# 能力模型 ## 一、AI特色 1. [[OpenAI API]]、[[Function Call]]、[[Agent]] 的本质理解 2. 评测，黑盒+白盒 3. 算法基础知识 1. [[Transformer]] 1. 判别式模型 [[BERT]] 2. 生成式模型、[[minGPT]] 3. [[embedding]]模型 4. [[reranker 重排序]]模型 2. [[F1 分数]]、[[准确率、召回率]] 4. 意图识别 1. 深入理解业务知识+耐心打标 = 好的prompt 2. 如果通过多种策略来提高准召 5. [[搜索]]相关的知识 6. 可观测性，[[langfuse]]类工具的使用 7. 工作提效 1. 认准最接近[[通用人工智能（AGI）]]的[[codex]] 1. computer use + browse use + phone use 2. 飞书cli 3. skills太多的时候注意做好隔离 2. [[cursor]] 3. [[八个 Mac 上的杀手级应用]] 8. 对AI本质的思考（非共识） 1. C端中心化 2. 内部提效类，需要达到用户门槛 3. 用户需求并没有变 1. [[一人公司 OPC]]有意义吗？ 2. 个人开发有意义吗？ 3. 可能存在的伪需求 4. 个人提效优先用成型的软件，在强大的逻辑上面做加法。[[Anki@]]、[[滴答清单]] ## 二、传统产品经理 1. 决策质量 2. 数据敏感、[[AB 实验， A B test]] 1. 高效的数分能力 1. [[hive]]->[[codex]]->飞书多维表格 2. codex 项目+adhoc 形成高效的BI能力 3. 用[[HTML]]做一些本地的数据呈现和视图 3. PRD即代码，要严谨明确 4. 可能踩坑：结构化理解、结构化方案 与 非架构化效果之间的矛盾 ## 三、产品流程 1. 一定会涉及部门合作、资源敏感，升级。 1. 明确跨部门OKR对齐机制，防止资源争夺导致目标冲突 2. 可能存在的向上管理问题、产研互信问题 3. AI原型 [[lovart]] 、AI+无限画布 ## 四、其他 1. 最新AI信息 [[推特]] 2. 厂商政策、vivo、华为 --- 常见的业务题 产品理解篇 Q1 AI产品的核心三要素是什么？ Q2 什么是AI产品的"数据闭环"（Data Flywheel）？ Q3 AI产品经理和传统产品经理的核心区别？ Q4 如何定义AI产品的MVP（最小可行产品）？ Q5 AI产品的冷启动（Cold Start）问题如何解决？ Q6 为什么AI产品需要持续迭代模型？ 技术认知篇 Q7 机器学习模型的训练、验证、测试集的作用？ Q8 什么是A/B测试？如何设计AI产品的A/B实验？ Q9 模型准确率（Accuracy）和召回率（Recall）哪个更重要？ Q10 什么是特征工程（Feature Engineering）？ Q11 为什么AI产品需要监控[[数据漂移]]（Data Drift）？ Q12 如何评估AI模型的业务价值？ 业务场景篇 Q13 设计一个智能客服产品的核心模块？ Q14 如何优化推荐系统的用户体验？ Q15 如果模型准确率很高但用户不满意，怎么分析？ Q16 如何设计AI产品的用户反馈机制？ Q17 AI产品如何平衡自动化与人工干预？ Q18 如何向非技术背景的老板解释AI产品的技术限制？工程落地篇 Q19 模型部署（Model Serving）的常见方式？ Q20 什么是模型版本控制（Model Versioning）？ Q21 如何优化AI产品的推理速度？ Q22 什么是模型量化（Quantization）？对产品有什么影响？ Q23 如何管理AI产品的数据隐私合规（如GDPR）？ Q24 如何评估AI产品的计算资源成本？商业与伦理篇 Q25 AI产品的商业模式有哪些？（如SaaS、API收费） Q26 如何制定AI产品的定价策略？ Q27 AI伦理（AI Ethics）对产品设计的影响？ Q28 如何避免AI产品中的算法偏见（Bias）？ Q29 AI产品如何应对监管政策变化？ Q30 如何衡量AI产品的ROI（投资回报率）？