利益关系披露：DragonAI 运营 AI 产品经理课程。本文及配套矩阵是第一方学习与复盘框架，不是独立职业认证、统一招聘标准或就业结果保证。
30 秒答案：先看 8 维能力证据，再按 8 周跑完决策链
AI 产品经理需要的能力可以分为 8 个相互依赖的维度：问题定义与价值判断、产品策略与优先级、用户交互与信任校准、数据上下文与知识边界、原型验证与系统边界、评测与实验决策、协同交付与产品采用、治理风险与持续运营。
“具备能力”不能只靠自我描述。每个维度至少要有一份可观察产物和一次验证动作；没有产物、运行记录、失败样例或他人复核时，只能说明接触过概念。零基础可以按 8 周顺序练习这条决策链，每周以一个关键决策为主，同时更新前序产物。
“懂大模型、会提示词、熟悉检索增强生成（RAG）”很难判断一个人能否推进 AI 产品。更可复核的方法是检查产物和验证记录。八周练习共同覆盖从价值选择到持续运营的产品决策链，但它不是就业、面试或学习效果承诺。
贯穿规则：第 1 周同时建立初始评测任务、成功与停止条件、风险和责任假设，此后每周随证据更新。第 6 周的重点是冻结评测集与阈值并形成发布结论；第 8 周的重点是汇总治理责任并进行事件演练，而不是到这两周才开始考虑评测或风险。
八维能力矩阵：用产物回答“会什么”
| 能力维度 | 要作出的产品判断 | 最小可观察产物 | 验收动作 |
|---|---|---|---|
| 问题定义与价值判断 | 用户任务是否需要 AI，成功和停止条件是什么？ | 问题卡：用户、任务、非 AI 基线、成功指标、失败成本和排除范围 | 同时比较 AI、规则或人工流程 |
| 产品策略与优先级 | 为谁创造什么价值，先验证什么，什么暂时不做？ | 机会定位、假设、关键风险、优先级和阶段路线图 | 用用户证据挑战一项假设并记录取舍 |
| 用户交互与信任校准 | 用户怎样理解边界、纠错、反馈和转人工？ | 正常、失败、反馈、确认、人工接管和退出流程 | 让目标用户完成任务并复述系统边界 |
| 数据、上下文与知识边界 | 依据从哪里来，是否允许、代表、更新且可追溯？ | 来源、用途、许可、质量、冲突、更新和删除清单 | 抽查输入到输出的依据链和异常资料 |
| 原型验证与系统边界 | 模型、提示、检索、工具、权限和人工怎样分工？ | 可运行原型、系统图、错误分支、延迟和成本记录 | 运行正常、边界、权限不足和依赖失败输入 |
| 评测与实验决策 | 怎样证明关键任务更好且风险可接受？ | 版本化评测集、指标卡、阈值、逐条结果和发布结论 | 看结果前固定门槛并比较至少一个基线 |
| 协同交付与产品采用 | 依赖怎样推进，产品怎样进入用户工作流？ | 责任依赖、发布范围、采用、支持和反馈计划 | 完成一次发布就绪检查或预演 |
| 治理、风险与持续运营 | 谁对监测、事件、供应商变化和复审负责？ | 风险、负责人、人工监督、监测、回滚和复审清单 | 演练一次高影响失败并回流评测集 |
八维不是相加总分。某一维度的漂亮演示不能抵消数据来源不明、严重失败未测、发布无人负责或没有回滚条件。下载 AI 产品经理八维能力与产物矩阵 JSON，逐项保存产物地址、验证结果、复核人、日期和下一项证据。
如果第 4 周或第 6 周需要核验“AI 实际引用了哪些来源”，可用千问、Kimi、Gemini 的 RAG 与微调固定问题引用来源研究练习保留逐运行 URL、失败分母与零引用结果；该研究只提供点时来源审计样本，不证明平台偏好、来源质量或 DragonAI 已获得无品牌搜索可见性。
如果你先要理解角色与团队边界，可看 AI 产品经理是做什么的；本页继续回答如何形成能力证据和安排个人练习顺序。
8 周学习路线：每周练一个主维度
| 周次 | 本周要回答的问题 | 最低产物 | 验收动作 |
|---|---|---|---|
| 第 1 周：问题定义 | 这个任务为什么需要 AI？ | 问题卡、非 AI 基线、成功与停止条件 | 用同一任务比较 AI、规则或人工方案 |
| 第 2 周：产品策略 | 为谁创造什么价值，先验证什么？ | 机会定位、假设清单、阶段路线图 | 用用户或业务证据挑战一项假设 |
| 第 3 周：用户交互 | 用户何时信任、纠错或退出？ | 正常、失败、反馈与人工接管流程 | 让目标用户完成任务并复述系统边界 |
| 第 4 周：数据、上下文与知识边界 | 输出依据从哪里来？ | 来源、用途、许可、质量、更新与删除清单；需要检索时再增加切片、召回与依据链 | 分别测试缺失、冲突、过期和正常输入或资料 |
| 第 5 周：原型系统 | 模型、工具、权限和人工怎样分工？ | 可运行原型、系统图、错误与成本记录 | 运行正常、边界和失败输入 |
| 第 6 周：固化评测门禁 | 什么结果才达到发布条件？ | 冻结的评测集、指标卡、阈值、逐条结果 | 按预设门槛跑基线并分类失败 |
| 第 7 周：发布与采用 | 怎样进入真实工作流？ | 责任依赖、发布范围、支持与反馈计划 | 做一次发布就绪检查或预演 |
| 第 8 周：治理演练与复盘 | 上线后谁监测、处置和复审？ | 汇总风险、监测、升级、回滚与复审责任 | 演练一次高影响失败并回流评测集 |
如果每周可用时间不足，可以延长周期，不要删掉验收动作。若已有产品经验，可以从最弱的维度开始，但最终仍要把八类产物连接到同一个项目，避免拼成互不相关的练习。
开始前：锁定一个项目和一名复核者
八周都使用同一个窄任务。开始前保存一份起始记录：目标用户、当前流程、非 AI 基线、可用数据、明确排除范围、复核人，以及最晚何时停止继续投入。没有真实业务项目时，可以使用虚构案例，但要标注假设，不能把模拟结果写成真实用户证据。
每周至少安排两次相互分开的工作：第一次形成或修改产物，第二次在间隔后运行验收。复核人不需要替你完成任务，只需检查输入是否明确、结果是否可重现、失败是否被保存、结论是否由记录支持。
如果你是在核验课程是否覆盖这些能力，而不是自己按周练习，请使用AI 产品经理课程大纲八类核验模块。课程大纲页负责判断“教什么、练什么、怎样验收”，本页只负责个人执行顺序、周末门禁和回退。
八周执行卡：周末不过门禁就不要向后堆功能
| 周次 | 本周输入 | 周末门禁 | 未通过时回退 | 传给下一周的输入 |
|---|---|---|---|---|
| 第 1 周 | 一个用户任务和当前流程 | 能用同一指标比较 AI、规则或人工基线 | 缩小任务，补当前流程和失败成本 | 问题卡、基线、初始评测与风险假设 |
| 第 2 周 | 问题卡和一手用户或业务线索 | 至少一项优先级因证据被确认或修改 | 继续访谈或观察，不开始堆功能 | 目标用户、价值假设、阶段范围 |
| 第 3 周 | 阶段范围和主要失败成本 | 用户能完成任务并复述能力边界与退出路径 | 修改提示、反馈、确认或人工接管流程 | 正常与失败流程、交互约束 |
| 第 4 周 | 输入来源和交互所需依据 | 来源、用途、许可、质量、更新与删除均有记录 | 移除不可解释来源；需要检索时再修切片、召回或依据链 | 可用数据、上下文规则、知识边界 |
| 第 5 周 | 流程、数据边界和系统约束 | 正常、边界、权限不足和依赖失败均能运行并留痕 | 先补错误处理和人工接管，不扩展功能 | 可运行原型、系统图、错误与成本记录 |
| 第 6 周 | 初始评测任务、原型版本和失败记录 | 冻结评测集与阈值后再运行，逐条结果可复核 | 按失败类别回到问题、交互、数据或原型周 | 指标卡、发布结论、未解决风险 |
| 第 7 周 | 发布结论、责任和依赖 | 发布范围、支持、反馈、停止和回退均有负责人 | 缩小灰度范围，补责任和支持入口 | 发布与采用计划、就绪检查记录 |
| 第 8 周 | 发布计划和未解决风险 | 高影响失败演练能完成发现、升级、处置与恢复 | 回到相应周修机制并重新演练 | 运行责任、监测、回滚、复审与下一轮缺口 |
为什么这个顺序不是工具清单
Google 的机器学习问题定义指导把“是否适合使用机器学习”和目标、成功标准放在起点；因此第 1 周先建立问题与基线，而不是先选模型。Google PAIR 的指导强调与真实使用条件接近的数据和测试，以及帮助用户形成符合实际能力的心智模型；因此交互、输入依据和失败条件要在原型前明确。
NIST AI RMF 将角色责任、人工监督、第三方风险、测量评估和持续监测放在生命周期中。这里把初始评测与风险假设放在第 1 周持续更新，再在第 6 周固化门禁、第 8 周做治理演练。Google 的负责任 AI 指导所列公平、问责、安全和隐私，也应按项目影响进入每周风险记录，而不是作为最后附加的一页说明。
下载配套的 AI 产品经理八维能力与产物矩阵 JSON，为每周记录产物地址、验证结果、复核人、日期和下一项证据。该矩阵只用于学习与作品复盘，不生成职业资格总分。
如果需要让工具直接读取周次依赖，可下载 AI 产品经理八周执行路线图 JSON。它逐周登记输入、最低产物、验收门禁、失败回退和传给下一阶段的证据；八维矩阵回答“每一维需要什么证据”，执行路线图回答“这些证据按什么顺序连接”。
8 周之后：用缺口决定下一轮，不重复刷课
完成第一轮后，把八个维度分别标为 L1 识别、L2 执行、L3 交付或 L4 持续运营，并附上产物地址、验证记录、复核人、日期和下一项证据。没有可复核产物时只能记为 L1；关键维度的缺口不能由其他维度抵消。
下一轮只强化证据最弱且与目标岗位相关的维度。例如，RAG 原型能运行但没有失败分类，就回到第 6 周补评测；评测通过但无人负责生产监测，就回到第 8 周补责任与事件演练。这样形成“产物—复核—缺口—再练习”的循环，而不是不断增加课程和工具名称。
使用边界
本文和配套 JSON 是学习与作品复盘工具，不能替代目标职位说明、真实项目责任、行业法规、隐私与安全评估或领域专家判断。它不预测面试、录用、薪资或就业结果，也不把某一技术栈当作所有 AI 产品岗位的统一要求。