用户真的需要它，还是团队觉得它很酷？
先找任务、频率、替代方案和付费/使用意愿，不急着做完整原型。
产出：问题证据与高风险假设
学习 AI 用户研究从你卡住的地方开始
你现在最难回答的是哪一个问题？
不必按工具清单从头学。先找到当前决策缺口，再进入对应章节。
什么叫“效果好”，团队说不清楚
把主观印象变成测试集、评分规则和业务指标，才能比较方案。
产出：评测集、指标与失败样本
建立 AI 产品指标到底该用工作流、RAG，还是 Agent？
先按任务可控性、知识更新、工具调用和失败成本拆解，再选架构。
产出：能力边界与方案取舍
学习 RAG 与 Agent 策略完整产品闭环
从真实问题，到可持续上线
点击每一步，查看 AI PM 要做的决定、需要留下的证据，以及不能跳过的上线门槛。
01
从任务和摩擦出发
发现问题
你要做的决定
用户在哪个具体任务上反复受阻？现有替代方案为什么不够好？
必须留下的证据
真实场景、任务频率、当前耗时或失败记录。
进入下一步之前
没有具体用户、任务和发生场景，不进入方案讨论。
互动上线检查
这个 AI 产品现在适合上线吗？
勾选你已经能拿出证据的项目。它不是审批表，而是帮团队发现还在凭感觉做决定的地方。
还缺 5 项关键证据先补齐缺口，再扩大投入。一个清晰的暂停理由，比一个无法评测的 Demo 更有价值。
已确认 0 / 5
别只看模型准确率
四层指标，才看得见产品是否真的变好
模型分数高，不代表用户完成了任务。AI PM 要把用户结果、AI 表现、系统体验和经营约束连在一起。
用户结果
任务是否完成、节省了什么、用户是否愿意继续使用。
任务完成率 · 留存 · 人工介入率AI 质量
输出是否正确、相关、完整，并符合具体场景的评分标准。
评测通过率 · 幻觉/遗漏 · 人工评分系统体验
响应速度、稳定性和失败恢复是否让产品可用。
首字延迟 · 错误率 · 降级成功率经营与风险
单位任务成本、安全事件和合规要求是否可持续。
单次任务成本 · 风险事件 · 审核负担第一次产品冲刺
用 5 个工作日，完成一次可判断的实验
目标不是五天做完产品，而是在五天后能更有依据地决定继续、调整还是停止。
锁定问题
整理 3–5 个真实场景，写下最危险的产品假设。
做最小原型
只实现能验证假设的关键路径，保留真实输入。
建立评测
准备样本、通过线和失败分类，记录成本与延迟。
让用户完成任务
观察行为，不替用户解释界面，收集失败点。
做产品决定
对照证据选择继续、调整或停止，并写清下一步。
真实学习内容
每个产品决策，都有对应章节
下面不是工具目录，而是支撑产品闭环的知识模块。Prompt、No-Code、RAG 和 Agent 都放回它们该在的位置。
把判断变成作品
学完之后，继续走向一个真实结果
根据你想承担的角色，选择产品构建、技术协作或项目作品方向。
AI Builder
从产品判断继续走到可展示、可使用的 AI 应用。
进入 AI BuilderAI Engineer
理解模型接入、RAG、Agent、评测与生产系统。
查看 AI Engineer 路线P3 项目制学习
用真实交付物记录问题、决策、实现和复盘。
了解 P3 项目FAQ
开始前，最常见的几个问题
AI 产品经理一定要会写代码吗？
不一定，但必须能和工程、数据、设计一起判断方案。你至少要理解模型输入输出、数据来源、评测方法、成本和失败方式。会写一点代码会加快验证，但不会替代产品判断。
Prompt 和 No-Code 还重要吗？
重要，但它们是验证手段，不是岗位定义。好的 Prompt 可以帮助你测试交互和质量，No-Code 可以加快原型；如果没有用户问题、评测标准和上线约束，原型再快也无法证明产品成立。
AI 产品怎么做需求验证？
先验证问题，再验证 AI 方案。看用户是否频繁遇到具体任务、如何解决、愿意付出什么；然后用人工服务、意向测试或最小原型验证 AI 是否带来更好的结果。
什么时候才适合上线？
至少要说清用户结果、关键失败、评测方式、兜底责任和单位任务成本。高风险场景还需要更严格的人工审核、数据边界和回滚机制。先小范围、可观测、可回滚，再逐步扩大。
先做一个能判断的实验
别急着把 Demo 做大，先把证据做实
从一个真实用户任务开始，写下最危险的假设，再决定你需要访谈、原型还是评测。