分发这一块儿也有一定的了解。再加上有一定的技术背景，所以才能去到第四范式。
我去之后，随着然后整个公司在不断扩大，招人的门槛也越来越高了。
做了一段时间的，就越来越发现很多以前认为自己知道的、了解的行业，其实了解得非常少。
现在是处于知道自己不知道这样一个阶段，还是需要不断的积累，才能从认知上，有一定的提升，进入下一个阶段。
A2：古典的推荐系统是亚马逊最早用的推荐系统，到现在已经差不多二十年历史了。
亚马逊当时的推荐系统没有机器学习排序这一步，主要是协同过滤，具体包括两种算法：UserCF 和 ItemCF。她们本质的理念是相同的，就是利用群体智慧来做推荐。
UserCF 是基于用户做推荐系统。比如你是在北京收入比较高，另外一个人也是在北京收入比较高，我会把你们归为一类人做推荐。
如果他买了宝马车，我就会给你推这样宝马车。因为我认为你们是一类人，他买了这东西，你也有可能买这样东西。
ItemCF 基于物品的协同过滤。这个算法有个经典案例：一个有孩子的爸爸，去超市买东西，买了尿布也会买啤酒。这就是基于物品的协同过滤。
如果我确定你买了手机，也会买手机壳。同时呢，另外一个人买了这个手机了，我也会把这个手机壳推荐给他。这就是基于物品的协同过滤。
当然在推荐这一块儿，常用算法还包括最新最热，有纯基于内容的推荐，还有一些其他的。但是协同过滤算是最主流，最经典的。
另外一块儿主要用到 AI 技术的是，推荐系统排序这一块儿。因为召回主要是从数据库里，把大量数据变成一个小的数据集。
排序相当于把小的数据集，从高到低打分，把打分最高的那些内容，最终推荐给终端的用户。
排序这一块儿，目前比较主流是 LR 模型——线性回归。因为利用线性回归模型，有比较大的好处。一方面是他计算成本、计算时间是比较可控的。另外一方面是它的可解释性比较强。
比如我推荐了一个东西，然后客户给我反馈这个推荐不准或者推荐有问题，我就可以相应地调 LR 权重，调整推荐的问题。
如果你用深度学习算法推出去了都不知道怎么排的。可解释性在推荐系统里的排序这一块儿还是比较重要的。
A3：有很多其他行业的产品经理想做 AI 产品及经理，自己学了很多线性代数、概率论、高数这些东西。
其实你真正去做 AI PM，就会发现这些东西不太重要，因为 AI PM 在当前的阶段，最重要的是如何把 AI 应用落地，从商业上可行。算法细节完全可以算法工程师来做。
目前阶段，做 AI 产品经理更重要的是要能用 AI 技术解决现实的问题。凡是不解决现实问题的 AI 产品经理全是耍流氓。
其次要商业模式上可行。无论你是给公司积累数据还是有一些其他的商业变现手段，商业路径得是跑得通的。这是一个难点，而且也是整个行业目前的难点。
A4：传统互联网产品和 AI 产品经理差别其实刚才已经讲了一下，主要有三点：首先连接和效率，本质不太一样；其次是 toB 和 toC 不一样；再次就是对内容和对技术理解的要求不太一样。这些都是需要弥补的。
至于学到什么程度，如果写代码，你会发现，很多东西如果自己学不去应用的话，学到什么程度，都觉得没有准备好，所以我觉得最重要的是应用。
然后看一下 AI 公司招聘的一些要求，对着这些要求去准备，不断去试错。
我觉得现在这个行业还是一个人才稀缺的阶段，转的话不难，但是重要的是你要选一个比较靠谱的公司，因为有些公司可能不太靠谱，扛不住。
整个市场上的 AI 培训班很多都是挂羊头卖狗肉，他们所谓的 AI 培训。无非是告诉你 python 就等于 AI。
我们群里的很多大佬都知道 python 就是一个普通的编程语言，只是这门语言在数据处理这方面有一些独特的优势，但是 python 跟 AI 关系不是特别大。
如果你想转成 AI 产品经理去报培训班大概率就是被人家忽悠两万块钱，去学了很多 python 的东西。但是这个东西在你的工作中，或者在未来 AI 产品经理的工作中是一点用都没有。
A5：这个问题得正反两面看。几大互联网公司的优势是它的资金、人才、资源、数据。但是它本身也有局限。
最大的局限就是，你去听这几大互联网公司的大佬的演讲，基本上都还是基于现有的线上业务。
同时另外一个比较大的问题是，这些公司并不 All-In，会有很多大公司病。比如就我们知道的，跟我们竞争做推荐业务的有很多 BAT 里边的小团队，最后都因为各种内耗，把自己的业务给耗死了。
并不是说他们人员不优秀，资金数据没有优势，而是创新者的窘境。大公司会存在大公司的问题，没法 All-In，有很多管理上的问题，可能导致它不能在最后胜出。
创业公司有创业公司的优势，它可以找着一点儿，精准地打击，投入大量资源打通一个点儿。
创业公司也有它的坑，比如人员、资金、数据等很多方面都不具备大公司的这方面的优势，可能也会走很多弯路。
但是小公司的优势就是快，它可以瞅准一个点儿打。
比如目前在安防领域比较成熟的 Face++ 和商汤，在人脸这方面的数据积累，要比 BAT 要强大很多。BAT 虽然盘子大，但是在这个细分的领域是完全干不过这两家公司的。
A6：AI 技术可以分为浅层学习和深度学习。
图像识别和语音识别其实是目前深度学习应用得比较见效的两个领域，它们本身并不是一个并列的关系，而是图像和语音处理，在用了深度学习之后，有了明显的效果，有了长足的进步。
A7：确实 AI 公司的命门就在于没有数据，空有技术，尤其对于深度学习。如果没有数据，你技术再厉害，整件事也是没法做的。
目前整个行业里，要么是自己通过外包这样的方式来拿你的数据，给你做模型；要么就是通过投资的方式，深度战略绑定的合作，你提供给我数据，我提供给你服务，同时还辐射整个行业。
医疗诊断和辅助教育，一些互联网公司可能就自己做了。医疗诊断，因为很多医疗数据都是在医院里或者在一些医疗机构，一般都是通过合作授权，来拿到数据做的。
还有比如金融领域的一些风控、反欺诈的数据，是在市场上可以买到的。一般活数据要比死数据的价值要高很多。
A8：首先需要了解一个背景。目前 AI 应用分为三种层次：
A9：数据打标一般分为三种情况：
随着 AI 技术的快速发展，AI 产品经理面临着前所未有的挑战和机遇。
AI 领域的技术更新速度极快，今天流行的模型架构明天可能就被替代。AI 产品经理需要保持持续学习的能力，不仅要关注最新的论文和开源项目，还要理解这些技术背后的商业价值。不能盲目追求新技术，而要评估其稳定性和适用性。
随着《个人信息保护法》等法规的实施，数据合规成为 AI 产品的重要考量因素。AI 产品经理在设计产品时，必须考虑数据采集的合法性、存储的安全性以及用户授权的透明度。如何在保护用户隐私的前提下最大化数据价值，是未来的核心挑战之一。
尽管深度学习模型性能强大，但其'黑盒'特性使得结果难以解释。在企业级应用中，客户往往需要知道 AI 决策的依据。AI 产品经理需要推动算法团队优化模型的可解释性，建立用户对 AI 系统的信任，特别是在金融、医疗等高风险领域。
许多 AI 项目停留在 Demo 阶段，无法形成可持续的商业闭环。AI 产品经理需要具备敏锐的商业嗅觉，找到合适的收费模式和盈利点。单纯的技术堆砌无法打动客户，只有解决实际痛点并带来降本增效的成果，才能获得市场认可。
未来的工作模式将是人与 AI 的协作。AI 产品经理需要设计好人机交互的流程，明确哪些任务由 AI 完成，哪些由人工介入。例如，在内容审核场景中，AI 负责初筛，人工负责复核。这种协作流程的设计直接影响产品的效率和用户体验。
综上所述，成为一名优秀的 AI 产品经理，不仅需要扎实的技术理解力，更需要深刻的业务洞察力和持续的学习热情。这是一个充满挑战但也极具前景的职业方向。
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
