一、策略產品的定義和能力模型

1. 策略產品的定義

策略產品，即在限制條件內，通過推動項目、設定評估體系和全面評估項目收益三種手段，達到全局最優解的產品崗位。

• 限制條件：法律法規限制（如黃色內容在國內是禁止的），用戶體驗設計（如客戶端彈窗三次是體驗規范不允許的，一般只彈窗一次），項目資源設計（設備、人力等資源都是有限的），策略產品必須在這些邊界條件內去求解。
• 推動項目：包括三個關鍵點，首先，項目潤滑工作必不可少；第二，要厘清 PRD 細節，包括宏觀上的定義和微觀上的設計；第三是要拉到關鍵決策人推動項目。
• 設定評估體系：一級指標、二級指標是什么。
• 全面評估項目收益：評估方式包括主觀評估體驗測量和數據測量。
• 全局最優解：可以理解為 100 條平行世界線里邊我們能做到 top 多少，測量方式主要是看項目復盤時，每一步的信息量，看浪費的時間占比，逐步復盤逐步校準自己的標準動作。

2. 產品經理的三個代際

產品經理有三個代際，從古典產品到策略產品，再到 AI 產品。2010 年之前是古典產品，當時古典產品主體的能力體現在用戶的同理心和產品架構的能力，以及項目管理的能力。在 2014～2023 年間出現了策略產品，策略產品需要的能力是數據分析和模型理解。2023 年 1 月之后市面上出來了很多做 AI native 的原生產品的 PM，即 AI 產品。

所有產品經理需要具備的能力可以抽象為四個模塊，即用戶同理心和產品架構能力、數據分析能力、模型理解能力和項目管理能力。其中用戶同理心和產品架構能力是所有產品經理都必須具備的基本能力，可以通過學習用戶 case，以及閱讀心理、經濟和商業類書籍來提升相關能力。數據分析能力對應策略產品和 AI 產品來說也是至關重要的，需要以假設驅動，先建立假設，再去用實驗驗證。模型理解能力方面，策略產品和 AI 產品的區別主要在于，策略產品需要學習的是機器學習中的一些模型，比如說推薦搜索廣告模型里邊的一些常見模型，而 AI 產品需要去理解大語言模型，搜推模型大多是漏斗模型，而大語言模型大多基于 Transformer，改動不大。最后是項目管理的能力，主要是如何制定 OKR。

3. 策略產品 TD 簡化版

上圖展示的 TD 簡化版可以作為一個自我提升的參考。在圖中的職業體系表格中，每個維度檔位分成四個分值，大多數不滿足就是 0 分，比較資深的滿足就是 3 分。總分是四項能力得分的加和。每個職級設定了一個最低分，假設一位四級的同學，一般是校招生同學的水平，我們會允許其項目管理是 0 分，但總分不能低于 4 分。

這套職級體系不一定適用于所有企業的情況，但實踐下來的結果是團隊的策略產品同學能很快明確差距，找到自己職業成長的“加點路線”。

4. 實際 workflow

項目中實際的工作流包括三層，即邏輯層、實現層和交互層。策略產品和 AI 產品在項目中首先要做的都是理清項目 OKR 和 KA，接下來策略產品的重點在于漏斗模型的優化，而AI 產品的重點在于數據生產與數據對齊的優化。

下面將圍繞六個問題，重點分享 AI 時代策略產品的發展趨勢。

二、AI 時代的策略產品趨勢

問題 1：搜推策略產品是否會被 AI 產品經理取代？

觀點：搜推策略產品不會被 AI 產品經理取代?，F在的連接是通過個性化的推薦和搜索，推薦個性化主體在于人的個性化。而 AI 是一種計算，類似于 y=f（x） 的一個函數。計算需要的是感知，感知就是輸入，需要感知外界信息。搜推解決的是連接問題，而 AI 解決的是計算問題，這兩件事情其實并不沖突。比如說做搜索推薦，既可以做網站的搜索推薦，又可以做 APP 的搜索推薦，還可以做內容搜索推薦，也可以做 AIGS 搜索推薦，而計算本身像網頁、APP、AIGS 一定是馬太效應。

問題 2：現在的 AI chatBox 模式和未來的理想態產品有什么區別？

觀點：當前的 checkbox 模式仍處于 Dos 時代，突破點取決于產品更新。第一個突破點在于硬件更新帶來的 big bang 的交互。移動互聯網質變也是源于前后攝像頭的變化和 GPS。因為有攝像頭才有了短視頻，因為有了 GPS 才有了 local base 的美團、滴滴這樣的公司。AI 互聯網的質變會依賴端側模型的計算和可穿戴設備，但具體是什么，其實現在沒有人說得清，這可能還需要很多用戶教育。未來的職業會有兩大類，一類是創意家，一類是科學家。人類需要補強同理心，邏輯推理、表達同情和資源整合的相關能力。群聚需求還仍然是人類的本性，就算是有大模型，還是需要連接解決。無論什么時代，逛街的需求還是很旺盛的。這是人類的本性，或者一些交友區的本性。

問題 3：產品經理是否有繼續存在的必要？未來推薦策略的終局是怎樣的？

觀點：大多數用戶認識不到自己的需求且不會提問。產品經理的作用主要是解決商業邏輯、數據飛輪的自我增強以及需求的匹配。未來很多人會有 AI 助理，大模型出現之后，人類會更愿意把自己的心里話交給大模型，所以情感陪伴類的 APP 越來越受歡迎。大模型會比現在的推薦模型更了解用戶，從而真正做到個性化推薦。00 后是數字時代的原住民，會比 80、90 后更接受 AI 數字人具備意識的觀點。

問題 4：AI 來了，產品經理從業者是否需要立即切換賽道成為 AI 產品經理？

觀點：LLM 技術進步速度大于產品進步速度，我們基本上每個季度都能看到進步，行業會集體往上邁一大步。但是大模型產品，其實依賴用戶教育，也依賴硬件能力的升級和鋪量，這個過程就很類似于電力和蒸汽機的這種歷史關系。這其中有幾個分論點，第一個論點是搜推是中心化的，誰拿到第一張門票，誰就能積累先發優勢，所以要是新人做推薦，一定要在行業第一的廠子里面接觸最核心的技術。第二，AI 是計算，是去中心化的，其核心養料其實是專有數據，而大模型的提供方其實是中心化的。

技術更替是一個長期的漸進的過程。新舊動力會長期并存，直到新技術在性能、成本、基礎設施等方面全面超過舊技術。歷史上新舊交接的過程按長則 100 年，短則 30 年，但是大模型行業生態的變化可能是 5 到 10 年就可以完成，因為現在的信息比之前密集。但是作為我們的職業生涯選擇來說，早半年進入和晚半年進入其實差異不算特別大。

問題 5：服務推薦和內容推薦有什么區別？AIGS 的服務是怎樣的？

觀點：LBS 服務推薦與內容推薦的區別主要是在時空獨占性、體驗容忍度，外部環境和系統公平性四個方面。AIGS（AI Generate Service）的服務是怎樣的？我認為當下的智能體的概念其實屬于 AIGS 的范疇，AIGS 如果滿足了 big bang UI 以及消除幻覺的 database，在感知分析型的鏈條里，人類會更加默許 AIGS 對物理世界的干擾，但會創造更多的 AI 監督公務員崗位。AIGS 在 GPTs 中是一種類似商店的生態，我判斷應該是中心化的，好的網頁也是符合馬太效應的，好的 AIGS 更 Match 用戶需求的場景，比如提供更易用的交互以及更準確的輸出。在行動即使錯誤也不太會產生嚴重后果的領域，人類會更加默許 AIGS 服務，就像今天開車基本上完全相信導航一樣。

問題 6：大模型有哪些需要提升的？當前大模型訓練與調參有哪些心得？

觀點：大模型主體有三部分工作，首先是 context length 上下文的長度，第二是 reasoning depths 推理深度，第三是 instruction compliance 指令遵循。

大模型的偉大構想其實來自于 next-token-prediction，通過預測下一個詞是什么，讓模型本身學會世界知識，而語言就包含著世界知識，所以像 word2vec/PNN/LSTM/transformer 都是提升了 context length。推理深度的提升，現在 O1 模型是通過提升思維鏈 COT 和推理時間來提升推理能力，所以第二個范式就是最近大家總提到強化學習的范式。指令遵循方面，其實我們在項目中也會遇到一些問題，比如給大模型提了一條指令，但是大模型不聽話，這其實是它的基礎模型能力不足，思考深度不夠造成的。

人類和大模型不擅長的東西很接近，大模型和人類都是語言模型，不擅長計算，而計算機是浮點數模型，更擅長計算。人類和大模型的優勢是擅長使用工具，所以 AI agent 之間可以協同并調用工具。如何在未來讓 AI 之間能更好地相互協作？首先需要給 AI 設計軟件，這就涉及 AI 和人類使用工具的差異，人類只能異步處理問題，而大模型則可以同時并發做很多事情。

三、2024 年觀察與思考

如何提升點擊率時長，主要有三個因素：質量因素，興趣因素和場景因素。音頻這種少數內容的推薦強依賴于場景因素，是種伴隨式的推薦，更多的是取決于用戶是否進入到一種被動消費。中短期興趣決定短期留存，長期興趣決定長期留存，這也是一個比較重要的觀察。單 click 的時長越長，一般意味著決策成本越高的內容。我們發現圖片和文字類運營優化往往 ROI 很高，比如按鈕文字加入動詞。用戶喜歡動名詞，而不喜歡名詞，比如馬車是名詞，但是拉動馬車是動名詞，只要有動名詞，用戶的動作就會變多。

提升點擊一般不能提升時長，提升時長的主要方式還是提升興趣匹配下內容的時長承載量。

基礎特征構建方面，就最近的幾年的觀察來看，模型越來越需要“粗糧特征”，因為模型的能力越來越強，但是所有的策略產品相關的規則策略和函數策略還是需要“精糧特征”來做。

00 后的同學已經開始自主學習，關鍵在于如何打造學習型的面向未來的組織。未來的時代競爭，公司以及團隊規模會越來越小，但借助 AI 和工具力量可以實現很大的能量。未來存在著非常多的不確定性，所以團隊必須是學習型的團隊。

方向選擇和聚焦的重要性：作為一線員工來說，應該提升的是同理心產品架構、數據分析、因果推斷的能力以及模型理解能力來降低自己被 AI 取代的概率。

焦慮的本質來源于精確性的缺失，治療焦慮需要提升精確性。從工業革命以來，多個職業產生與消失是很常見的現象，所以保持知識結構的更新是對抗焦慮的最佳方式。日常多看書，多與行業中其他人進行交流。正如《納瓦爾寶典》里面的觀點，在下個時代中，保持構建的能力和銷售的能力，把自己當做一人公司去運營，擅長使用杠桿，構建自己的第二曲線。