AI 产品经理必备：关键技术模型与核心知识体系

一、AI 行业的招聘趋势以及人才紧缺度

根据行业人才报告显示，人工智能已成为近年来最紧缺人才的行业之一。人工智能行业的人才紧缺指数较高，意味着该领域人才需求量远大于投递量，市场缺口巨大且竞争相对不那么激烈。随着大语言模型技术的爆发式增长，这种趋势在近期持续强化。

目前，行业内共识明确：AI 产品经理超级缺人，无论是初创公司还是大厂都在大量招人。只要具备 AI 相关的项目经验，学历背景符合要求，通常都能获得面试机会。由于人才稀缺，企业在薪资方面非常大方，涨薪幅度达到 40%-60% 的情况并不罕见。

在 AI 领域，特别是 AIGC（生成式人工智能）方向，招聘量最大的岗位主要分为两类：研发类和技术产品类。这两类岗位的薪资水平普遍最高，也是求职者重点关注的方向。数据显示，AIGC 领域的热招岗位中，图像识别、算法研究员、深度学习等研发岗位的薪资已达到百万级别。此外，作为非技术岗的 AIGC 产品经理，薪资水平也极具竞争力，占据较大优势，吸引了大量传统产品人才转型投递。

二、AI 产品经理的具体工作流程及知识体系

AI 产品经理的整体工作流程与互联网产品经理类似，但增加了数据驱动和模型评估的环节。具体流程包括：定义需求、数据准备、产品设计、上线反馈。

（一）定义需求

AI 产品经理本质仍是'产品经理'，核心工作依然是找到需求并专注于产品价值。AI 是解决新问题的工具，产品经理的主要任务是思考：用这个工具能解决什么以前不能解决的问题？或者用什么更好的方式解决原有的需求？结合行业经验去洞察问题，发现痛点，这是产品经理不变的核心意义。

1. 如何通过 AI 解决问题——技术理解

找到需要解决的问题后，关键在于对 AI 技术方向的理解。不同的产品对应不同的技术方向。AI 大的技术方向主要包括：

计算机视觉 (CV)：处理图像和视频信息。
自然语言处理 (NLP)：处理文本和语音交互。
语音工程：专注于声音的识别与合成。
规划决策：涉及路径规划和策略制定。
大数据分析：处理海量数据的挖掘与分析。

产品经理需要根据自身产品的行业属性，对不同技术方向有相应的理解深度。AI 本质上是一个找出对应关系的工具，将行业内的需求转化为'输入'和'输出'的问题，然后收集数据，整理成训练集给 AI 进行学习。不同技术方向下的'输入'和'输出'形式会有所不同。

（二）数据准备

当定义好需求，明确了给 AI 定义的'输入'和'输出'之后，接下来就需要为 AI 准备训练集并进行训练。

特别说明：这个环节主要针对非大模型类的 AI 产品经理。在大模型时代，如果是针对 AIGC 领域的产品经理，部分基础数据准备工作会被大模型的能力所覆盖，但仍需关注提示词工程和微调数据。

数据准备可分为三个阶段：数据来源、数据定义、数据交付。这三个阶段需要的规划、收集、整理数据的能力，是 AI 产品经理与传统产品经理非常大的差别。

1. 数据来源

传统产品的数据来源通常是用户使用数据，而 AI 的数据来源是指训练 AI 的数据来源。主要分为两个方面：

基础数据：用来制作 AI 产品的初始数据。可能是产品原有的数据积累，也可能是各方收集的数据甚至人力撰写的数据。这些数据需要被整理成训练集和测试集。大量的深度学习对数据质量要求极高。
交互中收集数据：AI 产品具有'动态成长'的特质。用户与产品交互的过程，就是产品迭代和训练的过程。交互中的数据是数据来源的重要补充。

2. 数据定义

有了数据来源后，需要整理训练集和测试集。这期间涉及大量繁杂的工作，如数据清洗、整理。需要考虑的问题包括：

用什么样的方法清洗和整理数据？
设置什么样的'输入'和'输出'能够保证训练出的模型在实际场景中表现更好？
在交互中要收集什么数据？用什么样的形式收集？如何把收集数据的交互更好地融合在用户的使用中？

在实践过程中，还需要根据机器学习效果对训练集进行不断的调整和修改。

（三）产品设计

定义好产品需求后，开始进行产品设计。产品设计本质和传统产品经理一致，根据需求和问题做出能解决问题的产品。主要包含两个方面：基础功能、动态中发展。

1. 基础功能

产品的大框架基于产品本身的形态，例如智能音箱、智能电视或 App 里的智能助手。设计围绕核心需求展开。例如，如果是在 App 里训练助手完成'找功能'的需求，那么产品形态和设计就围绕着'找功能'来做。这部分工作对于互联网领域的产品经理来说难度不大。

2. 动态中发展

动态发展的含义有两个方面：

产品在使用中迭代：在产品设计中添加数据收集的设计，通过不断使用从用户那里得到更深入的数据，为 AI 进行训练。随着 AI 解决问题越来越准确，产品随之迭代。例如，一开始只能帮助用户唤起应用，之后可以升级为帮助用户唤起并使用应用内的内容。
交互的动态性：不同于传统产品的固定按钮，在语音对话等场景下，功能需要在和用户的动态交互中被唤起。这涉及场景剧本编写、多轮对话设计、词槽设计等方面。例如地图应用的小助手多在开车场景，需要编写适合驾驶场景的剧本和词槽填充逻辑。

未来，AI 产品将不局限于固定界面，AI 产品经理面临的是对更丰富和广阔场景的把握。

（四）上线反馈

AI 产品上线后通常需要做好三件事：

模型评估指标体系的搭建：应在产品定义之初就搭建好。
指标的计算逻辑设计：明确如何量化模型效果。
模型验收测试：确保模型达到预期标准。

常见的评估指标包括准确率、召回率、F1 值、响应延迟、吞吐量等。根据以上工作流程梳理，AI 产品经理需要掌握三大技能模型，以便提前布局进入该领域。

三、大模型时代的岗位需求与学习路径

大模型时代，企业对人才的需求发生了变化。AIGC 相关岗位人才难求，薪资持续走高。AI 运营、AI 工程师、大模型算法等岗位的薪资平均值均处于高位。

1. 掌握大模型技术的更多可能性

成为一名全栈大模型工程师，涵盖 Prompt 工程、LangChain、LoRA 等技术开发、运营、产品方向。
拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用。
薪资上浮空间大，覆盖更多高薪岗位。
更优质的项目经验可为未来创新创业提供基石。

2. 推荐学习路线图

为了系统性地掌握大模型技术，建议遵循以下学习路径：

第一阶段：大模型系统设计。深入理解大模型的主要架构和方法论，掌握 Transformer 基本原理。
第二阶段：提示词工程 (Prompt Engineering)。从 Prompts 角度入手，学习如何更好地发挥模型的作用，掌握结构化提示词技巧。
第三阶段：大模型平台应用开发。借助云平台（如阿里云 PAI 等）构建垂直领域应用，例如电商虚拟试衣系统。
第四阶段：知识库应用开发。以 LangChain 框架为例，构建企业级咨询智能问答系统，掌握 RAG（检索增强生成）技术。
第五阶段：大模型微调开发。借助大健康、新零售等领域数据，构建适合当前领域的垂直大模型，掌握 Fine-tuning 全流程。
第六阶段：多模态大模型应用。以 SD（Stable Diffusion）等多模态模型为主，搭建文生图小程序案例，理解图文交互。
第七阶段：行业应用落地。通过星火、文心等成熟大模型构建具体的行业应用，实现商业化闭环。

3. 核心资源与文档

学习过程中应重点关注以下资料：

技术文档与电子书：整理大模型相关的 PDF 书籍、行业报告、官方文档，保持对最新技术的敏感度。
面试题与面经合集：了解行业目前最新的面试考点和大厂 Offer 面经，针对性准备。
实战项目经验：基于大模型全栈工程实现（前端、后端、数据分析等），利用大模型解决实际项目需求，提高数据处理和决策准确性。
企业级 AI 应用开发：掌握 GPU 算力、硬件部署、LangChain 开发框架和项目实战技能，一站式掌握垂直训练大模型（数据准备、数据蒸馏、大模型部署）。

4. 职业发展建议

掌握大模型应用开发技能，可以让从业者更好地应对实际项目需求。大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高编码能力和分析能力。建议从业者在学习过程中注重理论与实践结合，积极参与开源项目，积累真实场景下的调优经验。同时，保持对新技术的敏锐度，关注社区动态，不断更新知识体系，才能在 AI 产品经理的道路上走得更远。

AI 产品经理必备：关键技术模型与核心知识体系