一、背景AI 1.0 规则驱动AI 2.0大模型驱动1、技术演讲与产品重述2、新型产品构建范式3、现实约束与评估二、行业现状23年起场景落地、生态重构、赛道增多岗位需求增多AI产品经理 VS 传统产品经理全新工作流程需求定义挖掘AI落地的业务场景定义问题的边界模型选型综合评估效果与成本选择合适的开源方案Prompt设计与算法工程师配合设计高效的提示词来引导输出AB测试测试模型效果与用户体验效果归因分析分析实验数据定位问题根因持续迭代优化模型产出物AI需求说明书、模型能力矩阵、评估指标体系、case分析报告能力具备1、技术理解能力2、跨模态思维3、实验型方法论4、不确定性管理5、人机协同设计6、快速迭代验证职能模块1、提示工程协同2、AI原生交互设计3、不确定性结果管理4、数据飞轮构建闭环学习逻辑1、时间投入一周8小时2、持续学习更新个人AI实践日志3、案例分析深度拆解3个以上目标公司的AI产品案例4、成果产出可展示的AI mini方案本周任务收集3-5份岗位的JD进行核心能力映射分析形成一份个人能力差距清单二、AI产品的发展历程1.0 → 2.0认知智能的跃迁AI发展历程1、1956达茅斯会议诞生AI概念2、00-20年深度学习时代3、20-now大模型时代transformer交互范式的革命从程序语言到自然语言AI1.0 决策式AI只会做选择题工作原理1、全域数据采集2、用户兴趣画像3、海量初排筛选4、深度精排打分5、多目标策略融合A2.0 生成式AI 继承1.0判别能力创造新范式生成、推理四大核心能力1、创造新内容2、跨模态生成3、逻辑推理4、多轮问答交互三、AI产品经理构建人-AI协调系统的可信·可控·可演进架构1、知识积累①大多数Embedding方法都归结为将单词或标记转换为向量。各种嵌入技术之间的区别在于它们如何处理这种“单词→向量”的转换2、核心定位AI能力与业务价值的连接器3、关键特质①AI思维与技术理解洞察大模型基本原理、技术瓶颈、应用边界②场景落地与价值锚点解决用户痛点有商业价值的产品功能③敏捷迭代与持续进化设计有效的数据采集方案分析用户行为数据和模型输出结果建立Bad Case库系统性预判可能出现的错误输出和对应潜在业务风险设计降级容错机制建立评估体系监控和优化模型表现任务用户研究、需求分析、PRD攥写的学习、数据方法论、掌握A/B测试应用、多种AI工具的了解