AI Agent 产品经理转型实战

帮助一位3年传统内部工具产品经理完成向 AI Agent 产品经理的系统性转型。学员具备扎实的传统PM功底（需求分析、项目管理、数据驱动、利益相关者管理）和浅层AI Agent接触（提示词+RAG+简单工具调用，单次处理模式），但LLM基础认知空白（5%）、Agent架构碎片化（35%）、产品方法论大面积空白（20%）。课程从LLM能力边界这一第一性原理出发，经Agent六模块架构与ReAct循环的系统认知，到结构化Prompt Engineering与评估体系的产品方法论，最终以端到端实操项目产出作品集，达成Agent PM岗位面试竞争力。

第一阶段：LLM 认知地基

理解 Agent 的大脑——建立对 LLM 工作原理和能力边界的清晰认知，这是后续所有 Agent 设计决策的第一性原理。

Transformer 与 LLM 的工作原理：从黑箱使用者到理解引擎运作——用自己的话解释 Self-Attention 的核心思想、Decoder-only 架构特点，以及 LLM 如何「理解」和生成文本。不推导数学，建立直觉。
LLM 的能力边界：准确识别 LLM 的幻觉类型、推理不可靠性、上下文窗口限制和 Temperature 效应，并能说明这些边界对 Agent 产品意味着什么。这是整个课程最重要的「门槛概念」之一。
从 LLM 调用到 Agent 雏形：理解 Function Calling 的工作原理，解释 System Prompt 的角色，判断单次处理模式的适用边界和局限。从学员已有的 Prompt+RAG 经验出发，平稳过渡到 Agent 思维的起点。

LLM 认知地基——理解 Agent 的大脑

建立对 LLM 底层原理和能力边界的系统性认知，为后续所有 Agent 设计决策打下根基。这个阶段不可跳过——学员在 Q1（Transformer）和 Q2（LLM 能力边界）均为空白，不理解 Agent 的「大脑」就无法做出独立的 Agent 产品判断。

Transformer 与 LLM 的工作原理：建立对 LLM 底层机制的直觉理解：Self-Attention 解决什么问题、Decoder-only 架构的特点、LLM 如何生成文本。目标不是数学推导，而是建立能支撑产品决策的「足够好的心理模型」。
LLM 的能力边界：系统学习 LLM 的四大能力边界：幻觉（及分类）、推理不可靠性、上下文窗口限制、Temperature与确定性的关系。这是整个课程的「第一性原理」——后续所有 Agent 架构设计和产品决策都建立在对这些边界的清醒认识上。
从 LLM 调用到 Agent 雏形：理解 Function Calling 的工作原理、System Prompt 的角色定位、单次处理（Single-turn）模式的能力边界。学员在历史项目中接触过这些机制但未深入理解其原理，本讲将碎片化经验整合为系统性认知，并为下一阶段的 ReAct 模式做铺垫。

Agent 架构系统认知——从单次问答到自主循环

构建 Agent 六模块完整框架，攻克 ReAct 循环这一从单次处理到自主规划的核心范式转换。学员在 Q3 遗漏了「反思纠错」和「动作执行」模块，在 Q4 将「响应速度慢」误认为自主规划的本质特征——本阶段要完成碎片化认知的系统性重建。

Agent 六模块全景架构：完整学习 Agent 的六大核心模块——规划（Planning）、记忆（Memory）、工具调用（Tool Use）、动作执行（Action）、反思纠错（Reflection）、Human-in-the-Loop——各自的职责、输入输出和协作关系。用完整的六模块框架替换学员当前仅有三模块的碎片化认知。
ReAct：从问答到自主循环：深入理解「思考→行动→观察→思考」的 ReAct 循环——这是自主规划 Agent 区别于单次处理 Agent 的本质所在。澄清 Q4 暴露的「响应慢=自主规划」的认知误区，建立判断「什么时候需要 ReAct 模式」的决策框架。
工具调用与工具设计：从产品设计视角（非纯技术视角）理解工具调用：工具描述如何影响模型的选择准确率、参数约束如何减少「编造参数」行为、工具粒度的权衡（过粗 vs 过细）、错误返回信息如何支持 Agent 自我纠错。产出：为给定场景设计一个完整的工具定义。
Agent 记忆系统设计：区分短期记忆、长期记忆、工作记忆三种记忆类型的产品定位和设计策略。重点建立「记忆管理是产品设计问题而非纯技术问题」的认知——检索触发策略、内容过滤排序、跨会话信息继承都是 PM 需要做的设计决策。
反思纠错与 Human-in-the-Loop：设计 Agent 的自我纠错机制——何时触发反思、如何评估执行结果、如何调整后续策略。同时学习 HITL 的设计原则——在不可逆操作、低置信度决策、权限边界和安全风险场景中插入人工确认节点，平衡自动化效率与安全可控。

第二阶段：Agent 架构系统认知

从碎片化认知到完整框架——掌握 Agent 六模块架构、ReAct 自主循环、工具设计、记忆系统和 HITL，完成从单次问答到自主循环的概念跃迁。

Agent 六模块全景架构：完整描述规划/记忆/工具调用/动作执行/反思纠错/HITL 六大模块的职责、输入输出和协作关系。建立一个可以持续往里填细节的全局心智模型。
ReAct：从问答到自主循环：解释「思考→行动→观察→思考」循环的每一步，对比单次处理与自主规划的本质区别（而非表面区别如速度快慢），独立判断一个场景是否需要 ReAct 模式。这是整个课程最重要的认知跃迁节点。
工具调用与工具设计：设计一个工具的完整定义（描述、参数 schema、返回格式），运用粒度权衡原则，写出能引导模型正确选工具的 Tool Description。将 Q11 诊断空白转化为实操能力。
Agent 记忆系统设计：区分短期/长期/工作记忆的产品定位，设计记忆检索触发策略，解释「记忆管理是产品设计问题而非纯技术问题」。
反思纠错与 Human-in-the-Loop：设计 Agent 的自我纠错触发条件和策略，判断 HITL 的插入时机——平衡自动化效率与安全可控。不要让 Agent 变成失去控制的自动驾驶。

第三阶段：Agent PM 产品方法论

从「凭感觉」到「工程化」——将 Prompt Engineering 升级为结构化+测试驱动，搭建多维评估体系，将已有的归因直觉系统化为标准方法论，掌握 Agent 产品设计全流程。

结构化 Prompt Engineering：将「凭感觉写提示词」升级为分层设计（指令层→约束层→格式层→示例层），使用测试用例集驱动迭代，处理「Agent 编造参数」等典型问题。直接回应 Q8/Q16 的诊断空白。
Agent 评估体系搭建：搭建多维评估指标（任务完成率/工具准确率/规划合理性/幻觉率），构建≥10条的测试用例集，区分在线评估与离线评估。从 Q9 零基础到能独立设计评估方案。
Badcase 归因与迭代闭环：将已有的直觉性分层归因系统化为标准方法论（感知→决策→执行→输出四层），建立「badcase收集→归因→方案→优化→验证」的完整闭环。学员亮点能力，加速通过。
Agent 产品设计全流程：从需求分析到上线：场景适合性判断、工具集设计、提示词架构、HITL策略、UX设计模式、成本-延迟 trade-off。综合前三阶段全部知识，形成完整的 Agent 产品设计方法论。

Agent PM 产品方法论——从凭感觉到工程化

将 Agent 产品设计的核心方法论从「凭感觉/试错」升级到「结构化/可评估/可迭代」。学员在 Q8 展现了 Prompt Engineering 的试错阶段、Q9 评估体系完全空白、Q10 有归因直觉但未系统化——本阶段重点建设 Prompt Engineering、评估体系和归因方法论三大能力支柱。

结构化 Prompt Engineering：从「凭感觉写提示词」升级到分层结构化设计：指令层（做什么）→ 约束层（不做什么）→ 格式层（如何输出）→ 示例层（Few-shot 范例）。运用「结构化约束 + 示例 + 测试集验证」的组合方法解决 Agent 编造参数、遗漏信息等典型问题。
Agent 评估体系搭建：从零搭建 Agent 多维评估体系：定义任务完成率、工具调用准确率、规划合理性和幻觉率等核心指标，构建 ≥10 条覆盖正常场景和边界场景的测试用例集，区分在线评估与离线评估的设计差异和适用场景。
Badcase 归因与迭代闭环：将学员已有的直觉性分层归因思维（Q10 亮点）显性化和系统化为标准四层归因框架（感知层→决策层→执行层→输出层），建立「badcase 收集 → 归因分析 → 优化方案 → 验证上线 → 持续监控」的完整产品迭代闭环。此讲利用学员已有基础加速通过。
Agent 产品设计全流程：贯通前 11 讲所学，走通一个 Agent 产品从需求分析到上线的完整设计流程：场景适合性判断 → 工具集设计 → 提示词架构 → HITL 策略 → UX 设计模式（流式输出、等待体验、置信度展示）→ 成本-延迟 trade-off 决策。

第四阶段：实战、前沿与求职

端到端完成一个 Agent 产品——从0到1的设计和迭代，可以写入简历作品集。同步补齐前沿方向认知（MCP/Multi-Agent/GUI Agent），完成面试准备。

实操项目（上）：Agent 产品从 0 到 1 设计：独立完成选题、范围定义、技术方案设计、系统提示词编写、工具集定义——输出一个完整 Agent 产品的设计文档。建议选择学员熟悉的「内部工具」领域（如IT支持助手、数据分析助手），降低业务认知坡度。
实操项目（下）：评估、迭代与复盘：为项目搭建测试用例集和评估指标，执行至少一轮 badcase 归因和优化迭代，产出评估报告。完成 Agent 产品从设计→评估→迭代的完整闭环。
前沿方向：MCP、Multi-Agent 与 GUI Agent：理解 MCP 协议（AI世界的USB-C）、多智能体协作的架构模式与适用条件、GUI Agent 的视觉操作范式。在有了完整单Agent实战经验后，这些前沿方向的理解会更加扎实。
作品集打磨与面试实战：整理作品集叙事，掌握 Agent PM 面试的常见技术问题和 case study 应答结构，建立行业信息持续追踪机制。从「学到了」到「能拿到offer」的最后一步。

实战、前沿与求职——作品集就绪

通过一个端到端的 Agent 产品实操项目，将前三个阶段的知识转化为可展示的作品集；补充 MCP、Multi-Agent、GUI Agent 等前沿方向的认知；最终完成作品集打磨和面试实战准备，使学员具备 AI Agent PM 岗位的面试竞争力。

实操项目：Agent 产品从 0 到 1：独立完成一个 Agent 产品的端到端设计：选题（优先学员熟悉的内部工具领域）→ 范围定义 → 六模块协作方案 → 系统提示词编写 → 工具集完整定义。产出可写入简历的 Agent 产品设计文档。
实操项目：评估与迭代：为第 13 讲的项目搭建测试用例集和评估指标，执行至少一轮 badcase 归因和提示词/工具优化迭代，产出评估报告。让学员完整体验「设计 → 测试 → 发现问题 → 归因 → 优化 → 验证」的 Agent PM 核心工作闭环。
前沿方向：MCP、Multi-Agent 与 GUI Agent：建立对三大前沿方向的够用认知：MCP 协议（AI 世界的 USB-C——统一工具集成标准）、Multi-Agent 架构（多智能体协作的适用条件与通信模式）、GUI Agent（视觉理解和界面操作的新范式）。目标是面试够用 + 保持行业视野，非深度掌握。
作品集打磨与面试实战：将项目产出整理为面试作品集叙事，掌握 Agent PM 面试中常见的技术问题（LLM 能力边界、Agent 架构选型、评估体系设计）和 Case Study 的应答结构，建立行业信息持续追踪机制（关键信息源、过滤标准、学习节奏）。