从传统 PM 到AI PM，如何用一套框架复盘项目，让面试官认可

快手在同一天完成电商与直播两大核心业务的人事调整，电商业务由王剑伟直接负责，直播业务则由张一帆接手。频繁的人事变动背后，暴露出快手在用户增速放缓、广告库存饱和、电商增速回落等多重压力下的战略调整困境。

———— / BEGIN / ————

很多准备转AI岗的传统产品经理，手上已经经历了几个AI项目了，经历是不缺的。但一到面试，被问到”讲讲你做过的AI项目”，开口讲了三分钟，面试官脸上没什么反应。

这里，我们需要了解如何去描述我们做过的AI项目。

比如，我们讲了功能是如何设计的、流程是怎么梳理的、遇到用户反馈是怎么处理的，这些在传统产品经理面试的时候是加分项，但在AI产品经理面试的时候，还不够。

今天，我们一起聊聊，如何用一套框架重新复盘自己的AI项目，让面试官看到我们真的在AI项目上是有自己的思考和结果的。

一、先了解：AI项目和传统项目的差别是什么

两者的根本差异，我们可以用一句话概括：

传统产品经理设计的是”确定性的逻辑”，比如用户输入A，必然得到B，产品行为完全可预测；而AI产品经理设计的是”可能性的系统”，比如用户输入A，可能得到B，也可能得到C，我们的工作是管理边界、调优概率。

我们再来仔细说说，你想想，我们传统产品设计的时候，是不是主要是功能和流程，我们还关注用户体验和交互路径。比如我负责设计的无代码产品，拿业务流程来说，我要关注里面有哪些节点，它们分别有哪些功能，这些功能会有哪些组合方式，从而能满足客户业务需求。我还关注里面一个个功能的交互体验，保证用户用起来直观和舒服。

AI产品的资产是数据和算力，我们要关注的是数据质量、召回率、模型匹配度。

比如：

场景设定：公司存了200份规章制度文档，员工用AI提问查规则。

1. 数据质量

文档有没有残缺、错别字、过时作废内容，分类标签是否清晰。

数据质量差，资料杂乱错误，AI先天就容易给出错误答案。

2. 召回率

假设一共有50条和提问相关的规则条目。

• AI找出45条，召回率高，基本没漏掉关键信息。

• 只找出20条，召回率低，大量重要内容没检索出来，回答不完整。

3. 模型匹配度

选用的模型是否适配办公问答场景。

匹配度高：话术正式贴合企业规范，精准解答问题。

匹配度低：模型擅长闲聊创作，回答天马行空，抓不住业务重点。

再说说，关于”错误”的定义。 在传统软件产品里，Bug就是错误，需要去消灭它们。但在AI产品里，错误需要去管理。

AI产品不会是”零错误”，我们要展示”如何把不确定性转化成可交付的业务价值”，就像我们现在用AI对话方式让无代码搭建出系统一样，不会完全不出错，但是我们需要去不断迭代管理错误。

好了，我们现在来聊聊，怎么把我们的AI项目梳理下。

二、四步法：把AI项目梳理一遍第一步：思考背景，证明这件事”非AI不可”

面试官如果仅听到我们说”我们做了一个AI客服”，这是不够的。他会想，然后呢？为什么要用AI？传统方案不行吗？

所以，我们要关注两个问题：

第一，这个项目的业务痛点是什么。不是泛泛的”效率低”，而是具体到环节，是哪个环节效率低了，怎么个低法，它带来的问题是什么等。够痛，才有解决它的必要性。

第二，为什么非AI不可。我们要说清楚，这个场景里有大量需要”理解、判断、生成”的工作，而这正是传统软件做不到的。

讲好这一步，我们已经赢在了起跑线。我们展示的是自身的业务洞察力，是把业务痛点翻译成AI来解题的能力。这恰恰是AI产品经理最稀缺的素质，是能在业务深水区识别出哪里该用AI。

第二步：思考数据决策

既然AI项目的成败在数据阶段就决定了，那我们就需要知道这个项目的数据是怎么来的、怎么处理的？

比如，我们具体可以从这几个角度梳理：

如果你的项目用了知识库问答（RAG架构），这一步还可以深入讲讲，你怎么切片、怎么向量化、检索时怎么找到最相关的片段。

我们不用讲得太技术，但需要让面试官知道，我们有没有深度参与数据这件AI项目里最关键的事，而不是把它整个甩给算法。所以，我们可以去和算法、技术聊聊。这和我们做传统产品的思路逻辑是一致的，我们不用懂前后端技术，但我们要大致知道开发同学是用什么方法去实现业务逻辑的，必要时，我们也可以支招。

第三步：讲清技术选型与产品设计

这一步要展示你对AI技术的理解深度，不过落脚点始终是”技术如何服务业务”，和传统产品设计一样，无法服务业务的技术是没什么用的。

第一，理解技术选型的理由。 为什么用RAG而不是直接调大模型？为什么用Prompt工程而不是微调？把”为什么这么选”讲清楚，比罗列用了什么技术更有说服力。

第二，你怎么对付模型的”不靠谱”。 这是AI产品设计的核心命题。大模型会幻觉、会答非所问、会把不相关的内容召回回来。你作为产品经理，设计了什么机制去兜底？

第四步：量化结果与迭代

AI产品上线不是结束，是大规模数据反馈的开始。结果部分，可以从两个维度量化：比如业务指标。带来了什么商业价值？比如人均处理工单数提升了多少、AI独立解决问题的比例（替代率）是多少、转化率提升了多少。比如模型指标。准确率、召回率、采纳率这些硬数据，有就一定要说。一句”我把检索召回率从X优化到了Y”，胜过十句”效果挺好”。

但比结果更重要的，是展示你的闭环意识。

所以你要讲，上线后你怎么持续追踪Bad Case、怎么按影响程度排优先级、怎么推动下一轮优化。最好能讲一个具体的Bad Case，你是怎么拆解它的，又是怎么解决的。

正常好用的回答 = Good Case

出错翻车的回答 = Bad Case

面试官特别爱听这个。因为不回避失败、并且能系统地分析和解决失败，正是AI产品经理最该有的工作方式。

把上面四步走一遍，我们会发现一件事：我们不是在准备一套面试答案，而是在重新理解自己做过的事。

而当我们能清晰地说出这个场景为什么非AI不可、数据是怎么啃下来的、模型不靠谱时你怎么兜底、最后用什么指标证明了价值，那么传递给面试官的核心信息其实只有一句：

我们不只是在做AI，我们是在用AI解决真实的业务瓶颈。

本文来自公众号：知果日记 作者：知果日记