八年AI产品生涯，从知识图谱到Agent架构，见证AI从‘不够智能’到‘智能大爆发’的完整演进。本文不仅复盘了横跨四个阶段的技术迭代轨迹，更提炼出五条实战型判断：从商业价值的分成逻辑到Agent间的交互形态，每一条都踩过坑、推翻过、重建过。如果你是AI产品人，这篇认知沉淀或许能帮你少走弯路。

从知识图谱+NLP到Agent，经历了AI从”不够智能”到”智能大爆发”的完整演进，我发现”知道到了这里”和”知道怎么到这里”是两回事。这篇文章是我八年AI产品生涯的认知沉淀。

一条横跨四个阶段的职业轨迹

我的职业生涯像是在做一场穿越AI周期的田野调查。

八年前，2018年，我在百度金融做智能投研机器人。那是AI 1.0的黄金年代——我们试图用知识图谱构建金融行业多要素的联动影响关系，让机器理解”油价上涨→化工成本上升→下游利润压缩”这种跨领域的因果传导，从而实现智能投资预测。那时”智能”这个词背后是大量专家规则和结构化知识工程，产品的核心竞争力在于把领域知识结构化，并让模型能在上面做推理。

2020年毕业后，我加入央企研究院，做智能客服、智能工单和虚拟人客服。当时模型远不够聪明，但我们发现一个反直觉的洞察：当智能不够时，用人的形象反而能带来服务的温暖感。虚拟人的价值不在于回答有多准确，而在于用户愿意等待——因为对面”看起来像一个人”。

2022年，我去了上海六大人工智能实验室之一，推动NLP与知识图谱、智能调度和预测在制造业与零售的落地。这是对我认知冲击最大的阶段。我们实地走访了大量客户，看到了智能调度加智能对话全链路智能的未来。也是在那时，我第一次体会到AI时代的商业逻辑和SaaS完全不同——客户愿意为AI产生的价值按比例付费，而不是为一个功能模块付固定的订阅费。这个商业模式最能打动客户，但当时的问题也很现实：那一代的智能水平，还不足以支撑如此前沿的商业模型。

2023年，大模型爆发初期，我加入了一家美国上市的金融科技公司。那时模型还不够可靠，幻觉问题让很多业务方不敢用。我们摸索出一条路：通过产品设计让模型和人来配合——模型负责信息检索和初稿生成，人负责审核和决策。既能发挥模型的价值，也能把对业务的影响控制在可接受范围内。这个阶段的经历让我深刻理解了”辅助”和”替代”的边界在哪里。

最近两年，我在字节跳动做AI审核产品。这是大模型变化最快的两年。从Prompt Engineering到RAG，从Workflow Agent到Multi-Agent，再到OpenClaw这类Agentic Agent——每个技术范式更新周期不超过三个月。我亲身实践了一个最重要的认知：PM要具备亲自上手、端到端快速跑通验证需求的能力，这是推动新技术在业务上快速应用最快的方式。

四段经历加起来，我有了一个核心体感：经历过AI迭代全过程的人，才知道下一次类似的变革会怎么演进。技术会变，但事物发展的规律——或者说历史——总有一些相似之处。

五条从实战中长出来的判断

以下五条思考，不是从论文里读来的，也不是在行业峰会上听来的。每一条背后都有踩过的坑、做过的决策、反复推翻又重建的认知。

判断一：AI产品的商业价值，最终会走向”按价值分成”

Token成本就像水电和人力——它是必要的基础设施，但没人会为一个基础水电费付溢价。AI产品的商业价值，最终取决于它能为用户创造多少收入或节省多少成本。

这意味着产品经理必须同时思考两个层面的问题：智能资源的调度策略和价值定价模型。大模型虽强，但把所有任务都丢给最强模型既不经济也不必要。小模型处理高频简单任务，大模型处理复杂推理，两者结合使用才是可持续的路径。但现在行业普遍的做法是让用户自己选模型——用户往往没有这种经验，要么过度消费Token，要么选了太弱的模型导致体验下降。

智能资源的调度，应该是产品策略的核心，而不是一个留给用户的选择题。好的产品应该能在用户无感知的情况下，根据任务复杂度自动分配最合适的模型资源。这需要产品经理理解模型能力边界、成本结构和用户场景三者之间的关系。

判断二：未来的入口是All-in-One，但可视化页面不会消失

现在用户完成一个任务要在不同App之间反复切换，找入口的成本远高于完成任务本身。未来的入口一定是统一的——无论是软件还是硬件。但”统一入口”不等于”只有对话”。

可视化页面有两个不可替代的价值：让用户在想查看的时候可以查看，以及让用户可以手工完成简单操作。比如AI帮我对比各个渠道的产品和价格，筛选出最合适的购买页面——这个过程AI做复杂的信息检索和比较，但最后点击”购买”这件事，用户自己点一下就行，不需要用多轮对话让AI去完成。多轮对话的成本远高于一次点击，从Token经济学的角度看，这是不划算的。

产品经理需要判断的是：哪些环节值得使用AI，哪些环节保留直接操作更高效。这个判断力，决定了产品的体验和成本结构。

判断三：AI产品经理的核心能力，从”垂直执行”变为”端到端决策”

在传统产品经理的语境里，写PRD、画原型、推需求、跟研发是核心技能。但在AI时代，这些技能正在被Agent化。你需要的不再是更熟练地写PRD，而是能够端到端地理解一个事情的全过程，然后做出好的决策来指挥AI完成每个步骤。

横向的知识面变得极其重要。你需要了解用户需求、数据流向、模型能力边界、工程实现约束、商业模式和合规风险——不是每个环节都要精通，但每个环节的决策逻辑你都要懂。在产品的Demo阶段，你甚至需要自己能完成所有验证，不依赖研发资源。

关于角色边界的问题，我的看法是：所有能端到端完成一个AI产品的人，本质上都是AI产品的角色，无论他叫研发还是运营。AI研发应该更偏向架构设计，AI运营是在某个阶段或领域能用AI做1到100的事情——这两个岗位和AI产品经理的本质区别在于：产品经理负责的是”端到端的闭环”，从定义问题到验证价值。

判断四：测评和自迭代的设计，要从产品定义的第一天开始

这件事从AI 1.0时代就极其重要，但在大模型时代变得更加紧迫。模型的能力边界是模糊的，产品的表现会随着模型版本、Prompt策略、数据分布的变化而波动。如果你不在产品上线时就设计好测评体系，上线后的表现就是一个黑盒。

我理解的理想测评体系包含三个层次：上线前的离线评测（定义清楚”好”的标准是什么）、上线后的用户反馈机制（点赞、纠错、举报按钮只是起点）、数据回流和模型迭代的闭环（用户使用过程就可以无感地为产品贡献反馈，数据自动回流给模型做迭代）。

第三层是最难的，也是最有价值的。因为它把一个”质量监控”的问题，变成了一个”持续进化”的引擎。能做到这一点的产品，和做不到的，差距会以指数级拉开。

判断五：Agent之间就能交互和做生意，交互的终极形态是对话加传输

很多人讨论人和AI的终极交互方式是不是对话。我的判断是：对话加上多模态传输。人类的交互方式本来就是耳朵、眼睛、鼻子和嘴巴，信息的存储和传递靠的是文件——你不能指望靠对话把一份100页的合同内容讲清楚。AI之间更是如此，它们之间的交互靠的是接口传输，而不是模拟人类打字聊天。

这意味着未来的AI生态有两个关键特征：软件和硬件一定是打通的，Agent之间就能直接交互和做生意。一个Agent可以代表用户去调用另一个Agent的服务，完成支付、签约、交付——整个流程不需要人类在中间做”胶水”。这对产品经理的挑战是：你设计的产品，能否作为一个可被其他Agent调用的能力单元存在？

写在最后：接下来怎么做

这篇文章是一个开始。我计划持续输出，方向聚焦在三个维度：

技术落地的产品化思考——新技术从论文到产品之间，到底发生了什么。AI产品经理的能力栈演进——在Agent时代，产品经理需要学什么、不学什么。行业观察与案例拆解——哪些AI产品做对了什么，哪些做错了什么。

如果你也在AI产品的路上，欢迎在评论区聊聊。你现在踩在Agent架构的哪一代？你所在的公司，是真AI还是AI-Washing？