AI Agent PM：PM的第六种类型？

AI Agent PM 正在成为科技行业薪酬最高（传闻达 $750K+）、增长最快的职位之一。

但这背后，是传统产品管理范式的彻底颠覆。曾在FAANG任职的资深PM Mahesh Yadavad 提出了一个“马车先行”开发法：

• 旧世界：PM花数月调研，撰写厚重的PRD，再交给工程开发。
• 新世界（AI）：AI让原型成本降低了100倍。PM必须在2周内，用Langflow、V0等工具Vibe Coding，先把原型“怼”到客户面前，拿到反馈后再去补写一份小而精的需求文档。

但作为一个AI PM学习者，我还是会感到困惑：

在传统互联网时代，PM的职责是清晰的，比如业务PM、增长PM、平台PM…；但在AI时代，PM的边界似乎很模糊。AI PM到底是一个全新的岗位，还是只是传统PM的演进呢？

尤其是当我审视当下的市场，我发现一个“交叉共存”的局面：

1. 基础模型层PM（拥有自研模型）
2. AI Native应用PM（从零开始构建AI原生应用）
3. 传统业务+AI增强PM（在现有业务中“+AI”，例如电商、内容、SaaS）
4. 纯传统互联网PM（暂时未涉及AI）

这种多样性让我更加困惑：我自己的职业规划该怎么做？我到底适合哪一种？

为了搞清这个问题，我近期做了一些功课，试图从两位顶尖思想者的分享中，拼凑出PM的「角色演进」，并找到我自己的位置。

• Peter Deng (PM界)：他定义了PM的「5种原型」。
• Andrej Karpathy (AI界)：他定义了「软件3.0」的新时代。

💡 总结一条清晰的路径：

AI PM，正从软件2.0的「算法PM」，演进到软件3.0的「Agent PM」。

以下的梳理，希望对你也有所帮助～

---

Peter Deng：PM的五大原型

在谈论AI PM之前，先从Peter Deng定义的PM的五种原型框架开始。他认为一个优秀的PM团队应是「复仇者联盟」，每个人有不同的超能力：需要不同角色间的良性对抗，而不是千篇一律的“六边形战士”。

1. 消费类产品经理

• 画像：“一个兼具设计师和产品经理特质的人”。
• 特质：对细节极度痴迷。“它令人愉悦吗？精工细作够吗？天啊，这里偏了三个像素”。他们能感受到产品的“Vibe”（氛围感）。

2. 增长型产品经理

• 画像：“一半是数据科学家，一半是产品人”。
• 特质：天生习惯于优先思考数字，充满怀疑精神。“我持怀疑态度，给我看看数据。让我做个测试来验证一下，我不相信你”。

3. 业务型产品经理

• 画像：“一半是MBA，一半是产品人”。
• 特质：天生从商业模式出发，思考“利润如何？有哪些机遇，价值又是在何处创造的？” 他们会思考“这里的激励是什么？”

4. 平台型产品经理

• 画像：系统构建者。
• 特质：天生热衷于为他人打造工具（如内部平台），构建能“助你前行的工具”。

5. 研究型产品经理

• 画像：“半研究员半工程师半产品人”。
• 特质：Deng提到，这就是AIPM的核心。“如今，真正具备产品品味的人是谁？（是那些）深入了解技术及模型的训练方式，进而影响并构建最棒的产品”的人。

这个框架给我们的启发是：不必强迫自己成为完美的「全能PM」，而是应该找到自己的优势区。

---

从软件2.0到3.0的“范式转移”

Peter Deng的框架很好，但它是建立在特定技术时代之上的。而Andrej Karpathy的「软件3.0」理论，则精准地定义了“时代正在发生改变”：

• 软件1.0 (C++/Java/…)：程序员“显式”编写代码。
• 软件2.0 (神经网络/权重)：通过数据集和优化器来“编程”神经网络的权重。
• 软件3.0 (LLM/Prompt)：LLM可能是一个全新的操作系统(OS)，而我们的提示词本身就是程序。我们，正在「用自然语言编程」。

Karpathy的理论引出了两个颠覆性的事实：

1. AI的“不可预测性”：你无法像软件1.0那样，用静态PRD去穷举AI的所有行为。
2. 开发的“马车先行”：PM可以在几周甚至几天内构建原型。

这就导向了一个核心矛盾：当AI的行为不可预测，而AI的原型又如此之快时，PM的传统PRD（静态、滞后）失效了。

---

AI PM：从算法PM到Agent PM

结合Deng的原型和Karpathy的时代划分，AI PM的演进路径变得异常清晰。

阶段一：算法PM (软件2.0时代)

在软件2.0时代（即传统机器学习/深度学习时代），AI PM的角色更接近五种原型中的「研究型/算法PM」。

• 角色定位：“炼丹炉”的辅助者，算法的翻译官。
• 核心工作：核心三件套是「场景、数据、评测」。PM不编写算法，但需要通过定义标注规则、寻找bad case、设计评测体系来“编程”数据集。
• 最终目标：让模型变得更准。

阶段二：Agent PM(软件3.0时代)

在软件3.0时代，Karpathy说LLM会是一个全新的OS。我们不再需要从零“炼丹”（软件2.0），可以直接使用这个OS（软件3.0）。

LLM的下一步是AI Agent（智能体）。Agent不再是“被动回答”的聊天机器人，它是一个可以“感知-规划-行动”的自主系统。

1. ***工具：***能调用API、搜索、写代码来改变世界状态。
2. ***目标：***拥有明确的角色和目标，并会为了实现目标而持续尝试。
3. ***知识与记忆：***能连接外部知识库（RAG）或拥有记忆。
4. ***护栏：***拥有检查和平衡机制，确保行为可控。

👇 这就催生了一个全新的名称：Agent PM。

• **角色定位：**不再是“辅助者”，而是“系统设计者”。
• **工作核心：**设计Agent的感知、规划和行动。
• 核心产出：“活的PRD”，即一个动态的、可执行的、不断进化的评测体系。

在Agent时代，“评测”不再是QA的辅助工作，它本身就是PM定义产品的核心手段。

更精妙的是，这个构建“评测体系”的过程，恰好需要「复仇者联盟」的全部五种能力，我们再拿小红书的案例进行展示吧：

现阶段可能还没有这么明确的分工，以下只是一个类比～如有理解错误的地方，恳请指正。

1. 用“黄金评测”定义“产品上限”

• **传统PRD：**PM写一篇文档，描述“旅游攻略”应该长什么样。
• **Agent PM：**PM直接去定义（甚至标注）100条“理想的”旅游攻略SFT数据（黄金评测）。
• **对应原型：**这需要“消费类PM”的极致品味和用户共情，来定义“什么才是好”。

2. 用“负面评测”定义“产品底线”

• **传统PRD：**PM在文档里写一条：“回答风格不要油腻”。（工程师：？？？）
• **Agent PM：**PM将“油腻”、“重复”、“答案错误”等失败模式提炼出来，定义成“确定性的Reward信号”，用来训练Reward Model。
• **对应原型：**这需要“研究型PM”的技术理解力，将模糊的产品感受转化为可量化的惩罚信号。

3. 用“工作流”平衡“价值与成本”

• **背景：**纯Agent的输出不可控且成本高。
• **Agent PM：**PM必须做出架构决策——何时使用高确定性、低成本的“Workflows”（如“霸王茶姬推荐”），何时使用高灵活性、高成本的“Agentic Search”（如“UPF是什么意思”）。
• **对应原型：**这需要“业务型PM”的商业头脑，来判断用户真正需要的价值（是“效率”还是“探索”），并平衡开发和维护成本。

4. 用“评测飞轮”驱动“产品进化”

• **Agent PM：**PM的核心工作是构建并拥有小红书的(A1-A2-A3)评估飞轮。

• (A1) **定义标准：**PM定义多维评估标准（准确性、完整性等）。
• (A2) **自动评测：**PM引入“LLM法官”实现自动化评估。
• (A3) **闭环反馈：**PM收集真实用户反馈（点踩、分享），反过来迭代(A1)的评测标准。

• 对应原型：(A2)需要“平台型PM”的系统思维来构建自动化工具，(A3)需要“增长型PM”的数据分析能力来闭环反馈。

---

所以，我到底适合哪种PM？

👇 这条演进之路现在非常清晰了：

• 算法PM(软件2.0)=研究型PM（Peter Deng原型5）
• Agent PM (软件3.0)=Deng的5种原型合体

在Agent时代，一个酷炫的聊天界面（像素）不重要，Agent是否“可靠地”完成了用户的“目标”（价值）才重要。 AI PM不再是单一职能，必须：

• 像“消费类PM”一样定义“好”的黄金标准；
• 像“平台型PM”和“研究型PM”一样构建自动化的评测系统；
• 并像“增长型PM”和“业务型PM”一样，让整个评测飞轮与真实的用户价值和商业目标对齐。

这也许就是为什么Peter Deng在招聘时，最看重的不是你来自哪个原型，而是你是否具备“成长型思维”。

🌟 那么，回到最初的问题：我适合哪种PM？

这个框架告诉我们：我们不必是“六边形战士”，但必须拥有自己的“超能力”。

• 如果是消费类PM，你的品味和用户共情是定义“黄金评测”的基石。
• 如果是增长或业务PM，你的商业嗅觉和数据能力是Agent“不跑偏”的保障。
• 如果是平台或研究PM，你的技术深度和系统思维是构建“评测飞轮”的核心。

在AI时代，所有人都在重新学习。我们要找到自己的优势区，然后开始构建自己的“评测”能力。

---

最后

Peter Deng的访谈中提到了一句Instagram的座右铭，分享给大家～

“We may not be right, but at least we’re not confused.”

（我们可能不正确，但至少我们没有困惑。）

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！