过去一年，我一直在接触和学习 AI。

学了很多概念。

LLM、RAG、Agent、MCP……

但今天，我突然意识到一个问题。

我一直在学习 AI 技术，却没有真正学习 AI 产品。

于是，我决定给自己开启一个新的系列。

每天拆解一个 AI 产品。

不是学习它有哪些功能。

而是试着回答一个问题：

如果今天我是这个产品的 Product Manager，我会怎么思考？

第一站，我选择了 ChatGPT。

---

ChatGPT 成功，是因为模型厉害吗？

以前如果有人问我：

为什么 ChatGPT 会成功？

我的第一反应大概会是：

因为 GPT 很强。

但今天重新思考之后，我发现，这可能并不是产品经理应该首先回答的问题。

产品经理真正应该问的是：

它到底解决了用户什么问题？

---

我意识到，我以前一直站在公司的角度思考产品。

以前我总觉得。

做产品之前。

首先应该明确公司的目标。

市场需求是什么。

产品能够创造什么价值。

这些当然重要。

但今天我发现。

如果站在 AI Product Manager 的角度。

第一个问题其实应该变成：

用户今天最痛苦的一件事情是什么？

不是：

为什么做。

而是：

为什么用户需要它。

这个区别，看起来很小。

实际上完全改变了我的思考方式。

---

ChatGPT 真正消灭的，不是搜索。

而是摩擦（Friction）。

以前如果我要了解一个陌生领域。

我的流程大概是这样。

Google 搜索。

↓

打开十几个网页。

↓

阅读。

↓

整理。

↓

总结。

↓

得到答案。

而现在。

我的流程变成了：

打开 ChatGPT。

↓

输入问题。

↓

得到答案。

突然发现。

ChatGPT 真正改变的。

不是聊天。

而是：

把一件原本需要很多步骤才能完成的事情，变成了一次对话。

今天我学到了一个特别喜欢的词。

Friction（摩擦）。

很多优秀的 AI 产品。

其实不是创造新的需求。

而是在不断消灭用户完成任务过程中的摩擦。

以后分析 AI 产品。

我都会先问自己一句：

它到底帮用户省掉了哪一步？

---

为什么 ChatGPT 首页只有一个输入框？

以前我一直觉得。

这是极简设计。

像 Apple 一样。

简单。

高级。

不会打扰用户。

但今天我意识到。

真正重要的原因可能不是设计。

而是产品策略。

ChatGPT 刚出现的时候。

没人知道大家会拿它干什么。

有人写代码。

有人写论文。

有人学英语。

有人写小说。

有人做旅行规划。

如果首页直接写：

AI 写作。

AI 翻译。

AI 编程。

反而是在告诉用户：

你只能这么用。

而一个输入框。

意味着：

你可以拿它做任何事情。

用户自己探索出来的使用场景。

往往比产品经理想出来的更多。

这也是我第一次意识到。

AI Native 产品。

很多时候不是设计用户路径。

而是给用户留下探索空间。

---

为什么 ChatGPT 一开始免费？

以前我觉得答案很简单。

免费。

降低门槛。

培养用户习惯。

等用户形成依赖。

再升级订阅。

今天我发现。

还有另外一种解释。

免费。

其实是在获取真实世界的数据。

每天几千万次提问。

其实都在告诉 OpenAI：

用户真正需要什么。

哪些场景出现得最多。

哪些回答效果不好。

哪些能力值得继续投入。

也就是说。

免费不仅是在获得用户。

也是在获得产品方向。

---

如果每天有一千万人都在问：

“帮我写简历。” 应该怎么办？

我第一反应是：

既优化 Prompt。

也开发一个 Resume Mode。

后来我发现。

这其实暴露了一个自己以前的习惯。

总想一次把事情做好。

但是 AI 创业公司的思路可能完全不同。

如果今天。

只优化 Prompt。

就已经可以解决 80% 的问题。

为什么要马上投入开发一个新功能？

真正值得做的顺序可能是：

先验证。

再产品化。

先证明用户真的需要。

再投入更多资源。

这一点。

我觉得特别像创业。

资源永远有限。

所以。

不是所有正确的事情。

都应该同时做。

---

今天最大的收获

今天没有学习任何模型。

也没有写任何 Prompt。

但我感觉自己的产品思维发生了一点变化。

以前分析一个 AI 产品。

我会关注：

它用了哪个模型？

参数有多大？

是不是 Agent？

今天开始。

我更想先回答四个问题：

第一。

用户真正想完成的任务是什么？

第二。

AI 消灭了哪一步摩擦？

第三。

这个产品为什么选择现在这样的交互方式？

第四。

如果资源有限。

我应该先验证什么？

---

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓