# AI PM校招生JD解读：六大能力支柱 > 作者：晨旭｜发布：2025-09-20｜系列：入门系列文章 > 来源：https://chenxu.xin/writing/ai-pm-jd-six-pillars 以美团等头部公司的 AI PM 校招 JD 为目标反推，拆出六大能力支柱与每一项的「为什么学、学什么、如何展示」，给在校生一份可执行的学习地图。 --- 写在研二的起点。 AI PM 无疑是当下最热门的岗位之一，但它的能力要求似乎模糊且严苛，应该会有很多像我一样的在校生感到迷茫：从校园到职场，这「最后一公里」的路，应该怎么走？ 与其临近秋招时焦虑，不如从现在开始规划。这篇文章，是我以现阶段 AI PM 的校招 JD 为目标，来反推规划出一份可执行的学习路径。 希望能给和我一样在路上的学弟学妹、同行朋友们一些启发。也真诚地期待大家的批评与指点，帮助我把这张地图描绘得更清晰、更准确。 ## 从一份 JD 说起 这是美团「光年之外」团队的招聘原文里提到的要求： - 热爱 - 好奇心、学习能力、逻辑思考、动手能力 - 重度的顶尖 AI 模型的使用者 - 必须读过与自己工作相关的 AI 论文、技术报告，并用在工作改进中 - 具备 AI 编程能力 - 参与过有实际用户的 AI 产品的设计或开发过程 此外，我还找了一些其他国内 AI 头部公司的招聘要求，并结合在校生的身份，综合总结出了以下能力要求。 ## 六大能力支柱 ### 一、内核与软实力 这是所有能力的根基，决定了我们能走多远。 **（1）对 AI 的热爱与初心** 这不是一句空话，而是面对无数 Bug 和挫折时，支撑你走下去的动力。多问问自己，你是否真的相信 AI 能改善世界，并愿意为此付出努力。 **（2）基础素质** - **好奇心与学习能力**：在学校里做个好学生，更要做一个主动的学习者。积极参加校外 AI 实践，主动探索课堂外的知识。 - **逻辑思维与沟通**：这是 PM 的看家本领。多与导师、同门、师兄师姐交流，锻炼自己清晰表达、与不同角色高效沟通的能力。 ### 二、必备技能 相较于传统 PM，AI PM 会相对多一些技术方面的要求。尤其是涉及到模型，数据对一个 AI 产品来说是起决定性作用的关键环节。 **（1）编程基础** *为什么*：这是最基本的工具，是学习机器学习、深度学习等其他知识以及做项目的基础，是动手实验、验证想法、与工程师同频交流的「通用语言」。 *学什么*： - 必备：Python 核心编程、Git 版本管理、Conda / Venv 环境管理、API 调用和数据交互、SQL - 强烈建议：数据分析（NumPy / Pandas / Matplotlib）、云平台服务 - 加分项：基础前端知识、Docker 等 *如何展示*：个人项目代码库（GitHub）、记录项目过程的技术博客。 **（2）学会看论文** *为什么*：AI 领域日新月异，对前沿技术的敏感性和转化能力，有时比经验更重要。 *怎么做*： - 学会阅读工程类、应用类的 AI 论文和头部公司的技术报告，重点关注摘要、引言、实验和结论部分。 - 带着产品思维读论文：这项技术解决了什么核心问题？它的局限性在哪？它能被应用到什么实际场景中，创造什么价值？ *如何展示*：定期撰写对前沿技术或论文的解读与思考，并发布在自己的博客或社交媒体上。 **（3）加分项——前沿信息追踪** *为什么*：这是一项能将自己区别于其他 AI PM 的能力，需要长期的积累与坚持。 *怎么做*： - **行业前沿资讯**：每天花时间阅读硅谷的科技新闻、顶级 AI 企业（OpenAI、Google AI、Anthropic）的官方博客、关键人物的社交媒体动态等。 - **建立信息渠道**：使用工具或关注特定信息源，形成自己的每日信息输入流。 *如何展示*：在面试中，能主动、深入地讨论最近一两个月内发生的 AI 重大事件或技术突破，并提出自己的见解。 ### 三、技术理解力 核心理念：每学一个技术概念，就追问一句「这个技术能用来做什么样的产品或功能？」 快速理解、动手实验、产品创造——这是 AI PM 区别于传统 PM 的核心壁垒，从产品应用的视角，务实地构建技术栈。 **（1）LLM 前的机器学习、深度学习** *为什么*：理解 AI 发展的脉络，建立全局认知。知道在没有 LLM 的时代，问题是如何被解决的，这能拥有更扎实的技术直觉。把自己平时获取的点连成线、面，形成自己对这个领域的总体把控。 *学什么*： - **核心概念**：监督 / 无监督 / 强化学习、分类 / 回归 / 聚类、过拟合 / 欠拟合、训练 / 验证 / 测试集。 - **经典算法**：能向非技术人员讲清线性回归、逻辑回归、决策树、SVM、K-Means 等算法的思想、优缺点和适用场景。 - **神经网络基础**：神经元、层、激活函数；概念上理解反向传播和梯度下降；理解 CNN、RNN 的基本结构和应用领域。 - **实践能力**：能用 Scikit-learn 跑通一个完整的机器学习流程（数据清洗 → 特征工程 → 训练 → 评估 → 调优），并理解准确率、召回率、F1 等评估指标的含义与取舍。 *如何展示*：逻辑清晰的学习笔记、独立完成的 Kaggle 项目报告（记录思考过程）。 **（2）LLM 后的深度学习** *为什么*：这是当前 AI 应用的核心。理解它，你才能做出关于模型选型、成本控制、效果优化的正确决策，才能将底层技术与上层产品设计真正打通。 *学什么*： - **Transformer 架构**：至少要理解其工作原理和自注意力机制，能给外行讲明白。 - **上下文工程**：Prompt 工程，如何设计提示词来激发模型能力；RAG，理解其原理并能用 LangChain / LlamaIndex 等框架搭建一个简单系统；Fine-tuning，理解微调概念，特别是 LoRA 等参数高效微调方法，最好亲手微调过一个开源模型。 - **Hugging Face 生态**：熟练使用 transformers、datasets 等库来加载模型、处理数据、进行微调。 *如何展示*：个人项目（如 RAG 应用、微调模型）、对关键论文的解读文章。 **（3）AI Agent** 这是 AI 应用的现在和未来。OpenAI 曾提出的大模型能力分级从 Level 1 到 Level 5： 1. 聊天机器人（Chatbot） 2. 推理者（Reasoner） 3. 智能体（Agent） 4. 创新者（Innovator） 5. 组织者（Organizer） Chatbot（L1）和 Reasoner（L2）解决了「说什么」和「想什么」的问题，那么现在，Agent（L3）则致力于解决「做什么」的问题。未来的 AI 产品不再是简单的问答，而是能自主规划、调用工具、与环境交互来完成复杂任务的系统。不懂 Agent，就无法设计出真正有竞争力的下一代 AI 应用。 ### 四、产品洞察力 技术是工具，产品才是目的。 *为什么*：分析真实的成功案例，比任何理论教程都有效。优秀的 PM 必须是市场的敏锐观察者。 *怎么做*： - **成为重度用户**：付费订阅 ChatGPT、Gemini、Claude 等顶尖模型，每天和它们高频对话，深入使用 Cursor、Perplexity 等 AI Native 应用，培养产品「体感」。 - **「黑客级」竞品调研**：不止于功能，更要深挖其技术实现、商业模式和市场策略。 *如何展示*：输出高质量的产品分析报告或竞品分析报告。 ### 五、战略素养：直接做 Demo Talk is cheap, show me the code (or demo)。 *为什么*：一个可交互的 Demo，胜过千言万语，是验证 PMF（产品市场契合度）的最快路径。 *学什么*：Claude Code / Cursor 编程、Dify / Coze / n8n 工作流编排、应用部署上线；习惯阅读 OpenAI、Anthropic、DeepSeek 等头部模型厂商的官方文档。 *怎么做*： - **从 0 到 1 做一个项目**：将前面学习的编程、LLM 技术栈、部署能力全部用上，打造一个属于自己的 AI 应用。 - **运用理论**：在项目中实践上下文工程，并建立评测体系来迭代产品。 *如何展示*：一个可公开访问的个人项目链接、一份详尽的项目文档、一段能清晰演示产品价值的视频。 ### 六、真实 AI 产品设计与开发 个人项目证明了你的「下限」，而真实的实习经历则决定了你的「上限」。 *为什么*：真实企业场景，需要我们能在一个有组织、有目标的团队中，具有处理复杂问题、高效协作、创造真实价值的能力。 *怎么做*：找实习。 *如何展示*：将自己参与的部分写下来、记录下来，以及自己的反思。 ## 我的思考 梳理完这张地图，我更加明确了未来的方向： 1. **拥抱 AI，融入日常**：把 AI 工具深度嵌入到我的学习和生活中。付费会员是性价比最高的投资。 2. **可视化思考，持续输出**：将学到的东西写下来，不仅能理清思路，更是面试时最好的素材。学习是反复、多次的过程。 3. **项目驱动，知行合一**：一个从 0 到 1 负责到底的项目，是串联起市场、用户、AI 三者的最佳实践。 PM 不是开发，但 PM 必须懂创造。 ## 最后 以 100 分为目标，最终可能会拿到 80 分；但如果以 80 分为目标，可能就只有 60 分。 在力所能及的范围内，不断拔高对自己的要求，更能激发潜力。我们和 LLM 一样，也需要好的 Prompt（目标）、Tool Use（工具）和 RAG（知识库）来激发全部潜能。 我现在正沿着这张地图，一步步向前探索。 ## 核心结论 - 与其临近秋招才焦虑，不如把校招 JD 当作目标反推学习路径。JD 是这个岗位能力要求最诚实的一份说明书。（判断） 永久链接：https://chenxu.xin/writing/ai-pm-jd-six-pillars#reverse-engineer-from-jd - 学技术概念时每次都追问一句「这个技术能用来做什么产品或功能」，这是 AI PM 区别于传统 PM 的核心壁垒。（判断 · 把握较大） 永久链接：https://chenxu.xin/writing/ai-pm-jd-six-pillars#ask-what-product-can-this-build - 还是要补 LLM 之前的机器学习和深度学习。知道没有 LLM 的时代问题是怎么解决的，技术直觉才扎实。（判断） 永久链接：https://chenxu.xin/writing/ai-pm-jd-six-pillars#learn-pre-llm-ml-too - 一个可交互的 Demo 胜过千言万语，是验证 PMF 最快的路径。个人项目证明下限，真实实习决定上限。（判断） 永久链接：https://chenxu.xin/writing/ai-pm-jd-six-pillars#demo-beats-document - 以 100 分为目标最终可能拿到 80 分，以 80 分为目标就只有 60 分。在力所能及范围内不断拔高要求更能激发潜力。（判断） 永久链接：https://chenxu.xin/writing/ai-pm-jd-six-pillars#aim-at-100-to-get-80 --- 本文出自晨光里的AI（https://chenxu.xin），作者晨旭。 引用时请保留来源链接。文中标注「判断」「假设」的部分是作者的个人看法，不是事实。