核心職責(zé)
一、AI能力產(chǎn)品化
深入理解前沿AI技術(shù)（如RAG、SFT、Agent、多模態(tài)）的邊界與瓶頸，將其轉(zhuǎn)化為具體的用戶場景和產(chǎn)品功能。
定義“模型即產(chǎn)品”的交互范式，設(shè)計(jì)基于自然語言、多模態(tài)輸入/輸出的新型交互界面，摒棄傳統(tǒng)的“按鈕式”思維。
二、全生命周期模型管理
協(xié)同算法工程師，參與模型的訓(xùn)練數(shù)據(jù)構(gòu)建、Prompt調(diào)優(yōu)、SFT（監(jiān)督微調(diào)）數(shù)據(jù)集的準(zhǔn)備與清洗。
建立模型評估體系（不僅僅是準(zhǔn)確率，還包括用戶體驗(yàn)、安全性、成本），負(fù)責(zé)模型上線前后的灰度測試與效果追蹤。
三、認(rèn)知架構(gòu)設(shè)計(jì)
針對復(fù)雜任務(wù)，設(shè)計(jì)AI Agent的工作流（思維鏈、工具調(diào)用、記憶管理）。
構(gòu)建產(chǎn)品的知識庫架構(gòu)，優(yōu)化Embedding策略和檢索邏輯，確保RAG（檢索增強(qiáng)生成）系統(tǒng)的準(zhǔn)確性和高效性。
四、數(shù)據(jù)飛輪構(gòu)建
設(shè)計(jì)埋點(diǎn)方案，不僅關(guān)注用戶行為數(shù)據(jù)，更要關(guān)注“模型反饋數(shù)據(jù)”（如用戶對生成結(jié)果的點(diǎn)贊、點(diǎn)踩、糾錯、澄清行為）。
建立數(shù)據(jù)閉環(huán)，利用用戶反饋持續(xù)優(yōu)化模型性能和Prompt策略。
五、跨職能協(xié)作與驅(qū)動
在高度不確定的研發(fā)過程中，作為“錨點(diǎn)”協(xié)調(diào)算法、工程、設(shè)計(jì)團(tuán)隊(duì)，確保技術(shù)可行性、產(chǎn)品體驗(yàn)與項(xiàng)目deadline之間的平衡。
向非技術(shù) stakeholders 清晰地解釋AI的能力與局限，管理產(chǎn)品預(yù)期。
任職要求
一、基礎(chǔ)條件
經(jīng)驗(yàn)： 3年以上互聯(lián)網(wǎng)/軟件產(chǎn)品經(jīng)理經(jīng)驗(yàn)，其中至少1年以上AI產(chǎn)品（推薦、搜索、NLP、LLM應(yīng)用） 相關(guān)經(jīng)驗(yàn)。
技術(shù)理解： 具備極強(qiáng)的技術(shù)好奇心。理解Transformer基本原理，熟悉Prompt Engineering（提示詞工程），了解RAG架構(gòu)、向量數(shù)據(jù)庫的基本概念，能獨(dú)立與算法工程師進(jìn)行技術(shù)方案溝通。
數(shù)據(jù)導(dǎo)向： 具備優(yōu)秀的數(shù)據(jù)分析能力（SQL是加分項(xiàng)），能通過數(shù)據(jù)洞察模型“幻覺”、用戶留存等深層次問題。
二、素質(zhì)要求
概率思維而非確定思維： 接受AI的“非確定性”輸出，并能設(shè)計(jì)容錯機(jī)制和用戶體驗(yàn)兜底方案。
實(shí)驗(yàn)精神： 在模型能力和產(chǎn)品目標(biāo)之間快速試錯。善于在沒有歷史數(shù)據(jù)參考的領(lǐng)域，設(shè)計(jì)MVP驗(yàn)證路徑。
同理心的分化： 既具備對終端用戶的同理心，也具備對模型“認(rèn)知” 的同理心——理解模型在什么數(shù)據(jù)上訓(xùn)練、擅長處理什么格式、會在哪里犯錯。
極強(qiáng)的好奇心與學(xué)習(xí)能力： 對Arxiv論文、最新的開源模型、API更新保持饑渴，并能迅速判斷新技術(shù)對產(chǎn)品的潛在價(jià)值。
三、加分項(xiàng)
有親自參與微調(diào)開源模型或訓(xùn)練小模型的經(jīng)歷。
有AI Native產(chǎn)品（如AI助手、AI原生游戲、AI社交、Copilot類工具）從0到1的成功經(jīng)驗(yàn)。
有技術(shù)背景（開發(fā)、算法）或計(jì)算機(jī)相關(guān)專業(yè)學(xué)位。
有良好的審美，對AI生成內(nèi)容的藝術(shù)性和可用性有獨(dú)到見解。