01
AI产品经理的自我修养
AI产品经理与传统产品经理的区别、必备技能树、AI产品生命周期全景图。
认知技能树
02
市场分析与机会识别
如何发现AI落地的真需求、竞品分析方法论、市场规模与可行性评估。
市场竞品
03
用户画像与场景定义
AI产品的目标用户是谁、高频场景挖掘、用户痛点与AI解决方案的匹配。
用户场景
04
PRD框架总览
一份标准AI产品PRD应该包含哪些章节、PRD的受众与阅读场景、我的PRD模板分享。
模板结构
05
项目背景与目标
为什么要做这个AI产品、核心商业目标与OKR设定、成功标准的量化定义。
目标OKR
06
用户故事与用例分析
从用户视角写故事、用例图的绘制方法、覆盖边界与异常场景。
用例故事
07
数据策略与采集方案
AI产品需要哪些数据、数据来源（自有/第三方/合成）、数据标注与质量控制。
数据标注
08
特征工程与数据预处理
特征选择的原则、数据清洗与标准化、特征存储与版本管理。
特征清洗
09
模型选型与评估标准
分类/回归/聚类等任务选型、模型评估指标（准确率、召回率、F1等）、基线模型的选择。
模型评估
10
模型训练与迭代流程
训练集/验证集/测试集的划分、超参数调优策略、模型版本管理与实验记录。
训练调优
11
模型部署与服务化
模型导出格式（ONNX、TensorRT等）、推理服务架构（同步/异步）、A/B测试与灰度发布。
部署推理
12
AI产品交互设计
AI特有的交互模式（对话、推荐、自动化）、反馈机制与用户控制感、异常状态的处理。
交互反馈
13
前后端架构设计
AI产品的系统架构图、API接口设计原则、数据流与消息队列。
架构API
14
非功能性需求
性能要求（响应时间、吞吐量）、可用性与容错设计、安全与隐私合规。
性能安全
15
产品原型与交互文档
低保真与高保真原型的制作、交互说明的撰写、原型与PRD的联动。
原型交互
16
技术可行性评估
现有技术栈能否支撑、算力与成本估算、技术风险的识别与应对。
可行性算力
17
项目排期与资源规划
里程碑与关键节点、人力与预算估算、依赖项与风险缓冲。
排期资源
18
AI产品的测试策略
模型测试（准确率、鲁棒性、偏见检测）、系统测试（集成测试、压力测试）、用户验收测试。
测试鲁棒性
19
上线与监控方案
上线checklist、线上监控指标（模型漂移、数据分布变化）、告警与应急响应。
上线监控
20
反馈闭环与持续优化
用户反馈的收集渠道、模型持续训练与更新机制、产品迭代节奏。
反馈迭代
21
AI产品的商业化设计
定价策略（订阅/按量/免费+增值）、成本结构分析、ROI计算与价值证明。
商业化ROI
22
跨部门协作与沟通
与算法工程师的协作、与工程团队的配合、与业务方的需求对齐。
协作沟通
23
AI产品的文档体系
PRD之外还需要哪些文档（技术方案、测试报告、用户手册）、文档的维护与版本管理。
文档规范
24
案例拆解：智能客服AI产品PRD
从0到1的完整PRD案例、关键决策点的复盘、踩过的坑与经验总结。
案例智能客服
25
案例拆解：推荐系统AI产品PRD
推荐系统的PRD特点、冷启动问题的处理、个性化与探索的平衡。
案例推荐系统
26
案例拆解：计算机视觉AI产品PRD
视觉产品的数据标注难点、模型精度与速度的权衡、边缘部署的考量。
案例计算机视觉
27
AI产品的伦理与合规
算法公平性与偏见、数据隐私与GDPR、可解释性与透明度。
伦理合规
28
AI产品经理的工具箱
常用工具推荐（Jira、Confluence、Figma、Label Studio等）、效率提升技巧、知识管理方法。
工具效率
29
从PRD到MVP的落地
最小可行产品的定义、PRD中的优先级划分、快速验证与迭代。
MVP落地
30
AI产品经理的成长路径
初级到高级的能力模型、学习资源推荐、面试准备与职业规划。
成长职业