AI Product Engineer：12 周求职学习路线图

把 AI 产品岗位需要的产品思维、Agent/RAG 技术理解、项目叙事和面试准备拆成 12 周可执行路线。

这篇适合谁读

如果你已经能做 AI demo、会用大模型工具写代码或搭建工作流，但还不确定怎么把这些经验讲成“AI Product Engineer”的能力，这篇路线图更适合你。它不是通用的产品经理入门清单，而是面向 AI 产品岗位，把学习、作品集和面试表达放在一条线上。

核心目标是三件事：

把零散的 AI 工具使用经验整理成产品判断。
把个人项目重写成可展示的作品集叙事。
把 Agent、RAG、Prompt、评估和记忆系统讲成能被面试官理解的结构。

岗位能力拆解

AI Product Engineer 不是纯产品经理，也不是纯工程师。它更像是连接“模型能力”和“用户体验”的角色。岗位要求可以拆成四层：

能力层	需要证明什么	可展示材料
AI 基础理解	知道 LLM 能做什么、不能做什么	Prompt 决策树、RAG/Agent 选型笔记
产品结构能力	能从场景、用户旅程、优先级讲清功能取舍	RICE、JTBD、用户故事地图
项目落地能力	能从 0 到 1 做出可体验原型	GitHub、Demo、项目复盘
表达与面试能力	能把技术实现翻译成用户价值	STAR 故事、作品集 case study

12 周路线总览

gantt title AI Product Engineer 12 周学习路线 dateFormat YYYY-MM-DD axisFormat %m/%d section Phase 1: AI 产品基础 LLM 能力边界与 Prompt 策略 :p1a, 2026-06-25, 14d RAG / Agent / Tool Calling 选型 :p1b, after p1a, 14d section Phase 2: 产品框架训练 RICE / KANO / JTBD :p2a, after p1a, 14d 用户旅程和信息架构 :p2b, after p2a, 14d section Phase 3: 项目作品集重写已有项目叙事 :p3a, after p2a, 14d 完成可体验 Demo 与案例页 :p3b, after p3a, 14d section Phase 4: 面试准备 STAR 故事与产品题 :p4a, after p3b, 14d 模拟面试与复盘 :p4b, after p4a, 14d

Phase 1：建立 AI 产品知识体系

这一阶段不要只学“怎么写 prompt”。更重要的是回答：什么时候 prompt 足够，什么时候需要 RAG，什么时候需要工具调用，什么时候才需要训练或微调。

建议输出四篇短笔记：

主题	要回答的问题	输出形式
Prompt 策略	为什么这不是一句提示词能解决的问题	Prompt 决策树
RAG 选型	什么场景需要检索增强，检索失败怎么降级	RAG pipeline 图
Agent 架构	Agent 需要计划、记忆和工具的哪一部分	调用链路图
评估体系	怎么判断 AI 功能“真的有用”	指标表和失败案例

一个能复用的决策框架：

flowchart TD A["用户问题是否依赖外部知识?"] -->|否| B["Prompt / few-shot 优化"] A -->|是| C["知识是否频繁更新?"] C -->|是| D["RAG + 来源引用"] C -->|否| E["可考虑结构化知识库或微调"] D --> F["是否需要执行操作?"] F -->|是| G["Tool Calling / Agent Workflow"] F -->|否| H["检索 + 生成 + 评估"]

Phase 2：补产品语言

很多 AI 项目讲不清，不是功能少，而是缺少产品语言。一个功能至少要能讲清：

用户在什么时刻需要它。
它解决的是效率、质量、成本还是体验问题。
为什么不是普通软件功能，而是 AI 才能提供额外价值。
失败时如何让用户恢复控制。

练习建议：

框架	用在哪	练习题
RICE	功能优先级	给 AutoNovel 的 10 个功能排序
JTBD	价值主张	用户为什么会“雇佣” Loading Mind
AARRR	增长漏斗	Tokens Counter 如何从访问变成复用
用户故事地图	信息架构	从打开页面到完成研究的完整路径

Phase 3：项目作品集重塑

AI 产品岗位最需要“可验证”的材料。项目不应该只写技术栈，而要写成产品案例。

推荐模板：

项目名：
一句话定位：
目标用户：
用户痛点：
AI 能力：
关键产品决策：
为什么非 AI 不可：
Demo / GitHub / 截图：
下一步验证指标：

项目叙事可以这样改：

原始事实	公开叙事
写了 Token Counter	面向 AI 开发者的 Token 成本估算与模型选择工具
做了 Loading Mind	把 AI 研究过程可视化，让中间推理路径可以被检查
搭了知识库	从采集、整理、链接到检索的个人 AI 知识管理系统
做了博客迁移	从静态产物迁移到可维护源码站点的内容工程实践

Phase 4：面试表达

面试准备不是背答案，而是让每个项目都能从三个角度说清。

flowchart LR A["项目事实"] --> B["用户价值"] B --> C["关键决策"] C --> D["可验证结果"] D --> E["下一步指标"]

建议准备三类题：

类型	示例问题	准备方式
产品题	设计一个 AI 学习助手	用场景、用户、指标、失败态回答
AI 深度题	RAG 的局限在哪里	用检索、上下文、评估和来源可信度回答
行为题	讲一个从 0 到 1 项目	用 STAR，但重点讲决策而不是流水账

可执行检查表

第 1-2 周：完成 Prompt、RAG、Agent、评估四篇短笔记。
第 3-4 周：用 RICE、JTBD、用户旅程重写 3 个自己的项目。
第 5-6 周：补 Demo 截图、GitHub README、博客复盘文章。
第 7-8 周：写 5 个 STAR 故事，覆盖技术、产品、协作、失败和复盘。
第 9-12 周：持续模拟面试，把回答从“我做了什么”改成“我为什么这么做”。

复盘标准

这条路线的最终产出不是一堆收藏链接，而是一个能公开展示的作品集系统：每个项目都有定位、用户、取舍、截图、Demo 和下一步指标。只要别人打开博客能看出你在持续学习、持续落地、持续复盘，这条路线就有效。