AI Product Manager
AI Software Engineer
每个维度均包含核心定义与关键能力点，可直接拆解为考核细则
本模型是AI产品开发联盟（简称APD联盟）专家委员会，基于产品管理核心理论，结合AI领域广泛行业实践与AI时代市场发展需求，系统定义的AI产品经理七大能力模型，是APD联盟标准的核心组成部分。模型围绕基础产品管理素养、AI技术通识与理解力、AI产品架构与设计能力、业务场景与商业落地能力、数据思维与AI评估迭代能力、负责任AI与合规能力、商业与生态协作能力七大核心维度构建，全面覆盖AI产品经理职业全周期能力要求。
核心定义：AI产品经理的基础职业基础素养，是衔接传统产品能力与AI专项能力的核心，强调”通用能力+企业级协作”，适配所有AI产品研发场景，以及通过AI赋能产品研发的场景。
产品核心能力
产品战略与愿景规划、路线图制定、需求挖掘与用户研究、PRD/流程图/原型设计
产品团队协作能力
敏捷/精益开发（Agile/Scrum）、迭代规划、产品团队（产品、研发、算法、数据）协同、内外部干系人管理，以价值流为核心推进协作
职业素养
逻辑思维、结构化拆解、优先级决策、文档功底、用户同理心、业务洞察力
全价值流管控
AI产品从0到1立项、迭代优化、上线运营、退市的全价值流管理，聚焦长期价值交付而非阶段性交付
核心定义：区别于传统产品经理的核心分水岭，不要求深入研发算法，但需具备”技术翻译能力”，理解AI技术边界与应用逻辑，适配行业通用技术通识框架。
基础概念
机器学习/深度学习常识、大模型（LLM）、生成式AI、多模态技术核心原理
核心技术栈
RAG知识库、Prompt Engineering（提示词工程）、向量数据库、智能Agent工作流
技术边界
模型能力局限、幻觉问题、响应延迟、算力成本约束的认知与应对
工具与平台
主流AI工具、云服务部署基础、AI开发平台应用
核心定义：基于AI技术特性，从0到1设计可落地的AI产品，突出”场景化+可执行”，贴合行业实际应用需求。
产品形态设计
对话式、生成式、辅助决策、智能Agent等AI产品形态拆解与设计
核心架构设计
生成式AI产品全链路架构（输入层→意图识别→执行引擎→输出层→监控层）、知识库架构、检索逻辑设计
交互与体验设计
Prompt话术与人设设计、多轮对话逻辑、AI体验优化、失败兜底（Fallback）策略
落地适配
结合技术边界，设计可落地的产品方案，平衡体验与成本
核心定义：AI产品的核心价值体现，强调”场景化拆解+商业价值转化”，贴合行业实际落地逻辑，解决企业实际问题。
场景拆解
垂直行业（金融、制造、教育、政务等）需求拆解、AI赋能点挖掘
方案设计
行业场景解决方案撰写、业务流程重构、标杆案例拆解与复用
商业价值
ROI测算、成本控制（算力、API、人力成本）、商业化设计（定价、计费模式、套餐策略）
价值交付
客户成功、产品价值落地、需求应答与价值落地跟进，联动产品团队实现持续价值输出
核心定义：AI产品的持续优化能力，融合行业数据闭环思维与评估体系，强调”数据驱动+持续迭代”。
指标体系
AI产品核心指标（命中率、准确率、召回率、幻觉率、用户满意度）搭建与监控
评估方法
模型效果评估、A/B测试、灰度发布、版本迭代管理
数据分析
会话日志分析、用户行为洞察、数据质量评估与优化
持续优化
知识库迭代、Prompt优化、产品体验迭代、故障复盘与问题排查
核心定义：AI产品的底线能力，对标行业负责任AI理念，结合中国AI监管要求，作为独立核心维度。
AI伦理
公平性、透明度、可解释性、无偏见设计，避免模型歧视
合规要求
数据安全、隐私保护（如个人信息保护法）、算法合规、行业监管要求（如生成式AI服务合规指南）
风险管控
模型风险、数据风险、安全风险识别与防控，建立可追溯、可审计、可干预机制
可信AI
设计可验证、可管控的AI产品，保障用户权益与企业合规
核心定义：AI产品经理向高阶进阶的核心能力，融合行业生态思维与商业运营逻辑，强调”生态联动+长期价值”。
商业运营
产品商业化落地、渠道合作、客户运营、用户增长
生态与团队协作
与产品团队、算法团队、数据团队、云厂商、行业伙伴、开源社区的协同，以价值流为核心整合资源
创新与趋势
AI行业趋势研判、技术路线判断、创新机会识别、开源工具应用
行业赋能
方法论沉淀、团队带教、能力体系搭建、行业标准参与
本模型是AI产品开发联盟（简称APD联盟）专家委员会，基于传统软件工程核心理论，结合AI技术产业广泛实践与AI时代人才发展需求，系统定义的AI软件工程师七大职业能力模型，是APD联盟人工智能岗位能力标准体系的核心组成部分。模型围绕基础软件工程素养、AI工具赋能研发能力、AI技术通识与认知能力、AI应用工程落地能力、云原生与智能运维能力、业务协同与价值交付能力、安全合规与负责任AI能力七大核心维度构建，全面覆盖AI软件工程师职业全周期能力要求。
核心定义：AI软件工程师的核心职业底盘，是所有智能化研发工作的基础支撑，聚焦规范化工程思维、扎实的技术功底与高质量编码能力，保障软件系统稳定、可靠、可维护、可迭代，是AI赋能研发的前提与根基。
编程语言与编程范式
熟练掌握主流前后端编程语言（如Python、JavaScript、Java、Go等），理解面向对象、函数式、并发编程等核心范式，具备规范、统一的编码习惯，能够根据应用场景合理选择技术栈
数据结构与算法
掌握常用数据结构与经典工程算法，具备代码复杂度分析、算法优化、场景化选型能力，可解决常规工程技术问题
计算机底层通识
理解操作系统、网络协议、内存管理、进程线程、IO模型、数据库等基础原理，具备排查底层常规问题的能力
规范化工程编码
遵循行业编码规范，实现代码模块化、解耦、可复用、高可读性，具备代码评审、代码重构、缺陷修复能力，确保系统代码质量满足生产级要求
版本与工程管理
熟练使用版本管理工具（如Git），规范管理代码迭代、分支策略、版本发布，建立标准化研发工程范式
价值流思维
建立软件全生命周期价值意识，理解从需求到上线再到持续迭代的完整价值交付链路，以持续交付可用、有价值的软件为核心，摒弃任务式开发思维
核心定义：AI软件工程师的标配能力，区别于传统软件工程师的重要分水岭之一。依托智能化工具重构研发工作方式，实现编码、调试、文档、测试、重构全流程提效，通过合理、严谨的AI工具应用，提升研发质量与交付效率。
智能编码工具应用
熟练使用主流AI代码助手（如Claude Code、Cursor等），完成代码补全、逻辑生成、批量开发、语法优化，适配各类业务开发场景，掌握不同工具的适用边界与使用技巧
代码专属提示工程
能够基于业务需求、技术栈规范、工程约束，编写精准的代码生成提示词；掌握系统提示词配置、Few-Shot示例注入、结构化输出约束等核心技巧，引导AI生成符合项目标准、可直接落地的高质量代码
AI代码甄别和校验
具备AI生成代码的审核能力，可精准识别逻辑漏洞、性能隐患、安全漏洞、冗余依赖，理解AI生成代码的局限边界，杜绝盲目使用AI生成的代码，确保上线代码质量可控
智能化重构与优化
依托AI工具完成老旧代码重构、逻辑简化、接口统一、性能优化、编码规范整改，以智能化工具驱动代码质量持续提升
研发文档自动化
利用AI快速生成需求设计文档、接口文档、部署手册、运维说明、测试报告等文档，实现文档与代码同步迭代，降低文档维护成本
自动化测试赋能
通过AI生成测试用例、单元测试、接口测试等脚本，提升测试覆盖率与缺陷检出效率，推动测试左移与质量内建
核心定义：区别于传统软件工程师的核心分水岭，无需深耕算法训练，但需全面掌握大模型与AI应用的基础原理、技术边界、技术栈体系，具备技术选型与场景判断能力，能够在工程实践中准确驾驭AI技术。
大模型基础理论
理解大语言模型核心工作机制，掌握词元、上下文窗口、采样参数（温度、Top-K、Top-P、重复惩罚）等核心概念；理解嵌入向量、语义表示、推理与训练的区别，以及模型幻觉的成因与影响
主流AI应用技术栈
掌握RAG、智能体、向量数据库、知识库构建、函数调用、工具调用、工作流编排、MCP等主流AI应用技术体系，理解各技术栈的适用场景与组合逻辑
提示词与上下文工程
理解Zero-Shot、Few-Shot、CoT、ReAct等主流提示策略的原理与适用场景；掌握上下文工程核心技术，包括外部记忆管理、上下文压缩、上下文隔离、RAG动态过滤等关键技术方向
技术边界认知
清晰认知大模型能力边界，包括响应延迟、上下文长度限制、算力成本、幻觉风险、知识截止日期等核心约束条件，能够在工程设计中合理规避与应对
模型选型能力
掌握闭源模型与开源模型的差异化选型逻辑；熟悉Hugging Face、Ollama、LM Studio、OpenRouter等主流模型平台与生态系统，具备本地部署与API调用的选型判断能力
AI产业趋势认知
持续跟进大模型技术迭代方向，理解多模态AI、AI原生应用产品形态与技术演进规律，具备前沿技术快速学习与应用迁移能力
核心定义：AI软件工程师的核心价值能力，实现从传统业务开发向AI原生应用研发的能力升级。具备大模型应用全链路设计、开发、落地、调优的完整工程能力，是产生核心交付价值的关键维度。
大模型服务集成开发
熟练对接各类大模型API，完成服务封装、会话管理、上下文持久化、流式响应处理、对话链路设计，具备多模型切换与降级兜底能力
RAG知识库工程落地
掌握RAG系统全链路工程实现，包括文档解析、智能分块策略、内容清洗、嵌入向量生成、向量数据库存储与索引构建、相似度检索、重排序优化、问答链路端到端闭环开发，熟悉LangChain、LlamaIndex、Haystack、RAGFlow等主流RAG开发框架
智能Agent开发与编排
具备工具调用设计、任务自主拆解与规划、多步骤执行链路开发、多Agent协同编排能力；熟悉OpenAI Agent SDK、Claude Agent SDK、Google ADK等主流框架；了解MCP核心架构
向量数据库应用调优
熟练使用主流向量数据库，完成嵌入索引构建、相似度搜索、检索性能调优、数据分类与推荐系统实现、数据生命周期管理
AI系统架构设计
掌握AI应用分层架构设计，包括输入层、意图识别层、执行引擎层、输出层、监控层的完整链路设计；实现服务拆分、异步处理、限流熔断、高可用、高并发的智能化系统架构
多模态AI应用开发
具备多模态AI任务的工程实现能力，包括图像理解、图像生成、语音转文本、文本转语音等能力集成
场景化AI方案落地
可结合行业业务场景，完成智能化功能定制、模型适配、效果调优，实现从技术实现到业务价值落地的完整闭环
核心定义：保障AI应用稳定上线、持续迭代、高效运行的核心工程能力，融合云原生工程体系与AIOps智能运维体系，实现研发、交付、运维全流程自动化、智能化闭环。
云原生基础能力
掌握容器化部署（Docker）、微服务架构设计、服务治理等云原生核心能力；理解自托管模型部署与云服务API调用的差异化选型逻辑
CI/CD自动化交付
熟悉持续集成、持续部署流水线设计与实现，实现代码自动构建、自动测试、自动部署、多环境统一管理
AIOps智能运维
依托智能化工具实现日志分析、异常检测、智能告警、故障定位、自动化运维脚本生成与优化，建立AI应用运维指标体系
算力与成本管控
理解大模型推理、API调用、向量检索的算力消耗逻辑，具备算力资源规划、API成本核算、推理性能优化的工程能力
线上问题治理
具备AI应用线上故障排查、性能瓶颈分析、服务稳定性治理、版本迭代管控能力，建立完整的线上问题响应与复盘机制
核心定义：突破传统纯技术研发思维，建立产品化、业务化、价值化的研发思维，以产品团队协作、价值流持续交付为核心，实现技术服务于业务价值，是AI软件工程师向高阶进阶的关键跨越。
业务理解能力
快速拆解业务需求、理解场景价值、预判需求边界与技术风险，具备AI落地场景拆解能力
跨团队协同能力
可与AI产品经理、设计、测试、算法、行业运营团队高效协同，具备技术翻译能力
价值流交付思维
以持续产出业务价值为核心，贯穿需求、开发、上线、迭代全流程，追求长期价值优化
AI产品迭代能力
适配AI产品快速迭代特性，实现增量开发、小步快跑、持续优化
技术沉淀与赋能
迭代结束后完成技术复盘、方案沉淀、经验归纳，形成可复用的技术资产
核心定义：AI研发工作的底线能力，结合网络安全、数据合规、代码安全与AI伦理规范，构建安全、合规、可信、可追溯的AI研发体系，规避技术风险与合规风险。
AI安全防护
深刻理解AI特有安全威胁，具备提示词注入攻击的识别与防御能力；掌握内容安全审核API集成，实施对抗性测试与健壮提示词工程设计
代码安全防护
具备代码防注入、防越权、防漏洞、敏感信息脱敏、依赖包风险治理能力，杜绝安全隐患流入生产环境
数据合规管理
严格遵守数据安全与个人信息保护相关法规，规范管理知识库数据源、用户交互数据、模型调用日志；实现数据链路可审计、可追溯
AI应用风险管控
具备大模型幻觉风险、输出内容风险、算法偏见与公平性问题的识别与工程侧干预能力；建立AI内容风控机制
可信AI设计
实现AI应用可追溯、可审计、可干预的系统设计，保障系统运行透明、可控、安全
知识产权与伦理规范
规范使用开源技术与AI生成内容，了解用户知情权保护要求，坚守AI研发伦理底线
贴合全球AI产品发展趋势，融入联盟核心维度，兼顾中国行业场景
每个维度均有明确的关键能力点，可直接拆解为一级、二级、三级细则，可直接用于课程研发、题库建设、人才考核
摒弃传统纯技术堆叠的能力框架，突出AI工具赋能、AI工程落地、价值流交付与负责任AI合规能力
重价值、重ROI、重合规，以产品思维聚焦B端企业长期价值需求，符合联盟"行业标准+人才落地"的核心定位
