全库知识目录

角色 → 技术全景 → 0→1 总流程 → 跟做案例 → 模板实操 → 作品集 → 面试

AI 产品负责人需要“广而能协作，深而能决策”。不要求替代算法、工程、设计、法务和项目专家，但必须能提出正确问题、识别证据质量、做出权衡并承担结果。

本库遵守根目录 本地独立使用声明。新增内容不得通过符号链接、子模块、工作区引用或绝对路径串联其他本地项目；不得未经明确授权配置远程仓库、连接器、同步、发布或自动化。

AI 产品经理把真实用户问题转化为可持续的 AI 产品结果，并对价值、体验、指标、风险和路线图负责。

AI 项目经理把一个包含研究不确定性、数据依赖和持续模型风险的目标，组织成可治理、可交付、可验收、可运营的项目。

行业项目另设数据 Owner、模型/Agent Owner、风险 Owner、评测复核人和收益 Owner。残余风险由有权责任人接受，高风险测试保留独立复核；同一小团队可以兼任，但不能让开发者自评替代独立意见。职责与证据链接到 项目证据台账。

人工智能不是一个技术，而是一组让机器从规则、数据或环境反馈中产生预测、内容、推荐或动作的方法。产品决策时至少区分四层：

大语言模型把文本切成 Token，根据已有上下文预测下一个 Token，反复生成序列。Transformer 通过注意力机制建模 Token 之间的关系，使大规模并行训练和长距离依赖成为可能。

Retrieval Augmented Generation（检索增强生成）在回答前从外部知识源取回相关内容，把内容提供给生成模型。典型链路：

行业落地要求把数据质量阈值、责任和修复证据写入数据合同，把 Trace/Metric/Log/Event 统一关联到任务与版本。敏感原文、系统指令和工具参数单独制定用途、采样、访问与保留；OpenTelemetry 动态字段须固定版本并验证迁移。实施细节见 数据治理与知识工程。

每阶段共用一条证据链：需求/风险 ID → 数据与方案 → 测试 → 结果/区间 → 决策与残余风险 → 运行反馈。影响评估在方案冻结前开始，扩大用途、地区、用户与自主性时复核。需要行业交付时使用 阶段门与证据包。

正确问题是： 谁在什么情境下，为完成什么任务，付出了什么可量化成本；哪部分可由 AI 改善，改善后谁愿意改变行为或付费？

对生成内容增加展示、复制、下载/导出的标识契约；对 Agent 增加主体、资源、动作、确认、预算、撤销与终态凭据；对受影响人补充纠错、申诉和退出。字段在原型与真实环境中验证，参考 动作契约及 标识适用性。

候选比较采用质量、时延、风险和每成功任务成本的联合边界；记录模型/协议/SDK/工具版本、数据区域、弃用与变更通知、日志/证据导出和退出能力。公共基准用于短名单，实际选型使用自有冻结任务集。入口：公开基准 · 成本账本。

行业评测把风险/需求 ID 追踪到用例、环境、版本、结果和证据；评分器经过人工校准并单独版本化，高风险结论保留独立验证。样本数、置信区间、配对比较、多次 Agent 试验、污染和线上质量预算见 统计评测与质量门禁。

放量与扩大权限分别审批。上线后按任务级质量、严重错误、实际收益和成功任务全成本监控，模型/数据/用途/地区重大变化触发重评；退役包含在途收尾、撤权、删除传播与通知。指标口径见 FinOps 与价值实现。

计划同时安排交付和证据成熟：每项不确定性有实验、预算盒、期限、Owner 和失败后的选择；重大投入承诺以可复核证据为前提。PMI 2026 标准的双责任与本库阶段门见 交付、采购与证据包。

AI 生成的风险、状态和计划建议核对来源、时间、计算、遗漏与不确定性；未经真实批准不得写成决议。周报同时追踪数据/模型/供应商变更、质量预算与成本归属，触发 Stop the line 后由明确责任人依据复验恢复。运营数据合同见 指标目录。

采购补齐模型/工具版本、数据训练使用、变更通知、事故协作、证据导出、审计配合、删除证明和退出演练。验收包与实际运行版本相连，运营 Owner 亲自完成恢复验证。可复制证据索引见 交付证据包。

复核日期：2026 10 03。本矩阵用于把参考体系转成项目证据，不构成认证、法律或行业意见。公开摘要用于导航，标准条款实施需核对正式全文。

核对日期：2026 10 03。法规变化快，以下用于产品与项目治理，不构成法律意见；具体项目必须由适用法域的法务、隐私、安全和行业专家确认。

使用方法：复制所需模板到项目目录，所有 【填写】 必须被替换；不适用项写“不适用 + 原因”，不要删除以假装没考虑。模板是提问清单，不替代判断。

这些案例不是行业标准答案，而是训练“证据—决策—取舍”。建议先只读题目，用模板独立完成，再看参考拆解。

术语采用“产品能用的解释”，不是严格数学教材。英文缩写保留，便于与论文和技术团队沟通。

目标不是收藏最多，而是建立从“为什么”到“怎么做、怎么测、怎么管”的一手知识链。论文中的 benchmark 结果有数据、版本和实验边界，不能直接当作你的产品结论。

文中的访谈数、黄金集数和练习周期是教学起始样例，不是行业统一门槛。真实项目根据任务覆盖、风险和统计把握度确定样本量；作品集以完整证据链验收，参考 行业基线与证据包。

基础工具地图保留原核对时点 2026 07 16；新增行业数据、规范和运营资料核对至 2026 10 03，见 公开数据与基准及 调研记录。具体软件版本与价格在采用前查官方文档。本页不构成商业推荐。

行业项目同时维护 12 项证据台账：影响评估、法域/角色、数据权利、动作授权、风险测试追踪、评分器/区间、透明标识、放量、恢复、退出、收益与退役。勾选表示已找到有效证据，不表示专业认证。

“采用最强模型”“全面智能化”是技术愿望，不是战略。

行业成本管理把模型账单与任务结果对账，分别显示直接成本、共享分摊、失败浪费和人工复核；按产品/租户/工作流/版本归属，并追踪实际收益兑现。完整计算演练与指标合同见 FinOps 与价值实现。

上下文标记来源、权限、版本和信任等级。用户输入、网页、检索文档和工具结果不能自行升级为系统指令或审批；记忆新增、更正、删除与撤权都留证据，日志按敏感字段策略采样。最新控制与测试见 Agent 安全。

当输出空间明确、标签稳定、延迟/成本严格或需要可校准概率时，传统机器学习、搜索、优化和规则经常比生成式模型更合适。

AI 平台不是把所有模型放进一个门户，而是降低多个产品团队交付可信 AI 的边际成本：更快接入、更低成本、更一致评测、更少重复风险。

这部分面向已经能独立完成一个 AI 产品闭环、希望进一步管理产品线、商业结果与组织能力的人。

本文访谈与抽样数量是工作节奏样例；真实数量按任务风险、覆盖和统计把握度确定。每日关注严重错误/权限/成本异常，每周审阅任务轨迹与知识变化，每月对账质量/收益/费用，每季度复核法域、供应商、恢复与退役证据。方法见 行业基线。

用法：这不是背标准答案的题库，而是检查是否能把用户、技术、评测、项目、商业和风险放进同一个决策框架。每题建议先用 2 分钟回答，再按评分标准复盘。

这是桌面速查版。它帮助快速找到下一步，不代替完整评审。涉及高风险人身、财务、就业、教育、医疗、法律或公共决策时，应启动专业和合规评审。

这部分解决三个非常实际的问题：每天做什么、方案怎么审、关键时刻怎么选。

本章补充 评测体系与实验，用于模型更换、Prompt/RAG 变更、Agent 权限扩大和放量决策。目标是回答“变化是否足够好、在哪些任务上、证据有多稳”。

核对日期：2026 10 03。Agent 的能力来自模型与执行环境共同作用。生产设计需要说明代表谁、能访问什么、可以产生什么外部影响，以及如何停止和恢复。

数据的行业级要求是：能说明来源、使用权、质量、版本、访问边界和删除后果。训练数据、检索知识、评测集、反馈和日志用途不同，应分别治理。

AI 产品应把资源成本连接到成功任务和业务收益。FinOps Foundation 单位经济实践将 AI 的计量从 Token 延伸至辅助、Agent 动作和业务结果；本章给出可用于项目账本的具体口径。

这些是用于产品与交付训练的设计框架，不是真实客户案例。行业不是一个标签：同样是问答，内部说明书、对外金融建议和患者诊疗的权利、损害、证据和责任要求完全不同。

项目交付的目标是让组织获得持续创造价值、可追溯和可运营的能力。AI 实验存在不确定性，计划需要同时管理功能完成与证据成熟。

核对日期：2026 10 03。本页登记一手公开入口和任务匹配，不复制数据全集，也不固定动态模型排名。下载前核验具体子集许可证、版本、个人信息、地域与再分发限制。

核对日期：2026 10 03。法定义务、正式标准、技术规范、研究草案和实践建议分别标状态。本页给项目负责人一个核验入口，适用性结论由对应法域与行业专业责任人确认。

资料核对至 2026 10 03。本卷用于正在交付或运营 AI 产品的团队，覆盖立项、设计、评测、放量、治理和退役。正文中的流程与表格是本库的实践建议；法律、标准与研究事实均链接一手来源。

新增行业基线卷，补齐统计评测、Agent 身份与安全、数据治理、成本与收益、行业案例、交付采购、公开基准和法规适用性。 全库同步最新一手资料，明确法律、正式标准、动态协议与草案的区别，保留来源、核对日期和适用边界。 模板工具箱扩展到 31 项，提供 20 项指标口径、12 项证据登记项和 30 条模…

本知识库是一个独立静态项目，不属于、也不依赖任何其他软件项目。

本文定义“AI 产品经理 × AI 项目经理永乐大典”这套本地知识产品的用户、价值、范围、内容架构、功能要求、质量标准、验收方式和后续路线。

从“我不知道 AI 产品经理是什么”，到能发现机会、定义产品、组织团队、交付上线、评测治理并持续迭代的一套实战知识库。

调研截止：2026 10 03（Asia/Shanghai） 范围：AI 产品经理、AI 项目管理、Agentic AI、评测与可观测性、LLMOps/FinOps、安全治理、中国与欧盟监管、国际标准。 方法：优先采用法律法规原文、监管机构、标准组织和协议维护组织的一手资料。本文是内容研究与编辑依据…

Turn knowledge into observable decisions and work products. Diagnose the learner before prescribing more reading.

Turn an idea into a testable product contract. Start from the user task and current baseline; do not start from a preferred model.

Manage uncertainty explicitly. Plan AI projects around evidence and risk reduction, not only feature completion.

Design the smallest reliable system that can meet the product contract. Prefer deterministic components for deterministic needs and reserve model auto…

Turn “the demo looks good” into reproducible evidence and a controlled operating decision.

Convert AI capability into a focused market position, repeatable value engine, and economically sustainable operating model.

Target role / industry / timeline: Weekly available hours: Graduation evidence: Existing strengths: Top five gaps with evidence:

Candidate / learner: Target role: Exercise / artifact: Real or synthetic: Time limit:

Score only demonstrated answers or artifacts. Record evidence and confidence.

Train answers to follow:

Problem and opportunity: Proposed product: Decision requested: Evidence strength:

Decision: Decision owner: Date / horizon:

Prefer evidence in this order:

Use one task centered outcome plus diagnostic and guardrail metrics.

Cover product, UX, data, AI, engineering, evaluation, safety, operations, adoption, vendor, and governance.

Do not commit full scale scope and dates before critical feasibility evidence exists.

Product task and baseline: Constraints: Quality, risk, latency, cost, and scale:

Product task and baseline: Required quality / unacceptable failure: Volume, latency, availability, and cost: Data, privacy, region, and deployment: Ma…

Combine patterns only when each component has a clear responsibility.

Does the authorized source contain the answer? Was the latest source ingested and deletion propagated? Did retrieval return relevant content within K?…

System / version / candidate: Decision: feasibility / selection / acceptance / release / expansion / regression: Baseline: Decision owner and reviewer…

Name the decision and candidate versions before choosing metrics. Common decisions: feasibility, model selection, Prompt/index change, vendor acceptan…

Increase testing, approvals, human control, audit, and rollout caution as impact, scale, autonomy, sensitivity, and irreversibility increase. High ris…

Strategic decision and horizon: Chosen market / ICP / workflow: What we will not do: Investment requested: Evidence confidence:

Test model price, tokens, steps, retry, success, human review, adoption, churn, discount, and support burden. Identify the three variables that can re…

Build choices from top to bottom: