产品经理方案
为不写代码但要做 AI 产品决策的人设计。不教语法、不教模型训练——只教你"AI 能做什么、做得多好、什么时候该用"，让你跟工程师对话时不再差一层。
产品经理 · 设计师 · 业务方
你看不懂技术报告里的术语；分不清"AI 能做"与"AI 做得到"——前者是营销，后者是工程。每次提需求都担心被工程师怼"这做不到 / 这成本太高"。最难的是直觉：模型在 prompt A 下表现好，在 prompt B 下不行，到底为什么？这套课不让你写一行生产代码，但要让你建立工程师式的能力直觉。
推荐组合
课 · 实践法 · 提问式
实践课程让你先装上工具、跑 demo，建立"看得见摸得着"的直觉，避免被纯理论吓退。提问式方法是关键——每节课把问题摆给你，你先回答，再揭晓"为什么"。被问出来的能力比被讲出来的牢得多。
课程系列 · 5 课
PM · 015 小时
AI 能做什么 · 不能做什么
不靠公式，建立"AI 模型在做什么、为什么会胡说、为什么有时候很聪明"的工程师式直觉。
- 预训练 / 推理 / 上下文：一张图讲清三件事
- 幻觉、温度、采样：行为背后的可调参数
- "AI 做不到的事"清单：长链推理、严格数学、实时数据、复杂状态
- 能力地图：知道什么场景该用 LLM、什么场景该用规则
PM · 026 小时 · 含 sandbox
拆 prompt · 把模糊需求变成可执行任务
最有用的技能。同样的需求换种写法，结果完全不同——这背后有规律。
- System / User / Assistant 三角的实际作用
- 少样本、结构化输出、Chain of Thought 的写法
- 从"我要 AI 帮我做 X"到"我给 AI 提供 A/B/C，让它输出 D"
- 在 Prompt 沙盒里 A/B 对比，看数字而不是感觉
PM · 035 小时
RAG / Agent / Tool 的能力地图
看懂工程师在讨论什么。RAG ≠ 检索，Agent ≠ Chatbot，Tool use 决定了一切。
- RAG 的本质：为什么"喂文档"经常不灵
- Agent 是什么：loop、tool、context 三件事
- 多 Agent / Sub-agent / Workflow 的区别与代价
- 典型架构图：你能画出来给老板看
PM · 047 小时
AI 产品的设计模式与反模式
看过 30+ 个 AI 产品的好坏案例之后，你会发现失败的产品都犯同样的错。
- 5 个好用的设计模式：副驾、增强、自动化、对话、生成
- 10 个常见反模式：把 LLM 当数据库、把 chat 塞进所有场景……
- 评估指标：怎么知道你的 AI 功能"真的有用"
- 失败案例拆解：Github Copilot 的早期错误、Adept 的教训
PM · 05综合作业 · 2–3 周
用 Agent 自己造 demo 验证 idea
不用等工程师，自己用无代码工具做出能跑的 demo，团队评审看效果。
- 无代码 Agent 搭建器实操：选 idea、拖工具、跑通
- 用真实数据测试，收集失败案例
- 给工程师写一份能直接开工的"需求 + 评估方案"
配套软件 · 这套课要造的工具
① AI 能力查询 App
输入需求描述 → 返回"AI 能不能做、做得多好（基于公开 benchmark）、成本估算、推荐架构"。给 PM 拍板用。
② Prompt 沙盒 + 模板库
可视化对比不同 prompt 的输出，A/B 测试，导出版本历史。模板库按场景分类（总结、分类、抽取、对话…）。
③ 无代码 Agent 搭建器
拖拽配置 tools、prompts、流程，一键导出可运行的 Agent。PM 可以自己做 MVP demo，不用等工程师。
④ AI 产品设计 Canvas
8 格画布工具：用户痛点、AI 介入点、能力评估、失败模式、评估指标、成本、人机分工、上线后观测。
学完你会有
- 一个跑通的 AI 产品 demo（不靠工程师，自己搭出来）
- 一份给工程师看的"AI 产品需求文档"模板，可直接套用
- 对模型能力边界的判断力——能在会上说"这个不行，因为……"
- 一个属于自己的 Prompt 模板库（个人资产）