面试 · AI 产品 · 第 1 篇

AI 产品经理到底做什么

很多人觉得“AI 产品经理”听起来很高大上，但拆开来看，这个角色的本质还是产品经理——只不过你打交道的“技术组件”从按钮、接口变成了模型、数据和算法。

核心工作三件事

第一，定义 AI 能力边界。 模型不是万能的，你要搞清楚它能做什么、不能做什么、做到什么程度算“够用”。比如你在做智能客服产品，用户问“我的快递到哪了”，大模型可以回答得很好；但用户问“帮我改一下收货地址”，这就涉及系统写操作，模型本身做不了，你需要设计一套调用后端接口的流程。这个“能与不能”的边界，就是 AI PM 每天都在划的线。

第二，设计人机交互。 传统产品的交互是确定性的：用户点一个按钮，系统返回一个固定结果。但 AI 产品的交互是概率性的：同样的输入，模型可能给出不同的回答，而且不一定对。所以你得设计“模型答错了怎么办”“用户不满意怎么反馈”“什么时候该转人工”这些兜底方案。ChatGPT 的“重新生成”按钮、豆包的“换个说法”功能，背后都是这个思路。

第三，管理模型迭代。 传统产品迭代是改代码、发版本；AI 产品迭代很多时候是调 Prompt、换模型、加数据。你要跟算法团队一起定义评测标准，跑测试集，看指标有没有提升。这件事比“写 PRD”要琐碎得多，但它决定了产品体验的天花板。

和传统 PM 最大的区别

一句话总结：传统 PM 管理的是确定性系统，AI PM 管理的是概率性系统。

传统产品里，你写了一个规则“满 200 减 30”，系统就一定会按这个执行。但在 AI 产品里，你让模型“用友好的语气回复用户投诉”，它可能这次回复得很好，下次就翻车了。这意味着你不能只写需求文档然后甩手不管，你得持续监控、持续调优、持续跟进那些“不确定的结果”。

典型场景举例

• 智能客服： 比如电商平台的 AI 客服，PM 要决定哪些问题让模型自动回答、哪些转人工、回答的置信度低于多少时触发兜底策略。
• AI 写作： 比如 Copilot 的代码补全，PM 要定义补全触发的时机、展示几条候选、用户接受率怎么衡量。
• 推荐系统： 比如短视频平台的推荐算法，PM 要平衡用户沉浸度和内容多样性，还要处理“信息茧房”的舆论风险。

AI PM 的三大核心能力

1. AI 认知力

你不需要自己写代码训模型，但你必须理解 AI 技术的基本概念和能力边界。

大模型能做什么、不能做什么？ 大模型擅长文本生成、总结、翻译、对话，但不擅长精确计算、实时信息查询、长期记忆。你得知道这些局限，才能做出靠谱的产品决策。

三个必须懂的概念：

• Prompt Engineering： 通过设计提示词来引导模型输出。这是 AI PM 最直接的“调参”手段，很多时候改一句 Prompt 比改一版代码效果更明显。
• RAG（检索增强生成）： 让模型在回答前先检索相关文档，解决“模型知识过时”和“幻觉”问题。比如企业内部知识库问答，几乎都用这个方案。
• Fine-tuning（微调）： 用特定数据对模型做进一步训练，让它在某个领域表现更好。成本比 RAG 高，但某些场景下效果更稳定。

你不需要能写 Fine-tuning 的代码，但你要能判断“这个场景用 Prompt 就够了，还是需要 RAG，还是得上 Fine-tuning”，这就是 AI PM 的技术判断力。

2. 产品设计力（AI 特化版）

传统的产品设计能力当然要有，但 AI 产品还需要三个额外的设计思维：

Fallback 设计： 模型一定会出错，关键是出错时用户体验不能崩。ChatGPT 会说“我不确定，建议你查阅专业资料”，豆包在识别到敏感话题时会礼貌拒答——这些都是 Fallback 设计。一个好的 AI PM 在设计“正常流程”之前，先把“出错流程”想清楚。

置信度设计： 模型对每个回答都有一个“信心分数”。PM 要决定：置信度高于 0.9 的直接展示，0.7-0.9 的加个“仅供参考”标签，低于 0.7 的不展示或转人工。这个阈值怎么定，需要结合业务场景和用户容错度来决定。

人机协作设计： 不是所有事情都要让 AI 全自动完成。Copilot 的设计哲学就是“AI 建议、人类决定”——它给你代码补全建议，但你按 Tab 才会采纳。这种“人在回路中”的设计，往往比“全自动”更实用、更安全。

3. 评测能力

AI 产品不像传统产品，上线前跑一遍测试用例就行了。模型的表现是概率性的，你需要用数据来衡量它到底好不好。

• 准确率和召回率： 准确率是“模型说对的里面有多少真的对”，召回率是“所有应该对的里面模型找到了多少”。比如做内容审核，你既不想误杀好内容（要高准确率），也不想漏掉违规内容（要高召回率）。
• A/B 测试： 两套 Prompt、两个模型版本，各给一半用户用，看哪个数据更好。这在推荐系统和对话产品中是日常操作。
• 评测数据集： 你要和算法团队一起构建“标准答案集”，每次模型更新都跑一遍，确保效果没有退步。这件事很枯燥，但极其重要。

AI PM 的典型一天

如果你好奇 AI PM 每天的工作节奏，大致是这样的：

上午 先看昨天的线上数据——用户满意度、模型响应准确率、Fallback 触发率这些核心指标有没有异常。如果某个指标掉了，赶紧拉算法同学看看是不是模型出了问题，还是数据源变了。

中午前后 可能有一个需求评审会，讨论下个迭代要不要加一个新的 AI 功能。你要评估这个功能技术上能不能做、数据够不够、上线后怎么评测效果。

下午 通常花在“调效果”上——和算法同学一起看 bad case（模型表现差的真实案例），讨论是改 Prompt 还是加数据还是调模型参数。然后跟设计师对一下交互方案，确保用户在遇到模型“翻车”时有平滑的体验。

傍晚 整理一下评测报告，更新一下产品文档，跟进几个跨团队的协作事项。

听起来是不是和传统 PM 有点像？确实，80% 的工作方法是相通的。但那 20% 的“AI 特有”部分——定义能力边界、管理概率性输出、持续评测模型效果——才是 AI PM 的核心竞争力。

哪些背景转 AI PM 有优势

技术背景（算法/开发）： 优势最明显。你懂模型原理、能看懂评测指标、跟算法团队沟通没有障碍。劣势是可能过于关注技术细节而忽略用户体验。

数据分析背景： 非常适合。AI 产品的核心就是“用数据驱动决策”，你的数据敏感度和分析能力可以直接迁移。建议补齐对大模型技术概念的理解。

传统 PM 背景： 产品感觉、用户洞察、跨团队协作这些能力都能复用。需要额外学习的是 AI 技术基础和评测方法论。好消息是，这些东西的学习曲线没有想象中那么陡。

纯小白/转行： 也不是没有机会，但需要同时补齐产品基础和 AI 知识，路径会长一些。建议从“AI 相关的运营或测试岗位”切入，积累对 AI 产品的实感之后再转 PM。

不管什么背景，最重要的一点是：动手体验 AI 产品。 每天用 ChatGPT、豆包、Copilot、Midjourney，去感受它们的交互设计、观察它们的 Fallback 策略、记录它们的“翻车瞬间”。这种一手体感，比读十篇分析文章都管用。

当前市场情况

大模型方向 vs 传统 AI

目前市场上的 AI PM 岗位大致分两类：

大模型方向： 围绕 LLM 做产品，比如对话助手、AI 写作、AI 编程（类似 ChatGPT、豆包、Copilot 这类产品）。这个方向正处于爆发期，岗位多、薪资高，但要求你对大模型的能力和局限有深入理解。

传统 AI 方向： 围绕计算机视觉、语音识别、推荐系统等做产品。这些领域已经相对成熟，岗位稳定但增长放缓。对算法和数据的理解要求更深，但产品方法论更成体系。

如果你现在刚开始准备，建议优先关注大模型方向——不是因为传统 AI 不好，而是因为大模型方向的面试题目、产品思维和行业趋势更具代表性，学了之后对传统 AI 方向也有帮助。

面试准备建议

AI PM 面试和传统 PM 面试最大的不同在于：面试官会考察你对 AI 技术的理解深度，以及你在“不确定性”场景下的产品决策能力。

你可能会被问到“如果模型准确率只有 85%，你怎么设计产品”“给你一个 AI 功能，你怎么定义上线标准”“Prompt Engineering 和 Fine-tuning 分别适合什么场景”这类问题。

下一篇我们会详细拆解 AI PM 面试的高频问题和回答框架，帮你建立系统的准备思路。