这是一套面向产品经理的大模型技术自学课。它回答一个具体的问题：一个不写代码的产品经理，需要懂多少技术，才能在 AI 项目里做出靠谱的判断。答案是十二课的量——从 Token 和上下文窗口讲起，一路走到智能体、工作流、RAG、Function Calling、MCP 和微调，每一课都对准一个 PM 在工作中真实会撞上的问题。
先把这套课和市面课程的关系说清楚：只有提纲脱胎于市面上流通的各类 AI 产品经理课程——它们对”该学什么”的共识有参考价值；但内容全部原创，案例自己做，判断自己下，不搬运任何课件。市面同类课程大多收费不低，而其中知识本身并不稀缺，这套课把知识这一层直接放出来。
阅读方式很简单：十二课按依赖关系排序，从第01课顺着读是最稳的走法；时间紧的可以按后文给出的三条学习路径挑着读。全系列文章都会归档在 AI 产品经理专题，本文是整个系列的路线图。
为什么产品经理必须懂技术原理
三个理由，按重要性排。第一是边界感：大模型能做什么、做不到什么，决定了你的 PRD 里哪些承诺兑现得了。不懂原理的 PM 容易把演示当能力，把概率当确定性，最后在验收环节付出代价。第二是沟通：和工程团队对话时，你至少要听得懂”上下文塞不下””召回不行””要不要微调”各自意味着什么，否则每次方案讨论你都只能坐在场外。第三是判断：供应商报方案、团队提架构，你要有能力问出对的问题——这个场景真的需要智能体吗？用工作流是不是更稳？这笔 token 成本算过吗？
角色变化的大背景不需要渲染。前腾讯产品经理对 PM 生存法则的观察和关于技术专家为何没有直接取代产品经理的讨论指向同一个判断：AI 没有让 PM 消失，但把”懂技术的 PM”和”不懂技术的 PM”之间的差距拉开了。另一边，初级工程师面临技能困境、考虑转做产品的讨论说明这条职业边界正在双向流动——工程在往产品走，产品也必须往技术走。
这套课不教你写代码
目标不是让你上生产线，是让你能验证别人说的对不对。十二课里没有一段需要你背下来的代码，所有动手环节都能在任意一个对话产品里完成，练的是拆解和验证的思路，不是编程手艺。
事实上，”不会写代码”这件事的含金量也在变化。已经有产品经理靠 AI 工具独立上线小程序的实践，也有产品经理用 AI 搭出英语学习平台、手写代码占比极低的案例。这些故事的共同点不是”人人都该去写代码”，而是：理解原理之后，工具会放大你的执行力；不理解原理，工具只会放大你的错觉。这套课先把原理这一层补齐。
12 课地图
十二课按依赖关系排序：原理是地基，提示词是接口，智能体和工作流是两种组织形态，RAG 和工具调用是两只手，微调是最后才动用的手术刀，术语地图负责收束全局。下面每课一段，讲清楚这课学什么、解决 PM 的什么问题。
第01课 大模型基础原理: Token、上下文窗口与下一词预测
讲大模型为什么能说话：语言模型的本质是概率续写，不是数据库查询。这一课覆盖 Token 与计费限长的关系、从预训练到 SFT 再到 RLHF 的三个训练阶段各自决定什么能力、上下文窗口为什么是”工作记忆”而不是长期记忆，以及温度和采样如何解释”同一个问题两次答案不一样”。学完它，你能回答 PM 最常被问住的两件事：这个功能的成本怎么估，以及幻觉为什么从原理上就无法根除。
第02课 提示词工程入门: 角色、结构与 Few-shot 实战
提示词不是咒语，是接口。这一课讲角色设定为什么有效、怎么用分隔符和结构化标签把指令与输入分开、Few-shot 示例为什么比堆形容词更能锁住输出口径，以及什么任务值得上思维链、什么任务纯属浪费 token。更重要的是建立”prompt 是产品资产”的意识：要版本化、要可复现、要建一个小测试集做回归验证，而不是改一句话就直接上线。
第03课 构建 Prompt 的场景拆解法: 把业务需求翻译成提示词
第02课给了工具箱，这一课教你面对真实业务需求时从哪下手：场景定义、输入输出、约束条件、评估标准四步翻译流程，外加一个五段式模板。用客服会话摘要、用户评论打标签、周报自动生成三个通用场景做全过程演示，并复盘指令冲突、上下文淹没、格式漂移这些高频翻车点各自怎么修。核心纪律只有一条：先写清”什么样算好”，再动手写 prompt——验收先于实现。
第04课 智能体入门: 用一段提示词构建最简 AI Agent
智能体的最小定义是 LLM 加目标加循环，最简版本只靠一段提示词就能搭出来。这一课用”需求澄清官”做动手练习——一个逐轮追问、直到需求收敛为止的对话智能体，提示词全文给出。同时讲透 ReAct 的思考、行动、观察循环为什么让模型看起来”像在做事”，以及没有工具的智能体”只能说、不能做”、记忆只有上下文窗口那么长的硬边界。产品视角上，你会分清 persona bot 和 task agent 各自适合什么产品形态。
第05课 AI 工作流入门: 环节拆分与分步实施的自动生产线
工作流是把大任务拆成节点、串成生产线，和”一把梭大 prompt”的差别在可控性。这一课的核心是拆解方法论：找输入输出、列中间产物、给每一步定验收标准、先跑通最小链路。用一条从选题到草稿到配图到审核的内容流水线做全程案例，顺带给 n8n、Dify、Coze 各一句话定位（不做界面教学），并点出两个常见坑：节点拆得太粗测不了，拆得太细维护爆炸。工作流是把 AI 能力产品化的第一形态——可审计、可回滚。
第06课 工作流和智能体的区别: 什么时候用流程, 什么时候放权
工作流和智能体不是二选一，是一条从确定性到自主性的光谱，你要选的是点位。步骤已知、要合规审计、失败成本高、量大求稳的场景用工作流；路径未知、探索型、规则写不完的长尾场景放权给智能体；更多时候是混合架构——工作流里嵌智能体节点，或者智能体把工作流当工具调用。这一课给出六个问题组成的决策清单，帮你定位自己的场景落在光谱哪一段，也帮你在评审会上把可靠性和泛化能力这笔账算给所有人听。
第07课 RAG 入门: 知识库分块、向量检索与增强生成
RAG 解决三件事：知识时效、私有知识、控幻觉，类比是”把资料翻到那一页给模型看”。这一课走完从文档清洗、分块、向量化到检索、注入、生成的全流程，重点讲一个反直觉的结论：检索质量决定上限，召回不对，后面全白搭，所以评估要从检索环节开始做。也讲什么时候不该用 RAG——知识量小就直接塞进上下文窗口，更简单也更稳。产品视角：知识库产品的运营成本在数据侧，不在模型侧，清洗、更新、权限才是长期的活。
第08课 Agentic RAG 入门: 智能体驱动的知识库检索架构
朴素 RAG 管道有三个天花板：只做单轮检索、query 表述和文档措辞对不上、不知道检回来的内容够不够。Agentic RAG 让智能体自己改写 query、多轮检索、自评结果、决定检索策略。这一课讲检索层、编排层、生成层的分层架构和每层的失败模式，以及关键词检索与向量检索互补的混合方案。同时把成本账算清：agentic 化之后延迟和 token 消耗都会明显上升，正确的路径是先把朴素 RAG 调到极限，再决定要不要升级。
第09课 Function Calling 入门: 让大模型学会调用外部工具
先拆穿一个普遍误解：模型并不执行函数，它只输出”我想调用某个工具、参数是什么”的结构化意图，执行永远发生在你的系统里。这一课讲 schema 三件套怎么写——name、description、parameters，其中 description 的质量直接决定调用准确率；讲一次调用从用户到模型到执行再到结果回填的时序；讲工具报错之后怎么回喂模型让它重试或换路。产品视角：工具清单就是产品能力清单，工具的权限与审计是安全底线。
第10课 MCP 协议入门: 大模型连接外部工具的统一接口
MCP 是 Anthropic 开源的协议，常被类比为”AI 应用的 USB-C”：把 M 个应用乘 N 个工具的重复集成，变成 M 加 N 的一次接入。这一课讲 Host、Client、Server 三个角色各干什么，tools、resources、prompts 三种原语分别对应动作、数据和模板，本地 stdio 与远程 HTTP 两种传输方式对产品部署形态的影响，以及一个必须重视的问题：第三方 MCP server 是供应链风险的入口，权限要最小化。对产品的意义一句话：把自家服务包成 MCP server，等于拿到进入所有 AI 入口的门票。
第11课 大模型微调入门: SFT、LoRA 与何时不该微调
微调是改权重，prompt 和 RAG 是改上下文——”换脑子”和”递小抄”的区别。这一课定性讲清方法谱系：全参微调、SFT、LoRA 各是什么、LoRA 便宜在哪，不碰数学。重点是划边界：输出格式高度固化、领域黑话密集、要用小模型降本的场景值得微调；知识注入该用 RAG、行为调整该用 prompt、需求还在变的时候等它稳定。决策顺序是逐级升舱：prompt、Few-shot、RAG、工具调用，最后才是微调。成本大头在准备几百到几千条高质量样本，训练本身反而便宜。
第12课 大模型核心术语: 产品经理够用的概念地图
收尾一课，把全系列的概念按四层组织成地图，不按字母表：模型层（参数量、Token、上下文窗口、多模态、推理模型）、生成控制层（温度、采样、幻觉、系统提示词）、工程层（Embedding、向量库、RAG、Function Calling、MCP、Agent、工作流）、训练层（预训练、SFT、RLHF、蒸馏、量化、微调），每个词一句定义加一句 PM 视角的用法。重点澄清高频误用：token 不等于字，上下文不等于记忆，微调不等于喂知识，多模态不等于多语言。建议开评审会前过一遍，术语对齐能省一半会议时间。
三条学习路径
不是每个人都需要读满十二课，按你的处境选。
速通路径（第01、02、04、12 课）：适合下周就要参加 AI 项目评审的人。原理打底、提示词上手、智能体建立直觉、术语地图对齐语言。四课读完，你在会议室里就不再是旁听席。
应用向路径（速通四课，加第05、06、07 课）：适合手上已经有落地项目的人。补上工作流、架构取舍和 RAG 三块，基本覆盖当前企业级 AI 应用最常见的形态。如果项目涉及平台和框架选型，建议配合 LangChain、LangGraph、n8n、Dify 等框架的选型指南和从 Dify 与 Coze 实战看 Agent 开发技术门槛的讨论一起读。
全量路径（十二课全读）：适合认真转型、或者要负责一条 AI 产品线的人。按编号顺序读即可，课程顺序就是依赖顺序。读完之后建议持续跟进 AI Agent 专题的更新——智能体是当前演化最快的方向，概念稳定但实践日新。
学完能做什么
三件具体的事。第一，写 PRD 时能定义 AI 能力边界：哪些场景走工作流保稳定，哪些放权给智能体换泛化，幻觉风险在产品层怎么兜底。第二，评估技术方案和报价：供应商说”要微调”，你知道先问训练数据从哪来；团队说”上 Agentic RAG”，你知道先问朴素 RAG 调到极限没有。第三，设计反馈闭环：AI 功能上线不是终点，你要能定义”什么样算好”，并让线上数据流回迭代——从 Prompt 到 Agent Loop 的控制权范式转移描述的正是这种系统级思维。
工具层面也有直接收益。像基于 Claude 的产品经理竞品分析技能库这类开源工具，懂原理的人能拆开改造成自己的版本，不懂的人只能照着用。想在真实工程环境里观察智能体怎么干活，Claude Code 专题下的实践文章是现成的观察窗口。
相关阅读
- 大模型、Agent 与 MCP 等核心术语扫盲
- 零基础靠 AI 写代码：产品经理自研小程序对抗 SaaS 涨价
- 程序员变身产品经理：征集 AI 全权开发的营销系统需求
- CLAUDE.md 怎么写：提升 Claude Code 准确率的最小有效配置
FAQ
零基础能学吗？
能。这套课假设读者没有工程背景，所有概念先从类比讲起，再落回产品语境。第01课从”下一词预测”开始，不需要任何数学或编程前置知识，动手环节用任意对话产品就能做。
必须按顺序读吗？
建议按顺序，因为课程编号就是依赖关系——不懂 Token 就算不清 RAG 的成本账，不懂 Function Calling 就理解不了 MCP 在解决什么。但如果你带着具体问题来，比如明天就要评审一个知识库项目，直接跳到第07课，遇到不懂的概念再回头补。
动手练习要用什么工具？
任意主流对话产品都够用，课程不绑定平台。如果想对比不同模型在同一任务上的表现，大模型对比专题有持续更新的实测记录；想看智能体在真实工程场景里的用法，可以翻 Codex 专题下的案例。
和市面付费课程是什么关系？
提纲参考了市面课程对”该学什么”的共识，内容零搬运。你可以把这套课当成购买决策的前置动作：先免费读完，再判断有没有必要为付费课的附加服务——社群、答疑、作业批改——单独花钱。
内容会不会很快过时？
概念层比工具层稳定得多。下一词预测、上下文窗口、检索、工具调用这些底层概念的半衰期以年计，而具体产品的界面和功能以月计。这套课刻意停在概念和方法论层，不教任何平台的按钮在哪，就是为了抗过时。
结语
技术判断力是 AI 时代产品经理的硬通货。十二课不算长，但足够你从”听不懂”走到”能追问”。从第01课开始，或者挑一条适合自己的路径，现在就出发。
