PM 的本质：定义做什么，而不是怎么做
我理解产品经理有三个常见比喻：迷你 CEO、翻译官、乐团指挥。它们各自强调不同侧面：对结果负责，把用户语言翻译成团队能执行的需求，以及在没有直接汇报权的情况下推动协作。
但如果压缩成一句话，产品经理的本质是：
PM = 发现用户真实问题 × 找到商业可行解法 × 推动团队落地执行。
这句话里最容易被忽略的是“真实问题”。很多产品失败，并不是团队执行力差，而是一开始就从功能出发，把“我要做一个功能”误认为“我解决了一个问题”。
传统 PM 的五个基本功
无论是不是 AI 产品，PM 的基本功都绕不开五件事：需求管理、产品规划、跨职能协作、数据驱动迭代和用户洞察。
这些能力看起来基础，但越是复杂项目越依赖它们。AI 产品也一样，技术越新，越需要把基础问题问清楚：用户是谁？场景是什么？价值在哪里？技术能不能承载？运营怎么让它持续被使用？
AI PM 和传统 PM 的核心差异
AI 产品最大的变化，是交付物不再只有功能。传统 PM 写 PRD、排 Roadmap、定义指标；AI PM 还要定义 AI 的行为规范、评测标准、Prompt 迭代方式、Bad Case 闭环和降级策略。
| 维度 | 传统 PM | AI PM |
|---|---|---|
| 输出确定性 | 功能按规则运行，结果相对确定。 | 模型输出有概率，需要容错和评测。 |
| 迭代对象 | 主要迭代代码功能和交互流程。 | 同时迭代功能、Prompt、数据和模型表现。 |
| 上线含义 | 上线往往代表一个阶段完成。 | 上线只是起点，后面要持续收集 Bad Case。 |
| 核心能力 | 需求拆解、协作推动、数据判断。 | 以上能力，再加技术理解、评测设计和概率思维。 |
在我做 AI 问答、RAG、Multi-Agent 相关实践时，最明显的体会是：AI PM 不能只问“这个功能有没有上线”，还要问“什么样的回答算好”“错到什么程度必须转人工”“如何证明 Prompt 调整真的变好了”。
AI PM 的三角能力模型
我比较认同用三角模型理解 AI PM：技术理解深度、产品设计高度、商业落地精度。三条边缺一条，都会出问题。
只有技术理解，会变成研发和业务之间的传声筒；只有产品设计，可能做出漂亮但落不了地的方案；只有商业感觉，又容易低估 AI 系统的工程复杂度。
一个实用框架：用场价技运
做产品判断时，我喜欢把问题压回五个字：用、场、价、技、运。
- 用：用户是谁，目标用户画像是否清楚。
- 场：场景是什么，用户在什么触发条件下需要这个产品。
- 价：价值在哪里，既包括用户价值，也包括商业价值。
- 技：技术是否可行，成本多少，稳定性和风险如何。
- 运：运营策略是什么，如何冷启动、留存和增长。
这个框架对 AI 产品尤其有用。因为 AI 容易让团队兴奋于能力本身，但产品判断必须回到场景和价值。如果一个 Agent 很聪明，却没有稳定触发场景，也没有可度量的业务收益，它仍然不是一个好产品。
AI PM 必须建立概率思维
传统软件更接近确定性系统。按钮点下去，状态应该按规则变化。AI 产品不同，模型输出天然有概率，哪怕同一个问题也可能因为上下文、Prompt、检索结果不同而变化。
这意味着 AI PM 不能只追求“写一个完美需求”，还要设计一套持续逼近质量的机制：评测集、Bad Case 分类、Prompt 版本、人工复核、Fallback、用户反馈和上线后的监控。
几个必须掌握的关键词
如果要快速理解 AI PM 的日常工作，我会优先看五个关键词：PRD、Roadmap、MVP、Bad Case、Fallback。
PRD 不是功能清单，而是团队对“做什么、为什么做、做到什么程度”的共同约定。AI 产品里的 PRD 还要写清楚模型行为边界、知识来源、置信度和异常处理。
Roadmap 是优先级工具。比如 AI 问答产品，可能先修复 Top10 Bad Case，再做记忆管理，最后扩展多模态输入。
MVP 不是半成品，而是用最低成本验证核心假设。做 AI 问答时，MVP 不一定先搭完整 RAG，可以先用人工客服 + 简单机器人验证用户是否愿意用 AI 解决问题。
Bad Case 是 AI 产品质量迭代的燃料。传统产品靠 Bug 报告驱动修复，AI 产品靠 Bad Case 驱动 Prompt、知识库、工具调用和模型策略优化。
Fallback 是信任保护机制。AI 不可能永远答对，因此必须设计转人工、默认回复、规则引擎兜底或静态 FAQ 页面。
总结
产品经理的核心职责，是发现真实问题、找到可行解法、推动团队交付。AI 时代没有改变这个本质，只是把问题变得更复杂了。
AI PM 需要同时理解用户、业务、技术和模型不确定性。真正的能力不是“会用 AI 工具”，而是能把 AI 能力放进一个可控、可评估、可迭代的产品系统里。
欢迎通过邮件和我交流：shaoyanyan91@163.com
本文整理自个人 AI PM 知识库，并结合 AI 问答、RAG 与产品落地实践补充。