00 / 本文地图：你读完能直接抄走的「五件设计资产」

下面五章是本文的方法论主线，每章都附一个你能直接抄走的设计产出。建议按顺序读——前面的原则不立，后面的内容会散。

模块	解决什么	你能抄走
01 为什么是这套组合	PM 与 PM Skill 的关系	一套组合定位话术
02 设计原则（五条）	做这个 skill 先立规矩	原则卡（评审尺）
03 六维度拆解（重锤）	每个维度装什么内容	人设/铁律/模板/工作流/Eval红线/演进 全套内容
04 横向对比	三类 PM 能力载体差在哪	一张三列对比表 + 金融重点
📌 收藏 & 系列预告	系列全梳理、岗位拆解规则、实验室简介	可复用设计规格 + 落地预期

01 / 为什么是「PM + PM Skill」这套组合

上篇讲清了「AI Native 产品经理」是什么人。但一个人再强，他的能力也需要一套工具来「接住」——否则判断停在脑子里，交接靠悟，规模上不去。这里有个类比：今天没有工程师会徒手写代码不用 IDE；同样，一个 AI Native PM 的工作流，也不该只靠一份岗位说明书和自己的人脑。

副驾，不是替补

PM Skill 的定位是「副驾」：它帮 PM 把边界想清楚、把 Eval 指标逼出来、把红线挡在门外面，让 PM 把精力放在真正要拍板的判断上。它是标配，不是「招不到人才用的平替」。一个 95 分的 PM 配一个合格的 skill，产出更稳、下限更高；一个普通 PM 配同一个 skill，也能摸到 AI Native PM 的门槛——但这是「组合红利」的溢出，不是设计初衷。

那「招不到」怎么办

金融 IT 里「懂业务 + 会 AI coding + 握 Eval 主权」三者兼具的人极稀缺。这时候，把岗位能力封装成 skill，确实是让普通人借它入门的务实路径。但请记住顺序：**先有「PM + PM Skill 是完整组合」这个认知，再用它去补「招不到」的缺口。**本末倒置，会把 skill 做成「岗位说明书 prompt」——那没用，下面 03 会讲清楚为什么。

💎 一句话定义这篇在做什么

PM + PM Skill，才是完整的 AI Native 产品经理；
而一个能用的 PM skill，
装的是边界、Eval 和红线，不是又一份岗位说明书。

02 / 设计原则：五条规矩，当作后面六维度的「评审尺」

底料我们用了一份成熟的通用 PM agent 定义（agency-agents 开源项目的 product-manager），但它的原版是「B2B SaaS / 消费 App」语境，没有金融红线、没有 Eval 主权。直接拿来用会水土不服。所以我们先立五条原则，后面 03 每个维度都拿它当尺子量。

① 以岗位能力雷达为骨架，不堆功能

对齐上篇的七维能力（产品判断 / 业务理解 / AI coding / 上下文工程 / 读码 / Eval / 合规），skill 的章节结构让人一眼对上自己缺哪块。避免做成「什么都能干」的万能 prompt。

② 金融红线内建，不靠事后提醒

通用 PM skill 没有合规概念。金融版把「核心引擎只定义不手写 / 需求先过红线清单 / 高风险留人工干预」做成 skill 的硬性前置 gate，不过检不准往下走。

③ Eval 主权前移

通用 PRD 只有「验收标准」；金融版在 PRD 阶段就强制「可量化 Eval 指标 + 通过线」，呼应第④篇评测飞轮。让 PM 写需求时就定义「好」的标准。

④ STDD 验证闭环内嵌

需求 / 原型 / 实现 / 验证四步用 STDD 串起来（spec → 实现 → 门禁 → 回流）。skill 不止「出文档」，而是「出经过验证的东西」。失败模式直接挂 STDD 14 类代号。

⑤ 可演进、不固化

留出「失败模式库 + 版本化」接口，随团队成熟度与监管更新而长。一个不能演进的 skill，会比没有 skill 更危险——它制造「已经合规」的错觉。

03 / 一个金融 AI PM Skill 该装什么：六个维度逐项拆解

先厘清两层：上篇的「七维能力雷达」是 PM 能力的坐标系——用来判断自己缺哪块；本篇的「六个维度」是 skill 的构造模块——用来把能力装进工具。骨架（七维）让 skill 不跑偏，六维度让它装得下。原则落地，就是下面六个维度。每个维度我都给出「通用版有什么 → 金融版具体装什么」——你能直接照着立项。这是全文重锤，慢慢看。

维度① 人设层：不是「Alex 这种 B2B SaaS PM」，而是「头部金融科技 PM」

**通用版有什么：**Alex，B2B SaaS 产品经理，十年经验，信奉「先问题后方案」，沟通风格偏 Anglo 职场客套。

金融版人设要写清的条款清单：

· 身份：头部金融科技公司 AI 产品负责人，而非通用 SaaS PM；
· 领域约束：懂账务 / 清算 / 风控 / 交易边界，知道「核心账本引擎只定义接口、不手写实现」；
· 监管意识：熟悉金融监管总局 AI 安全开发应用指导意见（评估退出、高风险人工监督、紧急停用）；
· 去 Anglo 味：沟通直给、少废话，不用「我们回头对齐一下」式客套；
· 金融约束硬条款（写进人设）：① 不假设数据可自由获取，先问数据权限 ② 任何 AI 功能默认带可解释与溯源 ③ 高风险决策留人工干预位 ④ 不虚构合规状态；
· 能力边界声明：本 skill 管「定义与衔接」，不替工程师写生产代码、不替合规官签字。

维度② 铁律层：八条原版内核 + 两条金融新增，每条配「在金融场景里意味着什么」

**保留的八条内核：**① 先问题后方案 ② 先写用户故事再写 PRD ③ 无 owner 不进路线图 ④ 敢对需求说不 ⑤ 验证后再建 ⑥ 对齐靠共识非同意 ⑦ 不制造 surprises ⑧ 防范围 creep。

金融新增两条（核心）：

· ⑨ 每条需求先过红线清单——写任何方案前，先对照合规红线 gate，不过不往下走。
金融含义：荐股类功能先过可解释与适当性红线；涉及核心账本的需求直接挡回，只定义接口。
· ⑩ AI 功能须有可量化 Eval 与回滚方案——没有 Eval 指标和回滚预案的 AI 功能，不准进开发。
金融含义：把「上线后靠感觉」变成「上线前定标准」，质量可控、事故可退。

这十条不是贴在注意事项里的客套话，而是 skill 工作流里的硬 gate——第⑨条对应维度⑤的红线清单，第⑩条对应 Eval 指标。

维度③ 交付物模板层【最详】：五个模板，金融版各自新增哪些具体字段

通用版模板：PRD / 机会评估（RICE）/ 路线图（Now-Next-Later）/ GTM / Sprint Health。下面每个都列出金融版要新增的具体字段。

▍PRD（产品需求文档）—— 新增章节「Agent 能力边界与失败兜底」

该章节要填的 7 个子项（这就是 PRD 金融版的核心增量）：
① 能读 / 不能读什么：数据源权限白名单（如只读授权研报，禁读客户持仓）；
② 输出必须带什么：引用溯源、置信度、免责声明；
③ 超界如何兜底：超时 / 无数据 / 越权时的降级路径；
④ 幻觉如何应对：错误纠偏、用户提示、上报机制；
⑤ 人工干预点：哪些环节必须人确认（如对外荐股结论）；
⑥ 可量化 Eval 指标与通过线：直接挂在 PRD，不另起文档；
⑦ 回滚预案：上线后异常如何退、kill switch 归属。

▍机会评估（RICE 改造）—— 新增「合规可行性」维度

在 Reach / Impact / Confidence / Effort 四项之外，并列加一项：合规可行性（监管是否允许、需何种报备、是否触发红线冲突）。一项功能 RICE 分再高，合规可行性为「拦截」则直接出局。

▍路线图（Now-Next-Later）—— 每条增「红线状态」标签

每个条目带状态：已过 gate / 待评估 / 拦截。一眼看出哪些功能卡在合规上，避免排期后才发现做不了。

▍GTM（产品上线推广计划）—— 新增「监管报备与回滚」章节

含：报备路径（向谁报、报什么）、灰度策略（先内部 / 先白名单）、紧急停用按钮归属（谁有权拍板下线）。

▍Sprint Health（冲刺健康）—— 增两项指标

原版看速率 / 质量 / 士气；金融版加：Eval 通过率 与 红线违例数。两项直接进冲刺复盘。

维度④ 工作流层：六阶段，每阶段标「AI-Native 改法」+ 关键产物

阶段	通用版产物	金融版 AI-Native 改法
Discovery	问题陈述	同步拉红线初筛，问题立项即带合规初判
Framing	框架文档	框定范围时标注数据权限边界
Definition	长 PRD	用 STDD spec 替代长 PRD，字段=需求/边界/成功标准/Eval/红线 gate
Delivery	可点原型	AI coding 出原型 + 红线预检报告
Launch	发版	强制 Eval 门禁 + 人工干预兜底 + 灰度
Measurement	看指标	bad case 回流失败模式库，驱动 skill 升版

关键改造在 Definition：STDD spec 字段里的「边界 / Eval / 红线 gate」三项，正是维度③和维度⑤的落点——spec 写清楚，后面开发和验证才有锚。

维度⑤ Eval 与红线层【金融灵魂，单独成维度】：gate 清单 + PRD 阶段怎么定义 Eval

红线 gate 具体条目（skill 内置，不过不往下走）：

① 核心引擎（账本 / 清算 / 风控核心）只定义接口，不手写实现；
② 涉及用户敏感数据须先过数据权限与脱敏红线；
③ 任何对外 AI 建议须带可解释与溯源，禁「黑箱荐股」；
④ 高风险场景（荐股 / 授信 / 大额交易）强制人工监督位；
⑤ 上线须有紧急停用（kill switch）与回滚预案；
⑥ 监管新规发布即触发红线 gate 复评。

Eval 指标怎么在 PRD 阶段定义（示例：券商 App AI 研报摘要助手）：

· 方向准确率 ≥ 99%（摘要观点不与原文相悖）；
· 关键数字误差 < 5%（股价 / 财务数据）；
· 零违规荐股（合规命中率 100%）；
· 幻觉率 < 1%（引用不可核验内容占比）；
· 溯源覆盖率 100%（每条结论带出处）。
这些指标进维度③的 PRD 第⑥子项，不是上线后补。

维度⑥ 可演进机制：失败模式库 + 版本化 + 回流路径

· 失败模式库：挂 STDD 14 类失败代号，每次 bad case 归一到类，越用越准；
· 版本化：skill 带版本号 + 变更日志（哪条铁律改了、哪个红线加了）；
· 回流路径：跑出的 bad case → 入失败模式库 → skill 版本 +1 → 红线 gate 同步；
· 治理岗常驻：最终为「该拦的拦住了」签字——skill 再智能，也要有人为这道不可省清单负责。

🔍 小以观点：skill 不是把岗位写进 prompt，是给岗位装一道「不会累的红线守门员」

我们见过太多「岗位说明书式 skill」——把 JD 贴进 prompt，指望 AI 自动变成好 PM——没用。

真正值钱的设计，是**把最贵、最易漏的两件事（合规红线、Eval 主权）从「人的自觉」变成「流程的 gate」。**人会累、会忘、会被进度压垮；gate 不会。**一个 80 分的 PM 配一个合格的 PM skill，产出的下限，比一个 95 分但疲劳的 PM 还稳。**这才是 skill 在金融里真正的杠杆——它兜住下限，让好 PM 的上限去够更高的地方。

04 / 横向对比：市面上的 PM 能力载体，和金融 AI PM Skill 差在哪

光说「我们怎么做」不够，放一起比才清楚。市面上 PM 能力载体大致三类，下面把它们逐项摆开：① 已开源、我能实际读到的通用 PM Agent（agency-agents 的 product-manager）；② 市面常见的「纯工具 / 提问清单式」模板；③ 本篇设计的金融 AI-Native PM Skill。前两列是「参照物」——看清它们缺什么，才知道第三列该补什么。

对比维度	通用 PM Agent（如 agency-agents）	纯工具 / 提问清单式模板	金融 AI-Native PM Skill（本篇）
人设定位	Alex，B2B SaaS / 消费 App PM，默认 Anglo 职场语境	无，只给空白模板 / 问题清单，谁来填都行	★ 头部金融科技 AI 产品负责人，去 Anglo 味、带金融硬约束
内置金融红线	无合规概念，红线靠人自觉	无，模板不管合规，全靠填表人自己	★ 六条红线 gate 内建，不过不往下走
Eval 主权	PRD 只有「验收标准」，上线后凭感觉	无，模板不定义验收	★ PRD 阶段强制 Eval 指标 + 通过线，呼应评测飞轮
交付物模板	PRD / RICE / 路线图 / GTM / Sprint，通用字段	给空白表单，字段通用、无金融增量	各模板增「边界 / 合规可行性 / 红线状态 / 回滚」字段
工作流	六阶段，长 PRD 驱动	无固定流程，按需手填	六阶段，Definition 改用 STDD spec，门禁内嵌
可演进性	多为静态 prompt，改靠人手动	静态文档，不演进	★ 失败模式库 + 版本化 + bad case 回流

★ = 金融 AI PM Skill 相对前两类的核心增量（也是本篇六维度里被单独拎成「金融灵魂」的部分）。

金融 AI PM 的重点，就藏在这张表的「差」里

通用 PM Agent 解决的是「把需求想清楚」；纯工具 / 清单式模板能帮回忆、不能替判断，适合当 skill 的外挂而非主体。金融 AI-Native PM Skill 额外要解决「把不可逾越的线挡在门外面、把质量定义在前头」。**在金融里，skill 的价值不在多产一份 PRD，而在替团队守住那条「人累了也会忘」的红线。**这也是为什么本篇六维度里，Eval 与红线被单独拎成维度⑤——它不是加分项，是准入项。

💬 收尾金句

PM 配 PM Skill，才是完整的 AI Native 产品经理；
把岗位能力装进可演进的工具，
是把个人手艺，变成团队可复制的工程。

💬 来，投个票

你们团队最想先有 PM skill 的哪块能力？

A. 需求优先级与做减法 B. agent 能力边界定义 C. 可量化 Eval 指标 D. 合规红线预检

评论区选个字母，说说你们卡在哪一块。

🔁 转给团队里定需求的那位——看看他最想要哪块能力。

📌 收藏 & 系列预告

收藏这篇，后续做岗位 skill 改造、或给团队搭 PM 副驾时，回来对照这份设计规格（尤其六维度拆解、红线 gate、Eval 主权、STDD 验证闭环四块）。

系列预告（金融AI Native 六大类岗位 + 岗位配套 Skill 全梳理）：
我们后续每个岗位的拆解规则，就是三块。① 岗位——能力要求与转型发展；② 岗位深度——必要时做深度拆解；③ 岗位配套 Skill——把能力装成可跑工具的设计规格。每个岗位这样 2-3 篇，把岗位能力要求、岗位的转型发展、岗位的深度拆解、岗位的配套 Skill 建设，都一一说清楚。

本系列岗位线进度：
· 产品经理：第①篇《岗位深拆》（已发）→ 本篇 · 配套 Skill；可补岗位深度；
· 评测工程师（Eval）：第③篇《Eval 评测工程师 · 测试转型》（2026-08-19，Eval 岗首篇）→ 第④篇《评测驱动深拆》已发；
· AI 治理 · 合规岗：特集预告——红线清单、一票缓议、双线汇报，PM skill 红线 gate 最终要对接的岗位；
· 传统金融 IT 岗位转型全景：预告——11 类老岗位各自怎么升级到 AI Native 六大类岗。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

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

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

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】