前Netflix AI产品总监：AI PM不是你想的那种，看完这个再去投简历丨Aakash Gupta

前Netflix AI产品总监：AI PM不是你想的那种，看完这个再去投简历丨Aakash Gupta 前Netflix AI产品总监：AI PM不是你想的那种，看完这个再去投简历丨Aakash Gupta Modified April 6 🔗 原文链接： https://mp.weixin.qq.com/s/i6pb6vyx... 原创 Capihom Capihom 晚点再听LaterCast2026年4月6日 20:31 云南 我们每天为你更新硅谷最新的 AI 创业与科技播客总结，让你与前沿保持同频。 全文约 4100 字，如果你现在没有时间，试试转成播客稍后再听 "AI 产品是概率性的，同样的输入会产生不同输出——这才是 AI PM 和普通 PM 的根本差距。" "80% 被标注为 AI PM 的岗位，只是在给老产品套 AI 外壳。" "先提示词优化，再上下文工程，再 RAG——80% 的问题根本走不到 Fine tuning 那一步。" Jyothi Nookula 在 AI 领域工作了 13.5 年，持有 12 项 AI 专利，先后担任 Amazon SageMaker、Meta PyTorch、Netflix 开发者平台的 AI 产品总监。她见过足够多的人带着满腔热情去投 AI PM 岗位，却对这个职业一知半解——既不清楚 AI PM 和普通 PM 的根本区别，也不知道如何在技术对话中站稳脚跟。这期播客是一堂公开的 AI 产品经理速成课：不是职场鸡汤，是从岗位结构、技术选型、Agent 架构到三家大厂 PM 文化的真实拆解。如果你正在考虑转型或押注 AI 产品方向，这篇值得认真读完。 你投的那个"AI PM"岗，可能根本不是 AI PM Jyothi 一开始就抛出了一个让很多人不舒服的数据：当前市面上被打上"AI PM"标签的岗位， 80% 本质上是传统 PM 加了 AI 功能 ——这类产品在 AI 出现之前已经存在，团队只是在原有产品上叠加了一个聊天机器人、AI 摘要或智能搜索功能。核心用户体验没有变，AI 是"螺丝钉"而非"发动机"。真正意义上的 AI 原生 PM 岗位只占 20%，这类产品的价值主张离开 AI 就无法成立——比如 ChatGPT、GitHub Copilot、Claude、Cursor 这些。 "传统 PM 加 AI 功能，和 AI 原生 PM，是两种完全不同的物种。前者是在给已有产品贴标签，后者是在从零定义一个概率性系统。" 除了岗位类型，AI 产品栈也分三层：应用层 PM 负责端到端用户体验（占 60% 的岗位），平台层 PM 为内部开发团队构建工具（占 30%），基础设施层 PM 负责向量数据库、GPU 调度这类底层系统（占 10%）。 越往下走，技术深度要求越高，岗位越少，竞争反而越激烈。 对于从传统 PM 转型的人来说，应用层是最容易切入的起点。 AI PM 和普通 PM 的核心差距只有一个词：概率性 传统产品是确定性的：你点一个按钮，它永远跳到同一个页面。但 AI 产品是概率性的， 同样的输入，每次可能输出不同的结果 。这不是 bug，是 AI 的本质属性。AI PM 必须从这个底层逻辑出发，重新思考产品设计的每一个维度。 "AI PM 要问的不再是'这个功能能不能用'，而是'用户能接受多大的错误率，超过这个阈值信任就会断裂？'" 由此延伸出三个不同于传统 PM 的工作重心：第一， 数据是第一公民 ，数据质量直接决定模型输出质量，"垃圾进，垃圾出"不是比喻，AI PM 在规划功能之前必须先审视数据管道和数据清洗策略；第二，模型行为需要持续迭代测试，任何一次改动——哪怕只是修改了系统提示——都可能影响整体表现，需要重新评估；第三，单位经济模型是可变的——LLM 回答越长，消耗的 token 越多，成本越高，定价策略必须把这个变量纳入计算。 什么时候该用 AI，什么时候规则就够了 MIT 有一项研究指出，AI 试点失败的核心原因之一是—— 19 个项目里有 18 个，一开始就选错了问题 。Jyothi 在三家大厂积累的经验让她对这个判断有切身体会。AI 真正适合的场景是：数据中存在复杂规律但人类无法手工定义（如 YouTube 推荐）；需要基于历史数据预测未来（如 Amazon 库存预测）；需要为百万级用户提供个性化体验。 "税务计算软件是规则实现的最佳场景——规则复杂但明确，没有必要引入 AI 的不确定性。" 反过来，当可解释性是行业硬要求（如金融合规、医疗审批）、当领域规则足够清晰（如税务计算）、当历史数据稀缺（如新市场新功能）、或者上线速度是第一优先级时，从规则出发反而是更好的选择——先用规则建立基线，积累数据之后再引入 AI。 知道什么时候不该用 AI，和知道什么时候该用 AI 一样重要。 这个判断力，才是 AI PM 的核心竞争力之一，也是区分"懂 AI 的 PM"和"真正的 AI PM"的关键分水岭。 传统 ML、深度学习、GenAI：三把刀，别拿错 很多人一谈 AI 就直接想到 ChatGPT，但 Jyothi 提醒： 一个用传统机器学习一周就能搞定的问题，没必要上 LLM 。AI 技术有三个层级：传统 ML（回归/随机森林/XGBoost）适合结构化数据的预测和分类——"这个问题能不能放进一张表格？如果能，从 ML 开始。"深度学习（神经网络/计算机视觉/语音识别）擅长感知类任务，解决的是"人类能做但规则无法描述"的问题。 "当我看到你的脸，我知道这是 Akash——这对人类轻而易举，但要写成 if else 代码，几乎不可能。这就是深度学习的用武之地。" GenAI（LLM/扩散模型）的核心突破不只是"会写"，更是"能读、能理解上下文、能推理"，适合自然语言交互、内容生成和跨来源合成推理。 这三类技术不是竞争关系，而是工具箱里的不同刀具，优秀的 AI PM 需要知道该拿哪一把。 拿错刀不是技术问题，是判断问题。 工作流 vs 智能体：一个按剧本，一个自己编剧 Jyothi 在直播中用 n8n 做了一个清晰对比。工作流是预定义的步骤序列：获取天气 API → 格式化数据 → 发送邮件，每一步由人定义，结果可预期。 智能体则不同：你只给它一个目标，由它自主决定调用哪些工具、按什么顺序执行。 你问"今天洛杉矶天气怎样"，它查完天气后不会主动发邮件，因为你没要求——这才是真正的智能判断。 "我没说不执行 Gmail，但 Agent 自己判断不需要这个工具。这就是为什么它是真正的 AI 工作流，而不是普通的自动化流程。" 一个完整的 Agent 架构由四个模块组成：感知（接收输入，包括文本、图像、API 数据）、推理（模型决策层，可以是 GPT、Claude 等任何 LLM）、执行（调用工具或 API，如天气接口、Gmail、数据库）、学习（评估结果并迭代改进）。Memory 模块让 Agent 具备状态记忆，避免每次对话都从零开始。AI PM 理解这个架构，不是为了自己写代码，而是为了能和工程团队讨论边界、评估风险、设计合理的兜底方案——比如什么情况下需要降级到确定性工作流，而不是让 Agent 自由发挥。 "提示词工程已死"是谎言，它只是升级了 系统提示定义 Agent 的人格和行为边界，用户提示是用户的实际输入。但 Jyothi 强调，最被低估的技术是 Few shot 示例—— 直接在系统提示里给 AI 看"好的回应长什么样"，效果远比用抽象语言描述更好 ，也值得花时间专门去做。这不是在微调模型，而是在工程化对话质量。 "上下文窗口的管理，直接等于成本管理。把整个知识库塞进每一次交互里，你的预算会烧得比你想象的快得多。" 提示词工程升级后叫"上下文工程"，核心问题变成了：在有限的上下文窗口里，什么信息该加载、什么不该加载。Jyothi 把它分成三层——即时上下文（当前对话）、会话上下文（用户近期交互历史）、知识上下文（知识库相关片段）。她在 Netflix 的血泪教训是：早期团队没有动态加载策略，把整个知识库塞进每一次 LLM 调用，API 账单在一个月内超出预算两倍。 动态决定加载哪一层，是生产系统中真正考验 AI PM 判断力的地方。 这也是 Claude 200K token 上下文窗口听起来很大、但实际用起来仍然需要精心管理的原因。 RAG：每一家上 AI 的企业，都绕不过这一关 RAG（检索增强生成）的原理并不复杂：把公司文档切成小块（Chunking）→ 通过嵌入模型向量化 → 存入向量数据库（Pinecone、Astra DB 等）→ 用户提问时检索最相关片段 → 把检索结果和用户问题一起喂给 LLM → 生成扎根于真实知识库的回答。Jyothi 在直播中用 LangFlow 现场搭了一套 RAG 系统，加载一份"AI in Business 2025"报告，整个过程不需要写一行代码。 她的实践经验是：80% 的企业 AI 场景，RAG 就能解决，根本不需要 Fine tuning。 "Fine tuning 不应该是你的第一选择，甚至不应该是第二选择。它是你把提示词优化、上下文工程、RAG 都试过之后的最后手段。" 这个优先级——提示词优化 → 上下文工程 → RAG → Fine tuning——应该成为 AI PM 的默认工作框架。很多团队因为 Fine tuning 接口就挂在文档里触手可及，就直接跳过前三步，结果花了大量时间和成本，才发现一套好的 RAG 方案就能搞定。Fine tuning 改变的是模型权重，适合需要特定语气风格或领域专业术语高度密集的场景，而不是为了让模型"记住"你的公司知识库——那是 RAG 的工作。理解这个层级，能让你在和工程团队的对话中站到更扎实的位置，也能帮你在预算评审中做出更有依据的决策。 Amazon 写文档、Meta 跑实验、Netflix 给自主权 Jyothi 在三家大厂的经历呈现出三种截然不同的 AI PM 文化。Amazon 是文档驱动：PRFAQ（六页纸）是工程开工前的必经步骤，从用户痛点出发，解释现有方案为何不够，再描述产品如何解决它。 Amazon 的 PM 有 40% 50% 的时间在写文档，这逼出了极强的结构化思维能力。 Meta 则是实验驱动，"快速行动"不是口号，而是嵌入流程的工作方式——PM 需要深度理解代码层，能独立设计多变量实验，让数据来决定方向。 "Netflix 的哲学是'context over control'：公司不控制你怎么做，而是把战略背景讲清楚，然后信任你在这个框架内独立作战。" Netflix 给的是罕见的高度自主权：不要求固定流程，不要求文档格式，要求你能在模糊中定义自己的边界，通过沟通和展示来建立共识。拥有高度自主权的代价是，你必须极度擅长在没有人告诉你"怎么做"的情况下，向整个团队证明"为什么这么做"。至于 Jyothi 为何离开 Netflix 总监职位去全职教学——她的答案很直接：当一个学员告诉你"因为你的课，我的薪资翻了一倍"，那种满足感是任何头衔都换不来的。 对于想进大厂的 AI PM 来说，最重要的建议只有一条：把项目做成产品，让真实用户用起来。 简历上的三个产品，比十张证书更有说服力。 投 AI PM 前，先把这张地图装进脑子里 Jyothi 整个对话的底层逻辑是：AI PM 不是"懂 AI 的 PM"，而是能在概率性系统里做有效决策的人。你需要知道哪类岗位才是真正的 AI PM，需要理解概率性产品的本质，需要判断什么时候该上 AI、用什么技术、如何管理上下文、什么时候用 RAG 而不是 Fine tuning，还要能用自己动手构建的 Agent 或 RAG 系统向面试官证明自己不只是"听说过"这些概念。这张地图装进脑子之后，你看一个 JD 的方式会完全不同——不再是"我能不能做"，而是"这个岗位在哪一层、我缺的是哪块、怎么用三个月把它补上"。带着这套认知去投简历，才算真正准备好了。 内容来源："Stop Applying to AI PM Jobs Until You Watch This"丨Aakash Gupta 原视频：https://www.youtube.com/watch?v=RlsOGvrpEsw 如果你喜欢深度好文，可以用「晚点再听 LaterCast 小程序」，将不方便立刻阅读的文章转成播客，用「听」的方式，稍后阅读，不再错过好文章⇣ ⇣ 关注我，每天为你更新硅谷最新的 AI 创业／科技播客总结，让你与前沿保持同频 ⇣ https://mp.weixin.qq.com/s/i6pb6vyx... 🔗 原文链接： https://mp.weixin.qq.com/s/i6pb6vyx... https://mp.weixin.qq.com/s/i6pb6vyx... 原创 Capihom Capihom 晚点再听LaterCast2026年4月6日 20:31 云南 我们每天为你更新硅谷最新的 AI 创业与科技播客总结，让你与前沿保持同频。 全文约 4100 字，如果你现在没有时间，试试转成播客稍后再听 "AI 产品是概率性的，同样的输入会产生不同输出——这才是 AI PM 和普通 PM 的根本差距。" "80% 被标注为 AI PM 的岗位，只是在给老产品套 AI 外壳。" "先提示词优化，再上下文工程，再 RAG——80% 的问题根本走不到 Fine tuning 那一步。" Jyothi Nookula 在 AI 领域工作了 13.5 年，持有 12 项 AI 专利，先后担任 Amazon SageMaker、Meta PyTorch、Netflix 开发者平台的 AI 产品总监。她见过足够多的人带着满腔热情去投 AI PM 岗位，却对这个职业一知半解——既不清楚 AI PM 和普通 PM 的根本区别，也不知道如何在技术对话中站稳脚跟。这期播客是一堂公开的 AI 产品经理速成课：不是职场鸡汤，是从岗位结构、技术选型、Agent 架构到三家大厂 PM 文化的真实拆解。如果你正在考虑转型或押注 AI 产品方向，这篇值得认真读完。 你投的那个"AI PM"岗，可能根本不是 AI PM Jyothi 一开始就抛出了一个让很多人不舒服的数据：当前市面上被打上"AI PM"标签的岗位， 80% 本质上是传统 PM 加了 AI 功能 ——这类产品在 AI 出现之前已经存在，团队只是在原有产品上叠加了一个聊天机器人、AI 摘要或智能搜索功能。核心用户体验没有变，AI 是"螺丝钉"而非"发动机"。真正意义上的 AI 原生 PM 岗位只占 20%，这类产品的价值主张离开 AI 就无法成立——比如 ChatGPT、GitHub Copilot、Claude、Cursor 这些。 "传统 PM 加 AI 功能，和 AI 原生 PM，是两种完全不同的物种。前者是在给已有产品贴标签，后者是在从零定义一个概率性系统。" 除了岗位类型，AI 产品栈也分三层：应用层 PM 负责端到端用户体验（占 60% 的岗位），平台层 PM 为内部开发团队构建工具（占 30%），基础设施层 PM 负责向量数据库、GPU 调度这类底层系统（占 10%）。 越往下走，技术深度要求越高，岗位越少，竞争反而越激烈。 对于从传统 PM 转型的人来说，应用层是最容易切入的起点。 AI PM 和普通 PM 的核心差距只有一个词：概率性 传统产品是确定性的：你点一个按钮，它永远跳到同一个页面。但 AI 产品是概率性的， 同样的输入，每次可能输出不同的结果 。这不是 bug，是 AI 的本质属性。AI PM 必须从这个底层逻辑出发，重新思考产品设计的每一个维度。 "AI PM 要问的不再是'这个功能能不能用'，而是'用户能接受多大的错误率，超过这个阈值信任就会断裂？'" 由此延伸出三个不同于传统 PM 的工作重心：第一， 数据是第一公民 ，数据质量直接决定模型输出质量，"垃圾进，垃圾出"不是比喻，AI PM 在规划功能之前必须先审视数据管道和数据清洗策略；第二，模型行为需要持续迭代测试，任何一次改动——哪怕只是修改了系统提示——都可能影响整体表现，需要重新评估；第三，单位经济模型是可变的——LLM 回答越长，消耗的 token 越多，成本越高，定价策略必须把这个变量纳入计算。 什么时候该用 AI，什么时候规则就够了 MIT 有一项研究指出，AI 试点失败的核心原因之一是—— 19 个项目里有 18 个，一开始就选错了问题 。Jyothi 在三家大厂积累的经验让她对这个判断有切身体会。AI 真正适合的场景是：数据中存在复杂规律但人类无法手工定义（如 YouTube 推荐）；需要基于历史数据预测未来（如 Amazon 库存预测）；需要为百万级用户提供个性化体验。 "税务计算软件是规则实现的最佳场景——规则复杂但明确，没有必要引入 AI 的不确定性。" 反过来，当可解释性是行业硬要求（如金融合规、医疗审批）、当领域规则足够清晰（如税务计算）、当历史数据稀缺（如新市场新功能）、或者上线速度是第一优先级时，从规则出发反而是更好的选择——先用规则建立基线，积累数据之后再引入 AI。 知道什么时候不该用 AI，和知道什么时候该用 AI 一样重要。 这个判断力，才是 AI PM 的核心竞争力之一，也是区分"懂 AI 的 PM"和"真正的 AI PM"的关键分水岭。 传统 ML、深度学习、GenAI：三把刀，别拿错 很多人一谈 AI 就直接想到 ChatGPT，但 Jyothi 提醒： 一个用传统机器学习一周就能搞定的问题，没必要上 LLM 。AI 技术有三个层级：传统 ML（回归/随机森林/XGBoost）适合结构化数据的预测和分类——"这个问题能不能放进一张表格？如果能，从 ML 开始。"深度学习（神经网络/计算机视觉/语音识别）擅长感知类任务，解决的是"人类能做但规则无法描述"的问题。 "当我看到你的脸，我知道这是 Akash——这对人类轻而易举，但要写成 if else 代码，几乎不可能。这就是深度学习的用武之地。" GenAI（LLM/扩散模型）的核心突破不只是"会写"，更是"能读、能理解上下文、能推理"，适合自然语言交互、内容生成和跨来源合成推理。 这三类技术不是竞争关系，而是工具箱里的不同刀具，优秀的 AI PM 需要知道该拿哪一把。 拿错刀不是技术问题，是判断问题。 工作流 vs 智能体：一个按剧本，一个自己编剧 Jyothi 在直播中用 n8n 做了一个清晰对比。工作流是预定义的步骤序列：获取天气 API → 格式化数据 → 发送邮件，每一步由人定义，结果可预期。 智能体则不同：你只给它一个目标，由它自主决定调用哪些工具、按什么顺序执行。 你问"今天洛杉矶天气怎样"，它查完天气后不会主动发邮件，因为你没要求——这才是真正的智能判断。 "我没说不执行 Gmail，但 Agent 自己判断不需要这个工具。这就是为什么它是真正的 AI 工作流，而不是普通的自动化流程。" 一个完整的 Agent 架构由四个模块组成：感知（接收输入，包括文本、图像、API 数据）、推理（模型决策层，可以是 GPT、Claude 等任何 LLM）、执行（调用工具或 API，如天气接口、Gmail、数据库）、学习（评估结果并迭代改进）。Memory 模块让 Agent 具备状态记忆，避免每次对话都从零开始。AI PM 理解这个架构，不是为了自己写代码，而是为了能和工程团队讨论边界、评估风险、设计合理的兜底方案——比如什么情况下需要降级到确定性工作流，而不是让 Agent 自由发挥。 "提示词工程已死"是谎言，它只是升级了 系统提示定义 Agent 的人格和行为边界，用户提示是用户的实际输入。但 Jyothi 强调，最被低估的技术是 Few shot 示例—— 直接在系统提示里给 AI 看"好的回应长什么样"，效果远比用抽象语言描述更好 ，也值得花时间专门去做。这不是在微调模型，而是在工程化对话质量。 "上下文窗口的管理，直接等于成本管理。把整个知识库塞进每一次交互里，你的预算会烧得比你想象的快得多。" 提示词工程升级后叫"上下文工程"，核心问题变成了：在有限的上下文窗口里，什么信息该加载、什么不该加载。Jyothi 把它分成三层——即时上下文（当前对话）、会话上下文（用户近期交互历史）、知识上下文（知识库相关片段）。她在 Netflix 的血泪教训是：早期团队没有动态加载策略，把整个知识库塞进每一次 LLM 调用，API 账单在一个月内超出预算两倍。 动态决定加载哪一层，是生产系统中真正考验 AI PM 判断力的地方。 这也是 Claude 200K token 上下文窗口听起来很大、但实际用起来仍然需要精心管理的原因。 RAG：每一家上 AI 的企业，都绕不过这一关 RAG（检索增强生成）的原理并不复杂：把公司文档切成小块（Chunking）→ 通过嵌入模型向量化 → 存入向量数据库（Pinecone、Astra DB 等）→ 用户提问时检索最相关片段 → 把检索结果和用户问题一起喂给 LLM → 生成扎根于真实知识库的回答。Jyothi 在直播中用 LangFlow 现场搭了一套 RAG 系统，加载一份"AI in Business 2025"报告，整个过程不需要写一行代码。 她的实践经验是：80% 的企业 AI 场景，RAG 就能解决，根本不需要 Fine tuning。 "Fine tuning 不应该是你的第一选择，甚至不应该是第二选择。它是你把提示词优化、上下文工程、RAG 都试过之后的最后手段。" 这个优先级——提示词优化 → 上下文工程 → RAG → Fine tuning——应该成为 AI PM 的默认工作框架。很多团队因为 Fine tuning 接口就挂在文档里触手可及，就直接跳过前三步，结果花了大量时间和成本，才发现一套好的 RAG 方案就能搞定。Fine tuning 改变的是模型权重，适合需要特定语气风格或领域专业术语高度密集的场景，而不是为了让模型"记住"你的公司知识库——那是 RAG 的工作。理解这个层级，能让你在和工程团队的对话中站到更扎实的位置，也能帮你在预算评审中做出更有依据的决策。 Amazon 写文档、Meta 跑实验、Netflix 给自主权 Jyothi 在三家大厂的经历呈现出三种截然不同的 AI PM 文化。Amazon 是文档驱动：PRFAQ（六页纸）是工程开工前的必经步骤，从用户痛点出发，解释现有方案为何不够，再描述产品如何解决它。 Amazon 的 PM 有 40% 50% 的时间在写文档，这逼出了极强的结构化思维能力。 Meta 则是实验驱动，"快速行动"不是口号，而是嵌入流程的工作方式——PM 需要深度理解代码层，能独立设计多变量实验，让数据来决定方向。 "Netflix 的哲学是'context over control'：公司不控制你怎么做，而是把战略背景讲清楚，然后信任你在这个框架内独立作战。" Netflix 给的是罕见的高度自主权：不要求固定流程，不要求文档格式，要求你能在模糊中定义自己的边界，通过沟通和展示来建立共识。拥有高度自主权的代价是，你必须极度擅长在没有人告诉你"怎么做"的情况下，向整个团队证明"为什么这么做"。至于 Jyothi 为何离开 Netflix 总监职位去全职教学——她的答案很直接：当一个学员告诉你"因为你的课，我的薪资翻了一倍"，那种满足感是任何头衔都换不来的。 对于想进大厂的 AI PM 来说，最重要的建议只有一条：把项目做成产品，让真实用户用起来。 简历上的三个产品，比十张证书更有说服力。 投 AI PM 前，先把这张地图装进脑子里 Jyothi 整个对话的底层逻辑是：AI PM 不是"懂 AI 的 PM"，而是能在概率性系统里做有效决策的人。你需要知道哪类岗位才是真正的 AI PM，需要理解概率性产品的本质，需要判断什么时候该上 AI、用什么技术、如何管理上下文、什么时候用 RAG 而不是 Fine tuning，还要能用自己动手构建的 Agent 或 RAG 系统向面试官证明自己不只是"听说过"这些概念。这张地图装进脑子之后，你看一个 JD 的方式会完全不同——不再是"我能不能做"，而是"这个岗位在哪一层、我缺的是哪块、怎么用三个月把它补上"。带着这套认知去投简历，才算真正准备好了。 内容来源："Stop Applying to AI PM Jobs Until You Watch This"丨Aakash Gupta 原视频：https://www.youtube.com/watch?v=RlsOGvrpEsw 如果你喜欢深度好文，可以用「晚点再听 LaterCast 小程序」，将不方便立刻阅读的文章转成播客，用「听」的方式，稍后阅读，不再错过好文章⇣ ⇣ 关注我，每天为你更新硅谷最新的 AI 创业／科技播客总结，让你与前沿保持同频 ⇣