1. AI产品经理的认知升级:从工具使用者到决策架构师
当ChatGPT在2022年底横空出世时,大多数产品经理还停留在"如何用AI写周报"的层面。如今两年过去,AI产品经理的角色已经发生根本性转变——我们不再只是会调用API的工具使用者,而是需要深度理解大语言模型(LLM)底层逻辑的决策架构师。这种转变对知识体系提出了全新要求:既要掌握技术原理避免被工程师"忽悠",又要具备商业敏感度找到真实价值场景。
我最近面试了37位自称"精通AI"的产品候选人,发现普遍存在三个认知断层:
- 能熟练使用ChatGPT但解释不清temperature参数的实际影响
- 知道RAG架构却说不准向量数据库的选型考量
- 会写基础prompt但缺乏系统化的提示工程方法论
这60个核心概念的梳理,正是为了填补这些认知鸿沟。不同于网上零散的知识碎片,本文将按照"基础认知→技术纵深→商业决策"的逻辑链条组织内容,每个概念都包含:
- 产品经理必须掌握的程度说明(★表示重要等级)
- 实际工作中的决策影响点
- 与上下游概念的关联图谱
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 基础层:大语言模型核心概念解析(20个关键点)
2.1 模型架构认知
Transformer结构(★★★★★)
2017年Google提出的这个架构是现代LLM的基石。产品经理需要特别关注其中的自注意力机制——这直接决定了模型处理长文本的能力。在评估不同模型时,要问清楚"上下文窗口是多少token",这关系到产品能支持多复杂的交互流程。
MoE架构(★★★☆)
像Mixtral这样的专家混合模型正在崛起。与稠密模型相比,它的优势在于能用更少计算资源实现更好效果。当你的产品需要快速响应且预算有限时,可以优先考虑这类模型。
2.2 关键参数解读
Temperature(★★★★☆)
这个0-2之间的参数控制着输出的随机性。在客服场景建议设为0.3-0.7保持稳定性,而在创意生成时可以调到1.2以上。曾有个电商客户把推荐文案的temperature设到1.5,结果产生了"这件裙子能让你的前任后悔到失眠"这种翻车文案。
Top-p采样(★★★☆)
相比传统的top-k,这种动态截断方式能产生更自然的文本。做内容审核产品时要特别注意,当top-p=0.9时,模型仍有10%概率输出低质
