AI Agent PM：PM的第六种类型？

AI Agent PM 正在成为科技行业薪酬最高（传闻达 75 万美元以上）、增长最快的职位之一。

但这背后，是传统产品管理范式的彻底颠覆。曾在 FAANG 任职的资深 PM Mahesh Yadavad 提出了一个「马车先行」开发法：

• 旧世界：PM 花数月调研，撰写厚重的 PRD，再交给工程开发。
• 新世界：AI 让原型成本降低了 100 倍。PM 必须在两周内，用 Langflow、v0 等工具 Vibe Coding，先把原型「怼」到客户面前，拿到反馈后再去补写一份小而精的需求文档。

但作为一个 AI PM 学习者，我还是会感到困惑：在传统互联网时代，PM 的职责是清晰的，比如业务 PM、增长 PM、平台 PM；但在 AI 时代，PM 的边界似乎很模糊。AI PM 到底是一个全新的岗位，还是只是传统 PM 的演进呢？

尤其是当我审视当下的市场，我发现一个「交叉共存」的局面：

• 基础模型层 PM（拥有自研模型）
• AI Native 应用 PM（从零开始构建 AI 原生应用）
• 传统业务 +AI 增强 PM（在现有业务中「+AI」，例如电商、内容、SaaS）
• 纯传统互联网 PM（暂时未涉及 AI）

这种多样性让我更加困惑：我自己的职业规划该怎么做？我到底适合哪一种？

为了搞清这个问题，我近期做了一些功课，试图从两位顶尖思想者的分享中，拼凑出 PM 的角色演进，并找到我自己的位置：Peter Deng 定义了 PM 的「5 种原型」，Andrej Karpathy 定义了「软件 3.0」的新时代。

总结出一条清晰的路径：AI PM，正从软件 2.0 的「算法 PM」，演进到软件 3.0 的「Agent PM」。

Peter Deng：PM 的五大原型

在谈论 AI PM 之前，先从 Peter Deng 定义的 PM 五种原型框架开始。他认为一个优秀的 PM 团队应是「复仇者联盟」，每个人有不同的超能力：需要不同角色间的良性对抗，而不是千篇一律的「六边形战士」。

1. 消费类产品经理

画像是「一个兼具设计师和产品经理特质的人」。特质是对细节极度痴迷——「它令人愉悦吗？精工细作够吗？天啊，这里偏了三个像素。」他们能感受到产品的 Vibe。

2. 增长型产品经理

画像是「一半是数据科学家，一半是产品人」。天生习惯于优先思考数字，充满怀疑精神——「我持怀疑态度，给我看看数据。让我做个测试来验证一下，我不相信你。」

3. 业务型产品经理

画像是「一半是 MBA，一半是产品人」。天生从商业模式出发，思考「利润如何？有哪些机遇，价值又是在何处创造的？」他们会思考「这里的激励是什么？」

4. 平台型产品经理

画像是系统构建者。天生热衷于为他人打造工具（如内部平台），构建能「助你前行的工具」。

5. 研究型产品经理

画像是「半研究员半工程师半产品人」。Deng 提到，这就是 AI PM 的核心——「如今，真正具备产品品味的人是谁？是那些深入了解技术及模型的训练方式，进而影响并构建最棒的产品的人。」

这个框架给我们的启发是：不必强迫自己成为完美的「全能 PM」，而是应该找到自己的优势区。

从软件 2.0 到 3.0 的范式转移

Peter Deng 的框架很好，但它是建立在特定技术时代之上的。而 Karpathy 的「软件 3.0」理论，则精准地定义了时代正在发生的改变：

• 软件 1.0（C++ / Java）：程序员「显式」编写代码。
• 软件 2.0（神经网络 / 权重）：通过数据集和优化器来「编程」神经网络的权重。
• 软件 3.0（LLM / Prompt）：LLM 可能是一个全新的操作系统，而我们的提示词本身就是程序。我们正在用自然语言编程。

Karpathy 的理论引出了两个颠覆性的事实：

• AI 的「不可预测性」：你无法像软件 1.0 那样，用静态 PRD 去穷举 AI 的所有行为。
• 开发的「马车先行」：PM 可以在几周甚至几天内构建原型。

这就导向了一个核心矛盾：当 AI 的行为不可预测，而 AI 的原型又如此之快时，PM 的传统 PRD（静态、滞后）失效了。

AI PM：从算法 PM 到 Agent PM

结合 Deng 的原型和 Karpathy 的时代划分，AI PM 的演进路径变得异常清晰。

阶段一：算法 PM（软件 2.0 时代）

在软件 2.0 时代（即传统机器学习、深度学习时代），AI PM 的角色更接近五种原型中的「研究型 / 算法 PM」。

• 角色定位：「炼丹炉」的辅助者，算法的翻译官。
• 核心工作：核心三件套是「场景、数据、评测」。PM 不编写算法，但需要通过定义标注规则、寻找 bad case、设计评测体系来「编程」数据集。
• 最终目标：让模型变得更准。

阶段二：Agent PM（软件 3.0 时代）

在软件 3.0 时代，Karpathy 说 LLM 会是一个全新的 OS。我们不再需要从零「炼丹」，可以直接使用这个 OS。

LLM 的下一步是 AI Agent。Agent 不再是「被动回答」的聊天机器人，它是一个可以「感知-规划-行动」的自主系统：

• 工具：能调用 API、搜索、写代码来改变世界状态。
• 目标：拥有明确的角色和目标，并会为了实现目标而持续尝试。
• 知识与记忆：能连接外部知识库（RAG）或拥有记忆。
• 护栏：拥有检查和平衡机制，确保行为可控。

这就催生了一个全新的名称：Agent PM。

• 角色定位：不再是「辅助者」，而是「系统设计者」。
• 工作核心：设计 Agent 的感知、规划和行动。
• 核心产出：「活的 PRD」，即一个动态的、可执行的、不断进化的评测体系。

在 Agent 时代，「评测」不再是 QA 的辅助工作，它本身就是 PM 定义产品的核心手段。

更精妙的是，这个构建「评测体系」的过程，恰好需要「复仇者联盟」的全部五种能力。我们再拿小红书的案例来展示（现阶段可能还没有这么明确的分工，以下只是一个类比）。

1. 用「黄金评测」定义产品上限

传统 PRD 是写一篇文档描述「旅游攻略」应该长什么样；Agent PM 是直接去定义甚至标注 100 条「理想的」旅游攻略 SFT 数据。

这需要消费类 PM 的极致品味和用户共情，来定义「什么才是好」。

2. 用「负面评测」定义产品底线

传统 PRD 是在文档里写一条「回答风格不要油腻」；Agent PM 是把「油腻」「重复」「答案错误」等失败模式提炼出来，定义成确定性的 Reward 信号，用来训练 Reward Model。

这需要研究型 PM 的技术理解力，将模糊的产品感受转化为可量化的惩罚信号。

3. 用「工作流」平衡价值与成本

纯 Agent 的输出不可控且成本高。Agent PM 必须做出架构决策：何时使用高确定性、低成本的 Workflows（如「霸王茶姬推荐」），何时使用高灵活性、高成本的 Agentic Search（如「UPF 是什么意思」）。

这需要业务型 PM 的商业头脑，来判断用户真正需要的价值是「效率」还是「探索」，并平衡开发和维护成本。

4. 用「评测飞轮」驱动产品进化

Agent PM 的核心工作是构建并拥有那个 A1-A2-A3 评估飞轮：A1 定义多维评估标准，A2 引入 LLM 法官实现自动化评估，A3 收集真实用户反馈反过来迭代 A1 的标准。

其中 A2 需要平台型 PM 的系统思维来构建自动化工具，A3 需要增长型 PM 的数据分析能力来闭环反馈。

所以，我到底适合哪种 PM？

这条演进之路现在非常清晰了：

• 算法 PM（软件 2.0）= 研究型 PM（Deng 原型 5）
• Agent PM（软件 3.0）= Deng 的 5 种原型合体

在 Agent 时代，一个酷炫的聊天界面（像素）不重要，Agent 是否「可靠地」完成了用户的「目标」（价值）才重要。AI PM 不再是单一职能，必须：

• 像「消费类 PM」一样定义「好」的黄金标准；
• 像「平台型 PM」和「研究型 PM」一样构建自动化的评测系统；
• 像「增长型 PM」和「业务型 PM」一样，让整个评测飞轮与真实的用户价值和商业目标对齐。

这也许就是为什么 Peter Deng 在招聘时，最看重的不是你来自哪个原型，而是你是否具备「成长型思维」。

那么回到最初的问题：我适合哪种 PM？

这个框架告诉我们：我们不必是「六边形战士」，但必须拥有自己的「超能力」。

• 如果是消费类 PM，你的品味和用户共情是定义「黄金评测」的基石。
• 如果是增长或业务 PM，你的商业嗅觉和数据能力是 Agent「不跑偏」的保障。
• 如果是平台或研究 PM，你的技术深度和系统思维是构建「评测飞轮」的核心。

在 AI 时代，所有人都在重新学习。我们要找到自己的优势区，然后开始构建自己的「评测」能力。

最后

Peter Deng 的访谈中提到了一句 Instagram 的座右铭，分享给大家：

We may not be right, but at least we’re not confused.

（我们可能不正确，但至少我们没有困惑。）