起薪4万的AI产品经理，必须掌握的技术模型与3大知识体系

一、AI行业的招聘趋势以及人才紧缺度

根据脉脉 《2023年人才报告》 显示：人工智能成为2022最缺人行业，⼈⼯智能⾏业的⼈才紧缺指数（⼈才需求量/⼈才投递量）为0.83，也就是说这个领域人才缺口巨大且没那么卷。而且随着ChatGPT4.0的大火，这种趋势在2023年强势蔓延。

目前，各行业内人士的共识就是：AI产品经理超级缺人，大小公司都缺。我最近跟小米、百度的资深AI产品沟通，他们反馈：在大量招人，只要有AI相关的项目经验，学历别太差就能拿到面试机会。而且领导很舍得给钱，涨薪40-60%很正常。

在AI领域，特别是最近大火的AIGC方向，招聘量最大的就是两类岗位：一类是研发类，一类是产品类。

整体上，这两类岗位的薪资也最高，也最建议大家求职这两类岗位。根据脉脉高聘人才智库的数据显示：

AIGC领域热招岗位中，图像识别、算法研究员、深度学习岗位的薪资均已达到百万。

此外，AIGC产品经理作为非技术岗，薪资水平也达到90万元，与其他领域相比占据较大优势，吸引大量产品人才投递。

二、AI产品经理的具体工作流程及知识体系

其实AI产品经理整体的工作流程跟互联网产品经理非常类似。具体的工作流程有以下几个步骤：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，本质还是“产品经理”，最核心的工作，还是找到需求，专注于产品价值。AI是个用新技术的解决问题的工具，对于产品经理来说，最主要的工作，还是去思考，用这个工具，能够解决什么以前不能解决的需求，或者用什么更好的方式解决原来的需求。结合自己的行业经验，去洞察，去发现问题，作为“产品经理”本质的、核心的意义还是不变的。

2.如何通过AI解决——技术理解

找到需要解决的问题后，在如何解决方面，涉及到了对AI的技术理解。根据产品现状，不同的的产品对应的技术方向不同。AI大的技术方向有计算机视觉、自然语言处理、语音工程、规划决策、大数据分析。根据自己所做产品的行业，对不同的技术理解有不同的要求。

AI是一个找出对应关系的工具，把行业内的需求，转化成的“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”，形式会有不同。

如果大家想做AI产品经理，以上技术全景图需要系统掌握，没有管住G中号（薛老板产品派）的可以先关注起来，已经给大家按照上面的脑图准备了多篇算法原理的干货文章，后续逐步发到上。如果大家想要求职AI产品经理或者AI算法工程师，但是缺乏项目经验的，我有一个AI求职交流群，内有行业大佬带着大家做一些公司内的真实项目。并且后续所有AI的干货资料都直接发到群里。

（二）数据准备

当定义好需求，明确了根据需求要给AI定义的“输入”和“输出”是什么之后，接下来就需要为AI准备“输入-输出”的训练集，并训练AI了。

必须要说明的是：这个环节是针对于非大模型类的AI产品经理需要做的事情，当然大模型出现之后，如果是针对AIGC领域的产品经理是不需要做这件事的。所以，当下对于技术背景不是很强的小伙伴，AIGC领域的产品经理是一个可以重点考虑的方向。

我把数据准备分成了三个阶段，数据来源——数据定义——数据交付。在这三个阶段中，需要的规划、收集、整理数据的能力，我觉得是AI产品经理与传统产品一个非常大的差别了。

1.数据来源就像传统产品一样，产品开始前必须先确定数据来源。传统产品的数据来源是直接给提供给用户的使用数据，AI的数据来源是指训练AI的数据来源。

我把数据来源分成了两个方面，第一个是为AI准备的基础数据，第二个是结合产品设计，在和用户交互中收集的数据。基础数据是用来制作AI产品的数据，交互中收集的数据，是产品上线后，用户对产品进行训练的数据。

（1）基础数据产品经理首先要找到合适的数据源，它可能会是所做产品原来的数据积累，也可能是各方收集的数据甚至人力撰写而来的数据。这些数据需要被整理成教育AI的训练集和测试集。大量的深度学习对数据的质量也有很高的要求。准备训练集和测试集是AI产品经理相对与传统产品经理新增的任务，也是一个非常艰难和繁杂的任务，而且任务量很大，需要团队一起配合完成，并且不断探索更加简便的方法。

（2）在交互中收集数据AI产品并不像传统产品一样，每一版是一个固定的形态。它有一个很大的特质是“动”，AI是成长的，是不断进步和变化的，和用户交互的过程，就是它的迭代过程。交互中的数据是数据来源的一个重要方面。（3）数据定义当有了数据来源，接下需要为AI整理训练集和测试集。这期间涉及到很多繁杂的工作，大量的数据清洗、整理数据，并且有非常多需要考虑的问题：

• 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”能够保证测试集训练出的机器能更好的运用在实际场景中？
• 在交互中，要收集什么数据？用什么样的形式收集数据？如何把收集数据的交互更好地融合在用户的使用中？

这些都是AI产品经理面对数据时需要考虑的，每一个问题下都有非常非常多的内容需要探索。在真正的实践过程中，还有各种各样的疑难杂症，需要根据机器学习效果对训练集进行不断的不断的调整和修改。

（三）产品设计

定义好了产品需求后，就可以开始进行产品设计了。产品设计本质和传统产品经理的工作是一样的，根据需求和问题做出能解决问题的产品。我主要两个方面：基础功能、动态中发展。

（1）基础功能产品的大框架肯定还是基于我们的产品本身的形态，它是一个智能音箱还是一个智能电视，还是在App里的一个智能助手…接下来看我们要完成的需求，如果它是一个用在App里的智能助手，现在要训练它完成“找功能”这个需求，那么产品的形态和设计肯定就是围绕着“找功能”来做。相信这部分工作互联网领域的产品经理是完全没有任何难度的。

（2）动态中发展动态中发展的含义两个方面，第一个在上文中已经提到了，产品在使用中迭代。要在产品设计中添加数据收集的设计，通过产品的不断使用，不断从用户那里得到更多的更深入的数据，在使用中为AI进行训练，在AI解决问题越来越准确和深入的过程中迭代产品。基于新获得的更加深入和了解用户的数据，也可以为该场景下更加深入功能的制作提供基础。比如一开始只能帮助用户唤起应用，之后就可以考虑帮助用户唤起并使用应用内的内容。

第二个动态指的是用户和产品的交互是动态的。不同于传统产品，点一个确定按钮就是确定按钮，点一个取消就是取消，在语音对话等场景下，产品的功能是需要在和用户的动态交互中被唤起的。当然这里主要谈到的是语音对话等场景下，大部分用在搜索、推荐等传统界面内的AI交互还是和互联网界面一样。

而语音场景下和用户不断对话的情况，涉及到了场景剧本编写、多轮对话设计、词槽设计等方面，还有语音交互的规则以及经验。比如地图应用的小助手使用场景多在开车用户开车时，用户会问些什么，怎样编写剧本，怎样进行词槽填充？在未来，也会出现越来越多AI产品不局限在固定的界面内，AI产品经理面临的是对更丰富和广阔的场景的把握。

（四）上线反馈

AI产品上线之后一般是需要做三件事：

1）模型评估指标体系的搭建，这部分应该是在产品定义之初就搭建好；

2）指标的计算逻辑设计；

3）模型验收测试。

根据以上AI产品经理工作流程的梳理，我梳理了3大技能模型，如上图所示如果有兴趣想提前布局进入AI产品经理的领域的同学，可以根据这个作为方向，一点点的提升自己的能力。

最终如果能成为AI产品经理，那也是挺香的，毕竟AI和人工智能，是未来的发展之路。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
    - L1.4.1 知识大模型
    - L1.4.2 生产大模型
    - L1.4.3 模型工程方法论
    - L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
    - L2.1.1 OpenAI API接口
    - L2.1.2 Python接口接入
    - L2.1.3 BOT工具类框架
    - L2.1.4 代码示例
  • L2.2 Prompt框架
    - L2.2.1 什么是Prompt
    - L2.2.2 Prompt框架应用现状
    - L2.2.3 基于GPTAS的Prompt框架
    - L2.2.4 Prompt框架与Thought
    - L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
    - L2.3.1 流水线工程的概念
    - L2.3.2 流水线工程的优点
    - L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
    - L3.1.1 Agent模型框架的设计理念
    - L3.1.2 Agent模型框架的核心组件
    - L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
    - L3.2.1 MetaGPT的基本概念
    - L3.2.2 MetaGPT的工作原理
    - L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
    - L3.3.1 ChatGLM的特点
    - L3.3.2 ChatGLM的开发环境
    - L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
    - L3.4.1 LLAMA的特点
    - L3.4.2 LLAMA的开发环境
    - L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓