AI大模型产品经理学习路线（应用层方向）

第一阶段：去魅与基础概念

目标： 理解大模型“是什么”、“能做什么”、“不能做什么”。

1. 核心概念理解（必知必会）

   • LLM原理通识： 视频看一下原理。理解什么是Next Token Prediction（下一个词预测）。
   • 关键术语：
     • Token（词元）： 计费和计算单位。
     • Context Window（上下文窗口）： 模型的短期记忆极限。
     • Temperature（温度）： 控制输出的随机性与创造性。
     • Parameters（参数量）： 7B, 13B, 70B代表什么含义。
   • 幻觉（Hallucination）： 为什么模型会一本正经胡说八道？如何看待它？

2. 体验主流模型

   感受不同模型的差别

   • 闭源模型： 使用 ChatGPT，Claude, Gemini。
   • 开源/国产模型： 体验 DeepSeek、Kimi、Qwen等，了解国内生态。
   • 推理模型与非推理模型区别：比如DeepSeek R1与 DeepSeek v3
   • MOE模型与Dense模型区别：比如Qwen3 30B 以及 Qwen3-30B-A3B-Instruct-2507

第二阶段：应用层技术栈

目标： 掌握AI应用开发的“乐高积木”，这是应用型PM的核心壁垒。

1. Prompt Engineering（提示词工程）

   • 这是AI PM的“原型开发语言”。
   • 技巧： Zero-shot (零样本), Few-shot (少样本), CoT (思维链), Role Playing (角色扮演)。
   • 结构化提示词： 学习编写结构清晰的System Prompt（例如：Markdown格式的提示词）。

2. RAG 知识库（检索增强生成）—— 应用层的灵魂

   • 必学！ 目前90%的企业级AI应用都是基于RAG。
   • 原理： 把企业私有数据变成知识库 -> 用户提问 -> 检索相关片段 -> 喂给大模型 -> 生成答案。
   • 解决什么问题： 解决模型幻觉、数据时效性、私有数据保护问题。

3. Fine-tuning（微调）vs RAG

   • 弄清楚什么时候用RAG（查资料），什么时候用微调（学风格/特定格式）。
   • 产品经理要懂决策： 微调成本高、维护难；RAG成本低、更灵活。

4. Agent（智能体）与 Function Calling

   • 理解模型如何“使用工具”（比如联网搜索、查数据库、调API）。
   • 这是从“对话框”变成“自动执行任务”的关键。

5. MCP

   • MCP基础概念
   • MCP应用场景

第三阶段：低代码实战与原型能力

目标： 不写代码也能做出可用的Demo，验证产品逻辑。这是初级AI PM最加分的项。 低代码工具，上手简单。

1. 掌握 LLM Ops / 编排工具

   • Coze (扣子) / Dify（重要且上手简单）： 强烈推荐。这两个是目前最主流的低代码/无代码AI应用编排平台。
   • 任务：
     • 在Coze上搭建一个“小红书文案生成器”（练习Prompt）。
     • 在Dify上上传一份PDF文档，搭建一个“文档问答助手”（练习RAG）。
     • 搭建一个能搜索新闻并总结发送到飞书/钉钉的Bot（练习Workflow/Agent）。

2. 理解 API 与 成本计算

   • 学会看API文档（如DeepSeek或OpenAI的API）。
   • 算账： 如果一个用户每天对话10次，每次消耗1000 Tokens，结合模型定价，一个月的成本是多少？这直接决定你的产品商业模式能否跑通。

💡 总结：项目建议

自己搭一个智能体WorkFlow

建议动手做一个项目（使用Coze/Dify即可）：

• 项目名： 垂直领域知识助手（例如：法律合同审查助手、电商客服助手、雅思口语陪练）。
• 你需要讲清楚的故事：
  1. 场景： 解决了谁的什么问题？
  2. 实现： 你的Prompt是怎么写的？为什么这么写？
  3. 调优： 刚开始效果不好（比如幻觉严重），你引入了知识库（RAG）或者优化了Prompt之后，效果提升了多少？
  4. 成本： 你选用了什么模型（比如为了省钱把GPT-4换成了DeepSeek-V3），为什么？