AI PM 知识图谱·总索引
AI 产品经理系统性知识图谱
设计原则：从”按知识领域分类”转向”按 PM 决策场景分类”。每个模块的存在理由是回答一个具体的产品决策问题，而非覆盖一个学术知识域。
阅读建议：模块间存在前置依赖关系，建议按序推进。模块一是全体的技术认知底座，模块二依赖模块一，以此类推。
模块全景图
┌──────────────────────────────────────────────────────────────┐
│ AI PM 系统性知识图谱 │
│ │
│ M1 技术素养 → M2 工程落地 → M3 产品设计 │
│ ↓ ↓ │
│ M4 商业战略 ← M5 风险合规 │
└──────────────────────────────────────────────────────────────┘| 模块 | 核心问题 | 状态 |
|---|---|---|
| [[#模块一：AI 技术底层逻辑与模型范式 | M1]] | 这个技术在物理上能不能做？成本量级是什么？ |
| [[#模块二：AI 工程化与落地架构 | M2]] | 在具体约束下，该选什么、怎么组合、成本多少？ |
| [[#模块三：AI 产品设计与交互范式 | M3]] | 面对非确定性和高延迟，产品和交互应该怎么设计？ |
| [[#模块四：AI 商业化、生态与战略壁垒 | M4]] | 这个 AI 产品的钱从哪来？护城河在哪？能活多久？ |
| [[#模块五：AI 风险管理、伦理与合规 | M5]] | 这个 AI 功能会不会让公司被罚、被骂、被起诉？ |
| 专题库：04T 专题库（26 专题） | 跨 M1–M5 的横向深入系统化专题，按 F1–F6 六家族组织（0411 Agent 为其一） | ✅ 已入库（04AI/04T 专题库 · 约 490 节点 · SABCD 均 8.0） |
v2 路线图 · 新增模块（2026-06-20 落地）
本图谱为 v1.4 决策框架；v2 路线图 新增三模块已实体化：
- 度量与实验（04M2）— AI 产品度量与实验（v1 最大盲区）
- 竞品拆解方法论（04M4）— 从观察者到牌桌玩家
- AI PM 工作操作系统（04OS）— PRD/协作语言/AB 实验/日常节奏
模块一：AI 技术底层逻辑与模型范式
文件夹：0401AI 基础知识库
定位：AI 产品的”发动机与物理账本”。不理解底层逻辑的 PM 会把 AI 当成全知全能的神，在需求定义时无视”显存墙”与”延迟约束”，最终埋下产品可用性灾难的种子。
解决的问题：
- 避免提出在现有物理定律（如内存带宽限制）下极高成本或理论上无法实现的需求
- 深刻理解不同模型架构、训练阶段与算力分配策略对产品体验的决定性影响
- 在技术团队”过度工程化”或”推诿技术限制”时，具备进行算力与体验博弈的裁决能力
章节索引
| 章节 | 主题 | 核心概念 |
|---|---|---|
| c01 | 认知重构：从确定性系统到概率系统 | 幻觉与校准、SFT |
| c02 | Tokenization 与词表工程 | Tokenization |
| c03 | Transformer 核心机制与注意力变体 | Attention、KV Cache |
| c04 | 模型训练全阶段 Pipeline | 预训练、LoRA、RLHF/DPO |
| c05 | 算力物理定律与 KV Cache 账本推演 | KV Cache、自回归 |
| c06 | 架构演进：Dense / MoE / SSM / Hybrid | MoE、Attention |
| c07 | 量化（Quantization）与端侧部署 | 量化、QLoRA |
| c08 | 解码策略与生成控制 | Softmax、Function Calling |
| c09 | RAG 架构的工程解构与非参数化记忆 | RAG、Embedding |
| c10 | Agent 技术栈与工具调用 | Agent、Function Calling |
| c11 | System 2 思维与 Test-Time Compute | System 2 TTC、RL |
| c12 | 多模态融合与具身智能 | 视觉 Tokenization、CLIP |
| c13 | 彻底祛魅：为什么幻觉无法被彻底消除 | 幻觉与校准、RLHF |
| c14 | 模型评估体系与 Goodhart 陷阱 | Scaling Laws、幻觉 |
| c15 | 数据墙与后训练霸权 | 合成数据、SFT |
前沿发展（2025–2026）
- 推理期算力缩放（Test-Time Compute）：从预训练阶段的”大力出奇迹”，转向推理阶段的”慢思考”涌现。o1/o3 及 R1 范式证明了给予模型更多思考时间，可通过强化学习实现推理能力的指数级跃升。
- 后训练（Post-training）的霸权：基础模型架构逐渐同质化，决定最终产品差异化体验的核心，彻底转移到 SFT 和 RLHF 的数据质量与对齐工艺上。
- 架构分化与端侧觉醒：MoE 成为云端降本标配，SSM（Mamba）在端侧硬件和无限上下文场景中开始破局。
模块二：AI 工程化与落地架构
文件夹：0402AI 工程化与落地架构
定位：AI 产品的”供应链、组装厂与最后一公里”。一个裸露的基础模型就像是一个博学但缺乏业务语境的大学生。工程化架构的任务是为其配备”专业手册（RAG）”、“技能培训（微调）“和”工作工具（Agent）”。
解决的问题：
章节索引
| 章节 | 主题 | 核心概念 |
|---|---|---|
| m201 | Prompt Engineering 实战体系 | CoT、Few-shot、Structured Prompting |
| m202 | 工程选型决策矩阵 | RAG vs SFT vs Agent |
| m203 | RAG 生产：Embedding 模型选型与文档解析 | Embedding、BGE-M3、Docling |
| m204 | RAG 生产：Chunking 策略与范式演进 | Contextual Retrieval、Agentic RAG |
| m205 | RAG 生产：索引运维与 RAGAS 评估 | RAGAS 四指标、LLM-as-Judge |
| m206 | Agent 产品化：记忆机制与技术进展 | 长/短期记忆、Computer Use、A2A |
| m207 | Agent 产品化：场景推演与失败模式 | HITL、六类失败模式、评估体系 |
| m208 | AI 基础设施与中间件选型 | 向量数据库、编排框架、Observability |
| m209 | 推理成本控制手册 | Prompt Caching、模型路由、语义缓存 |
| m210 | 数据工程流实操 | 合成数据、DPO 标注、数据飞轮 |
前沿发展
- Agentic Workflow 的全面普及：取代早期简单的一问一答，引入反思、纠错和多步骤规划
- Multi-Agent 协同架构：不同的 Agent 扮演不同角色（Planner、Coder、Reviewer）协同完成复杂任务
- 数据管道的全面自动化：从依赖人类数据向 合成数据 演进，数据清洗与生成管道成为 AI 工程的核心竞争力
专题：Agent 系统化（0411）
文件夹：0411 Agent 系统化专题
定位：Agent 是 AI PM 转型最核心、被误解最多、滑变最快的概念群。本专题在 c10/m206/m207/m208 单维深入的基础上，做横向 + 纵向的系统化升级——覆盖语词流变、代际谱系、架构剖面、流派对照、实例剖解、复现实操、阅读路径。
质量背书：经历 5 轮批判性同行评议（基础准确性 → 洞察密度 → 对手框架反例 → 结构整合可发表性 → 出版就绪终审），引入 12 处业界对手立场 + 6 个 Rick 未读对手框架（Dreyfus / Weizenbaum / Brian Cantwell Smith / Stuart Russell / Lakatos / Luhmann），终审综合 81.4/100、Conditional Yes 出版就绪。全部 5 轮 critique + 5 次改稿快照留档于 worktree（不污染本库）。
入口与导航
- 专题总览：_Agent 系统化专题·总览
- 多视图阅读指南：README·多视图阅读指南（30 天速通 / M1-M5 决策链 / 紧迫度优先 三路径）
- 可交互知识图谱：
06 阅读指南/knowledge-graph.html（29 节点 + 60 边 + 双维过滤）
节点索引
| 模块 | 节点 | 说明 |
|---|---|---|
| 01 概念辨析 | A01 Agent 概念史与语义流变 | 词源 → 四次语义滑动 → 滥用边界 |
| 01 概念辨析 | A02 抽象层级辨析·Harness Framework Agent Skill Orchestrator | 五词混用的统一分层 |
| 01 概念辨析 | A03 ReAct | G1 奠基范式 |
| 01 概念辨析 | A04 Reflexion | G3 反思代表 |
| 01 概念辨析 | A05 Plan-and-Execute | 先规划后执行 |
| 01 概念辨析 | A06 Orchestrator 编排器 | 编排器与 framework 的边界 |
| 01 概念辨析 | A07 Multi-Agent Teams | 三种架构 + Anthropic 反 multi-agent 立场 |
| 01 概念辨析 | A08 MCP 与 A2A 协议族 | G5 协议化代表 + 政治经济学边界 |
| 02 代际演化 | G01 Agent 代际谱系总图 | G1→G5 谱系 + Lakatos 退化纲领判据 |
| 02 代际演化 | G02 五代演化详解·G1-G5 | 每代 paper / 产品 / 范式 / 遗产 |
| 03 架构剖面 | S01 Agent 六层架构剖面 | 感知/规划/记忆/工具/执行/反思 |
| 03 架构剖面 | S02 流派架构对照表 | 六范式 × 六层映射矩阵 |
| 03 架构剖面 | S03 Harness Engineering 全景 | Hashimoto 命名 + Dreyfus 技能分级 |
| 04 实例剖解 | E01 Coding Agent·Claude Code & Cursor | 协作者 vs 延伸的手 |
| 04 实例剖解 | E02 通用 Agent·Manus & Devin | 70% 是数学约束不是工程问题 |
| 04 实例剖解 | E03 Multi-Agent 框架·AutoGen & CrewAI & DeerFlow | 三家 × A07 判据反向评估 |
| 05 复现指南 | R01 最小可运行·100 行 ReAct | 30 分钟跑通 + 六层映射 |
| 05 复现指南 | R02 中型生产·LangGraph + MCP | 状态机 + HITL + MCP 接入 |
| 05 复现指南 | R03 Multi-Agent 模板·AutoGen CrewAI | 同任务双框架对照 + 失败案例 |
| 06 阅读指南 | README·多视图阅读指南 | 三路径 + 10 题自测 + Week 4 反方对话训练 |
与现有节点的关系
模块三：AI 产品设计与交互范式
文件夹：0403AI 产品设计与交互范式
定位：AI 产品的”人机界面”与”认知桥梁”。模块一回答”模型能做什么”，模块二回答”工程上怎么做”，本模块回答”用户界面上怎么呈现、交互上怎么设计、信任怎么建立、数据怎么回收”。
核心命题：传统 GUI 的设计假设是”系统输出确定且即时”；AI 产品的设计假设是”系统输出概率性且延迟可变”。这一底层假设的变化，颠覆了从信息架构到微交互的每一层设计决策，催生出两种全新的用户焦虑：表达焦虑（不知道怎么说）和信任焦虑（不知道 AI 对不对）。
解决的问题：
- 彻底解决用户的”Prompt 焦虑”（用户不知道系统能干什么，也不知道该怎么问）
- 在模型响应慢、必然存在幻觉的客观限制下，通过产品机制设计弥补体验落差
- 建立校准良好的用户信任（不是最大化信任，而是让信任程度与 AI 实际可靠性匹配）
- 设计能自动采集高质量训练数据的产品交互，形成数据飞轮
章节索引
| 章节 | 主题 | 核心设计问题 |
|---|---|---|
| p301 | 交互范式跃迁与对话框局限 | 从精确控制到意图委托，对话框并非万能 |
| p302 | 七种 AI 交互设计模式 | 超越对话框的产品形态：行内补全、Generative UI、后台 Agent 等 |
| p303 | 克服空白画布综合症 | 可发现性缺失的根源与场景化入口设计 |
| p304 | 防御性 UX：对抗延迟与幻觉 | 流式输出心理学、置信度外显、优雅降级 |
| p305 | 信任架构与可解释性设计 | 校准信任 vs 最大化信任、推理过程外显 |
| p306 | 数据飞轮与反馈回路设计 | Copilot/Midjourney/ChatGPT 三种数据捕获哲学对比 |
| p307 | Copilot → Autopilot 光谱 | AI 控制权分配的五层框架与动态升降级机制 |
| p308 | 多模态与脱离屏幕的交互 | 语音打断/话轮管理、视觉交互、穿戴设备 |
| p309 | 特殊品类交互设计要点 | 全双工语音、代码 AI、AI 客服、创意工具 |
前沿发展
- Copilot → Autopilot 演进：从 L1 建议者（用户决定是否采纳）向 L3 代理人（Agent 自主执行，关键节点请示用户）快速迁移，用户控制权持续让渡
- Invisible AI（隐形 AI）：AI 能力无缝嵌入用户现有工作流（Notion AI、飞书智能助手），用户感知不到”在使用 AI”——AI 渗透率最高、存在感最低的形态
- Generative UI（动态生成 UI）：LLM 通过 Function Calling 直接生成可交互的 UI 组件（表格、图表、表单），而非纯文本输出
- 原生多模态重塑语音交互：GPT-4o 范式（< 300ms 端到端延迟）让全双工语音对话成为可能，从根本上改变语音 AI 的产品设计范式
模块四：AI 商业化、生态与战略壁垒
✅ 已由专题库填充（2026-06-11）— 详见 _专题库总索引 的 F5 商业组织与采纳 家族。下方规划框架已由以下专题实体化：
核心专题入口：
- 0434 AI 产品护城河与商业模式（M4 主轴：五类护城河 / 单位经济 / 价值池下移）
- 0428 组织采纳（企业落地、采纳学、Demo-to-Enterprise 鸿沟）
- 0421 机制设计（定价 / 激励相容 / 拍卖）
- 相关透镜：0425 信号理论、0432 AI 产品的时间性
定位：AI 产品的”市场坐标与生死存亡护城河”。在底层大模型能力以月为单位快速迭代、甚至被巨头通过降价/免费战推向基础设施化的趋势下，必须理解什么是真正的商业价值，并认清**“数据垄断是终极护城河”**的商业底层逻辑。
解决的问题：
- 避免跌入”套壳（Thin Wrapper）“产品的死亡螺旋——一旦 OpenAI 或底层 API 提供商发布新版本，产品价值就瞬间归零
- 寻找真正的 PMF（Product-Market Fit）；制定能够覆盖高昂算力成本的商业模式与定价策略
子章节规划（待展开）：
- AI 产业链地图与价值生态位分析：算力基础设施层（芯片/云）→ 基础模型层 → 数据平台与 MLOps 层 → 开发者工具/中间件层 → 最终应用层。应用层利润池究竟在哪里？
- 突破”套壳”：应用层产品的战略护城河构建：
- 系统记录与工作流深度集成（成为用户不可替换的日常流程，而非一次性玩具）
- 网络效应的重构：用户使用 → 产生专有数据 → 模型变强 → 吸引更多用户的数据飞轮效应
- 商业模式创新与单位经济模型（Unit Economics）：
- 传统模式：Token 消耗计费、分级订阅制（Freemium）
- 新范式崛起：按次服务付费、基于节约工时/提升业务指标的抽成计费（Outcome-based）
- AI 产品的 UE 拆解：CAC vs AI 算力 COGS vs LTV 的平衡
- 企业级战略抉择：ToB 市场的私有化部署、安全信任溢价；多模型路由策略（如何同时接入多个大厂模型避免被卡脖子）
- 数据资产战略与独占数据获取路径：跨越”数据墙”的长期战略；人类专有领域数据集的合法买断；将硬件入口/工作流作为独特数据捕获抓手
前沿发展：
- 开源 vs 闭源的终局推演：闭源模型（API 抽税）与开源模型（Llama 生态主导下的模型商品化）对应用层定价的撕扯
- SaaS 商业模式的重塑：从”卖软件工具”向”卖劳动结果”转变。“AI 核心员工化”（AI-as-an-Employee），基于业务结果/价值创造的定价模式正在残酷地颠覆传统的按座席付费（Seat-based SaaS）模式
模块五：AI 风险管理、伦理与合规
✅ 已由专题库填充（2026-06-11）— 详见 _专题库总索引 的 F4 安全对齐与失败 家族。下方规划框架已由以下专题实体化：
核心专题入口：
- 0430 AI 作为制度现象（M5 主轴：合规与制度权力 / 中美监管对比 / 政治敏感逐句接地）
- 0435 AI 红队与攻防（防御纵深栈 / Agent 工具链注入）
- 0419 对齐哲学（对齐的认识论与工程实现）
- 0416 失败考古学（事故案例库与法律风险）
- 0436 Agent 安全与权限（Agent 身份/scope/沙箱/审计 四层纵深防御；MCP 授权边界）
定位：AI 产品的”安全刹车系统与底线”。在强监管时代，合规不再是法务团队在产品上线前的后置审核工作，而是直接影响产品架构选型、数据流转设计甚至商业化生死的关键产品特性（Feature）。
解决的问题：
- 确保数据收集与处理符合所在国家/地区严苛的隐私保护法规
- 防止 AI 遭受恶意攻击被”套话”，或生成有害、偏见、侵权的内容，导致公司面临天价罚单或公关危机
子章节规划（待展开）：
- 数据隐私保护与合规架构：
- 隐私数据脱敏技术（PII 去标识化与匿名化）
- 企业级数据隔离策略（租户级别的数据不出域）
- 合规适配：GDPR（欧洲）/ CCPA（加州）/ 中国《生成式人工智能服务管理暂行办法》
- 模型安全攻击与产品防御机制：
- 对抗性攻击防范：提示词注入攻击（Prompt Injection）、越狱（Jailbreak）、数据投毒（Data Poisoning）
- 系统级安全护栏（Guardrails）：输入端过滤恶意意图，输出端拦截有害/敏感内容
- 知识产权（IP）与版权风险管理：训练数据侵权诉讼的应对思路；AI 生成内容（AIGC）的版权归属界定困境
- AI 伦理与价值观对齐：消除算法固有的性别、种族、文化偏见；RLHF 对齐过程中的价值观注入与设计
前沿发展：
- 对抗与防御的升级：自动化红队测试（Automated Red Teaming）常态化；深度伪造（Deepfake）鉴别与内容溯源不可见水印技术
- 监管框架落地：全球性 AI 立法（如《欧盟 AI Act》）进入实质性惩罚阶段，对高风险系统提出了近乎苛刻的透明度和人工监督要求
- 责任界定难题：当自主执行任务的 Agent 造成商业损失或侵权，法律责任由谁承担？
附录：跨模块概念卡索引
所有概念卡位于 0401AI 基础知识库/ 文件夹，可直接访问：
| 类别 | 概念卡 |
|---|---|
| 架构 | Attention 机制、MoE、KV Cache、自回归生成、量化 |
| 训练 | 预训练、SFT、LoRA/PEFT、RLHF/DPO、强化学习、Scaling Laws |
| 工程 | RAG、Embedding、Tokenization、Agent、Function Calling |
| 数据 | 合成数据、灾难性遗忘 |
| 产品 | 幻觉与校准、System 2 TTC、Softmax |
文档版本：v1.4（2026-06-11 M4/M5 由 04T 专题库填充，新增专题库总索引入口） | 已完成：M1（c01–c15）、M2（m201–m210）、M3（p301–p309）、M4/M5（由 04T 专题库 26 专题实体化）、专题库（0411 + 0412–0436）| 导航：_专题库总索引
早期 React 可视化原型：从”框架层”切入的转型者锚点
2026-03-05 的一次对话中，Rick 从非 AI 背景产品经理的视角出发，要求把 AI PM 知识图谱用一个可交互的 React 组件落地——5–7 个一级域、每个域下 3–5 个二级节点、节点间标注”依赖箭头”与”关联虚线”、每个节点带”紧迫度”标签。该原型与当前 v1.2 总索引”按 PM 决策场景分类”的原则相比，是一个更早的”按知识域分类”版本，但保留了两个值得回看的设计判断：
- 框架层先行：先固定一二级节点拓扑，不展开内容；用结构压迫自己回答”哪些必须放、哪些可以删”
- 紧迫度作为转型者锚点：每个节点标注”对即将求职的转型者”的紧迫度，把抽象学习路径绑定到具体的面试/试用期决策
当前总索引已用 M1–M5 决策导向取代知识域划分，但”紧迫度排序”作为转型者使用视图的元数据，可以在模块三/四扩展中作为可选标签复用。
跨域关联
- 认识论基础 → 0114认识论
- 社会影响分析 → 0117社会学 生命政治
- 产品伦理 → 0115道德哲学-伦理学
- 组织与制度 → 0133新制度经济学