摘要： AI转型已成为企业生存的必选项，而非选择题。效率天花板、用户需求升级和技术成熟共同推动这一趋势。不同行业转型重点各异：制造业聚焦降本增效（如预测性维护），HR领域提升招聘与人才管理效率，市政部门则优化公共服务模式。成功关键在于“+AI”思维——从业务痛点出发，而非盲目追求技术。建议企业选择高价值场景小步验证，重构流程并建立长期治理机制，避免被焦虑裹挟或陷入技术幻想。主动转型者将积累数据资产

【摘要】AI产品经理与传统产品经理存在本质差异：前者处理概率性价值交付（如推荐系统、智能客服），后者专注确定性功能交付。核心区别体现在思维模式（模糊正确vs精确设计）、工作流程（螺旋迭代vs线性推进）和交付标准（持续优化vs功能上线）。AI产品经理需具备数据全链路管理、算法协作翻译、从行为数据挖掘需求等能力，且行业属性极强（如医疗AI需临床知识，政务AI重可解释性）。转型建议：先转变思维（接受不确

最近很多人问我："想转AI产品经理，该从哪里开始？"我的回答一直是：先别急着学工具，先把底层认知搞清楚。 这篇文章把我认为最关键的几个认知点整理出来——都是我自己踩过坑、反复消化后才真正理解的。

做AI产品经理，要不要懂大模型的底层技术？我的观点是：不用会写代码，但必须能跟算法团队"对上话"。你不需要知道反向传播的数学推导，但如果你不知道Transformer是什么、微调跟预训练什么关系、Temperature参数调高会怎样——那你跟算法同学的沟通就是鸡同鸭讲。

做AI产品，RAG是绕不过去的技术路线。很多人以为RAG就是"把文档丢进去，让大模型回答问题"，但真正做过的人都知道——知识库构建才是RAG系统最难的环节，没有之一。 模型是现成的，Prompt可以调，但知识库的质量直接决定了系统的天花板。这篇文章把我对RAG知识库构建的理解梳理出来，从核心概念到落地细节，尽量说人话。

上一篇讲了RAG知识库构建，这篇接着聊——知识库建好了，RAG就一定能用吗？远远不够。 从用户提问到大模型回答，中间还有路由、检索、重排序、生成、后处理五个环节，每个环节做不好，最终效果都会翻车。这篇文章把我对RAG检索增强生成的理解写清楚，全是实战中想明白的逻辑。

"Agent"这个词现在满天飞，但说实话，很多人没搞清楚它到底是什么、和普通大模型对话有什么区别、和RAG又是什么关系。这篇文章把我对AI Agent的理解写出来——不整术语堆砌，就用最简单的话把逻辑讲透。

看了法律、金融、教育、电商、办公、医疗、招聘七个行业的AI落地案例，我最大的感受是：AI不是一种技术打所有行业，而是同一个底层逻辑在不同场景里的不同解法。 这篇文章把每个行业最有代表性的案例拆出来，最后总结我看到的三个共性规律。

最近参与了一个AI测肤产品的从0到1落地——从模型选型到Coze工作流搭建，从Prompt设计到定价策略，完整走了一遍。这篇文章把整个过程中的关键决策和踩过的坑都写出来，给想做类似AI产品落地的朋友一个参考。

做AI产品经理，技术要懂，但更关键的是方法论。这篇文章把我认为最重要的三个工作方法梳理出来——负样例设计（让Agent知道什么时候"不该动手"）、竞品分析（用结构化Prompt替代拍脑袋）、产品架构（中台思维+知识问答系统搭建）。都是实战中反复验证过的逻辑，不是纸上谈兵。