"AI产品经理"这个岗位越来越常见，但很多人对它的理解还停留在表面，以为会用几款AI工具、懂一点Prompt技巧就算入门了。
实际上，AI PM和"用AI工具的PM"之间有一道很清楚的分界线。前者能定义AI能力的边界、评估AI产出的质量、管理AI带来的不确定性；后者只是把AI当作提效手段，换一套工具还是原来那个PM。
如果你想朝AI PM方向发展，下面这6项技能值得提前掌握，不需要你全部精通，但每一项都必须了解。
做AI产品的PM，不需要会写代码，但必须理解AI能做什么、不能做什么，以及为什么。
为什么同一个Prompt有时候能给出很好的结果有时候完全不对？
不理解这些，PM在和工程师沟通需求时会反复出现一个问题：PM认为"这个功能让AI做就行了"，工程师说"这个实现不了"或者"效果没法保证"，然后双方陷入漫长的拉锯。PM没有足够的技术认知来判断工程师的说法是真实的技术限制还是实现成本问题，沟通效率极低。
需要掌握的基础认知包括：大模型（LLM）的基本工作原理、向量数据库和RAG的应用场景、模型微调和提示词工程的区别和各自适用的场景、AI输出的不确定性从哪里来以及如何在产品层面处理。
另外，学习路径不需要太复杂，把主流大模型厂商的技术文档、产品文档通读一遍，再动手用API跑几个真实的场景，对AI能力的感知会比看十篇教程都实在。
这项技能普通PM也需要，但AI产品对它的要求更高。
因为AI产品都是新领域，没有多少竞品可以参考，还有AI产品的交互逻辑有其他产品里很少遇到的情况：AI输出需要时间，加载中状态怎么设计？AI给出了一个错误结果，用户能纠正吗、怎么纠正？多轮对话中上下文如何保留和管理？AI判断置信度低的时候，界面是直接给结果还是提示用户确认？
这些问题在需求文档里写清楚是一回事，能画成原型让设计师和开发直接看到是另一回事。AI产品里这类边界场景极多，如果只靠文字描述，评审会上大半时间都会花在"你说的这个意思是……"上面。
把需求快速变成可以沟通的原型，是AI PM必须具备的基本能力。过去这件事的门槛不低，现在你已经可以用AI来完成了。
像新一代AI产品设计平台摹客3，就内置了小摹AI，支持输入需求描述一键生成高保真设计稿，一次生成3套方案，可以自定义风格、主题色、深浅模式等参数，生成的设计稿直接可编辑。
对AI产品里那些需要快速出图验证的特殊交互场景，摹客3的原型模式可以把多状态的交互逻辑完整表达出来：空结果状态、加载中状态、错误状态、多轮对话的上下文管理，都能在原型里画清楚，拿到评审会上让团队直接看。
用AI PM的工作节奏来说，接到一个新功能需求，当天就能出一版原型拉设计师和开发评审，不需要等待。这个速度在AI产品快速迭代的节奏下，比什么都重要。
AI PM需要真正会用AI工具，这里的"会用"不是指会打开豆包提问，而是能写出精准有效的Prompt、能判断AI输出的质量好不好、能把AI工具嵌进自己的日常工作流里。
为什么这项技能对AI PM特别重要？因为你设计的是AI产品，产品里有大量"如何给AI下指令"和"如何处理AI输出"的设计决策。如果你自己对Prompt工程没有真实的使用感知，很难设计出让用户真正用得顺手的AI交互。
Prompt工程的核心原则其实不复杂：明确任务、提供上下文、指定输出格式、给出示例。但从"知道这些原则"到"能写出稳定产出高质量结果的Prompt"，中间有大量需要反复练习的细节。
更进一步，AI PM还需要能判断什么时候应该用Prompt解决、什么时候Prompt已经到了上限需要考虑微调或者换模型。这个判断力不是靠看文章培养出来的，是靠真实使用场景里的积累。
比如，把自己日常工作里高频的场景，像写PRD、整理用户反馈、做竞品分析，每一个都认真用AI工具跑一遍，不断调整Prompt直到产出稳定达到你的要求，记录下有效的Prompt模板。这个过程本身就是在积累AI PM最需要的实战经验。
AI产品的效果很难凭感觉判断。用户说"AI给的结果不准"，这是模型能力问题、训练数据问题、还是Prompt设计问题？不同的根因对应完全不同的解决方案。没有数据分析能力的PM，在这类问题面前几乎没有办法做出有效决策。
AI PM在数据分析上需要具备的能力，比普通PM更深一层：
AI功能上线前，要能定义清楚"什么样的输出算好的"，并设计出可量化的评估标准。不能只说"用户觉得结果更好了"，要能说清楚好在哪、怎么测量。
准确率、召回率、F1 Score、BLEU分数……这些指标不需要会计算，但需要理解它们各自衡量的是什么、适合用在什么场景，以及一个指标好不等于产品好。
用户没有点"这个回答没帮助"不代表AI输出是好的，可能是用户根本就没有意识到可以反馈，或者反馈入口太难找。从行为数据里读出用户真实的使用情况，是AI产品数据分析的核心挑战。
用户使用AI产品的心理模型和使用普通产品时完全不同，这要求AI PM对用户研究的方法做相应的调整。
用户对AI的初始信任度往往很低，"AI会不会给我错误答案"是很多用户第一次使用AI功能时的核心疑虑。普通产品的可用性测试关注用户能不能完成任务，AI产品还需要关注用户在什么节点开始怀疑AI的输出、又是什么让他们重新建立信任。
用户对普通软件的Bug容忍度很低，但对AI给出"不太对"的结果往往有一定的容忍空间：前提是产品让用户知道AI有时候可能不准，并且提供了纠错的途径。如何在产品里管理用户对AI的预期，是AI产品用户研究里一个特有的课题。
用户反馈"这个功能不好用"，背后可能是三类完全不同的问题：AI模型本身的能力问题、交互设计的问题、或者用户对功能的理解偏差。能从用户访谈和行为数据里区分这三类问题，才能把研究结论转化成有效的改进方向。
AI产品面临的伦理和风险问题，是在上线前就需要嵌进产品设计里的，而不是出了问题再补救。
AI模型的训练数据从哪里来、用户在产品里产生的数据会不会用于模型训练、如何向用户说明，这些都是AI PM需要在产品早期就和法务、技术团队对齐的问题。
AI模型的输出可能在特定群体上存在系统性偏差，尤其是涉及招聘、信贷、医疗等高风险场景的AI产品。PM需要有意识地在评估方案里加入公平性维度，而不是只看整体指标。
用户看到AI给出的结果，往往倾向于高估它的可靠性。"幻觉"问题在大模型里普遍存在，如何在产品里做好风险提示、如何设计人工复核机制，是AI PM需要主动考虑的设计问题。
有PM经验、想转AI PM：
技术认知和数据能力是最大的补课方向，从技能1和技能4入手。有了这两项，和工程师的沟通效率会有明显提升，对AI产品的判断也会更有底气。
应届生想进AI PM方向：
先从技能2和技能3入手，有原型表达能力、真正用好AI工具，是面试时能展示出来的最直接的竞争力。技能1可以在工作中边做边补。
已经在做AI产品的PM：
技能1到4通常已经有一定积累，重点补技能5和技能6。用户研究方法和AI伦理意识是很多做AI产品的PM容易忽视的短板，也是产品做到一定阶段后会遇到瓶颈的地方。
最后，AI PM其实不是一个完全新的工种，而是在扎实的PM基础上，叠加对AI技术的理解、对AI产品特殊性的认知，以及对风险边界的清醒判断，才能成为优秀的AI产品经理。
