我目前的主业是在一家 AI 初创公司负责产品设计和产品开发，同时也在制作 AI 相关的内容，参与培训和直播分享。
回头看，我进入 AI 产品经理这个岗位，经历了两次变化：先从前端开发转到产品经理，再通过持续使用 AI 工具、自己开发 AI 应用和公开输出，进入真正开发 AI 应用和 Agent 的公司。
这篇文章不是教程，只是我按照自己的经历，把这条路径重新梳理一遍。
从前端开发转到产品经理
刚毕业时，我的主业是前端开发，找的也是前端开发相关的工作。大学期间，我和同学一起组建过外包工作室，开发过不少小程序和网页，毕业时已经完成了十几个项目。刚开始接触前端时，我觉得这份工作很新奇，也确实喜欢过一段时间。
真正开始工作以后，我逐渐发现，前端工程师很多时候需要根据原型图把应用实现出来，能够深入研究的部分主要是工程化、代码优化和组件调整。业务上的决定权比较少，大量任务属于基础的增删查改，创造性和挑战性都有限。即使换到规模更大的公司，工作的性质也未必会发生变化。
我更希望往业务侧靠近，参与产品本身的设计和判断，于是开始阅读产品经理相关的书籍和课程。后来，公司准备开发一个新版本和新产品，需要先整理文档和设计，研发才能开始实现。领导询问有没有人愿意尝试转为产品经理时，我主动报名了。
这次转岗并不是临时起意。此前我和公司的产品经理协作比较多，也会主动参加 PRD 评审。如果我认为某个交互流程设计得不够好，就会直接提出反馈。大学期间积累的项目经验，让我接触过很多组件；开发应用时，我也习惯参考其他产品，所以对常见的交互形态比较熟悉。
前端经验还帮助我更快掌握产品经理常用的工具，比如 Figma 和原型设计工具。前端开发中经常接触组件化和复用，使用 Figma 时，我很快搭建出了组件库，后续页面可以通过组合组件完成。
当时公司的业务是基础软件产品，具体来说是 API 网关。产品经理需要理解技术和业务之间的关系，我本身有技术背景，转到产品岗位后更容易理解这部分工作。转岗之后，因为公司规模比较小，我仍然承担了一部分前端开发工作，从单纯的前端开发变成了同时参与产品设计和开发的人。
从使用 AI 工具到开发 AI 应用
ChatGPT 推出以后，我和很多人一样，开始使用 AI 工具提升效率。早期我会用它编写文章、处理翻译。较早付费的 AI 产品是文心一言，因为产品经理经常需要编写 PRD 和其他文档，而当时我觉得 ChatGPT 生成的中文内容翻译腔比较重，所以希望使用中文能力更强的模型。我会让文心一言协助处理文档，也会用它进行头脑风暴。
除了日常使用 AI 工具，我一直保留着开发的习惯，会给开源社区贡献代码，也会研究一些小产品。在这个过程中，我接触过不少 AI 编程工具。Cursor 出现以前，我用过通义灵码、MarsCode 这类代码补全工具。后来 Cursor 出现，我觉得开发小产品变得更有趣了。
以前作为研发人员，我想开发一个小产品，搭建框架和基础结构可能就需要一天。即使点子已经确定，后续也会因为各种工程问题消耗很多时间，一个星期能够推进的内容并不多。有了 AI 编程工具之后，大量重复工作可以交给工具处理，最早是代码补全，后来已经可以直接生成整个页面，甚至整个文件。
不过，对我成长帮助最大的事情，还是亲自开发 AI 应用。使用 AI 工具，和把 AI 能力放进一个应用里，是两种不同的经验。开发应用时，我需要理解不同模型的能力、输出速度和价格，也需要考虑模型响应如何进入产品流程。
第一个 AI 应用：学习卡盒
我最早开发的 AI 应用，是一个类似 Anki 学习卡的小程序。它有正反两面的卡片，用户可以创建卡盒。我在里面加入了 AI 功能：输入一篇文章后提取单词，也可以给出一个主题，让它生成四级相关的单词并自动生成词卡。卡盒建立以后，还可以基于卡片生成选择题和填空题。
这个小程序让我建立了实现 AI 应用的基础认知。我需要处理几个具体问题：如何调用 AI 大模型接口，如何约束模型返回规范的 JSON，如何把响应渲染到 UI 上，以及怎样控制输出长度，让结果更快展示出来。
不同模型之间也需要取舍。有的模型速度很快，但效果不够好；有的模型效果不错，响应速度或价格又不合适。我需要根据具体场景选择性价比更合适的模型。
开发学习卡盒的过程中，DeepSeek V3 发布了。当时它在海外已经有热度，在国内还没有那么高。我把 DeepSeek V3 接入学习卡盒后，觉得它的效果很好，价格也比较低。因为我已经拿它和其他模型做过实际对比，所以这种判断和单纯听说某个模型很强不一样，我能够具体感受到模型之间的差距。现在回头看，我有点后悔没有在那时围绕 DeepSeek V3 做更多内容分享。
学习卡盒上线后的前两天，用户量增长比较快。第一天有几百个用户，第二天有上千个用户，主要流量来自小程序内置的搜索。第三天之后，因为备案问题，搜索权限被关闭。等备案完成，产品已经没有原来的流量，只剩下几个到十几个用户。
这次流量变化让我开始思考如何宣传自己的产品。最初我在技术社区编写文章，记录学习过程，也介绍产品的技术实现。但技术社区里的读者更多是想了解产品如何开发，并不一定会直接使用产品。于是我转到社交媒体上推广，开始学习制作图文、编写文案和录制产品 Demo。
第一个产品最后没有明显增长，但它让我理解了 AI 模型的能力边界，也让我知道如何实现一个 AI 应用。有了这些基础之后，每当新的模型或 AI 编程工具出现，我就更容易判断它可以探索哪些新的场景。
Text Well：从需求出发打磨产品
对我影响更大的下一个 AI 产品是 Text Well。它是一个文本润色应用，用户可以在编辑器中输入文本，然后选择文案纠错、语法纠正、正式写作和去 AI 味等功能。检查完成后，应用会在文本旁边标注问题，用户可以选择局部区域进行应用或忽略。
这个想法来自我担任产品经理时编写 PRD 的经历。那时很多 PRD 还是手动输入，难免会出现错别字。整篇文档里出现明显错误，会影响阅读体验，也会让文档显得不够专业。
AI 工具出现以后，检查错别字大致有两种方式：把整篇文章交给 AI，让它指出错别字，再手动修改；或者让 AI 直接修改整篇文章，再把完整结果返回。第一种方式需要逐个修改，比较麻烦。第二种方式容易出现额外修改，AI 可能顺便改动原本没有问题的句子，后续重新阅读和纠错的成本很高。
所以我把 Text Well 设计成中间的处理方式，只定位每个小问题，让用户逐项选择应用或忽略，把修改权保留在用户手里。
开发 Text Well 的过程中，我进一步熟悉了 AI 编程工具。Claude 出现后，我从 Cursor 切换过去，觉得它的效果比较强，也可以长时间持续执行任务。我开始尝试 Vibe Coding，并围绕这个过程制作内容。
Text Well 的场景比较简单，所以我把更多时间放在产品整体的表达和交互体验上。当时 AI 生成的页面常常有比较明显的 AI 味，我花了很多时间打磨首页和细节，也加入了一些不一定实用，但能够增加体验的功能。
其中一个功能是 AI 评审团。我设想用户写完一份 PRD 后，可以模拟同事、老板，或者产品的目标用户来评审。应用可以匹配多个评审人，动态生成三个模拟评审者，让他们围绕内容打分、评论和纠错。评审者可以对应工业设计师、数字游民、软件工程师等不同身份。
每个评审者都会有自己的评分和评论，文本中还会显示不同颜色的标注。如果两位评审者标注了同一句话，颜色会产生渐变。这些交互需要结合产品场景来设计，评审速度也会影响体验。
我测试了多个模型，选择能够较快生成评论的方案。用户不太可能愿意在评审过程中等待三四分钟，直到每个评论全部生成完成，所以模型响应速度也属于产品设计的一部分。
产品和内容带来的职业机会
我围绕 Text Well 的功能录制了产品 Demo，也开始学习如何制作社交媒体内容。当时我的粉丝数量可能只有几百个，但一条内容获得了 100 多个赞，这对我来说已经是很好的反馈。
Text Well 在早期没有盈利，订阅功能上线之前一直免费提供给大家使用。但产品和内容让一些独立开发者以及大公司的负责人注意到了我。后来，我跳槽到第一家做 AI 的公司，就是因为那家公司的负责人看到了 Text Well，觉得产品设计有巧思，也结合了 AI 功能。他们在做类似功能时参考过我的产品，于是主动询问我是否愿意加入。
对我来说，一个新的工作机会，比应用每个月赚几百元或几千元更有价值。在 AI 兴起之前，我作为前端工程师曾经觉得就业前景比较渺茫。后来，一个出于兴趣开发的应用给我带来了新的工作岗位，这件事完全超出了我当时的预期。
继续迭代 Text Well 时，我也逐渐不再只关注它能带来多少收入，而会判断哪些功能适合被介绍和传播。比如翻译功能、标题功能，可以基于一篇文章生成 10 个不同角度的标题，再让用户从中选择。对我这个以前会输出文章内容的人来说，这类功能本身就很实用，也容易通过文章和 Demo 讲清楚。
这让我意识到，产品和内容输出可以带来很多订阅之外的收益。一个产品可以成为简历的一部分，也可能带来工作机会和个人曝光。Text Well 之后，我正式进入了一家真正做 AI 应用和 Agent 的公司，负责产品功能设计，开始以 AI 产品经理的身份工作。
AI 产品经理还需要把想法做出原型
进入 AI 公司之后，我仍然觉得自己的影响力比较小，所以继续输出内容。我看到过一个叫张 ZARA 的博主，他的内容主要是直接说话和分享，几乎没有复杂包装和伴奏。这种形式和我的观看习惯比较接近，也让我意识到，朴素的分享方式同样可以被很多人接受。后来，我开始尝试录制类似的视频。
在我的理解里，AI 产品经理需要关注产品设计，也需要知道如何通过 Vibe Coding 做出一个真正能够运行的产品原型，再交给更资深的工程师继续打磨。同时，还需要逐步建立自己的影响力。
我把这种能力组合称为方块型人才：在多个领域都达到一定水平。以我自己为例，我可以负责产品设计，也可以开发应用，还可以推广产品。产品和视频内容都属于简历的一部分，面试官在见到我之前，就可以通过这些作品了解我的实践经验。
产品还能够体现一个人的品味。AI 工具可以帮助我们快速生成很多东西，但最终能把产品完成到什么程度，仍然会反映一个人的判断和审美。自己开发出来的产品，能够展示这种判断的上限。
用黑客松项目验证能力
后来，我和一个小伙伴参加黑客松，用两天时间开发了一个 AI 狼人杀，并在当天上线。
能够在两天时间内完成，是因为我之前已经积累了较多 AI 编程工具的使用经验，知道如何快速搭建应用。Text Well 里实现过的拟人化设计，也可以直接迁移到这个项目中。我们把更多时间放在 UI 打磨上，最终的界面没有很重的 AI 味，在比赛现场也获得了不少好评。
这个产品的 AI 功能并不复杂：不同角色先后发言，应用把发言历史交给另一个 AI，让它根据内容生成新的发言。但产品体验仍然需要处理模型速度、等待时间和预加载等问题。我需要判断哪个模型输出更快，也需要安排下一个角色的发言提前加载，这些都是之前开发 AI 应用时积累的经验。
从收入来看，这个产品并不成功。AI 游戏的 Token 开销比较高，用户付费意愿也不强，我可能已经为它投入了不少成本。但它带来的曝光和新的工作机会，依然超过了产品本身的直接收入。
输出让学习进入具体工作
回头看，我理解的 AI 产品经理成长路径，是先亲自开发一个 AI 应用，理解它如何实现，再把产品和过程展示给更多人。
这个应用不一定要是 AI Agent，可以是一个有趣的游戏，也可以是解决实际问题的小工具。完成产品之后，还需要通过图文、视频等方式进行输出，让更多人了解自己的作品。
我很早以前就开始在掘金、CSDN 等技术社区编写博客。输出会迫使我真正理解一件事情，只有理解清楚，才能把它讲给别人听；同时，输出也会促使我复盘和总结。录制视频时，我也会重新梳理过去的经历，这个过程本身也会给我带来新的输入。
持续输出还会训练表达能力，也会让人关注内容的审美和反馈。我会把粉丝量和视频数据当作相对明确的指标，用来判断内容有没有被看见、是否让人产生共鸣。只有输入、没有明确目标和产出时，学习很容易停留在自我感觉里，也很难判断学到的内容是否真的有用。
对我来说，这条路径从前端开发开始，经过产品经理岗位、AI 应用开发和持续输出，最后落到 AI 产品经理的实际工作上。产品本身带来的直接收入并不稳定，但项目留下了可以展示的产品、内容和经验，也带来了新的工作机会。