第 16 篇转型路线图与求职实战

系列第 16 篇，也是收口篇。前 15 篇把"AI 产品经理需要知道什么、怎么做"讲完了，这一篇把知识转化成一份工作：自测定位、能力盘点、作品集、简历、面试、入职 90 天，并给出全 16 篇的总览与阅读路径。

系列总纲级判断：AI 产品经理的门槛不在知识量，而在能不能对质量负责。 你读了多少篇文章不重要，重要的是你能否为一个概率性系统的输出，定义标准、建起评测、并为之签字。

引言

前 15 篇覆盖了能力、技术、工程、设计、商业、风险、落地。这一篇不再讲"知识"，讲"怎么拿到一份 AI PM 的工作，并在入职后立住"。

全系列的隐含主线一直是同一条：把模糊的"好"变成可测的数字，并对这个数字持续负责。求职市场认的也是这条线------招聘方不缺"学过 AI"的人，缺的是"能定义质量、能建评测、能说清代价"的人。下面的内容都围绕如何证明你有这个能力展开。

一、先自测：你属于哪一类转型者

不同背景的人，优势和短板完全不同，准备策略也应该不同。先对号入座。

背景类型	天然优势	主要短板	切入策略	最该补的 2 项能力
技术背景（算法 / 工程）	懂模型、能与算法对话、技术可行性判断准	易过度偏技术，忽视场景与商业化；把"能做"当"该做"	从技术型 / 专业型岗位切入，补商业视角	概率性思维、单位经济性
行业背景（传统行业 PM）	行业 know-how、知道哪里最痛、谁付钱	AI 技术语汇弱，怕被技术方带节奏	走应用型，用行业经验做垂直方案	AI 素养、Evals
应届 / 在校	时间充裕、学得快、无路径依赖	无真实项目经验，缺业务体感	用作品集换经验，做真东西而非刷课	Evals、AI 辅助原型
其他岗位转（运营 / 设计 / 数据 / 销售）	各自的交叉能力（数据懂指标、销售懂客户）	缺端到端的 AI 产品方法论	找与 AI 能力互补的交叉点切入	AI 素养、失败模式设计

判断原则：你的背景不是劣势，是切口。技术背景别去和技术人卷算法深度，行业背景别去补你永远补不齐的技术细节，而是用"行业理解 × AI 能力"做出别人做不深的方案。

二、能力盘点：八项能力自评表

直接复用第 01 篇的八项能力模型。这八个维度是全系列的骨架，也是面试的底层考察面。先做一张自评表。

能力	层级	自评（1--5）	说明
AI 素养	及格线	□	知道模型能 / 不能做什么，有哪些失败模式
Evals	及格线 → 最大分水岭	□	能建 golden set、定义指标、接 CI、解释波动
数据判断力	及格线	□	能读数据、看 A/B、识别样本量是否够
概率性思维	及格线	□	为方差和幻觉做设计，建之前就定义"好"
模型选型	差异化	□	在质量 / 成本 / 延迟三角上取舍并论证
失败模式设计	差异化	□	预判模型怎么坏，并用交互兜住
AI 辅助原型	差异化	□	在规格书前做出能跑的原型
单位经济性	资深以上	□	懂单次成本、单用户成本、毛利

及格线建议：投应用型岗位，前四项（AI 素养、Evals、数据判断力、概率性思维）必须达到 3 分以上，否则面试经不起追问；后四项差异化能力有 1--2 项突出即可形成亮点。

诚实原则：自评要真。面试会就你写的每一项追问------"你说 Evals 4 分，你的测试集怎么建的、指标怎么定义的"，答不上来反而扣分。把自评当成你准备面试的清单，3 分以下的项，要么补，要么别写在简历上。

三、作品集：三件套怎么做出说服力

第 01 篇提过作品集三件套，这里讲怎么把它们做到"能进面试"的程度。

1. 真实的评测报告

呈现结构：背景与目标 → 测试集说明（规模、来源、覆盖的失败类型）→ 指标定义 → 迭代前后分数对比 → 失败案例归因。
页数建议：3--6 页，重点在对比和归因，不在篇幅。
最易失分处：测试集是手选的"漂亮 case"，没覆盖真实失败；只有结论没有代价陈述。
可量化表述：不说"效果提升明显"，说"在 40 条测试集上忠实度从 0.72 提升到 0.91，代价是 P95 延迟增加 400ms"。

2. 可跑的原型

呈现结构：一句话场景 → 可演示链接 / 录屏 → 你做的关键取舍及原因。
页数建议：1 页说明 + 可点开的链接，不必精美。
最易失分处：只有截图没有链接；讲不清"哪一步我做了取舍"。
可量化表述：说明"覆盖了 X 类输入""在 Y 测试集上 Z 指标达标"，把原型和你建的评测挂钩。

3. 模型选型备忘录

呈现结构：场景 → 2--3 个方案在质量 / 成本 / 延迟上的对比表 → 结论 → 代价陈述。
页数建议：1--2 页一页纸。
最易失分处：只有"选了 A 因为 A 最好"，没有放弃什么。
可量化表述："选 B，忠实度低 0.03，但成本降 5 倍、延迟降一半，用一次自检调用补回 0.02"。

核心判断：一份有测试集和前后分数对比的评测报告，抵得过十个课程证书。招聘方见过太多"上过 AI 课"的简历，没见过几个能拿出自己定义质量、自己跑评测的人。

四、简历怎么写

AI PM 简历最忌空洞。下面 5 组对照，左边是会被筛掉的写法，右边是能进面试的写法。

空洞写法	有说服力的写法
熟悉大模型 / 了解 AI	为 XX 功能建了 40 条测试集，把忠实度从 0.72 提到 0.91，代价是延迟 +400ms
负责 AI 项目，提升用户体验	场景：工单摘要；动作：定义质量指标 + 建评测 + 调 prompt；结果：人工修改率降 35%；代价：算力成本月增 2 千元
了解 RAG 技术	用 RAG 搭了内部知识问答，召回率从 0.6 提到 0.85，关键在重写检索排序
参与模型选型	比较 3 个模型在摘要任务上的表现，选中小模型省 5 倍成本，质量仅降 0.03
做过 Prompt 优化	调 prompt + 加自检调用，拒答率从 18% 降到 6%，未引入额外延迟

可量化模式（记这个句式）：说明场景 → 做了什么 → 数据结果 → 代价。四个要素缺一不可，尤其是"代价"------能说清自己放弃了什么，才是真做过取舍的人。

AI PM 简历模块建议：

复制代码

1. 基本信息（一句话定位，如"应用型 AI PM，擅长客服与文档场景"）
2. 核心能力（对照八项能力，每条用一句证据写，不写形容词）
3. 项目经历（场景→动作→结果→代价，按这个结构写 2--3 个）
4. 作品集（评测报告 / 原型 / 选型备忘录的链接）
5. 技术概念（简短列出懂的术语，仅作可信度背书）

五、面试题库与答题框架

面试官真正考察的是"有没有踩过坑"，不是"知不知道概念"。下面四类，每类给真题方向和答题结构。

一、技术理解类

真题方向：什么任务不适合用 LLM？幻觉怎么办？RAG 和微调怎么选？评测怎么做？
答题结构：先给判断框架，再给场景化结论，最后说代价。 不要背定义，要说"我会怎么决策"。例如"RAG 还是微调"：RAG 解决知识时效与溯源，微调固化格式风格但不灌知识，所以先 RAG，格式问题才考虑微调。

二、产品设计类

真题方向：设计一个 XX 场景的 AI 功能；怎么定义它的"好"；用户不信任 AI 输出怎么办？
答题结构：先定义用户与场景，再定义"好"的可测指标，最后讲失败兜底。 重点展示"先定义好再造东西"的意识（对应《第 02 篇：从 0 到 1 落地一个 AI 功能》）。

三、质量与数据类

真题方向：效果不好怎么排查？上线后质量掉了怎么办？测试集怎么建？
答题结构：先定位是数据、检索、模型还是提示的问题，再说验证方法，最后讲回归防护。 这类题考的就是《第 09 篇：评测工程》的功底------有没有 golden set、有没有 CI 门禁、能不能说清波动来源。

四、项目深挖类

真题方向：讲一个你做的 AI 功能；最难的技术决策；一个失败案例。
答题结构：STAR 但要加重"决策与代价"部分。 失败案例别编成成功，讲清当时怎么判断、后来发现什么、现在会怎么做。诚实的失败比包装的成功更可信。

面试官在考察什么：不是你知不知道概念，而是你有没有在一个真实系统里，为质量担过责、踩过坑、能复盘。能说出"我当时这么判断，现在看错了，因为......"的人，比能背术语的人稀缺得多。

六、现场设计题怎么做

现场设计题（白板 / 文档题）通常 30 分钟，考的是结构化思考，不是灵感。固定框架走一遍：

复制代码

1. 澄清约束（约 3 分钟）
   用户是谁、什么场景、数据在哪、出错代价多大、成本延迟预算
2. 判断该不该用 AI（约 3 分钟）
   规则能写清吗？信息够吗？容错吗？预算内吗？不该用就直说
3. 定义质量标准（约 5 分钟）
   选 3--4 个指标 + 目标值（忠实度、相关度、延迟、成本）
4. 选技术路线（约 5 分钟）
   Prompt → RAG → 微调 / Agent，从最便宜试起，说明取舍
5. 失败模式与对策（约 5 分钟）
   列 2--3 个最可能坏的玩法 + 产品对策 + 人在环分级
6. 评测方案（约 5 分钟）
   golden set 怎么建、怎么接 CI、上线后怎么监控
7. 成本与指标（约 4 分钟）
   单调用成本、总拥有成本、验收指标

示例走一遍（题目：给律所做"合同关键条款抽取"）：约束------用户是律师助理，数据涉机密（不出域），出错代价高（要人在环）。判断------非唯一答案、需理解语义，适合 AI。质量------条款召回率 ≥ 0.95、零关键字段幻觉。路线------本地部署模型 + RAG 检索合同范本。失败------漏抽（兜底人工复核）、编造条款（强制引用来源）。评测------律师标注 50 份合同做 golden set。成本------私有化部署，按调用计。框架走完即可，不必展开。

七、怎么判断一家公司值不值得去

面试是双向的。下面这些问题，你要在面试结尾反问，并听对方的回答探测什么。

你要反问的问题	背后在探测什么
团队有没有评测流程？	这家公司是把 AI 当工程做，还是凭感觉上线
谁对 AI 功能的质量负责？	质量有没有明确 owner，还是人人管、没人管
训练 / 评测数据能不能用、合规吗？	数据飞轮是否真实存在，还是永远冷启动
模型是自研还是调用？	技术路线的真实投入与风险
AI 功能是核心还是装饰？	你进去是做真东西，还是给产品贴 AI 标
PM 和算法怎么协作？	你的决策权边界，会不会被技术方架空

判断逻辑：六个问题里有三个以上答得含糊（"这个以后再说""目前还没"），说明这家公司的 AI 工程化还很不成熟，你进去大概率要做从 0 搭地基的苦活------对个人成长未必坏，但要心里有数。

八、入职后前 90 天

很多人入职后急于"做功能"，结果改了一堆东西却说不清变好了还是变坏了。正确顺序永远是：先建尺子，再改东西。

阶段	目标	关键动作
第 1 月	摸清现状，建评测基线	读懂现有系统；建起第一个 golden set；跑出当前质量、延迟、成本的基线数字
第 2 月	找到最大的质量缺口并修一个	从基线里挑一个最痛的指标，做一次 prompt / 检索 / 模型的改动，看分数变化
第 3 月	建立评测节奏与质量看板	把评测接进 CI；建每周质量看板（采纳率、修改率、错误率）；形成持续迭代节奏

底层心法：没有基线的改进都是幻觉。前 30 天忍住不动手改，先把"尺子"立起来------这恰恰呼应全系列反复强调的"先定义好，再造东西"。

九、系列回顾

全 16 篇按「认知与流程 → 技术理解 → 工程质量 → 产品设计 → 商业与风险 → 落地与职业」六段递进。下表是总览。

序号	标题	解决的核心问题
01	能力地图与知识清单	岗位是什么、要什么能力、怎么补
02	从 0 到 1 落地一个 AI 功能	八步落地法与质量定义
03	LLM 能力边界与失败模式图鉴	模型会怎么坏，产品要为此做什么
04	Prompt 工程	最便宜的优化杠杆，先穷尽它
05	RAG 产品设计与调优实战	知识类 AI 产品的主战场
06	微调与模型选型决策框架	三条技术路线的取舍依据
07	Agent 产品设计	从单次调用到多步自主系统
08	多模态产品化	图像、语音、视频的机会与代价
09	评测工程	golden set、指标、CI 门禁、漂移监控
10	数据飞轮与冷启动	AI 产品的数据从哪来、怎么滚
11	AI 交互设计	让用户信任一个会犯错的功能
12	指标体系与埋点设计	采纳率、修改率、放弃率怎么埋
13	Token 经济学	成本结构、定价策略与毛利模型
14	安全、合规与负责任 AI	幻觉责任、数据合规、内容安全
15	B 端 AI 落地	企业级产品的特殊战场
16	转型路线图与求职实战	能力盘点、作品集、简历、面试

三条阅读路径：

速成路径（2 周）：01 → 02 → 03 → 09 → 16。最快建立"什么是 AI PM、怎么落地、怎么求职"的骨架。
做产品路径：01 → 02 → 03 → 05 → 09 → 11 → 12。面向要亲手做一个 AI 功能的人，覆盖技术到交互到指标。
完整路径：01 → 16 顺序阅读。建立从认知到职业的完整知识体系。

全系列总结论：AI 产品经理的价值，不在于比别人更懂模型，而在于能为一个概率性系统的输出，定义标准、建起评测、并为之负责。

一页速查

复制代码

求职实战核心动作
├─ 自测定位：技术 / 行业 / 应届 / 转岗，各补最弱的两项
├─ 能力盘点：八项能力自评，前四项须过 3 分才能面应用型
├─ 作品集：评测报告（有测试集+前后分）> 原型 > 选型备忘录
├─ 简历写法：场景 → 动作 → 结果 → 代价（四要素齐）
├─ 面试：考的是踩坑与复盘，不是背概念
├─ 设计题：澄清→该不该用AI→定标准→选路线→失败对策→评测→成本
├─ 反问公司：评测流程 / 质量 owner / 数据可用 / 自研或调用 / 核心或装饰
└─ 入职90天：先建尺子（月1）→ 修一个缺口（月2）→ 建看板（月3）

一句话：能定义质量、能建评测、能说清代价的人，比读过最多文章的人稀缺。

常见坑

把"熟悉大模型"写进简历。 零区分度，不如写一条带数字和代价的评测经历。
作品集只有课程证书。 十个证书抵不过一份有前后分数对比的评测报告。
自评虚高。 写 5 分却在追问下说不清细节，直接减分；诚实标注短板反而可信。
面试背概念不讲决策。 被问"RAG 还是微调"只给定义不给取舍框架，等于没答。
现场设计题一上来就选模型。 跳过约束澄清和质量定义，结构分全丢。
忽略反问环节。 只被面试不面试公司，进去才发现 AI 是装饰、质量无人负责。
入职急于改功能。 没有基线就动手，改完说不清好坏，第一个月就失分。
把"替代人力"当卖点谈客户或谈价值。 在求职和 B 端都该说"释放产能"，避免组织抵触。
只读单篇不串体系。 八项能力和六模块是网状的，拆开看会丢掉"对质量负责"这条主线。

结语

走到这一篇，16 篇就闭环了。从"AI PM 是什么"到"怎么落地一个功能"，再到技术、工程、设计、商业、风险、B 端落地，最后落到"怎么成为并被认可为一名 AI PM"------所有内容都指向同一件事。

你不需要比谁都懂模型，你需要比谁都能为一个概率性系统的输出负责。

把这句话带进你的作品集、你的简历、你的面试和你的第一个 90 天，这 16 篇就真正变成了你的能力，而不是你读过的文章。

本文数据来源：系列第 01 篇公开招聘数据统计（654 份产品经理 JD 分析、AI 岗位供需比）、第 02 篇企业 AI 项目 POC 转化观察、主流招聘平台 AI PM 岗位能力要求梳理。文中具体数值（如 85% POC 转化率、0.97 供需比）为行业公开引用的观察值，随统计口径与时间变化，请以最新数据为准；薪资与溢价等数字因缺乏统一公开口径，本文以定性描述为主，未做具体量化断言。

第 16 篇 转型路线图与求职实战