第1章 AI产品经理是做什么的？和传统PM有什么区别？

1.1 什么是AI产品经理？

AI产品经理（AI Product Manager，简称AI PM）是专门负责AI产品规划、设计、落地和迭代的产品经理。和传统产品经理不同，AI产品经理面对的是"会思考、会生成、会犯错"的智能系统，而不是"按规则执行"的确定性系统。

1.1.1 AI产品经理的核心定义

AI产品经理是连接用户需求、AI技术和商业价值的桥梁角色。具体来说：

• 对用户：理解用户在什么场景下需要AI帮助，设计让用户觉得"聪明、好用、可信"的AI体验
• 对技术：理解大模型、RAG、Agent等AI技术的能力边界和成本，把用户需求转化为技术可实现的方案
• 对商业：明确AI产品的商业模式和价值主张，确保AI产品能为公司创造收入或降低成本
• 对团队：协调算法、工程、设计、运营、业务等多方团队，推动AI产品从想法到落地到持续优化

1.1.2 AI产品经理和传统产品经理的本质区别

很多人以为AI产品经理就是"懂点AI的产品经理"，这是最大的误解。AI产品经理和传统产品经理有本质区别，核心在于产品的"确定性"不同。

具体来说，有5个核心区别：

区别1：需求分析方式不同——从"功能需求"到"效果需求"
传统产品经理收集的是功能需求——"用户需要一个搜索框"、"用户需要导出Excel功能"。需求是明确的、可枚举的，产品经理只需要把功能设计好，开发按需求实现即可。
AI产品经理收集的是效果需求——"用户希望AI能准确回答售后问题"、"用户希望AI能生成高质量的营销文案"。效果是模糊的、难以量化的，产品经理需要定义"什么叫好"、"怎么衡量好"、"怎么持续变好"。
例如：传统客服系统的需求是"用户输入关键词，返回对应的FAQ答案"，功能明确；AI客服的需求是"用户用自然语言提问，AI能准确理解并给出有帮助的回答"，这里的"准确"、"有帮助"都需要产品经理定义和衡量。

区别2：产品设计方法不同——从"流程设计"到"体验设计+效果设计"
传统产品经理设计的是用户流程和界面——用户从哪个页面进入，点击什么按钮，跳转到哪个页面，每个页面显示什么内容。设计完成后，开发按设计稿实现，产品体验基本确定。
AI产品经理不仅要设计界面和流程，还要设计AI的"行为"——AI怎么和用户对话、怎么处理异常、怎么展示思考过程、怎么让用户信任AI。更重要的是，AI产品经理要设计"效果优化闭环"——怎么收集用户反馈、怎么发现bad case、怎么持续优化Prompt和知识库、怎么评估优化效果。
例如：传统搜索产品设计好搜索框、结果列表、筛选器就完成了；AI搜索产品还要设计AI的回答风格、引用来源的展示方式、回答不准确时的处理、用户反馈机制、持续优化流程。

区别3：开发协作模式不同——从"需求交付"到"持续共创"
传统产品经理和开发的协作是"需求交付"模式——产品经理写好PRD，开发评审后按PRD开发，测试验证后上线。产品经理在开发过程中主要是答疑和验收，不需要深度参与技术实现。
AI产品经理和算法/开发的协作是"持续共创"模式——AI效果不是一次性开发出来的，而是在不断的实验、调优、反馈中逐步提升的。产品经理需要和算法工程师一起定义评估指标、设计实验方案、分析bad case、调整Prompt和模型参数。产品经理要深度参与技术实现，因为很多效果问题需要产品和技术一起解决。
例如：传统功能开发，产品经理交付PRD后就等上线；AI客服上线后，产品经理需要每周和算法团队一起分析bad case，调整Prompt，更新知识库，做AB测试，持续提升回答准确率。这个过程是持续的，没有"完成"的一天。

区别4：质量评估标准不同——从"功能是否实现"到"效果是否达标"
传统产品的质量评估是"功能是否实现"——搜索框能不能用、导出功能正不正常、页面跳转对不对。标准是二元的：要么能用，要么不能用。测试用例可以覆盖所有功能点，通过即上线。
AI产品的质量评估是"效果是否达标"——AI回答的准确率是多少、用户满意度是多少、bad case比例是多少。标准是连续的：准确率从60%提升到80%是进步，从80%提升到90%是更大的进步，但永远达不到100%。AI产品没有"完美"的一天，只有"更好"的一天。
例如：传统客服系统上线标准是"所有FAQ都能正确返回"，可以100%覆盖；AI客服上线标准是"回答准确率达到85%以上，用户满意度达到4.0分以上"，这是一个持续优化的过程，上线只是开始。

区别5：产品迭代方式不同——从"版本迭代"到"数据驱动的持续优化"
传统产品的迭代是"版本迭代"——每个版本规划一批功能，开发测试后上线，然后规划下一个版本。迭代周期通常是2-4周，每个版本有明确的功能清单。
AI产品的迭代是"数据驱动的持续优化"——上线后每天都在收集用户数据和反馈，每周都在分析bad case和优化Prompt，每月都在更新知识库和评估效果。AI产品的迭代不是按版本走的，而是按数据走的——发现什么问题就优化什么问题，数据驱动决策。
例如：传统产品2周一个版本，每个版本做5个功能；AI产品上线后，第1周发现"退换货政策回答不准确"，优化Prompt；第2周发现"用户问物流��询时AI不知道调用工具"，增加Function Calling；第3周发现"知识库内容过时"，更新文档。这些优化不需要等版本，随时可以上线。

1.1.3 AI产品经理的一天

为了让你更直观地理解AI产品经理的工作，我们来看看一个AI产品经理（小张，在一家SaaS公司负责智能客服产品）的典型一天：

09:00-09:30 查看数据看板
  - 昨天AI客服的会话量、回答准确率、用户满意度、转人工率
  - 发现"退换货政策"类问题准确率从85%降到78%，需要排查原因
  - 发现用户满意度评分下降，需要看具体反馈

09:30-10:30 Bad case分析
  - 从系统中导出昨天的bad case（用户点"没帮助"的对话）
  - 逐条分析：是知识库没有相关内容？是Prompt引导有问题？是模型理解错了？
  - 分类整理：30%是知识库缺失，25%是Prompt问题，20%是模型能力限制，25%是用户问题超出范围
  - 记录需要优化的点，排优先级

10:30-11:30 和算法团队站会
  - 同步昨天发现的问题：退换货政策准确率下降，可能是上周更新知识库时文档分块有问题
  - 讨论优化方案：调整分块策略 + 优化Prompt + 增加Reranker
  - 确定实验方案：用5%流量做AB测试，对比新旧方案的准确率
  - 分配任务：算法工程师调整分块策略，产品经理优化Prompt，明天开始实验

11:30-12:00 优化Prompt
  - 根据bad case分析，优化退换货政策相关的Prompt
  - 增加"如果不确定，引导用户转人工"的指令
  - 在测试集上验证：100条退换货问题，准确率从78%提升到86%

14:00-15:00 用户访谈
  - 访谈3个使用AI客服的用户，了解使用体验
  - 发现用户普遍反映"AI回答太官方，不够人性化"
  - 发现用户希望"AI能直接帮我操作，而不只是告诉我怎么做"
  - 记录用户反馈，作为下阶段优化方向

15:00-16:00 产品设计
  - 设计"AI直接帮用户操作"的功能：用户说"我要退款"，AI直接调用退款接口，用户确认后完成退款
  - 画对话流程图：用户发起→AI确认信息→调用工具→用户确认→完成
  - 设计异常处理：退款失败怎么办？用户信息不全怎么办？用户中途取消怎么办？
  - 写PRD初稿，明确功能需求、交互流程、异常处理、评估指标

16:00-17:00 跨团队沟通
  - 和开发团队评审PRD，确认技术可行性和开发周期
  - 和客服团队沟通：AI直接退款功能需要客服团队配合制定规则（什么情况下可以直接退，什么情况下需要人工审核）
  - 和法务团队沟通：AI直接操作涉及用户资金，需要合规审查
  - 记录各方意见，修改PRD

17:00-18:00 文档和总结
  - 完善PRD，补充评估指标：功能使用率、退款成功率、用户满意度、人工节省量
  - 写本周工作总结：本周优化了3个Prompt，准确率从82%提升到85%；下周计划上线"AI直接操作"功能
  - 整理用户访谈记录，同步给团队
  - 规划明天的工作：跟进AB实验结果、继续优化Prompt、推进PRD评审

从这一天可以看出，AI产品经理的工作和传统产品经理有明显不同：

• 大量时间花在数据分析和bad case分析上（传统PM很少做这个）
• 和算法团队深度协作，一起做实验、调参数、优化效果（传统PM主要和开发协作）
• 持续优化而不是按版本迭代，每天都在发现问题、解决问题
• 需要设计AI的行为和体验，而不仅仅是界面和流程
• 需要和更多团队协作（算法、开发、设计、运营、客服、法务、业务）

1.2 AI产品经理的核心职责

AI产品经理的核心职责可以概括为5个方面：需求洞察、产品设计、效果优化、跨团队协作、商业价值。

1.2.1 需求洞察：发现真正有价值的AI场景

不是所有场景都适合用AI，AI产品经理的首要职责是找到真正适合AI、能创造价值的场景。

具体工作包括：

• 用户研究：深入了解用户的工作流程和痛点，发现哪些环节可以用AI提升效率或体验
• 场景评估：评估场景是否适合用AI——是否有足够的数据？效果是否可衡量？AI的准确率要求多高？出错的代价多大？
• 价值判断：判断AI能创造什么价值——是提升效率（节省时间）、降低成本（替代人工）、提升体验（更智能的交互）、还是创造新收入（AI付费功能）？
• 需求优先级：在多个AI场景中，按价值大小、实现难度、数据可用性、战略重要性排优先级

1.2.2 产品设计：设计"聪明、好用、可信"的AI体验

AI产品的设计和传统产品不同，AI产品经理需要设计AI的"行为"和"体验"，而不仅仅是界面。

具体工作包括：

• 对话/交互设计：设计AI怎么和用户交互——是对话式、指令式、还是嵌入式？AI怎么提问、怎么回答、怎么处理异常？
• 效果定义：定义"什么叫好的AI效果"——准确率、召回率、用户满意度、任务完成率等指标的目标值
• Prompt设计：设计AI的System Prompt、Few-shot示例、输出格式要求，引导AI产生高质量的输出
• 知识库设计：如果是RAG产品，设计知识库的内容结构、分块策略、检索策略、更新机制
• 异常处理设计：设计AI出错时怎么处理——是重新生成、引导用户、转人工、还是展示备选答案？
• 信任设计：设计怎么让用户信任AI——展示来源、标注置信度、允许用户编辑、提供人工兜底

1.2.3 效果优化：建立数据驱动的持续优化闭环

AI产品上线只是开始，效果优化是持续的过程。AI产品经理需要建立"数据收集→bad case分析→优化迭代→效果验证"的闭环。

具体工作包括：

• 数据埋点：设计数据埋点方案，收集用户交互数据（用户问了什么、AI怎么回答、用户反馈如何、是否转人工）
• 效果监控：建立效果监控看板，实时监控准确率、满意度、bad case率、转人工率等核心指标
• Bad case分析：定期（每周/每天）分析bad case，分类归因（知识库问题、Prompt问题、模型能力问题、产品设计问题），制定优化方案
• 实验设计：设计AB测试方案，验证优化效果——用多少流量、实验多久、看什么指标、怎么判断显著性
• 持续迭代：根据实验结果，持续优化Prompt、知识库、模型参数、产品设计，逐步提升效果

1.2.4 跨团队协作：协调多方资源推动落地

AI产品涉及的团队比传统产品更多，AI产品经理需要协调算法、工程、设计、运营、业务、法务等多方团队。

具体工作包括：

• 和算法团队协作：一起定义评估指标、设计实验方案、分析bad case、调整模型参数，推动算法效果提升
• 和工程团队协作：评审技术方案，确认可行性和开发周期，推动功能开发和上线
• 和设计团队协作：设计AI产品的交互体验和视觉界面，确保AI体验友好、直观、可信
• 和运营团队协作：制定AI产品的运营策略，包括用户引导、内容运营、用户反馈收集
• 和业务团队协作：了解业务需求和场景，确保AI产品解决真实业务问题，创造业务价值
• 和法务/合规团队协作：确保AI产品符合数据隐私、内容安全、行业监管等合规要求

1.2.5 商业价值：确保AI产品能创造商业回报

AI产品的成本很高（模型调用费、算力费、人力成本），AI产品经理需要确保AI产品能创造足够的商业价值。

具体工作包括：

• 商业模式设计：明确AI产品怎么赚钱——是直接收费（订阅/按次/按量）、还是间接收费（带动其他产品销售、降低成本、提升用户留存）
• 成本控制：管理AI产品的成本——模型选型（用贵的模型还是便宜的模型）、调用优化（缓存、降级、批量）、算力成本控制
• ROI分析：计算AI产品的投入产出比——投入了多少成本，带来了多少收入或节省了多少成本，多久能回本
• 商业化推进：推动AI产品的商业化——定价策略、付费转化、客户拓展、收入增长

1.3 AI产品经理的核心价值

很多人会问：公司有算法工程师、有开发工程师、有传统产品经理，为什么还需要专门的AI产品经理？AI产品经理的不可替代的价值是什么？

1.3.1 价值1：把"模糊的效果需求"转化为"可执行的技术方案"

业务方说"我要一个智能客服"，这是一个模糊的需求——什么叫"智能"？准确率要多少？能处理哪些问题？处理不了怎么办？算法工程师听到这个需求会一脸懵，因为他们需要明确的技术指标和数据。
AI产品经理的价值就是把模糊的业务需求转化为可执行的技术方案：

• 和业务方沟通，明确"智能客服"的目标——是降低人工成本？还是提升用户体验？还是24小时服务？
• 定义效果指标——首问解决率≥80%，用户满意度≥4.0分，转人工率≤30%
• 确定技术方案——用RAG+大模型，知识库包含FAQ和政策文档，用Function Calling调用订单查询接口
• 设计评估方案——准备1000条测试问题，每周评估准确率，持续优化
• 制定上线策略——先上线5%流量灰度，效果达标后全量上线

1.3.2 价值2：在"技术可能性"和"用户体验"之间找到最优解

AI技术不是万能的，有很多能力边界和限制。算法工程师倾向于"技术最优"——用最复杂的模型、最先进的算法，追求最高的准确率；用户需要的是"体验最优"——快速、准确、好用、可信。这两者之间往往有矛盾：

• 最复杂的模型准确率最高，但响应速度慢、成本高，用户体验差
• 最简单的模型响应快、成本低，但准确率不够，用户不满意
• 全自动AI效率最高，但出错时用户体验差；全人工体验好，但成本高

• 根据场景选择合适的模型——简单问题用小模型（快、便宜），复杂问题用大模型（准）
• 设计"AI+人工"的混合模式——AI处理80%的简单问题，人工处理20%的复杂问题，兼顾效率和体验
• 设计降级策略——模型超时时，返回缓存答案或FAQ，而不是让用户干等
• 设计信任机制——AI回答展示来源和置信度，用户可以编辑和反馈，平衡AI能力和用户信任

1.3.3 价值3：建立"持续优化"的机制，让AI越用越好

AI产品不是上线就完事了，上线只是开始。AI效果需要持续优化——收集用户反馈、分析bad case、调整Prompt、更新知识库、优化模型。这个过程需要有人来组织和推动。
AI产品经理的价值就是建立持续优化的机制，让AI越用越好：

• 设计数据埋点和反馈机制，让用户的每一次交互都成为优化AI的数据
• 建立bad case分析流程，每周定期分析问题、制定优化方案
• 设计AB测试机制，用数据验证每一次优化的效果，避免"拍脑袋"优化
• 协调算法、开发、运营团队，确保优化方案能落地执行
• 建立效果监控和告警机制，效果下降时及时发现和处理

1.3.4 价值4：控制AI风险，确保产品安全合规

AI产品有很多特殊的风险——模型幻觉（编造信息）、内容安全（生成违规内容）、数据隐私（用户数据泄露）、算法偏见（歧视性输出）、合规风险（不符合行业监管）。这些风险如果不控制，可能给公司带来巨大损失。
AI产品经理的价值就是识别和控制AI风险，确保产品安全合规：

• 识别AI产品的风险点——哪些场景可能出错？出错的代价有多大？
• 设计风险控制机制——内容审核、人工兜底、用户确认、置信度阈值
• 确保数据隐私合规——用户数据怎么收集、怎么存储、怎么使用、是否符合法规
• 确保内容安全——AI不会生成违规、敏感、歧视性内容
• 和法务/合规团队协作，确保AI产品符合行业监管要求

1.4 AI产品经理的常见误区

很多刚入行的AI产品经理（甚至一些有经验的）会陷入一些误区，导致工作效率低、产品效果差。以下是最常见的6个误区：

误区1：AI产品经理就是"懂点AI的传统产品经理"
很多人以为AI产品经理就是传统产品经理+了解一些AI概念。这是最大的误解。如前所述，AI产品经理和传统产品经理有本质区别——需求分析方式、产品设计方法、开发协作模式、质量评估标准、产品迭代方式都不同。
正确认识：AI产品经理需要建立"概率性思维"——接受AI的不完美，定义效果指标，建立持续优化闭环，而不是用传统的"确定性思维"来做AI产品。

误区2：过度追求技术，忽视用户价值
很多AI产品经理沉迷于技术——用最先进的大模型、最复杂的Agent架构、最新的RAG技术，却忽视了用户真正需要什么。结果做出来的产品技术很炫，但用户不需要、不好用、不愿意付费。
正确认识：技术是手段，用户价值是目的。AI产品经理首先要回答"用户需要什么"、"AI能创造什么价值"，然后再选择合适的技术。能用简单技术解决的问题，就不要用复杂技术；能用现有方案解决的问题，就不要用AI。

误区3：以为AI能解决一切，忽视能力边界
很多AI产品经理对AI期望过高，以为AI什么都能做——"AI能自动写代码"、"AI能自动做决策"、"AI能替代所有人工"。结果产品上线后发现AI效果远不如预期，用户失望，项目失败。
正确认识：AI有明确的能力边界——大模型擅长语言理解和生成，但不擅长精确计算和逻辑推理；RAG能基于知识库回答，但知识库没有的内容它就不知道；Agent能调用工具，但复杂任务的成功率还不高。AI产品经理要清楚AI能做什么、不能做什么，在能力边界内设计产品，对超出边界的部分用人工或其他方案兜底。

误区4：只关注上线，不关注持续优化
很多AI产品经理把AI产品当成传统产品来做——规划功能、开发、测试、上线，上线后就觉得"完成了"，开始做下一个产品。结果AI产品上线后效果越来越差，用户越来越少。
正确认识：AI产品上线只是开始，效果优化是持续的过程。AI产品经理需要建立持续优化机制——数据收集、bad case分析、Prompt优化、知识库更新、AB测试、效果监控。AI产品没有"完成"的一天，只有"更好"的一天。

误区5：忽视数据，凭感觉做决策
很多AI产品经理做决策凭感觉——"我觉得这个Prompt更好"、"我觉得用户喜欢这个功能"、"我觉得效果提升了"。没有数据支撑，决策往往是错的，优化也没有方向。
正确认识：AI产品是数据驱动的，所有决策都应该基于数据。效果好不好看指标（准确率、满意度、bad case率），优化有没有用看AB测试结果，用户需要什么看用户行为数据和反馈。AI产品经理要建立数据思维，用数据说话，而不是凭感觉。

误区6：忽视风险，AI产品"裸奔"上线
很多AI产品经理只关注功能和效果，忽视风险——AI会不会编造信息？会不会生成违规内容？会不会泄露用户数据？会不会有算法偏见？结果产品上线后出现安全事故，被用户投诉、被监管处罚，甚至产品被下架。
正确认识：AI产品有特殊的风险，AI产品经理要有风险意识。上线前要做风险评估，设计风险控制机制（内容审核、人工兜底、用户确认、置信度阈值），确保数据隐私和内容安全，和法务/合规团队协作确保合规。AI产品经理不仅要对效果负责，也要对安全负责。

1.5 本章小结

AI产品经理是连接用户需求、AI技术和商业价值的桥梁角色，和传统产品经理有本质区别——传统产品经理设计"确定性系统"，AI产品经理设计"概率性系统"。这种本质差异导致了需求分析、产品设计、开发协作、质量评估、产品迭代的全面不同。

核心内容回顾：

AI产品经理的定义：连接用户需求、AI技术和商业价值的桥梁，设计"聪明、好用、可信"的AI体验，推动AI产品从想法到落地到持续优化。

和传统PM的5个核心区别：

1. 需求分析：从"功能需求"到"效果需求"
2. 产品设计：从"流程设计"到"体验设计+效果设计"
3. 开发协作：从"需求交付"到"持续共创"
4. 质量评估：从"功能是否实现"到"效果是否达标"
5. 产品迭代：从"版本迭代"到"数据驱动的持续优化"

AI产品经理的5大核心职责：需求洞察（发现有价值的AI场景）、产品设计（设计聪明好用可信的AI体验）、效果优化（建立持续优化闭环）、跨团队协作（协调多方资源）、商业价值（确保创造商业回报）。

AI产品经理的4大核心价值：把模糊需求转化为可执行方案、在技术和体验之间找最优解、建立持续优化机制让AI越用越好、控制AI风险确保安全合规。

6个常见误区：以为是懂点AI的传统PM、过度追求技术忽视用户价值、以为AI能解决一切、只关注上线不关注持续优化、凭感觉做决策不看数据、忽视风险裸奔上线。

理解了AI产品经理是什么、做什么、价值在哪，接下来的章节我们会深入学习AI产品经理需要掌握的具体技能和方法。

📝 本章练习（5题）

答案与解析请在 互动学习看板 中作答查看。

📚 AI产品经理实战训练营 课程目录（44 章）

1. 第1章 AI产品经理是做什么的？和传统PM有什么区别？
2. 第2章 2026年AI产品经理就业市场：哪些行业在招？薪资多少？
3. 第3章 零经验转行AI产品经理的3条路径
4. 第4章 AI产品全景图：从聊天机器人到Agent，一文搞懂
5. 第5章 AI产品经理能力模型：你需要掌握哪些技能？
6. 第6章 实战：拆解3个你每天在用的AI产品
7. 第7章 大模型是什么？用大白话讲清楚
8. 第8章 主流大模型对比：GPT-4o、Claude、DeepSeek、豆包、Kimi怎么选？
9. 第9章 Prompt入门：写好提示词的5个原则
10. 第10章 Prompt进阶：System Prompt、COT思维链、Few-shot示例
11. 第11章 结构化输出：让大模型返回JSON、表格、代码
12. 第12章 Prompt优化实战：从垃圾Prompt到高质量Prompt
13. 第13章 大模型的"幻觉"问题：产品经理怎么应对？
14. 第14章 实战：为一个智能客服设计完整Prompt体系
15. 第15章 RAG是什么？为什么企业都在做知识库？
16. 第16章 RAG工作原理：文档→分块→向量→检索→生成
17. 第17章 向量数据库选型：Milvus、Pinecone、Chroma、pgvector怎么选？
18. 第18章 Embedding模型选型：OpenAI、BGE、M3E、GTE对比
19. 第19章 Reranker重排序：让检索结果更精准
20. 第20章 查询改写与混合检索：提升召回率的实战技巧
21. 第21章 知识库运营：文档治理、更新机制、效果监控
22. 第22章 实战：从零搭建一个企业知识库（完整流程）
23. 第23章 Agent是什么？和聊天机器人有什么区别？
24. 第24章 Agent核心能力：感知、规划、工具调用、记忆
25. 第25章 主流Agent框架与协议：Agent Harness、MCP、A2A全解析
26. 第26章 工具调用（Function Calling）原理与实战
27. 第27章 Agent记忆系统：短期记忆、长期记忆、向量记忆
28. 第28章 多Agent协作：多个智能体怎么分工配合？
29. 第29章 Agent评估体系：成功率、成本、延迟怎么监控？
30. 第30章 实战：设计一个制造业生产异常处理Agent
31. 第31章 AI产品需求分析：怎么识别真需求还是伪需求？
32. 第32章 AI产品竞品分析：怎么调研和拆解竞品？
33. 第33章 AI产品PRD撰写：技术可行性、数据需求、评估指标
34. 第34章 AI产品原型设计：对话流、状态机、异常处理
35. 第35章 AI产品数据指标体系：从DAU到模型准确率，全面监控
36. 第36章 AI项目管理：从需求到上线的全流程管控
37. 第37章 实战项目1：从零搭建制造业AI智能质检系统
38. 第38章 实战项目2：从零搭建企业级AI知识库（RAG系统）
39. 第39章 AI产品经理简历优化：让HR一眼看中你
40. 第40章 项目经验包装：把普通项目讲成亮眼案例
41. 第41章 AI产品经理面试常见问题：提前准备，从容应对
42. 第42章 案例分析面试：用结构化思维征服面试官
43. 第43章 薪资谈判：拿到你应得的报酬
44. 第44章 入职前3个月：快速站稳脚跟，建立信任