开篇

AI Agent PM 正在成为科技行业薪酬最高（传闻达 $750K+）、增长最快的职位之一。

但这背后，是传统产品管理范式的彻底颠覆。曾在FAANG任职的资深PM Mahesh Yadavad 提出了一个“马车先行”开发法：

• 旧世界： PM花数月调研，撰写厚重的PRD，再交给工程开发。
• 新世界（AI）： AI让原型成本降低了100倍。PM必须在2周内，用Langflow、V0等工具Vibe Coding，先把原型“怼”到客户面前，拿到反馈后再去补写一份小而精的需求文档。

但作为一个AI PM学习者，我还是会感到困惑：

在传统互联网时代，PM的职责是清晰的，比如业务PM、增长PM、平台PM…；但在AI时代，PM的边界似乎很模糊。AI PM到底是一个全新的岗位，还是只是传统PM的演进呢？

尤其是当我审视当下的市场，我发现一个“交叉共存”的局面：

1. 基础模型层PM（拥有自研模型）
2. AI Native应用PM（从零开始构建AI原生应用）
3. 传统业务+AI增强PM（在现有业务中“+AI”，例如电商、内容、SaaS）
4. 纯传统互联网PM（暂时未涉及AI）

这种多样性让我更加困惑：我自己的职业规划该怎么做？我到底适合哪一种？

为了搞清这个问题，我近期做了一些功课，试图从两位顶尖思想者的分享中，拼凑出PM的「角色演进」，并找到我自己的位置。

• Peter Deng (PM界)： 他定义了PM的「5种原型」。
• Andrej Karpathy (AI界)： 他定义了「软件3.0」的新时代。

💡 总结一条清晰的路径：

AI PM，正从软件2.0的「算法PM」，演进到软件3.0的「Agent PM」。

Peter Deng：PM的五大原型

在谈论AI PM之前，先从Peter Deng定义的PM的五种原型框架开始。他认为一个优秀的PM团队应是「复仇者联盟」，每个人有不同的超能力：需要不同角色间的良性对抗，而不是千篇一律的“六边形战士”。

1. 消费类产品经理

• 画像： “一个兼具设计师和产品经理特质的人”。
• 特质： 对细节极度痴迷。“它令人愉悦吗？精工细作够吗？天啊，这里偏了三个像素”。他们能感受到产品的“Vibe”（氛围感）。

2. 增长型产品经理

• 画像： “一半是数据科学家，一半是产品人”。
• 特质： 天生习惯于优先思考数字，充满怀疑精神。“我持怀疑态度，给我看看数据。让我做个测试来验证一下，我不相信你”。

3. 业务型产品经理

• 画像： “一半是MBA，一半是产品人”。
• 特质： 天生从商业模式出发，思考“利润如何？有哪些机遇，价值又是在何处创造的？” 他们会思考“这里的激励是什么？”

4. 平台型产品经理

• 画像： 系统构建者。
• 特质： 天生热衷于为他人打造工具（如内部平台），构建能“助你前行的工具”。

5. 研究型产品经理

• 画像： “半研究员半工程师半产品人”。
• 特质： Deng提到，这就是AIPM的核心。“如今，真正具备产品品味的人是谁？（是那些）深入了解技术及模型的训练方式，进而影响并构建最棒的产品”的人。

这个框架给我们的启发是：不必强迫自己成为完美的「全能PM」，而是应该找到自己的优势区。

---

从软件2.0到3.0的“范式转移”

Peter Deng的框架很好，但它是建立在特定技术时代之上的。而Andrej Karpathy的「软件3.0」理论，则精准地定义了“时代正在发生改变”：

• 软件1.0 (C++/Java/…)： 程序员“显式”编写代码。
• 软件2.0 (神经网络/权重)： 通过数据集和优化器来“编程”神经网络的权重。
• 软件3.0 (LLM/Prompt)： LLM可能是一个全新的操作系统(OS)，而我们的提示词本身就是程序。我们，正在「用自然语言编程」。

Karpathy的理论引出了两个颠覆性的事实：

1. AI的“不可预测性”： 你无法像软件1.0那样，用静态PRD去穷举AI的所有行为。
2. 开发的“马车先行”： PM可以在几周甚至几天内构建原型。

这就导向了一个核心矛盾：当AI的行为不可预测，而AI的原型又如此之快时，PM的传统PRD（静态、滞后）失效了。

---

AI PM：从算法PM到Agent PM

结合Deng的原型和Karpathy的时代划分，AI PM的演进路径变得异常清晰。

阶段一：算法PM (软件2.0时代)

在软件2.0时代（即传统机器学习/深度学习时代），AI PM的角色更接近五种原型中的「研究型/算法PM」。

• 角色定位： “炼丹炉”的辅助者，算法的翻译官。
• 核心工作： 核心三件套是「场景、数据、评测」。PM不编写算法，但需要通过定义标注规则、寻找bad case、设计评测体系来“编程”数据集。
• 最终目标： 让模型变得更准。

阶段二：Agent PM(软件3.0时代)

在软件3.0时代，Karpathy说LLM会是一个全新的OS。我们不再需要从零“炼丹”（软件2.0），可以直接使用这个OS（软件3.0）。

LLM的下一步是AI Agent（智能体）。Agent不再是“被动回答”的聊天机器人，它是一个可以“感知-规划-行动”的自主系统。

1. ***工具：***能调用API、搜索、写代码来改变世界状态。
2. ***目标：***拥有明确的角色和目标，并会为了实现目标而持续尝试。
3. ***知识与记忆：***能连接外部知识库（RAG）或拥有记忆。
4. ***护栏：***拥有检查和平衡机制，确保行为可控。

👇 这就催生了一个全新的名称：Agent PM。

• **角色定位：**不再是“辅助者”，而是“系统设计者”。
• **工作核心：**设计Agent的感知、规划和行动。
• 核心产出：“活的PRD”，即一个动态的、可执行的、不断进化的评测体系。

在Agent时代，“评测”不再是QA的辅助工作，它本身就是PM定义产品的核心手段。

更精妙的是，这个构建“评测体系”的过程，恰好需要「复仇者联盟」的全部五种能力，我们再拿小红书的案例进行展示吧：

现阶段可能还没有这么明确的分工，以下只是一个类比～如有理解错误的地方，恳请指正。

1. 用“黄金评测”定义“产品上限”

• **传统PRD：**PM写一篇文档，描述“旅游攻略”应该长什么样。
• **Agent PM：**PM直接去定义（甚至标注）100条“理想的”旅游攻略SFT数据（黄金评测）。
• **对应原型：**这需要 “消费类PM” 的极致品味和用户共情，来定义“什么才是好”。

2. 用“负面评测”定义“产品底线”

• **传统PRD：**PM在文档里写一条：“回答风格不要油腻”。（工程师：？？？）
• **Agent PM：**PM将“油腻”、“重复”、“答案错误”等失败模式提炼出来，定义成“确定性的Reward信号”，用来训练Reward Model。
• **对应原型：**这需要 “研究型PM” 的技术理解力，将模糊的产品感受转化为可量化的惩罚信号。

3. 用“工作流”平衡“价值与成本”

• **背景：**纯Agent的输出不可控且成本高。
• **Agent PM：**PM必须做出架构决策——何时使用高确定性、低成本的“Workflows”（如“霸王茶姬推荐”），何时使用高灵活性、高成本的“Agentic Search”（如“UPF是什么意思”）。
• **对应原型：**这需要 “业务型PM” 的商业头脑，来判断用户真正需要的价值（是“效率”还是“探索”），并平衡开发和维护成本。

4. 用“评测飞轮”驱动“产品进化”

• **Agent PM：**PM的核心工作是构建并拥有小红书的(A1-A2-A3)评估飞轮。

• (A1) **定义标准：**PM定义多维评估标准（准确性、完整性等）。
• (A2) **自动评测：**PM引入“LLM法官”实现自动化评估。
• (A3) **闭环反馈：**PM收集真实用户反馈（点踩、分享），反过来迭代(A1)的评测标准。

• 对应原型： (A2)需要 “平台型PM” 的系统思维来构建自动化工具，(A3)需要 “增长型PM” 的数据分析能力来闭环反馈。

---

所以，我到底适合哪种PM？

👇 这条演进之路现在非常清晰了：

• 算法PM(软件2.0) = 研究型PM（Peter Deng原型5）
• Agent PM (软件3.0) = Deng的5种原型合体

在Agent时代，一个酷炫的聊天界面（像素）不重要，Agent是否“可靠地”完成了用户的“目标”（价值）才重要。 AI PM不再是单一职能，必须：

• 像“消费类PM”一样定义“好”的黄金标准；
• 像“平台型PM”和“研究型PM”一样构建自动化的评测系统；
• 并像“增长型PM”和“业务型PM”一样，让整个评测飞轮与真实的用户价值和商业目标对齐。

这也许就是为什么Peter Deng在招聘时，最看重的不是你来自哪个原型，而是你是否具备“成长型思维”。

🌟 那么，回到最初的问题：我适合哪种PM？

这个框架告诉我们：我们不必是“六边形战士”，但必须拥有自己的“超能力”。

• 如果是消费类PM，你的品味和用户共情是定义“黄金评测”的基石。
• 如果是增长或业务PM，你的商业嗅觉和数据能力是Agent“不跑偏”的保障。
• 如果是平台或研究PM，你的技术深度和系统思维是构建“评测飞轮”的核心。

在AI时代，所有人都在重新学习。我们要找到自己的优势区，然后开始构建自己的“评测”能力。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了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 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。

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】

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

海量AI大模型必读的经典书籍（PDF）

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

600+AI大模型报告（实时更新）

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。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

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】