第4章 AI产品全景图：从聊天机器人到Agent，一文搞懂

4.1 为什么要建立AI产品全景图？

作为AI产品经理，你需要对AI产品的全貌有清晰的认知——AI产品有哪些类型？每种类型的特点是什么？技术栈是什么？代表产品有哪些？未来趋势是什么？只有建立了全景图，你才能在做产品决策时胸有成竹，知道自己的产品在整个AI产品生态中的位置。

4.1.1 建立全景图的价值

• 避免盲人摸象：很多人对AI产品的认知只停留在ChatGPT这类对话机器人，不知道AI产品还有很多类型。建立全景图，你能看到AI产品的全貌，避免片面认知。
• 找到产品定位：知道了AI产品的分类和特点，你能更准确地找到自己产品的定位——是做通用AI还是垂直AI？是做工具型AI还是平台型AI？是做C端还是B端？
• 理解技术栈：不同类型的AI产品需要不同的技术栈，建立全景图能让你理解每种产品的技术要求，更好地和技术团队沟通。
• 把握趋势：了解AI产品的演进历程和未来趋势，你能提前布局，抓住下一波机会。
• 竞品分析：知道了同类产品有哪些，你能更全面地做竞品分析，找到差异化机会。

4.2 AI产品的6大类型

根据产品形态、技术路线、应用场景的不同，AI产��可以分为6大类型：

4.2.1 类型1：对话式AI产品（Conversational AI）

定义：以自然语言对话为主要交互方式的AI产品，用户通过文字或语音和AI交流，AI理解用户意图并给出回答或执行操作。

核心特点：

• 交互方式是对话式的，用户用自然语言表达需求
• AI需要理解用户意图（Intent Recognition）和对话上下文（Context Management）
• 输出形式主要是自然语言回答，也可以结合卡片、按钮、表格等结构化输出
• 适合信息查询、任务执行、闲聊陪伴等场景

技术栈：自然语言理解（NLU）、对话管理（DM）、自然语言生成（NLG）、大模型（LLM）、语音技术（ASR/TTS，可选）。

代表产品：ChatGPT、Claude、文心一言、豆包、Kimi（通用对话）；阿里小蜜、京东JIMI、智齿科技（智能客服）；Siri、小爱同学、天猫精灵（语音助手）。

产品经理关注点：对话流设计、意图识别准确率、多轮对话管理、异常处理、用户体验。

4.2.2 类型2：生成式AI产品（Generative AI）

定义：以AI生成为核心功能的产品，用户输入指令或素材，AI生成文本、图片、音频、视频、代码等内容。

核心特点：

• 核心功能是"生成"——从无到有创造内容，或基于输入生成新内容
• 输入是指令（Prompt）或素材（图片、音频、文本）
• 输出是各种形式的内容——文本、图片、音频、视频、代码、3D模型等
• 适合内容创作、设计、编程、营销等场景
• 生成质量是核心竞争力——生成的内容是否高质量、可用、符合用户需求

技术栈：大语言模型（LLM）、图像生成模型（Stable Diffusion、Midjourney）、视频生成模型（Sora、Runway）、音频生成模型（TTS、Suno）、代码生成模型（Copilot）、多模态模型。

代表产品：ChatGPT、Jasper、Notion AI（文本生成）；Midjourney、Stable Diffusion、DALL-E（图片生成）；Sora、Runway、Pika（视频生成）；GitHub Copilot、Cursor（代码生成）；Canva AI、Figma AI（设计生成）。

产品经理关注点：生成质量、Prompt设计、模板和预设、编辑和微调、版权和合规、成本控制。

4.2.3 类型3：AI Agent产品（智能体）

定义：能够自主感知环境、制定计划、调用工具、执行任务的AI产品。和对话式AI不同，Agent不仅能回答问题，还能主动执行复杂任务——如帮你订机票、做研究、写代码、管理项目。

核心特点：

• 自主性：Agent能自主制定计划、分解任务、选择工具、执行操作，不需要用户一步步指令
• 工具调用：Agent能调用外部工具（搜索、计算器、API、数据库、浏览器等）来完成任务
• 记忆能力：Agent有短期记忆（当前任务的上下文）和长期记忆（历史经验和知识）
• 规划能力：面对复杂任务，Agent能分解为子任务，制定执行计划，逐步完成
• 多轮执行：Agent能持续执行多轮操作，直到任务完成，过程中可以自我修正

技术栈：大模型（LLM）作为大脑、工具调用（Function Calling）、规划模块（ReAct、Tree of Thoughts）、记忆系统（短期+长期向量记忆）、多Agent协作、执行环境（浏览器、代码沙箱、API网关）。

代表产品：Devin（AI软件工程师）、Microsoft Copilot、飞书智能伙伴（办公Agent）、Perplexity AI、ChatGPT Deep Research（研究Agent）、Cursor Agent（编程Agent）、Dify、Coze（Agent平台）。

产品经理关注点：任务成功率、工具设计、规划能力、过程可视化、人工介入、安全控制、成本控制。

4.2.4 类型4：垂直行业AI产品

定义：针对特定行业（金融、医疗、制造、教育、法律等）的AI产品，深度结合行业知识和业务流程，解决行业特定问题。

核心特点：

• 行业深度：深度理解行业知识、业务流程、监管要求，不是通用AI的简单套用
• 场景聚焦：聚焦行业特定场景，解决行业特有的痛点问题
• 数据壁垒：拥有行业专属数据（行业知识库、业务数据、专家经验），形成数据壁垒
• 合规要求高：金融、医疗、法律等行业有严格的监管要求，AI产品必须合规
• 付费能力强：行业客户付费能力强，尤其是B端客户，客单价高

技术栈：行业大模型（通用大模型+行业数据微调）、行业知识库（RAG）、行业工具（金融数据接口、医疗影像分析）、业务系统集成、合规和安全。

代表产品：蚂蚁智能风控、同花顺i问财（金融AI）；联影智能影像、推想医疗（医疗AI）；创新奇智、海康机器人（制造AI）；松鼠AI、作业帮AI（教育AI）；幂律智能、ChatLaw（法律AI）。

产品经理关注点：行业理解、场景选择、数据建设、效果保障、合规安全、系统集成、商业化。

4.2.5 类型5：AI平台/基础设施产品

定义：为AI应用开发提供基础设施和平台能力的产品，如大模型API平台、AI开发平台、向量数据库、MLOps平台等。这类产品的用户主要是开发者和企业，而不是普通消费者。

核心特点：

• 面向开发者：用户主要是开发者、算法工程师、企业IT部门，产品形态是API、SDK、控制台、开发工具
• 技术门槛高：产品本身技术复杂度高，需要深厚的技术积累
• 生态壁垒：平台型产品容易形成生态壁垒——开发者用了你的平台，迁移成本高
• 规模效应：平台产品有强规模效应，用户越多、数据越多、模型越好、成本越低
• 商业模式：通常按调用量计费（API调用、token消耗）、订阅制、私有化部署

技术栈：大模型训练和推理、API网关、向量数据库（Milvus、Pinecone）、MLOps平台、AI开发平台（Dify、Coze）、算力基础设施。

代表产品：OpenAI API、Anthropic API、百度文心API、阿里通义API（大模型API）；Dify、Coze、LangChain（AI开发平台）；Milvus、Pinecone、Weaviate（向量数据库）；MLflow、Weights & Biases（MLOps）；AWS Bedrock、Azure OpenAI（算力平台）。

产品经理关注点：开发者体验、性能和稳定性、成本和定价、生态建设、企业级能力、技术领先性。

4.2.6 类型6：AI增强型产品（AI+传统产品）

定义：在传统产品中加入AI能力，提升产品体验和价值的产品。这类产品的核心还是传统功能，AI是增强能力——如搜索引擎加AI问答、办公软件加AI写作、设计工具加AI生成。

核心特点：

• AI是增强不是核心：产品的核心功能还是传统功能，AI是提升体验和效率的增强能力
• 用户基础好：通常是已有大量用户的成熟产品，加AI功能后用户迁移成本低
• 场景明确：AI功能嵌入到具体的使用场景中，用户知道什么时候用AI
• 渐进式创新：不是颠覆式创新，而是在现有产品基础上的渐进式提升
• 竞争壁垒高：已有用户基础、数据积累、品牌认知，新进入者很难竞争

技术栈：大模型API（调用通用大模型）、场景化Prompt、用户数据集成、功能嵌入、效果评估。

代表产品：百度AI搜索、必应Copilot、Google SGE（搜索+AI）；Microsoft 365 Copilot、WPS AI、飞书AI、钉钉AI（办公+AI）；Figma AI、Canva AI、Adobe Firefly（设计+AI）；GitHub Copilot、Cursor、JetBrains AI（编程+AI）；淘宝AI助手、京东AI导购（电商+AI）。

产品经理关注点：场景选择、用户体验、价值证明、成本控制、数据安全、效果持续优化、商业化。

4.3 AI产品的演进历程

AI产品不是一蹴而就的，而是经历了几代演进。了解演进历程，能帮助你理解AI产品的发展规律和未来趋势。

4.3.1 第一代：规则驱动的AI产品（2010年以前）

特点：基于专家系统和规则引擎，AI产品按照人工编写的规则运行。

代表产品：ELIZA（1966）、ALICE（1995）、小i机器人（2001）等早期聊天机器人；医疗诊断专家系统；金融风控规则引擎；基于规则的推荐系统。

局限性：只能处理预设规则内的问题；规则需要人工编写和维护，扩展性差；无法理解自然语言，只能匹配关键词；智能程度低，用户体验差。

4.3.2 第二代：机器学习驱动的AI产品（2010-2018）

特点：基于机器学习算法（尤其是深度学习），从数据中学习模式和规律。

代表产品：今日头条、抖音、淘宝推荐（智能推荐）；阿里小蜜、京东JIMI（智能客服）；Face++、商汤（人脸识别）；推想、联影（医学影像）；Siri、小爱同学（语音识别）；特斯拉Autopilot、Waymo（自动驾驶）。

进步：能从数据中学习，不需要人工编写所有规则；能处理更复杂的模式识别任务（图像、语音、推荐）；准确率大幅提升，很多场景达到商用水平。

局限性：需要大量标注数据，数据获取成本高；模型可解释性差，"黑盒"问题；泛化能力有限，换一个场景就需要重新训练；自然语言理解和生成能力弱；每个任务需要单独训练模型，模型复用性差。

4.3.3 第三代：大模型驱动的AI产品（2018-2022）

特点：基于预训练大语言模型（GPT、BERT、T5等），大模型具备通用的语言理解和生成能力。

里程碑：2018年BERT发布；2020年GPT-3发布；2021年GitHub Copilot发布；2022年Stable Diffusion开源。

代表产品：Jasper、Copy.ai、Notion AI（文本生成）；GitHub Copilot（代码生成）；Midjourney、Stable Diffusion、DALL-E 2（图像生成）；Character.AI、Replika（对话AI）。

进步：大模型具备通用语言能力，一个模型可以处理多种任务；少样本/零样本学习，不需要大量标注数据；自然语言生成能力大幅提升；Prompt工程兴起；多模态模型出现。

局限性：大模型有幻觉问题，会编造信息；知识截止日期问题，无法获取实时信息；上下文窗口有限；无法调用外部工具；推理能力有限；成本高。

4.3.4 第四代：Agent驱动的AI产品（2023-至今）

特点：基于大模型+工具调用+规划+记忆的Agent系统，AI不仅能回答问题，还能自主执行复杂任务。

里程碑：2022年11月ChatGPT发布；2023年3月GPT-4发布；2023年3月ChatGPT插件发布；2023年4月AutoGPT开源；2023年6月OpenAI Function Calling发布；2024年GPT-4o、Claude 3、Gemini发布；2024年Devin发布。

代表产品：ChatGPT（含插件）、Claude、Devin（通用Agent）；Microsoft Copilot、飞书智能伙伴（办公Agent）；Perplexity AI、ChatGPT Deep Research（研究Agent）；Cursor、GitHub Copilot Workspace（编程Agent）；Dify、Coze、LangGraph（Agent平台）。

进步：AI能调用外部工具，突破知识截止和能力边界；AI能自主规划和执行复杂任务；AI有记忆能力；多模态能力成熟；推理能力大幅提升；RAG技术成熟，减少幻觉；成本持续下降。

当前挑战：Agent任务成功率还不够高；Agent执行过程不可控；多Agent协作还不成熟；Agent成本高；安全和隐私问题；评估标准不统一。

4.4 AI产品的技术栈全景

作为AI产品经理，你不需要精通技术，但需要理解AI产品的技术栈全景，知道每个技术层的作用、代表产品、选型考量。

4.4.1 AI技术栈的5层架构

┌─────────────────────────────────────────┐
│  应用层（Application）                    │
│  对话机器人、AI写作、AI客服、Agent...     │
├─────────────────────────────────────────┤
│  编排层（Orchestration）                  │
│  Prompt管理、RAG、Agent编排、工作流       │
├─────────────────────────────────────────┤
│  模型层（Model）                          │
│  大语言模型、图像模型、语音模型、多模态    │
├─────────────────────────────────────────┤
│  数据层（Data）                           │
│  向量数据库、知识库、数据集、特征存储      │
├─────────────────────────────────────────┤
│  基础设施层（Infrastructure）             │
│  GPU算力、云服务、模型训练、MLOps         │
└─────────────────────────────────────────┘

4.4.2 各层详解

1. 基础设施层：提供AI训练和推理所需的算力、存储、网络等基础资源。核心组件：GPU算力（NVIDIA A100/H100、华为昇腾）、云服务（AWS、Azure、阿里云）、模型训练框架（PyTorch、TensorFlow、Megatron-LM）、MLOps（MLflow、Weights & Biases、Kubeflow）、容器和编排（Docker、Kubernetes）。产品经理关注点：算力成本、模型训练周期、部署方式、扩展性。

2. 数据层：存储和管理AI所需的数据。核心组件：向量数据库（Milvus、Pinecone、Weaviate、Chroma、pgvector、Qdrant）、关系数据库（PostgreSQL、MySQL）、文档数据库（MongoDB、Elasticsearch）、数据仓库（Snowflake、Databricks、ClickHouse）、知识库管理（文档解析、分块、标注、版本管理）、数据标注（LabelStudio、Scale AI）。产品经理关注点：数据质量、数据更新机制、检索效果、数据安全、成本。

3. 模型层：提供AI的核心能力——理解、生成、推理、识别。核心组件：大语言模型（闭源：GPT-4o、Claude 3、Gemini、文心一言、通义千问、豆包、Kimi；开源：LLaMA、Mistral、Qwen、DeepSeek、Phi、Gemma）、图像生成模型（Stable Diffusion、Midjourney、DALL-E、Flux）、视频生成模型（Sora、Runway、Pika、可灵）、语音模型（Whisper、ElevenLabs、Suno）、多模态模型（GPT-4o、Gemini、Claude 3）、Embedding模型（OpenAI text-embedding、BGE、M3E、GTE）、Reranker模型（Cohere Rerank、BGE Reranker）。产品经理关注点：模型效果、响应速度、成本、上下文长度、多模态能力、数据安全、合规性。

4. 编排层：把模型、数据、工具编排成完整的AI应用。核心组件：Prompt管理（PromptLayer、Helicone、LangSmith）、RAG框架（LangChain、LlamaIndex、Haystack、Dify RAG）、Agent框架（LangGraph、AutoGen、CrewAI、MetaGPT、Dify Agent）、低代码平台（Dify、Coze、Flowise、LangFlow）、工作流（n8n、Zapier、Airflow）、函数/工具库（内置工具集、第三方API集成、自定义工具）。产品经理关注点：开发效率、灵活性、可维护性、可视化、成本、厂商锁定风险。

5. 应用层：面向最终用户的AI产品。核心组件：对话式应用（聊天机器人、智能客服、语音助手）、生成式应用（AI写作、AI设计、AI视频、AI编程）、Agent应用（个人助理、办公Agent、研究Agent、编程Agent）、垂直应用（金融AI、医疗AI、制造AI、教育AI、法律AI）、AI增强应用（搜索+AI、办公+AI、设计+AI、电商+AI）、前端界面（Web界面、移动端、API接口、插件、SDK）。产品经理关注点：用户体验、功能完整性、性能稳定性、商业化、用户增长、竞争差异化。

4.5 AI产品的未来趋势

4.5.1 趋势1：Agent化——从"工具"到"助手"

AI产品正在从"工具"（用户用AI完成单个任务）向"助手"（AI主动帮用户完成复杂任务）演进。未来的AI产品不再是被动等待用户指令的工具，而是能主动理解用户需求、制定计划、调用工具、执行任务的智能助手。

表现：个人AI助理（管理日程、处理邮件、安排会议）；办公AI助理（写报告、做PPT、分析数据、协调项目）；编程AI助理（写代码、调试、测试、部署）；企业AI助理（数据分析、客户服务、供应链优化、风险控制）。

产品经理机会：Agent产品是下一个大机会，怎么设计Agent的交互、怎么保障任务成功率、怎么控制安全和成本、怎么让用户信任Agent，都是需要解决的问题。

4.5.2 趋势2：垂直化——从"通用"到"专业"

通用AI产品已经占据了通用市场，但垂直行业AI还有巨大机会。通用AI缺乏行业深度，无法满足行业专业需求，而垂直AI能深度结合行业知识和业务流程，解决行业特有问题。

表现：金融AI（智能投顾、风控、合规、量化交易）；医疗AI（辅助诊断、药物研发、医疗影像、健康管理）；法律AI（合同审查、法律检索、案例分析、智能起草）；制造AI（质检、预测性维护、生产优化、供应链管理）；教育AI（个性化学习、智能辅导、自适应题库、职业培训）。

产品经理机会：垂直AI需要"行业+AI"的复合能力，有行业背景的产品经理有巨大优势。选择一个有前景的行业，深入理解行业需求，打造行业专属AI产品，是很好的创业和职业方向。

4.5.3 趋势3：多模态——从"文本"到"全感官"

AI产品正在从文本交互向多模态交互演进——文本、图像、音频、视频、3D、传感器数据，AI能理解和生成各种形式的信息。未来的AI产品不再是"打字聊天"，而是能看、能听、能说、能画、能做视频的全感官交互。

表现：GPT-4o、Gemini等多模态模型支持实时语音对话、图像理解；AI视频生成（Sora、Runway）质量快速提升；AI语音（ElevenLabs、Suno）能生成逼真的人声和音乐；AI 3D生成（Tripo、Meshy）能从文本或图像生成3D模型；实时多模态交互（AI能实时理解用户的语音、表情、手势，给出多模态回应）。

产品经理机会：多模态AI产品是新的产品形态，怎么设计多模态交互、怎么结合不同模态创造新体验、怎么控制多模态生成的质量和成本，都是新的挑战和机会。

4.5.4 趋势4：端侧AI——从"云端"到"端云协同"

AI推理正在从云端向端侧（手机、电脑、IoT设备）迁移。端侧AI有低延迟、高隐私、低成本的优势，未来的AI产品将是端云协同的——简单任务在端侧处理，复杂任务在云端处理。

表现：手机AI（苹果Apple Intelligence、华为盘古端侧模型、小米澎湃AI）；PC AI（Windows Copilot+ PC、Mac AI功能）；IoT AI（智能音箱、智能手表、智能汽车的端侧AI）；端侧模型（Phi、Gemma、Qwen-Nano、DeepSeek等小模型性能提升）；端云协同（端侧处理简单任务和敏感数据，云端处理复杂任务）。

产品经理机会：端侧AI产品有新的技术约束（算力有限、内存有限、功耗有限），需要在保证体验的前提下优化性能和功耗。怎么设计端云协同的产品架构、怎么平衡端侧和云端的任务分配、怎么保护用户隐私，都是新的课题。

4.5.5 趋势5：AI原生——从"AI+"到"原生AI"

AI产品正在从"AI+"（在传统产品上加AI功能）向"AI原生"（从0开始基于AI设计产品）演进。AI原生产品不是传统产品的增强，而是全新的产品形态——重新定义用户交互、工作流程、商业模式。

表现：AI原生搜索（Perplexity、秘塔AI搜索，重新定义搜索体验）；AI原生办公（Notion AI、Grammarly，从AI功能出发重新定义办公）；AI原生编程（Cursor、Zed，以AI为核心重新设计编程IDE）；AI原生设计（Figma AI、Canva AI，AI驱动的设计工具）；AI原生操作系统（基于AI的全新交互范式）。

产品经理机会：AI原生产品是最大的创新机会，怎么基于AI的能力重新定义产品体验、怎么创造传统产品做不到的新价值、怎么设计AI原生的交互和工作流，是最有挑战性也最有回报的方向。

4.6 本章小结

建立AI产品全景图，是AI产品经理的基础能力。只有了解了AI产品的全貌，你才能在做产品决策时胸有成竹。

核心内容回顾：

AI产品的6大类型：

1. 对话式AI：以自然语言对话为主要交互，代表产品ChatGPT、智能客服、语音助手
2. 生成式AI：以AI生成为核心功能，代表产品Midjourney、Jasper、GitHub Copilot
3. AI Agent：能自主感知、规划、调用工具、执行任务，代表产品Devin、Microsoft Copilot、Perplexity
4. 垂直行业AI：针对特定行业的AI产品，代表产品金融AI、医疗AI、制造AI、法律AI
5. AI平台/基础设施：为AI开发提供平台能力，代表产品OpenAI API、Dify、Milvus、MLOps平台
6. AI增强型产品：传统产品加AI能力，代表产品Microsoft 365 Copilot、WPS AI、Figma AI

AI产品的4代演进：

1. 规则驱动（2010以前）：基于专家系统和规则引擎，智能程度低
2. 机器学习驱动（2010-2018）：基于深度学习，能处理图像/语音/推荐，但NLP能力弱
3. 大模型驱动（2018-2022）：基于预训练大模型，通用语言能力强，但有幻觉、无法调用工具
4. Agent驱动（2023-至今）：大模型+工具+规划+记忆，能自主执行复杂任务，是当前主流方向

AI技术栈5层架构：基础设施层（GPU/云/MLOps）→ 数据层（向量数据库/知识库）→ 模型层（大模型/多模态模型）→ 编排层（Prompt/RAG/Agent框架）→ 应用层（对话/生成/Agent/垂直应用）。

5大未来趋势：Agent化（从工具到助手）、垂直化（从通用到专业）、多模态（从文本到全感官）、端侧AI（从云端到端云协同）、AI原生（从AI+到原生AI）。

建立了AI产品全景图，你就能在这个快速变化的领域中找到自己的位置，抓住下一波机会。接下来的章节，我们会深入学习每种AI产品的设计方法和技术原理。

📝 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