▼
在过去两年，所有业内人都在谈「AI 时代的产品经理到底什么样？」或「AI 时代还需要招一个产品经理吗？」。技术的发展模糊了岗位的分工，尤其在这一轮 AI 创业，固有的产品经验几乎失效。
被陆奇在奇绩内部多次称赞「最像硅谷产品经理」的张浩然。他做了十年生产力工具，如今正在探索一款企业级的多智能体产品。
他从传统 RAG、流程编排，到进入 AI时代后，一路将之迭代到复杂的 Agent 生态，中间重写过无数次架构，也踩过足够多坑，整个产品的底层思维也被重构了一遍。
他总结出了AI 时代，一个产品人必须拥有的四大核心能力。
• 从流程 →到定义目标和边界
• 从场景 →到抽象模式和原子能力
• 从单 Agent→到可自治、多Agent协同的生态系统
• 从对/错 →到性能区间与评估体系
传统的软件时代，产品人对应的工作流一切都是确定的：逻辑是明确的；界面是静态的；用户行为遵循稳定路径。
产品人的工作是提需，写流程，交给开发，然后用户照着走。
但 AI 的本质是概率分布，是语言、是推理、是涌现，是极度不稳定的。
产品人根本无法设计一个「确定性」的 AI系统。因为用户每次问的问题都不同，即便问一样的问题，也可能处在不同的语境/
因此，用固定的框架框住工作流往往会限制住 AI自学习的能力，现阶段应该最先定义产品的目标和边界：
1、这个 Agent 负责的业务目标是什么？
2、哪些事情不做？
张浩然在文章中举了一个例子。
2023年之前，企业内部的AI客服机器人大多遵从固定框架。输入想法，AI基于特定的工作流，拆解任务，搜索信息RAG返回，最终跑出结果。在特定的单一场景领域，这类产品是奏效的，但场景一旦扩展，马上就会发现这个架构的局限性。
比如一个用户问：我想退回上个月购买的无线耳机，但我丢失了收据。我还保留着原包装，订单号是A12345。
传统的RAG检索很难理解其中复杂因素间的关系。进入AI时代，产品人处理这个问题首先要确定边界。
张浩然又举了一例子，比如用户问：下周回北京，帮我约一下 DK和 XY的时间，避免我遗忘，在飞书里给我创建个提醒。首先要理解，用户在北京开会，但边界是模糊的，产品要通过多轮对话确定：具体哪天开。
用户：「周三下午见，大概 3点左右。可以在三里屯的星巴克见面。」
到这里，已有了丰富信息，AI就可以拆解目标了。
传统软件时代，产品人最爱做的是通过用户访谈，然后加功能。 但在AI时代，用户和产品之间的交互大多使用自然语言，用户表面上说，我希望你帮我查看历史订单，但背后也许对应的100种不同的需求：也许是想开发票，也许是想看下最近的生活支出，也许是想复购。 一个产品人不应该也没有能力为每一种表达创造一个功能，所以，这就要求必须具备高度的抽象能力 张浩然总结三种能力： 1、模式识别能力：识别多样化表达中的用户需求 2、意图映射：理解用户表达类似需求的各种方式 3、 边界定义：明确区分 AI责任范围内外的事项 他举了一个经典区别，用户希望查询订单：传统产品人下达的需求：增加一个重新订购按钮。AI产品人会让Agent理解并执行用户在任何对话上下文中重复过往购买的意图。 步骤应该是是澄清（Clarification）—补全信息（Information Gathering）——任务分解（Task Decomposition）——工具选择（Tool Routing）——最后执行。 也就是任何时候，只要用户提到过去买过什么、想再买什么，都要启动『复购 agent』这条链路。 换言之，抽象不是写概念，是把同一类问题归到同一条链路上。 AI时代的产品人不能再用线性思维拆解用户意图，以单一用户案例简单造轮子，而是要抽象出稳定、可复用的模式 一个优秀的AI产品人绝不应该关心怎么做，而是应该去定义「系统应该掌握哪些能力去应付所有变体」。 为系统加能力，而不是功能，这就是从「具体」到「抽象」的本质跨越。 传统软件时代，产品人验证一个系统是否正常工作，只需要判断功能是否按照预期输出即可——这是一个明确的二元逻辑：对 /错、可用 /不可用、通过/不通过。 但张浩然认为，当系统演化为由大模型驱动的 Agentic系统后，这种思维模式彻底失效了，因为AI的输出天然具有概率性、连续性、上下文依赖性以及涌现性。「AI系统的质量表现存在于一个连续谱系，而不是简单的二选一判断。」 这意味着 AI产品人不能再依赖「场景验收」或「功能走查」，而必须构建一整套「性能区间管理体系」。 这包括以下更复杂的测试问题： • 在 100个真实样本里，系统的平均表现是什么？ • 哪些子类别错误频率最高？ • 是否需要触发反思循环？ • 哪些任务应被转入人工审核？ • 哪些场景需要修改prompt或智能体结构？ • 哪些失败源于工具调用失败？ 张浩然举例：在用户想退货的例子中，传统 RAG范式会一次性塞入大量信息，导致模型在有限的上下文里出现「相关性稀释」而无法给出答案。这种产品 BUG不是功能性的，而应该叫「性能退化」。 信息被淹没，导致输出变得模糊、不精确。评估这种问题不能靠一次测试，而必须通过「批量样本评估」，体现系统在不同表述上的稳定性。 AI 产品人的职责不再是「验收功能」，而是管理「性能区间」。这需要构建单样本测试（Unit Test）、评估集（EvalSet）、批量评测（BatchEvaluate）与漂移监控（Drift Monitor），并将结果反向作用于 prompt、智能体拓扑、工具链调度和记忆系统的设计中。 进入 2025年后，传统的单轮 RAG和线性 LLM workflow已经无法支撑真实世界的问题复杂度，现在公认的主流框架是建立一个一个多模型、多智能体（multi-agent）、工具链式动作（tool-using）的系统。尤其现在用户对AI的需求已经提高到——要求AI更接近一个真实的员工——Manus今年的火爆就验证了这一点。 张浩然认为，构建这样的协同，需要产品人理解多 Agent如何互相协作来完成复杂度更高的任务，也就是说，AI产品人需要设计一个「可自治、可协作、可反思」的生态系统。 这个生态系统的关键能力如下，也可以理解为每个能力对应一个Agent 1、意图理解 协调智能体（Orchestrator）负责理解意图、补齐需求、规划任务、调度其他 Agent，是整个系统的大脑，也是AI产品人最需要定义边界与目标的部分 。 2、专业能力 专家智能体（Specialist Agents）：千行百业各有不同，要构建行业 know—how能力，通过网络搜索、知识检索、App API调用智能体，各自承担不同能力，形成模块化能力网络 。 3、评估 评估智能体（Evaluator）：用于判断结果是否满足目标、是否需要重试、是否需要进一步检索。这在概率性系统中尤为关键。 4、长记忆 负责短期、中期、长期记忆，构建真正的个性化体验；否则系统无法在跨时段任务中保持上下文连贯性。 为了让这些能力（Agent）能协作，AI时代的产品人还必须能理解拓扑选用星型、链型还是消息池，然后不断评估性能、边界与协作方式。 张浩然最新的思考是，如果未来用户用自然语言希望完成一个复杂的任务，那么必然Agent需要调用各种不同的工具，那么如何构建一个Agentic去理解用户的业务，从而把工具调得更准。 这是是一整套复杂的AI的system的体系。过去的产品人只需要定义一个工作流，然后交给后端、前端。 现在，一个合格的产品人需要把自己硬生生练成一个全栈 AI builder。 —最后，我们引用张浩然原文的结尾— 「不是所有能被计算的都有价值，也不是所有有价值的都能被计算。」爱因斯坦的这句名言，或许是我们面对 AI产品范式转变最恰当的启示。 传统软件世界中，我们习惯于线性思维、确定性假设和可预测的结果。我们用流程图描绘用户旅程，用功能清单定义产品边界。这种方法在确定性系统中运作良好，就像牛顿力学在中等尺度世界的精确预测一样。 然而，随着人工智能带来的范式转变，我们进入了一个全新的认知领域这里的规则更像量子力学，充满了概率、不确定性和涌现属性。 在这个领域中，产品不再是静态的工具，而是与人类共舞的动态伙伴。 正如物理学家尼尔斯·玻尔所言：「如果量子力学没有让你感到震惊，那说明你还没有理解它。」 同样，如果 AI产品的新范式没有让我们重新思考产品的本质，那我们可能仍停留在旧世界的认知框架中。 图片来源｜unsplash、分享人供图 推荐活动
北京营销中心
北京通州北京ONE国际广场10层
上海研究中心
上海市浦东软件园
厦门研究中心
厦门观音山国际商务运营中心
海外市场中心
香港中环香港站国际金融中心
加入智库
成为客户
