企业官网建设流程全解析

如果你正在考虑转行 AI 产品经理，或者已经是产品经理但想往 AI 方向延伸，这套号称“2026 最全最细”的 100 集免费教程值得先存下来。它不是什么卖课的引流课，而是纯免费公开的完整系列，从 AI 产品经理的岗位认知讲起，一直覆盖到模型基础、工具实战、业务落地和求职面试。这篇文章不会帮你复述每一集的内容，而是站在一个 AI 产品经理的实际工作视角，把这套教程里最值得反复看的知识点、需要自己动手补的实践环节，以及转岗过程中最容易踩的坑，全部拆开讲清楚。

先说结论：如果你是想零基础入门 AI 产品经理，这套百集教程的路线设计是合理的，能帮你快速建立知识框架；但光看视频不够，AI 产品经理的核心竞争力在于对模型能力边界的感知、对业务场景的判断，以及对实际工具的熟练度。文章后面我会给你一套配套的实操路线，建议收藏备用。

1. AI产品经理核心能力速览

在学习具体内容之前，先把 AI 产品经理这个岗位拆开看。很多非 AI 背景的产品经理转岗时，最大的误区是觉得“AI 产品经理就是把原型图换成大模型对话界面”，实际上完全不是这样。

从岗位要求来看，AI 产品经理可以分为两类：一类是 AI 原生产品的产品经理，比如做智能助手、AI 绘画工具、AI 写作工具这类产品的；另一类是“传统产品 + AI 能力”的产品经理，比如在电商、金融、教育、医疗等业务里用 AI 改造流程的产品岗位。两者的侧重点不同，但底层能力是相通的。

我整理了 AI 产品经理的核心能力框架，你可以对照看自己缺哪块：

注意力应该放在模型认知、技术协作和场景判断这三块上。这三块是 AI 产品经理区别于普通产品经理的核心，也是面试时最容易问到的部分。

2. 入门阶段：AI产品经理必懂的模型基础

教程的前半部分一般会讲 AI 产品经理的基础认知，这里建议你不要快进。很多从互联网公司转岗的产品经理，容易觉得自己懂产品就足够了，技术部分跳过，结果到后面讲业务落地时发现听不懂研发在说什么。

2.1 大模型的基本能力与边界

你至少要能说清楚这几个问题：

什么是大语言模型。它的本质是根据上下文预测下一个 Token，核心能力是文本理解、文本生成、逻辑推理、代码生成、翻译、摘要等。注意“预测下一个 Token”这个本质决定了它会有幻觉，会一本正经地胡说八道，这是产品设计时必须考虑的。

什么是多模态模型。能同时处理文本、图片、音频、视频的大模型，比如 GPT-4o、Gemini 这类。做 AI 产品经理要理解多模态的输入输出对产品形态的影响，比如用户拍一张照片就能得到穿搭建议，这跟纯文本对话的产品体验完全不同。

什么是向量化与 RAG。RAG（检索增强生成）是 AI 产品里最常用的技术架构之一，它的价值在于让模型基于私有知识库回答问题，降低幻觉概率。产品经理不需要会写检索代码，但要能理解架构：用户问题到向量检索再到模型生成，这里面涉及数据切分、相关性排序、引用溯源等环节，直接关系到产品效果。

什么是 Agent。Agent 是当前热度最高的方向，核心是让大模型具备任务拆解、工具调用、记忆管理的能力。做 Agent 类产品时，产品经理的重点是设计清楚 Agent 的目标、可以调用哪些工具、怎么处理中途失败的场景，这就是常说的“提示词工程 + 工作流编排”。

2.2 需要理解的 AI 术语表

学习过程中会遇到很多术语，建议整理一份自己的术语表。下面是 AI 产品经理面试和工作中最高频出现的 30 个术语：

这些术语不需要死记硬背，而是要在实操中反复遇到才真正理解。教程里如果某个术语讲得不够细，就自己查资料，优先看官方文档和论文简介，不要只看博客碎片。

3. 工具链搭建：AI产品经理的实操环境准备

AI 产品经理最重要的能力之一是动手能力。如果只会画图写文档，不懂任何工具，竞争力会非常有限。这里给出两条工具链搭建路线：一条是纯在线路线，适合零基础快速上手；一条是本地部署路线，适合想深入理解模型的产品经理。

3.1 在线工具链

最基础的一套配置如下：

• 对话类工具：ChatGPT、Claude、Kimi、豆包、文心一言等，至少深度使用 2 个，对比它们的输出差异。
• 编程辅助工具：Cursor、GitHub Copilot、Trae 这类 AI 编程工具，产品经理哪怕不写代码，也要知道 AI 编程能做到什么程度，这对评估研发效率很重要。
• 提示词工程平台：各种提示词工具、提示词市场，可以用来快速试验不同提示词的效果。
• 原型设计工具：Figma + AI 插件，或者 Motiff 这类 AI 原生设计工具。
• 数据工具：ChatExcel、各种 AI 数据分析工具，能快速做数据清洗和图表生成。
• 效率工具：Notion AI、各种 AI 写作工具，用于日常文档输出。

建议第一周先把自己手头的工作流改成 AI 增强模式。比如用 AI 写周报、用 AI 做竞品分析的初稿、用 AI 整理会议纪要，这些日常工作就是最好的练习场景。

3.2 本地部署路线

如果教程里带本地部署的内容，或者你希望理解模型真实的运行逻辑，可以尝试在本地跑一个小参数模型。这对产品经理理解 AI 技术边界的帮助非常大，因为当你自己部署一次模型后，就会明白研发说的“上下文窗口不够”“显存不够”“并发上不去”到底是什么意思。

本地部署的通用环境准备如下：

# 以 Ollama 为例，安装后可以在终端启动开源模型 # 安装 Ollama curl -fsSL https://ollama.com/install.sh | sh # 启动一个 7B 级别的模型 ollama run qwen2.5:7b # 查看本地已下载模型 ollama list

需要注意：实际安装命令会随系统和 Ollama 版本变化，而且部署大语言模型对电脑硬件有一定要求。如果电脑是普通办公本，更推荐用在线 API 而不是本地部署。现在很多大厂都提供了兼容 OpenAI 格式的 API 服务，可以调用这些 API 来做小工具测试。

# 以 OpenAI 兼容接口为例，实际使用时需要替换为自己的 API Key 和接口地址 import openai client = openai.OpenAI( api_key="your-api-key", base_url="https://your-api-endpoint" ) response = client.chat.completions.create( model="your-model-name", messages=[ {"role": "system", "content": "你是一个产品分析助手"}, {"role": "user", "content": "请分析智能客服类产品的核心功能模块"} ] ) print(response.choices[0].message.content)

这一段实际是给产品经理补技术直觉用的：你要知道 API 调用大概长什么样，知道返回内容是 JSON 结构，知道一个 AI 产品就是无数个 API 调用的组合。真正做产品功能设计时，这些理解能帮你判断功能的可行性。

3.3 提示词工程实战

提示词工程是 AI 产品经理最容易上手、也最能快速见效的实操能力。不要觉得提示词只是“说话技巧”，它本质上是与大模型最初的交互接口设计能力。

建议按以下框架做提示词练习：

• 角色设定。明确告诉模型它是谁、要完成什么任务、有什么约束条件。
• 输出格式。结构化的 Markdown、JSON，还是表格。
• 示例驱动。给出 1 到 2 个希望的输入输出示例。
• 边界说明。什么不能做，什么情况需要让用户补充信息。
• 逐步推理。对于复杂任务，要求模型先分析再输出。

下面是一个产品经理工作中很常见的提示词示例：

你是一位资深产品经理，请帮我分析以下竞品的功能结构。 要求： 1. 先拆解竞品的核心用户路径。 2. 再用表格列出核心功能与用户价值。 3. 最后分析该产品的差异化优势与潜在风险。 竞品名称：某某 AI 写作工具 产品定位：面向职场用户的 AI 写作助手 核心功能：文案生成、改写润色、多语言翻译、PDF 对话

反复调整提示词，记录不同模型的输出差异，这个习惯对后续做 AI 产品非常有帮助。你会慢慢理解所谓的“模型能力差异”到底体现在哪里。

4. 实战测试：AI产品经理必须掌握的效果评估方法

看完教程后最容易忽略的，是自己的评估能力。普通产品经理做功能上线，看的是功能数据；AI 产品经理做 AI 功能上线，首先要看模型效果是否达标。没有评估能力的 AI 产品经理，跟研发沟通时永远处于被动地位。

4.1 设计评估集

评估集是一组标准化的测试问题，用于评测模型输出质量。以智能客服场景为例：

评估集需要覆盖正常场景、边界场景、恶意场景三类。每一条测试成例都要有期望结果，然后逐条测试记录通过率。

4.2 模型输出的评估维度

建议面试或求职时准备一个“效果评估文档”，展示你对测评方法、指标定义、问题分析方法的理解。这是很多转岗者没准备过但我很看重的亮点。

4.3 A/B 测试与灰度发布

AI 产品的 A/B 测试跟传统产品有差异。传统产品通常是 UI 改动或功能逻辑改动，AI 产品则可能是提示词改动、模型版本切换、温度参数调整。做 A/B 测试时要注意：

• 每次只改一个变量，否则无法定位变化原因。
• 建立离线评估加线上测试的双层机制。
• 对生成类内容设置人工抽检或用户反馈通道。
• 关注用户投诉率、问题解决率、平均对话轮数等指标。

灰度发布也很重要。AI 产品的效果波动比普通功能大，全量上线可能带来不可控后果。建议按流量比例逐步放量，并设置自动回滚条件。

5. 业务场景落地：从需求到上线全流程拆解

学习教程的核心目的，是把 AI 能力转成业务价值。下面以一个“企业内部知识库问答助手”为例，完整拆解 AI 产品经理的工作流程。

5.1 需求分析

第一步是搞清楚要解决什么问题。常见 AI 产品需求来源有三类：降低人力成本、提升用户体验、创造新能力。知识库问答助手的价值在于，员工不需要翻几十篇文档就能快速找到制度、流程和专业知识。

这个阶段要输出：

• 用户调研结论。
• 需求文档或 Product Requirement Document 初稿。
• 业务指标，比如“问题解决率”“单次搜索耗时”“用户周活”。

5.2 技术方案选型

产品经理不需要定技术方案，但需要理解并参与讨论。知识库问答一般有三种路线：

对多数企业场景，RAG 是性价比最高的方案。产品经理的关键工作是推动数据治理，也就是把公司散落的文档、表格、指引统一清洗、分类、打标签。这部分是影响 AI 产品效果的最大因素。

5.3 原型设计与交互流程

AI 产品的原型和传统产品有明显区别。传统产品把所有功能路径都画出来；AI 产品很多时候是搭一个大模型对话框，然后设计围绕对话的功能增强。

知识库助手的原型至少包含：

• 对话主界面。
• 问题推荐与快捷指令。
• 回答的引用溯源区域。
• 对回答不满意时的反馈入口。
• 管理员后台的数据更新与测试页面。

交互设计上要特别关注两个方面：一是回答加载时的等待态，因为大模型响应时间比普通 API 更长；二是答案的展示方式，是纯文本还是卡片、表格、图文混排。

5.4 项目推进与验收

AI 项目跟传统项目最大的差异是，传统项目开发完成就基本结束，AI 项目开发完成只意味着模型效果可以用，还要经过大量评测和调优。

验收阶段的建议：

• 先跑离线评估集，记录通过率。
• 再用真实业务数据试运行两周。
• 建立问题汇总表，按频率和严重程度排序。
• 针对 TOP 问题调整提示词或补充知识库数据。

上线后持续监测指标，形成一个持续优化循环。AI 产品真正的工作量往往在评测、调优和数据治理上，原型和界面只是基础部分。

6. 接口 API 与批量任务：AI产品经理的技术协作要点

AI 产品经理不要求会写代码，但最好理解接口服务的工作方式。因为当产品功能涉及 AI 能力接入时，你需要能独立完成基础验证，而不是每次都要等研发或算法同学支持。

6.1 理解 AI 产品的接口调用逻辑

AI 产品的典型架构是：前端界面 -> 后端服务 -> 大模型接口 -> 返回结果。产品经理至少要完成一次完整的接口调用测试。以 Python 为例：

import requests url = "http://127.0.0.1:8000/v1/chat/completions" payload = { "model": "qwen2.5:7b", "messages": [ {"role": "user", "content": "请用一句话介绍你自己"} ], "temperature": 0.7 } response = requests.post(url, json=payload, timeout=60) print(response.json())

这只是一个通用示例，实际项目的接口路径、请求格式、鉴权方式都不一样，但整体思路是通用的：发送结构化请求、接收 JSON 响应、解析内容、展示给用户。产品经理能跑通这个流程后，再跟研发沟通时就有共同语言了。

6.2 批量任务的逻辑设计

很多 AI 产品涉及批量任务场景，比如批量生成文案、批量翻译、批量图片识别、批量知识库切分。产品经理要理解批量任务的关键问题：

• 并发限制。超过限制会被限流或封禁。
• 任务失败重试。网络请求失败时是否幂等。
• 输出结果管理。怎么把批量生成结果做成 CSV 或 Excel 导出。
• 成本控制。每一条请求都要消耗 Token，批量任务要估算成本。

这里给你的建议是，即使不会写代码，也一定要自己尝试用 Python 或现成的自动化工具跑一次批量生成任务，这样你就能理解“为什么算法同学说并发不够”的真实含义。

6.3 成本估算模型

AI 产品经理需要具备成本意识。大模型 API 的成本主要由输入 Token 数、输出 Token 数和模型单价决定。一个 5000 用户量的小工具，如果每个用户每天调用 10 次、每次消耗 2000 Token，直接调云端 API 的成本可能就不低了。反过来，可以触发本地部署模型来降成本，但本地部署需要买显卡、占机房空间。产品经理要能算清楚这笔账。

7. 求职面试准备：AI产品经理高频问题

教程后半部分通常包含求职面试内容。这里补充一些面试中高频出现的核心问题。

7.1 高频面试题

• 请简单介绍一下大模型的工作原理。
• AI 产品的评估指标有哪些？
• 什么是 RAG？它解决了什么问题？还有哪些不足？
• 你怎么判断一个场景适不适合用 AI 解决？
• 模型产生幻觉怎么办？
• 如何设计 AI 产品的冷启动方案？
• 用过哪些 AI 工具？对它们的体验有何评价？
• 你怎么跟研发协作？
• 一个 AI 功能从需求到上线，流程是怎样的？
• 说说你了解的安全和合规边界？

7.2 作品集准备建议

面试 AI 产品经理最有力的证明是作品集，可以是调研报告、竞品分析、产品原型，甚至是一个自己做的 AI 小工具。强烈建议按照下面的方式准备。

首先做一个 AI 产品的深度拆解报告。选一个你常用的 AI 产品，从用户画像、核心流程、交互设计、功能亮点、商业模型、潜在风险几个维度拆解，输出一份约 3000 字的报告。这个过程中你能加深对 AI 产品设计的理解。

如果有余力，做一个 AI 体验测评。针对同一类型任务，用多个 AI 工具分别测试，对比输出质量、延时、价格、交互体验，最后输出一份横向评测表。这是很多面试官会很感兴趣的内容，能证明你有产品分析能力。

7.3 转岗简历写什么

转岗 AI 产品经理时，简历里关于 AI 相关的内容不要只写“了解大模型”“用过 ChatGPT”，这些太弱了。更好的写法是：

普通简历写法：

• 负责公司智能客服项目的产品设计。

更有说服力的写法：

• 搭建智能客服知识库分类体系，设计 100 条评估用例，推动模型应答准确率从 65% 提升到 85%，构建“人工兜底 + AI 回复”双轨流程。

原则是：用量化结果证明能力，让面试官看出你在 AI 项目里做过真实的事情，而不是停留在“了解”层面。

8. 常见问题与学习方法排查

学习这套教程或转岗过程中，会遇到各种问题。这里整理了高频问题和对应的解决方案。

9. 一套可以长期复用的 AI 产品经理学习自检清单

最后，把 AI 产品经理从入门到进阶的自检清单放在这里。每完成一项，就标记完成，这样学习进度始终清晰。

• 能说出大模型的基本原理与能力边界。
• 掌握 20 个以上 AI 核心术语。
• 注册并深度使用至少 5 个 AI 工具。
• 独立完成一次提示词工程优化案例。
• 完成一次模型输出效果评估。
• 独立设计一个 AI 工具的最小需求方案。
• 至少完成一次 API 调用测试。
• 跑通过一次批量任务。
• 拆解过 3 个以上 AI 产品。
• 能解释 RAG、Agent、微调三个概念的区别。
• 能估算一个 AI 功能的大体成本。
• 掌握 AI 产品的安全与合规边界。

如果你已经可以完成清单里大部分内容，说明你已经具备 AI 产品经理的基础能力，可以开始投递简历了。如果还差很多，不用着急，建议把 100 集教程按每周 20 集的节奏推进，每看完一个板块就做一次实践输出，这个方法比“收藏了就等于学会了”要有效得多。

这套全 100 集的免费教程最大的价值，在于给了你一条清晰的路线，避免了在网上找资料时东看一点、西看一点的低效状态。但最终能否从“了解 AI”变成“能落地做 AI 产品”，关键还是看你有没有真正动手去做。建议今天就从第一集开始，同时建一个文档，记录你学到的每一个概念和每一个实践产物，三十天后回看，你会明显感觉到自己的变化。