AI Product Engineer：项目学习路线网

这篇适合谁读

如果你面对 AI 产品学习资料时容易陷入“什么都想学”的状态，可以先用这张项目网络收敛方向。它把知识点拆成 9 个领域，每个领域都对应可以体验、阅读或复现的项目。

目标不是收藏 90 个链接，而是知道每个方向为什么值得学，以及它能补哪一块能力。

领域索引

学习优先级

第一梯队：先包装已有优势

AI 产品设计模式

这是最直接能展示产品思维的方向。你需要观察成熟 AI 产品如何处理入口、等待、引用、纠错、迭代和用户控制。

建议学习对象：

• ChatGPT：对话、Projects、Memory、Canvas。
• Claude：Projects、Artifacts、长内容展示。
• Perplexity：来源引用和可信答案。
• Cursor：内联编辑、上下文引用、多文件改动。
• Notion AI：把 AI 嵌入原有写作路径。

输出物：写一篇“AI 产品交互模式清单”，每个模式配一个真实产品例子。

Agent 系统

Agent 不是“让模型自己想办法”的魔法，而是计划、工具、记忆和状态管理的组合。要重点区分 workflow 和 agent：

输出物：画出一个自己项目的 Agent 调用链路，标出输入、工具、状态和失败恢复。

Prompt Engineering

Prompt 的核心不是“模板库”，而是“任务设计”。每个 prompt 都应该说明：

• 输入是什么。
• 输出结构是什么。
• 什么算失败。
• 模型不确定时应该怎么做。
• 是否需要引用来源或拒答。

输出物：整理一个 prompt 自检清单，用于检查自己的 AI 功能。

第二梯队：补技术深度

RAG

RAG 是 AI 产品里最常见的知识增强方案。学习时不要只看代码，要理解产品问题：

• 来源如何展示，用户为什么相信。
• 检索不到时如何提示。
• 多来源冲突时如何处理。
• 引用和回答如何对齐。

Tool Calling

Tool Calling 的关键是把“模型想做的事”约束成可验证调用。学习重点：

• tool schema 怎么设计。
• 参数错误如何恢复。
• 权限和确认如何做。
• 什么时候需要人类确认。

AI 记忆系统

记忆系统是 C 端 AI 产品的关键差异点。学习重点不是“存更多上下文”，而是：

• 用户能不能看到 AI 记住了什么。
• 用户能不能删除或修改记忆。
• 记忆什么时候参与回答。
• 记错时如何修正。

第三梯队：拓展视野

评估与安全、多模态、模型部署与选型都很重要，但第一阶段不必深挖到工程细节。更适合用来补充产品判断：

• 评估：怎么证明 AI 功能变好了。
• 多模态：什么场景必须引入图像、语音或视频。
• 部署：成本、延迟、质量之间如何取舍。

推荐学习顺序

使用这张路线网的方法

每周只选一个领域，不要同时打开所有链接。每个领域至少产出一个公开结果：

• 一张结构图。
• 一篇案例复盘。
• 一个小 demo。
• 一个项目 README 的重写版本。

当这些输出能在博客里串起来，学习路线就不只是“收藏夹”，而会变成别人能看见的成长档案。