AIPM-1考试大纲：7大考试领域、题型分布与样题指南

认证概览

AIPM-1：AI 产品经理基础级是 APD 认证 AI 产品经理路径中的基础级认证。

AIPM-1 检验考生在指导下理解、评估并参与 AI 原生产品工作所需的基础产品判断力。

本认证面向希望在 AI 产品管理领域建立可信赖基础、并理解现代产品团队如何将 AI 能力转化为可信、可用、可度量、可治理、可扩展产品价值的专业人士。

AIPM-1 基于 APD AI 原生产品经理能力模型，该模型将”AI 产品经理”定义为面向市场的岗位名称，将”AI 原生产品经理”定义为支撑优秀 AI 产品工作背后的专业能力模型。

AIPM-1 是 APD 认证路径的第一步：

• AIPM-1：AI 产品经理基础级
• AIPM-2：AI 产品经理专业级
• AIPM-3：AI 产品经理战略领导力

1.1 版本更新

1.1 版在整个 AIPM 路径中进一步强化了 AI 原生产品敏捷性这一核心理念。

在 AIPM-1 中，敏捷性不作为独立的敏捷或 Scrum 流程主题，而是作为一项基础产品管理纪律融入其中。

考生需认识到 AI 原生产品工作需要：

• 自适应学习；
• 迭代式发现；
• 评估驱动的改进；
• 反馈回路；
• 对价值、质量、风险、信任、成本与就绪度的持续验证；
• 从演示到生产的负责任推进。

AIPM-1 不考查 Scrum 事件、敏捷角色、速率、故事点或特定敏捷框架，而是考查考生是否理解 AI 产品为何需要持续学习与迭代验证。

AIPM-1 检验的内容

AIPM-1 检验考生是否理解 AI 产品管理所需的基础概念、术语、职责、风险与产品判断力。

通过 AIPM-1 的考生应能：

• 解释是什么使一个产品成为 AI 原生产品；
• 区分 AI 原生产品与 AI 赋能产品；
• 理解 AI 产品经理的核心职责；
• 识别有意义的 AI 产品机会与薄弱的 AI 用例；
• 理解 LLM、RAG、智能体、提示词、工具调用、幻觉、接地、延迟、成本与评估等基础 AI 概念；
• 解释人机工作流与传统用户流程的差异；
• 认识到信任、回退、人工评审、用户控制与透明度在 AI 产品体验中的重要性；
• 理解 AI 产品为何需要超越传统产品指标的评估方式；
• 理解 AI 产品为何需要迭代学习、反馈回路与持续验证；
• 识别基础的负责任 AI、安全、隐私与治理问题；
• 将基础产品判断力应用于简单的 AI 产品场景。

AIPM-1 并不认证考生能独立主导复杂的 AI 产品交付，而是确认其在指导下可信赖地参与 AI 原生产品工作的就绪度。

适合考取 AIPM-1 的人群

AIPM-1 面向希望进入、了解、支持或转型到 AI 产品管理的专业人士。

适用对象包括：

• 从传统产品经理转型到 AI 产品角色的人士；
• 助理产品经理与准产品经理；
• 寻求 AI 产品岗位的学生与职业初期的专业人士；
• 向 AI 产品管理转型的软件工程师或技术专业人士；
• 产品负责人与业务分析师；
• 项目经理与敏捷专业人士；
• UX 设计师与产品设计师；
• 支撑 AI 产品或 AI 转型工作的顾问；
• 希望了解 AI 产品管理的技术专业人士；
• 定义 AI 产品角色的 HR、学习与人才发展专业人士；
• 探索 AI 赋能产品的创始人与业务负责人；
• 为 AIPM-2 及更高阶 AI 产品实践做准备的专业人士。

不要求具备 AI 产品经验。熟悉软件产品、数字化业务、产品管理、技术交付、敏捷交付或用户体验会有所帮助。

前置条件

AIPM-1 无正式前置条件。

建议考生至少对以下领域之一具备基础认知：

• 产品管理；
• 软件开发；
• 数字化产品；
• 业务分析；
• 敏捷交付；
• 用户体验设计；
• 技术驱动的业务转型；
• AI 工具或 AI 赋能应用。

不要求编程经验。

不要求机器学习工程经验。

不要求 Scrum 或敏捷认证。

AIPM-1 不检验的内容

AIPM-1 是基础级认证，不涉及高阶专业实践或战略领导力。

AIPM-1 不认证考生能独立承担以下工作：

• 完整的 AI 产品负责；
• 高阶 AI 产品战略领导；
• 复杂的人机工作流设计；
• AI 产品组合管理；
• 高阶 AI 架构决策；
• 生产级 RAG 或智能体架构设计；
• 完整的 AI 原生 PRD 主导；
• 生产级 LLMOps、MLOps 或 AgentOps 实施；
• 高阶 AI 评估系统设计；
• 企业级 AI 治理领导；
• 法律合规解读；
• 安全工程；
• 模型训练、微调或算法优化；
• Scrum Master、敏捷教练或企业级敏捷转型职责。

这些能力在 APD 认证 AI 产品经理路径的更高层级或专门的专业角色中涉及。

考试形式

APD 研究院可能随时间调整考试时长、题量、通过分数、交付规则与评估政策。

认知层级分布

AIPM-1 评估三个认知层级。

AIPM-1 不考查高阶分析、复杂设计综合、企业级治理或战略性 AI 产品领导力。

题型分布

场景题是 AIPM-1 的重要组成部分，因为 AI 产品管理需要的不仅是术语记忆，更是判断力。

考试领域蓝图

AIPM-1 划分为七个考试领域。

考试领域

领域 1：AI 原生产品管理基础

权重： 12%

领域目标

本领域检验考生是否理解 AI 原生产品管理的基础概念以及 AI 产品经理的角色。

学习目标

考生应能：

1. 定义 AI 原生产品；
2. 区分 AI 原生产品与 AI 赋能产品；
3. 解释 AI 为何改变产品价值、工作流、体验、评估、交付与治理；
4. 描述 AI 产品经理的角色与职责；
5. 解释为何 AI 产品经理是面向市场的岗位名称，而 AI 原生产品经理是其底层的专业能力模型；
6. 识别 AI 产品管理、提示词工程、AI 工程、AI 解决方案咨询与敏捷交付角色之间的差异；
7. 解释将 AI 能力转化为可信、可用、可度量、可治理、可扩展的产品价值这一核心职责；
8. 识别关于 AI 产品管理的常见误解。

关键主题

• AI 原生产品定义；
• AI 赋能产品 vs. AI 原生产品；
• AI 产品经理角色；
• AI 原生产品经理能力模型；
• AI 系统中的产品问责；
• 产品管理 vs. 提示词工程；
• 产品管理 vs. AI 工程；
• 产品管理 vs. AI 解决方案咨询；
• 产品管理 vs. 敏捷交付推进；
• 可信、可用、可度量、可治理、可扩展的产品价值。

考生应能识别

• 产品用例是 AI 原生还是仅为 AI 赋能；
• 产品决策体现的是价值优先还是技术优先的思维；
• 某项职责属于产品管理、工程、数据科学、安全、法务、业务、治理还是交付干系人；
• AI 产品工作为何需要自适应学习与持续验证。

不在 AIPM-1 范围内

• 高阶角色架构设计；
• 企业级 AI 产品组合规划；
• 职级体系或招聘体系设计；
• 高阶组织能力评估；
• Scrum Master、敏捷教练或企业级敏捷转型职责。

领域 2：AI 产品机会与价值发现

权重： 14%

领域目标

本领域检验考生是否理解应如何识别、筛选 AI 产品机会，并将其与用户价值及业务成果挂钩。

学习目标

考生应能：

1. 解释为何只有创造有意义价值时才应使用 AI；
2. 识别基础的 AI 产品机会领域；
3. 区分用户问题、业务问题、技术想法与 AI 用例；
4. 识别 AI 可能并非正确方案的情形；
5. 解释什么是价值假设；
6. 识别 AI 产品举措的基础成功指标；
7. 识别技术上可行的 AI 方案却缺乏清晰用户问题、业务价值或可度量成功指标的情形；
8. 识别产品价值、可行性、可用性、成本、延迟、可靠性与风险之间的基础权衡；
9. 解释为何 AI 产品发现应是迭代且基于证据的。

关键主题

• 价值优先于技术；
• AI 机会发现；
• 用户问题界定；
• 业务成果对齐；
• 价值假设；
• 用例筛选；
• 产品成功指标；
• AI 产品经济学意识；
• 成本、延迟、质量与可靠性的权衡；
• 技术优先与演示驱动的失败模式；
• 迭代发现；
• 基于证据的学习。

考生应能识别

• 受新奇感驱动的薄弱 AI 用例；
• 价值驱动的 AI 产品机会；
• 规则、工作流重设计、自动化或人工服务可能优于 AI 的情形；
• AI 产品举措的基础成功指标；
• AI 能力与业务问题之间的错配；
• 为何早期的 AI 产品想法常需在投入前反复验证。

不在 AIPM-1 范围内

• 高阶 ROI 建模；
• 定价与打包设计；
• 产品组合战略；
• 企业级采纳战略；
• 复杂的商业化规划；
• 高阶持续发现体系设计。

领域 3：人机工作流与可信产品体验

权重： 15%

领域目标

本领域检验考生是否理解 AI 原生产品是人机系统，而非仅仅是软件界面或 AI 功能。

学习目标

考生应能：

1. 解释什么是人机工作流；
2. 区分人机工作流与传统用户流程；
3. 识别常见的 AI 交互模式，如生成、摘要、推荐、决策支持、自动化与升级；
4. 解释何时需要人工评审、人工批准、回退、升级或用户纠正；
5. 识别过度自动化的基础风险；
6. 解释为何 AI 产品体验必须应对不确定性、透明度、信任、用户控制与问责；
7. 识别 AI 输出在采取行动前应在何处被评审、纠正、拒绝或升级；
8. 解释为何人机工作流可能需要通过反馈、监控与反复评估来演进。

关键主题

• 人机工作流；
• 用户流程 vs. 工作流 vs. 决策流程；
• 人与 AI 之间的任务分配；
• 人在环中（human-in-the-loop）；
• 人在环上（human-on-the-loop）；
• 人监控环（human-monitoring-the-loop）；
• 回退设计；
• 升级路径；
• 用户纠正；
• 用户确认；
• 信任设计；
• 透明度与局限性沟通；
• 过度自动化风险；
• 工作流反馈回路；
• 迭代式工作流改进。

考生应能识别

• 何处需要人工评审；
• AI 系统何时应升级而非直接行动；
• AI 体验是否提供足够的透明度与控制；
• 某工作流是否对风险决策过度自动化；
• 用户能否核实、纠正或质疑 AI 输出；
• 工作流设计为何可能在真实用户反馈或评估发现后发生改变。

不在 AIPM-1 范围内

• 高阶对话式 UX 设计；
• 详细的交互规格撰写；
• 复杂的智能体工作流设计；
• 企业级工作流重设计；
• 多智能体编排设计。

领域 4：面向产品经理的 AI 技术、智能体与工具

权重： 18%

领域目标

本领域检验考生是否在产品管理层级理解基础 AI 技术概念。

不要求考生实现 AI 系统，但要求其理解程度足以参与产品讨论、与技术团队沟通并做出基础产品判断。

学习目标

考生应能：

1. 解释大语言模型的基础概念；
2. 解释什么是提示词，以及它们能控制和不能控制什么；
3. 解释检索增强生成的基本目的；
4. 在概念层面解释嵌入与向量检索；
5. 在基础产品层面解释什么是 AI 智能体；
6. 区分生成、检索、工具调用与智能体行动；
7. 解释为何 AI 智能体与使用工具的 AI 系统需要权限、行动边界、人工批准、监控与可审计性；
8. 在高层次上区分提示词、RAG、微调、工具调用、智能体工作流与基于规则的逻辑；
9. 识别常见 AI 局限，如幻觉、偏见、延迟、成本、上下文限制、可靠性问题与安全暴露面；
10. 解释为何产品经理需要技术熟练度但不必成为 AI 工程师；
11. 理解为何模型、提示词、工具、检索或智能体行为的变更可能影响产品质量并需要重新评估。

关键主题

• 大语言模型；
• 生成式 AI；
• 多模态 AI；
• 提示词基础；
• RAG 基础；
• 嵌入；
• 向量检索；
• 知识库；
• 工具调用；
• AI 智能体；
• 智能体工作流；
• 连接器与外部系统；
• 权限与行动边界；
• 幻觉；
• 接地；
• 延迟；
• 成本；
• 可靠性；
• 自建 vs. 购买 vs. 合作意识；
• 模型、提示词、检索与工具变更的影响。

考生应能识别

• RAG 何时可能有帮助；
• 仅靠提示词何时可能不足；
• 为何幻觉与接地很重要；
• 为何成本、延迟、可靠性、权限与安全是产品关注点；
• 为何 AI 智能体需要清晰的边界与监督；
• 哪些技术问题需要工程、AI、数据或安全专家介入；
• 为何技术变更可能在发布前需要重新评估。

不在 AIPM-1 范围内

• 模型训练；
• 神经网络架构；
• 微调实施；
• 向量数据库配置；
• 智能体框架实施；
• LLMOps 或 MLOps 实施；
• 基础设施部署；
• 编程或 API 开发；
• 高阶 AI 架构设计。

领域 5：企业知识、上下文与检索基础

权重： 12%

领域目标

本领域检验考生是否理解 AI 产品质量不仅取决于模型，还取决于数据、知识、上下文、检索质量、权限与信息治理。

学习目标

考生应能：

1. 解释为何知识与上下文在 AI 产品中很重要；
2. 在基础层面定义上下文工程；
3. 解释知识库的基本目的；
4. 解释为何企业级 AI 产品需要可靠、新鲜、感知权限且可追溯的知识来源；
5. 描述检索增强生成的基本思路；
6. 识别由过时、不完整、冲突、不可信或未授权知识来源导致的常见产品风险；
7. 解释为何更好的模型并不总能弥补知识质量的不足；
8. 识别为何需要反馈回路以持续提升知识与检索质量；
9. 解释为何知识更新可能需要重新评估产品。

关键主题

• 上下文工程；
• 企业知识资产；
• 知识库；
• 检索；
• RAG；
• 接地；
• 来源可靠性；
• 来源新鲜度；
• 来源可追溯性；
• 数据与知识敏感性；
• 访问控制；
• 感知权限的检索；
• 知识治理；
• 检索质量；
• 反馈回路；
• 知识更新与重新评估。

考生应能识别

• 知识来源质量不佳；
• 过时或冲突的知识风险；
• 访问控制与权限问题；
• 检索问题可能导致 AI 输出不佳的情形；
• 来源可追溯性为何对信任与治理很重要；
• 为何企业知识工作流是 AI 产品质量的一部分；
• 为何知识库变更会影响产品行为。

不在 AIPM-1 范围内

• 详细的分块策略；
• 嵌入模型选择；
• 向量数据库配置；
• 检索排序算法设计；
• 高阶上下文组装；
• RAG 管线的技术实施；
• 企业知识架构设计。

领域 6：AI 评估、产品就绪度与学习回路

权重： 17%

领域目标

本领域检验考生是否理解为何 AI 产品需要系统性评估、为何成功的演示不等于生产就绪的产品，以及为何 AI 原生产品工作依赖持续的学习回路。

学习目标

考生应能：

1. 解释为何 AI 评估是一项产品管理纪律；
2. 区分传统产品指标与 AI 产品评估指标；
3. 解释演示成功、测试成功与生产就绪度之间的差异；
4. 识别基础 AI 评估维度；
5. 解释常见评估概念，如准确率、相关性、接地度、幻觉率、任务成功率、延迟、满意度、安全性与成本；
6. 在基础层面解释测试集、黄金数据集、人工评审标准与质量门禁的目的；
7. 识别 AI 产品何时需要在上线前设置质量门禁；
8. 解释为何提示词、模型、检索来源、工具、工作流或知识库的变更可能需要重新评估；
9. 理解评估洞察如何指导产品迭代；
10. 解释为何来自用户、监控、事件与评估的反馈应影响路线图与待办列表决策。

关键主题

• AI 评估；
• 产品就绪度；
• 演示 vs. 生产就绪度；
• 产品质量指标；
• 模型行为指标；
• 用户体验指标；
• 业务价值指标；
• 风险与安全指标；
• 成本与延迟指标；
• 接地度；
• 幻觉率；
• 任务成功率；
• 黄金数据集；
• 人工评审标准；
• 质量门禁；
• 回归风险；
• 离线与在线评估；
• 监控意识；
• 反馈回路；
• 学习回路；
• 评估到路线图的连接。

考生应能识别

• 薄弱的评估计划；
• 产品何时过度依赖演示质量；
• AI 产品何时尚未具备上线就绪度；
• 哪些指标适用于基础 AI 产品场景；
• 为何提示词、模型、检索、知识、工具或工作流变更可能产生回归风险；
• 为何产品就绪度包括质量、安全、成本、延迟、可靠性与用户信任；
• 为何 AI 产品团队需要反复的评估、学习与改进循环。

不在 AIPM-1 范围内

• 高阶评估系统设计；
• 统计实验设计；
• 自动化评估管线实施；
• 红队体系设计；
• 复杂的 A/B 测试策略；
• 生产监控架构；
• 评估自动化工程；
• 高阶敏捷运营节奏设计。

领域 7：负责任 AI、安全与治理基础

权重： 12%

领域目标

本领域检验考生是否理解基础的负责任 AI 概念，并能识别与安全、隐私、透明度、问责与治理相关的基础 AI 产品风险。

学习目标

考生应能：

1. 解释为何负责任 AI 在产品管理中很重要；
2. 识别与安全、隐私、公平、透明度、问责相关的基础 AI 风险；
3. 解释为何风险应在产品发现与设计早期就予以考虑；
4. 理解人工监督的基本目的；
5. 识别提示词注入、敏感信息泄露、不安全工具调用、过度自主、过度自动化与不安全输出处理等 AI 产品风险；
6. 解释为何 AI 产品决策应被记录并可追溯；
7. 识别 AI 产品决策何时需要安全、隐私、法务、合规、风险或业务干系人参与；
8. 理解为何负责任 AI 是全生命周期议题，而非最终的合规清单；
9. 解释为何负责任的治理应支撑安全的学习与迭代，而非单纯扼杀创新。

关键主题

• 负责任 AI；
• AI 安全；
• 隐私；
• 公平；
• 透明度；
• 问责；
• 可解释性；
• 人工监督；
• 风险分级基础；
• 提示词注入；
• 敏感信息泄露；
• 不安全的输出处理；
• 不安全工具调用；
• 过度自主；
• 过度自动化；
• 可审计性；
• 可追溯性；
• 事件意识；
• 上线后监控；
• 跨职能风险评审；
• 治理驱动的迭代。

考生应能识别

• 基础 AI 安全与隐私风险；
• 何时需要人工监督；
• AI 输出何时需要披露、解释或升级；
• 产品团队何时过晚介入治理；
• 产品场景是否需要在上线前进行风险评审；
• 何时应让安全、隐私、法务、合规或业务干系人参与；
• 为何治理应融入产品学习回路。

不在 AIPM-1 范围内

• 详细的法律合规分析；
• 特定司法管辖区的监管解读；
• 企业级 AI 治理体系设计；
• 正式 AI 影响评估的主导；
• 安全工程；
• 高阶威胁建模；
• 监管申报或法律审批流程。

贯穿性主题

AIPM-1 包含若干贯穿性主题，可能出现在多个考试领域中。

AI 原生产品敏捷性

AI 原生产品工作需要自适应学习、迭代式发现、评估驱动的改进与持续的反馈回路。

考生应认识到 AI 产品通过对价值、质量、安全、信任、成本、风险与就绪度的反复验证而演进。

在 AIPM-1 中，敏捷性不作为独立的流程框架，而是作为一项专业产品管理纪律，融入发现、工作流设计、评估、交付意识、治理与产品学习之中。

从演示到生产的就绪度意识

考生应认识到，令人印象深刻的 AI 演示并不自动意味着产品已具备生产就绪度。生产就绪度需要评估、回退、监控、风险评审、成本意识、用户支持与运营控制。

人机问责

考生应认识到，AI 系统可以辅助、生成、推荐或行动，但产品责任仍由人与组织承担。高影响行动可能需要人工批准、监督与可审计性。

企业上下文与权限

考生应认识到，企业级 AI 产品通常涉及敏感数据、访问控制、身份、权限、知识来源、系统集成与审计要求。

跨职能协作

考生应认识到 AI 产品决策何时需要与工程、数据、安全、隐私、法务、合规、业务运营、客户成功、交付或治理干系人协作。

职业转型就绪度

AIPM-1 作为进入或转型到 AI 产品管理的专业人士的基础而设计，为后续发展确立共同语言与基线判断力。

与 APD AI 原生产品经理能力模型的映射

AIPM-1 并非以同等深度评估所有能力领域，而是聚焦于 APD AI 原生产品经理能力模型中选定领域的基础级就绪度。

AIPM-1 层级聚焦于基础理解、术语、基础场景判断、基础产品推理、AI 原生产品敏捷性意识与负责任 AI 意识。AIPM-2 进入应用型 AI 产品实践，而 AIPM-3 聚焦于战略领导力与规模化能力。

与 AI 原生组织能力的关系

AIPM-1 与 APD 研究院对 AI 原生组织能力的宏观视角保持一致。

AI 原生组织需要的不仅是个人工具的采用，还需要重新设计的工作流、可问责的运营模式、企业数据与知识基础设施、可信的治理、人才能力、自适应学习与可度量的价值创造。

AIPM-1 帮助考生在基础层面理解这些组织需求，尤其在以下领域：

• 价值优先的 AI 机会思维；
• 人机工作流意识；
• 企业知识与上下文意识；
• AI 产品评估与产品就绪度；
• AI 原生产品敏捷性与学习回路；
• 负责任 AI 与风险意识；
• 跨职能协作。

因此，AIPM-1 不仅是一份个人学习凭证，也支撑寻求为 AI 产品能力建立共同基础的组织。

建议的通过考生标准

通过 AIPM-1 的考生应能证明其能够：

1. 正确使用 AI 产品管理的核心语言；
2. 解释 AI 原生产品与 AI 赋能产品的差异；
3. 识别 AI 产品经理与相邻专家的角色边界；
4. 识别基础 AI 产品机会与薄弱 AI 用例；
5. 在产品层面理解基础 AI 技术概念；
6. 认识到人机工作流设计的重要性；
7. 理解企业知识、上下文与检索的作用；
8. 解释为何 AI 产品评估是必要的；
9. 区分演示质量与生产就绪度；
10. 解释为何 AI 原生产品需要反馈回路与迭代学习；
11. 识别基础的负责任 AI、安全、隐私与治理问题；
12. 将基础产品判断力应用于简单 AI 产品场景；
13. 知道何时需要跨职能协作。

通过的考生不必是资深从业者，但应具备在指导下可信赖地参与 AI 产品管理工作、并向应用型专业实践迈进的就绪度。

建议的备考

备考 AIPM-1 时，考生应聚焦于：

1. 阅读 APD AI 原生产品经理能力模型白皮书；
2. 理解 AI 原生产品的定义；
3. 学习 AI 产品经理的角色与职责；
4. 研习基础 AI 产品管理术语；
5. 在产品层面理解 LLM、提示词、RAG、智能体、工具调用、幻觉、接地、成本、延迟与可靠性；
6. 学习人机工作流与可信产品体验基础；
7. 理解企业知识、上下文、检索与权限；
8. 学习 AI 评估、产品就绪度与反馈回路的基础；
9. 将 AI 原生产品敏捷性理解为自适应的、评估驱动的、兼顾治理的产品学习；
10. 理解负责任 AI、安全、隐私与治理基础；
11. 练习基础 AI 产品场景判断。

考生不应将备考时间花在编程、模型训练、高阶机器学习理论、详细法律解读、底层 AI 基础设施实施或敏捷框架记忆上。

可选的 AIPM-1 迷你作品集练习

AIPM-1 不要求提交作品集。

但 APD 研究院建议考生完成一次可选的迷你作品集练习，以巩固学习并提升职业就绪度。

考生可选定一个简单的 AI 产品场景，准备：

1. AI 产品机会简报；
2. 目标用户与问题陈述；
3. 基础价值假设；
4. 人机工作流草图；
5. 关键 AI 能力假设；
6. 基础评估指标；
7. 反馈与学习回路；
8. 负责任 AI 风险清单；
9. 产品就绪度关注点。

此项可选练习对以下人群尤其有帮助：

• 从传统产品经理转型到 AI 产品角色的人士；
• 学生与职业初期的考生；
• 向 AI 产品管理转型的软件工程师；
• 向 AI 产品角色转型的敏捷专业人士；
• 备考 AIPM-2 的考生。

除非 APD 研究院未来引入单独的基于作品集的评估，否则该迷你作品集不计入 AIPM-1 考试成绩。

针对不同考生背景的指导

传统产品经理

传统产品经理已在产品发现、用户价值、优先级、干系人管理与交付方面具备宝贵优势。AIPM-1 帮助他们为 AI 原生产品升级这些能力，增加 AI 机会判断、人机工作流思维、AI 评估意识、AI 原生产品敏捷性与负责任 AI 风险意识。

学生与职业初期的专业人士

AIPM-1 帮助学生与职业初期的专业人士为 AI 产品管理建立结构化基础，可支撑其准备实习、助理产品经理岗位、AI 产品分析师岗位以及未来的 AIPM-2 专业实践。

软件工程师与技术专业人士

软件工程师为 AI 产品工作带来强大的技术直觉。AIPM-1 帮助他们把技术理解转化为产品判断、用户价值思维、人机工作流意识、评估素养、自适应产品学习与负责任 AI 风险意识。

业务、咨询、UX 与敏捷专业人士

来自业务、咨询、UX 与敏捷背景的专业人士可借助 AIPM-1 在 AI 产品管理领域建立共同基础，更好地支撑 AI 赋能的产品举措、转型项目或跨职能产品团队。

敏捷专业人士可能发现 AIPM-1 在理解迭代交付如何演化为 AI 原生产品敏捷性方面尤为有用——在后者中，反馈回路、评估、产品就绪度与负责任的治理成为产品工作的核心。

用人单位解读

对用人单位而言，AIPM-1 表明考生具备基础 AI 产品管理素养，理解核心 AI 产品概念，能识别基础 AI 产品机会与风险，并已准备好在指导下参与 AI 产品工作。

AIPM-1 应作为基础级就绪度信号使用。

它不能替代：

• 基于经验的面试；
• 作品集评审；
• 案例面试；
• 针对岗位的评估；
• 技术面试；
• 领域专长评估；
• 资深级产品领导力评估；
• 敏捷交付或转型角色评估。

建议的角色匹配

用人单位应将 AIPM-1 与面试、项目证据、产品判断力评估及岗位特定要求结合使用。

样题模式

AIPM-1 的题目可能遵循以下模式。

模式 1：定义识别

考查考生能否识别一个核心概念。

示例主题：

• AI 原生产品；
• RAG；
• 幻觉；
• 人在环中；
• 上下文工程；
• AI 原生产品敏捷性。

模式 2：概念区分

考查考生能否区分相关概念。

示例主题：

• AI 原生 vs. AI 赋能；
• 提示词 vs. RAG；
• 用户流程 vs. 人机工作流；
• 演示成功 vs. 生产就绪度；
• 产品经理 vs. AI 工程师职责；
• AI 原生产品敏捷性 vs. Scrum 框架知识。

模式 3：基础场景判断

考查考生能否应用基础产品推理。

示例主题：

• AI 是否适用于某产品问题；
• 团队应考虑何种风险；
• 缺少哪种评估方式；
• 是否需要人工评审；
• 产品为何尚未具备上线就绪度；
• 产品团队为何应基于评估发现进行迭代。

模式 4：负责任 AI 意识

考查考生能否识别基础 AI 风险与治理问题。

示例主题：

• 隐私；
• 提示词注入；
• 敏感数据暴露；
• 不安全工具调用；
• 人工监督；
• 可追溯性；
• 升级。

模式 5：角色边界判断

考查考生是否理解何时应引入其他干系人。

示例主题：

• 何时引入工程；
• 何时引入数据团队；
• 何时引入安全；
• 何时引入隐私或法务；
• 何时需要业务负责或治理评审；
• 何时需要交付或敏捷推进支持。

代表性样题

以下示例展示 AIPM-1 题目预期的风格与难度，并非最终考题。

样题 1

下列哪项最能描述 AI 原生产品？

1. 在开发过程中使用任何 AI 工具的产品
2. 以 AI 作为创造价值、支持交互、辅助决策、自动化工作流或改善结果的核心机制的产品
3. 在其网站上内置聊天机器人的产品
4. 仅由 AI 工程师构建的产品

正确答案： B

样题 2

某产品团队希望为内部 HR 门户加入生成式 AI，因为竞争对手也在这么做。产品经理应首先澄清什么？

1. 哪个模型的上下文窗口最大
2. 用户问题、业务成果、风险水平与 AI 适用性是否清晰
3. 应采购哪种向量数据库
4. 聊天机器人能否使用友好的语气

正确答案： B

样题 3

某客服 AI 助手给出自信的回答，但与公司官方政策文件不符。最直接涉及的问题是？

1. 采纳率低
2. 幻觉或缺乏接地
3. 定价策略
4. 用户分层

正确答案： B

样题 4

某 AI 助手可在无人工评审的情况下自动发放退款。上线前产品经理应考虑什么？

1. 助手是否有友好的名称
2. 工作流是否需要权限边界、人工批准、可审计性与风险控制
3. 落地页是否包含产品视频
4. 模型是否采用最新架构

正确答案： B

样题 5

某团队在上线前改进了提示词并更新了知识库。产品经理应预期什么？

1. 因系统已经过测试，无需再评估
2. 系统应重新评估，因为提示词与知识变更可能影响输出质量与风险
3. 应始终立即对模型进行微调
4. 因新知识总能提升表现，产品应立即上线

正确答案： B

样题 6

下列哪项最能描述 AI 原生产品敏捷性？

1. 严格按 Scrum 框架的定义执行 Scrum 事件
2. 尽可能快地交付 AI 功能而不受评估延迟
3. 运用自适应学习、评估、反馈回路与负责任的迭代来改进 AI 产品的价值、质量、风险与就绪度
4. 用模型实验替代产品发现

正确答案： C

与 AIPM-2 和 AIPM-3 的关系

AIPM-1 是基础层级。

AIPM-2：AI 产品经理专业级

AIPM-2 检验在真实产品场景中的应用型 AI 产品管理能力。它聚焦于 AI 产品机会发现、人机工作流设计、AI 原生需求、评估规划、负责任的上线就绪度、自适应 AI 产品交付、监控、迭代与价值实现。

AIPM-3：AI 产品经理战略领导力

AIPM-3 检验在复杂 AI 产品环境中的战略领导力。它聚焦于 AI 产品组合思维、平台战略、治理领导力、评估系统、自适应运营模式、企业级采纳、价值实现与组织级 AI 产品能力建设。

AIPM-1 为 AIPM-2 做准备，但并不试图认证 AIPM-2 或 AIPM-3 的能力。

公开认证声明

以下声明可用于 APD 研究院认证页面：

AIPM-1：AI 产品经理基础级检验在指导下理解、评估并参与 AI 原生产品工作所需的基础产品判断力。它面向希望在 AI 产品管理领域建立可信赖基础的产品专业人士、学生、软件工程师、业务分析师、顾问、UX 专业人士、敏捷专业人士以及技术或业务干系人。

考试涵盖 AI 原生产品基础、AI 产品机会与价值发现、人机工作流、AI 技术与智能体、企业知识与检索、AI 评估、产品就绪度、AI 原生产品敏捷性与负责任 AI 治理。

AIPM-1 是 APD 认证 AI 产品经理路径的第一层级，为 AIPM-2：AI 产品经理专业级与 AIPM-3：AI 产品经理战略领导力奠定基础。

认证声明

AIPM-1：AI 产品经理基础级是由 APD 研究院颁发的专业认证，基于 APD AI 原生产品经理能力模型。

本认证不代表政府许可或正式认可的国际标准。APD 研究院可能随时间调整认证结构、考试蓝图、有效性规则、评估政策与考试内容。

总结

AIPM-1 旨在检验 AI 产品管理的基础级就绪度。

它确认考生理解可信赖地参与 AI 原生产品工作所需的核心概念、术语、职责、技术基础、评估逻辑、产品就绪度关注点、AI 原生产品敏捷性与负责任 AI 原则。

AIPM-1 是 APD 认证 AI 产品经理路径的起点。