AI产品经理核心概念清单 (AI PM’s Concept Checklist)
第一层：与AI对话的基础 (The Foundation)
这是理解一切的起点，是您与LLM有效沟通的基石。
| 术语 (Term) | 核心思想 (Core Idea) | 对PM的价值 (Why it matters for a PM) |
|---|---|---|
| Prompt Engineering (提示工程) | 如何通过精心设计的“提问”或“指令”，让AI输出期望的结果。 | 这是AI产品的“用户界面设计”。好的Prompt能极大提升产品功能的效果和用户体验。 |
| In-Context Learning (ICL) (上下文学习) | 在Prompt中给AI提供一两个“成功案例”（即One-Shot/Few-Shot），让它“照猫画虎”。 | 在不重新训练模型的情况下，快速提升AI在特定任务上的表现和格式遵循能力，是产品冷启动和快速迭代的利器。 |
Model Parameters (模型参数) Temperature, Top-p |
控制AI输出“创造性”与“确定性”的旋钮。 | 理解这些参数，能帮您在“稳定可靠”和“富有创意”的产品特性之间做出权衡和决策。 |
第二层：构建“可用”的AI应用 (The Application Layer)
当简单的对话无法满足需求时，我们需要让AI连接外部世界，变得真正“有用”。
| 术语 (Term) | 核心思想 (Core Idea) | 对PM的价值 (Why it matters for a PM) |
|---|---|---|
| RAG (Retrieval-Augmented Generation / 检索增强生成) | 让AI在回答问题前，先去一个指定的知识库（如公司内部文档）里“开卷考试”，而不是仅凭自己的记忆回答。 | 解决AI“一本正经地胡说八道”和“知识过时”的核心技术。任何需要基于私有/实时数据做问答的产品，都离不开RAG。 |
| Embeddings (嵌入) | 将文字、图片等信息，用一串数字（向量）来表示，使其在数学上“可计算”。相似的概念，其数字表示也相近。 | 这是实现“语义搜索”（而不是关键词搜索）的基石，是RAG和AI记忆系统的底层技术。理解它，就能理解AI为何能“听懂”弦外之音。 |
| Vector Database (向量数据库) | 一个专门用来存储和快速检索Embeddings（信息“数字指纹”）的数据库。 | 相当于AI的“长期记忆”存储仓库。决定了RAG和个性化功能能否被高效地实现。 |
第三层：构建“智能”的AI Agent (The Agent Layer)
这是从“问答机”到“虚拟员工”的飞跃，也是我们之前项目实践的核心。
| 术语 (Term) | 核心思想 (Core Idea) | 对PM的价值 (Why it matters for a PM) |
|---|---|---|
| Agent Loop (智能体循环) (如ReAct) | AI自主“思考 -> 行动 -> 观察”的循环工作模式，使其能够独立地规划和执行多步复杂任务。 | 这是Agent自主性的核心。作为PM，您需要设计和定义这个循环的目标和边界，决定Agent的“自主权”有多大。 |
| Tools / Function Calling (工具/函数调用) | 赋予Agent“手”和“脚”，让它能够调用外部API或代码来执行具体操作（如上网搜索、订票、发邮件）。 | 定义一个Agent需要哪些Tools，是PM的核心产品设计工作。这直接决定了您的Agent“能做什么”。 |
| Memory (记忆) | 为Agent提供记录上下文（短期记忆）和沉淀用户偏好（长期记忆）的能力。 | 记忆是打造个性化、有温度的AI产品的关键。PM需要设计产品的记忆策略，以提升用户粘性。 |
第四层：构建“协作”的多智能体系统 (The Multi-Agent Layer)
这是AI Agent发展的最前沿，也是您提到的MCP等概念所属的领域。
| 术语 (Term) | 核心思想 (Core Idea) | 对PM的价值 (Why it matters for a PM) |
|---|---|---|
| Multi-Agent Systems (多智能体系统) | 不再是单个“虚拟员工”，而是一个“虚拟团队”。团队中有多个各司其职的Agent，协同完成一个更宏大的目标。 | 对于极其复杂的任务，可以采用“分而治之”的设计思想。PM需要思考如何将一个大问题拆解给多个专业Agent。 |
| Agent Communication Protocol (智能体通信协议) | 定义不同Agent之间如何“对话”和“协作”的一套标准语言和规则。MCP就是这类概念的体现。 |
这是实现“可插拔”、“可扩展”的Agent系统的关键。它就像USB标准一样，让不同厂商的Agent都能互相协作，是构建Agent生态的基础。 |
| Agent Architectures (智能体架构) (如Supervisor, Swarm) | “虚拟团队”的组织架构。是“主管-下属”的层级式，还是“圆桌会议”的扁平式？ | 作为PM，您需要根据任务的性质，选择或设计最高效的“团队管理模式”。 |
第五层：生产化与评估 (The Production Layer)
这是将AI产品从“原型”推向“市场”并持续优化的关键环节。
| 术语 (Term) | 核心思想 (Core Idea) | 对PM的价值 (Why it matters for a PM) |
|---|---|---|
| LLMOps (大语言模型运维) | 一套专门用于部署、监控、管理和更新AI应用的工程实践，是AI领域的DevOps。 | 了解LLMOps，能让您更科学地与工程团队协作，理解产品上线后的维护成本和迭代周期。 |
| Evaluation (Evals / 评估) | 如何科学地衡量一个AI Agent的好坏？是看准确率，还是看用户满意度，或是任务完成率？ | PM的核心职责之一就是定义“成功”。您必须主导设计产品的评估体系，用数据驱动产品的优化方向。 |
| Fine-tuning (微调) | 在一个预训练好的通用模型基础上，用特定的数据集对其进行“加餐”训练，使其更擅长某个垂直领域的任务。 | 微调成本高，但效果好。PM需要判断：当前的问题是通过优化Prompt（成本低）解决，还是必须投入资源进行微调（成本高）？ |
| Guardrails (护栏) | 为AI的输出设定“安全边界”，防止它生成有害、非法或不当的内容。 | 这是产品“责任感”和“合规性”的体现。PM必须从产品设计之初就考虑安全护栏，保护用户和品牌。 |
学习建议：
您可以按照“第一层 -> 第五层”的顺序，将这个清单作为您的学习路线图。当您在阅读文章或接触新技术时，可以尝试将新概念归入这个地图的相应位置，从而构建起一个系统、牢固的知识体系。祝您在AI产品经理的道路上学习愉快，大展宏TU！