建立 AI PM 角色认知，掌握 LLM 工作原理通俗模型，能对市面上任一 AI 产品做结构化拆解。
- 1.1 传统 PM vs AI PM — 能力模型差异与转身路径
- 1.2 LLM 工作原理通俗版 — token、上下文窗口、温度、幻觉
- 1.3 AI 产品分类地图 — Copilot / Agent / Search / Generate 四象限
- 1.4 行业案例速览 — ChatGPT、Cursor、Perplexity 产品拆解练习
- 1.5 AI PM 的日常 — 从 prompt 调试到模型选型决策
实践项目：选取一个主流 AI 产品，按给定框架完成 1 页分析卡片（定位 / 核心能力 / 模型依赖 / 竞品差异 / 你的改进建议）
Bloom:
记
理
用
析
评
创
记→理→用
从零掌握 prompt 工程方法，用 prompt 构建低保真原型、模拟用户场景，快速验证产品假设。
- 2.1 基础 prompt 结构 — 角色 / 任务 / 格式 / 约束四要素
- 2.2 Few-shot、Chain-of-Thought、结构化输出技巧
- 2.3 用 prompt 模拟用户场景 — 搭建对话式原型验证 idea
- 2.4 迭代优化 prompt — 评估-对比-改进闭环
- 2.5 陷阱与安全 — 注入攻击、越狱、偏见识别
实践项目：自选一个产品 idea，用 prompt 搭建对话式原型，完成 5 轮用户场景模拟，输出验证报告（假设 / 测试对话 / 结论 / 下一步）
Bloom:
记
理
用
析
评
创
理→用→析
掌握 LLM 输出评估体系，理解 token 经济学与延迟约束，能设计产品级评估方案并做 A/B 实验。
- 3.1 LLM 输出质量评估 — 准确性 / 一致性 / 安全性三维框架
- 3.2 产品级指标 — 延迟、成本、Token 消耗、吞吐量
- 3.3 从 bad case 到产品迭代 — 用户反馈闭环设计
- 3.4 A/B 测试 LLM 产品 — 实验设计与统计显著性入门
实践项目：针对一个 LLM 产品场景，设计完整评估方案（含 10+ 测试用例 / 评分 rubric / 成本测算 / A/B 实验设计）
Bloom:
记
理
用
析
评
创
用→析→评
从用户故事到验收标准，掌握 LLM 产品 PRD 的完整写作框架，包含 prompt 交互流与模型行为边界定义。
- 4.1 LLM 产品 PRD 结构 — 与传统 PRD 的关键差异
- 4.2 用户故事 + 场景设计 — 含 prompt 交互流描述
- 4.3 验收标准 + 失败处理 — 模型行为边界与 fallback 策略
- 4.4 技术可行性速查 — API 选型 / 成本估算 / 延迟预算
实践项目：基于模块 2 验证的 idea，完成一份完整 LLM 产品 PRD 草稿（目标用户 / 场景 / 功能描述 / prompt 交互流 / 验收标准 / 成本估算）
Bloom:
记
理
用
析
评
创
用→析→创
整合前 4 模块技能，独立完成从 idea 到 PRD 的全流程，学会向利益相关方陈述 AI 产品价值。
- 5.1 从 idea 到 PRD — 全流程复盘与方法论沉淀
- 5.2 答辩准备 — 如何向工程师 / 业务方 / 管理层陈述 AI 产品价值
- 5.3 同行评审 — 互相评审 PRD，练习给与接受反馈
终课项目：提交完整 LLM 产品 PRD + prompt 验证证据包 + 5 分钟答辩录制。评审标准：问题定义清晰度 / prompt 验证充分性 / PRD 完整度 / 答辩逻辑
Bloom:
记
理
用
析
评
创
评→创