AI 时代，产品经理该如何进化

当 AI 和大模型带来的自然语言交互 LUI 成为主流，产品经理还有存在的价值吗？这大概是当下所有产品经理，心中最大的疑问和恐惧。是不是Prompt 做得好，就能做产品经理了？到底该怎么驯服 AI这个「黑箱」，得到自己想要的结果？面对这些问题，来自完美世界技术中心产品总监罗一聪，根据自己的经验，总结了在 AI时代中，产品经理可能需要的品质和特性。

传统的互联网业务或者游戏业务，产品或者业务输出需求，技术人员只需要指哪打哪就好了。而人工智能发展到当下这个尴尬的阶段，仿佛它能干很多事，但是真把它往业务里搁就发现，这个叛逆的小东西不一定胜任的了这些有明确「规矩」的事情。

大部分 Prompt 工程师或者优化师都是从 ChatGPT 开始入手的。而作为目前地表最强的 LLM 之一，它能干的好的，别的模型不一定干得好。它能勉强干得了的，别的模型大概率勉强都干不了。尤其能对 ChatGPT 进行 FT 之后，这种差异变得更加明显。

国产模型厂商也突飞猛进，基本上几个主流大模型厂都能有至少一个还算勉强通用的大模型。虽然参差比较明显，但是都自称有几个国家级的或者 SP 级的厂商在后面为他们站台。而时至今日，这些厂商开始开始纷纷主动降维，希望可以面向实际行业应用去做垂类小模型。这些小模型训练快，价格低，更容易被在意成本的 B 端用户接受。

01、技术即产品？需求与业务的摸索期

AI 服务提供商大多是由技术人员主导的，商务和销售虽然可以协助市场开拓，但并不能主导核心技术的倾向。这就导致了现在的 AI 产品主要集中在技术层面，技术即产品，产品即技术。而技术体现在每一款模型的通用能力上。至于是否可以解决业务需求，并不在模型训练师本来的考虑范围内。这就导致销售或者业务端越来越直观的感受到需求的断层：自己对模型能干什么并不了解，导致自己不知道该拿模型怎么办。技术人员也发现自己仿佛不着地：自己往往不知道自己的模型能解决什么业务，举出来的例子并不能让业务端的人产生有用的联想。

最近几个月，随着我们的游戏业务不断趋于落地，我们和模型厂商的对接也越来越多。因为我们开始在追求效果的同时开始追求成本，合作伙伴也开始纷纷给出一些小模型希望我们尝试。这就导致原有的 Prompt 很可能无法直接在小模型上使用。因为 Prompt 在一定程度上属于商业机密，所以我们不会把业务的 Prompt 直接给到模型厂商。所以我们就会询问对方：请问这款模型擅长什么？不擅长什么？如果我们有一个这样这样的需求，你们希望我们如何组织 Prompt？这个问题往往会让对方措手不及。

反之，模型厂商直接面向业务的时候，大量的专业名词和与业务毫不相干的知识会让游戏研发团队的同学一头雾水，他们只想知道：我想要这个结果，有没有现成 Demo 吧？没有匹配的，那你就说需要我等多久吧，能不能保证效果？

而两边的老板也是一样的，业务的老板想知道这东西对 ROI 有多大增益，有多少各种成本？模型的老板想知道你们业务需要我们多少 QPS，日常使用量能有多大，我要为你们额外做多少定制开发？于是双方进入一种非常尴尬的博弈：如果模型不能为业务直接解决问题，业务就不愿意投入人力去做开发。如果垂类业务不愿意为模型研发买单，那么模型厂商就不愿意为定制需求做开发。这种情况最终会导致业务和技术进行「亲切而友好的交流，双方充分的交换了意见」之后，散场。散场之后互相埋怨。

突然想到之前看到的一张 AI 画的咖啡机。你说它是咖啡机吧，它好像有那么点儿意思。但是你说这东西是咖啡机吧，喝咖啡的人肯定觉得不对劲。

02、优化AI技术应用管线

于是，我们开始优化 AI 技术应用管线：游戏项目团队的策划与技术与我们的 Prompt 工程师、AI 技术策划对接；Prompt 工程师和模型产品经理对接；模型产品经理与模型厂商和模型训练团队对接，对前者提供的模型进行能力评测，对后者提出训练或微调需求。

这样，就对产品经理来说，他们可以将项目对 AI 模型的能力进行拆解，并且分难度梳理测试 Case。单项测试通过之后，可以将单项测试 Case 进行组合，面向项目可能的需求模拟复合测试 Case。

这些测试 Case 经过产品经理的梳理后，已经从游戏项目脱敏，可以提供给模型训练团队和第三方，并且可以接受不同模型提供方提供的解决方案。

逐渐的，就像前一段为场景美术搭建的 SD 管线一样：一个业务的流程可能会用到多个 Ckpt 和多个 LoRA，而每个模型在什么时机生效由产品和实际应用者在逻辑里编辑好。SD 的定制化管线，每个项目的不同点有技术美术团队搞定。LLMs 的定制化方案由技术策划团队搞定。而通用能力和通用解决方案，交给产品经理来解决。产品经理团队一方面负责寻找契合业务能力需求的模型及模型用法，一方面探索用更低的成本和更高的效率满足项目需求。

03、AI 重新制定产品经理，的工作范围边界

1、 重新明确自己的用户是谁。AI 技术本身的用户很可能不是 ToC 也不是传统意义上的 ToB，而是成为一个已经成型的产品中第一个零件。这个零件可大可小，可核心可周边。所以狭义的 AI 技术产品经理必须明确每一个 AI 技术的「用户」到底是谁。以及对这个 AI 技术的要求到底是什么。当然，现在面临的情况可能是原来业务的产品经理需要从产品商业化与体验设计层下沉，直面 AI 能力的应用策略设计。

2、 Prompt 能力。比如说：我们希望模型根据所给的条件进行推理，并给出答案。如果产品经理本身的 Prompt 能力不够，那么可能在他眼里，某些模型就是无法使用的。而众所周知，Prompt 优化能力是一定要面向业务才能得到提高的。所以产品经理必须参与实际业务落地，而不能完全脱离业务。

3、 功能边界的判断能力。一个需求，到底用逻辑做好，还是用 AI 来处理好？同一个 AI 能力的需求，是需要 Chat 能力，还是用 Embedding 能力就够了？有逻辑加入是否会更省？如果逻辑和 AI 同时参与，那么我们对 AI 的能力需求是否会发生改变？这同样需要产品经理了解业务需求，并且面向业务需求做多种尝试。

4、 迭代、沟通和抗压能力。一个诉求实现之后，还要不断迭代。这种迭代有可能是因为业务提高标准，导致的需求变更，也有可能是 ROI 的压力导致需要对现在的实现方案做优化。这需要产品经理时刻保持对各种测试 Case 的拓展和测试，还需要让产品经理有能力推动业务里的设计师、程序员以及内部的训练师、优化师配合自己进行尝试。这一定会带来额外的工作量，甚至有可能在测试开发周期内会导致效果的不稳定，甚至产生负优化。

5、 抽象与间接需求提取能力。与产品功能开发不同，对「模型训练」提需求是一件有点「抽象」的事情。让一个模型拥有一个专项能力是一种训练需求，而让一个模型拥有「理解一类专项指令」的训练需求就不那么好提。而每一种训练，都要和训练师一起设计训练集。而训练集的质量直接导致了训练结果的好坏。虽然训练集的设计本身不一定要由产品经理来做，但是我想说的是从需求的产生，到训练成果的呈现，都是没有太多可借鉴的。

6、 程序知识、服务结构设计能力和更高的协调能力。与传统产品功能开发不同，AI+的应用，如果将 AI 能力放在整个业务流程中间，那么上游业务的输出和下游业务的输入都与 AI 的部分关联。那么此时，产品经理需要统合上下游和 AI 部分的数据结构，根据业务需求和模型能力调整上下游的接口。

7、 在浪漫的战略与谨慎的战术之间，把脚放在刹车上时刻准备来一脚的认怂能力。这一点，需要产品经理时刻保持清醒：产品是给人用的；功能开发是开发任务；模型训练是科研任务。什么意思？如果一个科研任务的结果无法预估，那么就不要着急决定把这个科研任务的结果放进产品中的时间。如果一个科研任务产生的成本（不管是金钱成本、人力成本还是时间成本）已经超过了这个产品本身的 ROI 限度，那么就要及时止损。

为什么要学AI大模型？

2024人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

大模型岗位需求

大模型时代，企业对人才的需求变了，AIGC相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够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10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

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。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 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】