为什么现在要学 Agent 产品？
AI 产品正在从“回答一个问题”走向“接过一项任务并把它做完”。当系统开始读取文件、修改内容、调用业务工具和等待用户批准，产品经理就不能只设计输入框和生成结果，还要设计行动边界、失败处理和验收方式。
你不需要先会编程，也不需要来自某一种岗位。做过产品、运营、咨询、研究或工程的人，都可以从自己熟悉的用户目标、流程、规则和异常出发，再补上模型怎样判断、系统怎样行动、用户怎样保持控制。
课程先统一使用一个具体任务：定位登录超时测试失败、修改代码，并用测试证明修好了。学完后，你应该能把这次任务拆开解释，也能把同一原理迁移到十份用户访谈等业务流程。
你不是从零开始。业务、流程、权限、异常和验收仍然是产品基本功；新功课是理解模型如何参与判断，以及什么必须由外围系统保证。六到八周后，你要能看懂一个 Agent 的完整任务过程，并把同一原理迁移到企业业务。
为什么现在值得学
普通软件的主要路径通常由产品和工程提前写好；Agent 会根据刚读到的文件、工具结果或用户反馈，动态选择下一步。产品经理仍然负责用户价值与业务结果，但还要回答系统能做什么、不能做什么、什么时候必须停下来问人。
因此，学习重点不是写一条更长的提示词，而是理解一次任务怎样从用户目标走到真实行动，再走到可检查的结果。
官方事实查看这一结论的依据与边界＋
Anthropic 将工作流与 Agent 的关键区别放在控制路径由预定义代码还是模型动态决定。
ANBuilding effective agents官方工程文章 · 核验 2026-07-14学完以后要做到什么
六到八周后，你要能沿一次真实任务讲清：系统为什么继续，为什么停，哪些动作必须问人，什么证据能证明完成。看到一个 Agent 产品时，也能判断它的工具、权限、记忆和验收分别在解决什么问题。
最终作品不是术语笔记，而是一张清楚的系统图、一条完整任务记录、一份权限设计、一组可靠性测试和一份工程师能够实现的产品方案。DeepSeek 等公司的公开岗位要求只用于校准，不冒充内部标准。
官方事实查看这一结论的依据与边界＋
Anthropic 的可信 Agent 指南强调把风险、权限与可观察证据放进系统设计，而不是只依赖模型自我约束。
ANTrustworthy agents in practice官方研究 · 核验 2026-07-14有术语没听懂？在这里用人话再看一遍5 个词＋
- Agent
- 会围绕目标自己选择下一步、使用工具并持续工作到完成或停下的 AI 产品。
- Workflow
- 主要步骤由产品和工程提前写好、系统按既定路径运行的自动化流程。
- 概率系统
- 同样输入可能产生不同路径或结果，需要用分布、边界和失败处理管理，而不是只验收一条固定流程。
- 任务契约
- 对目标、输入、环境、工具、禁止行为、完成证据和人工控制点的共同约定。
- 完成证据
- 独立于 Agent 自我陈述、能够证明任务确实完成的文件、状态、测试、引用或业务结果。
本章依据与证据边界3 条补充结论 · 4 份原始材料＋
下面补充本章的其他依据，并说明每份材料能证明什么、不能证明什么。
- [3]
Anthropic 对约 40 万次 Claude Code 会话的分析发现，人通常承担更多规划决定，Agent 承担更多执行决定；领域专长与更好的任务结果相关。研究也明确承认无法直接测量产物是否被采用等真实业务结果。
官方事实ANAgentic coding and persistent returns to expertise官方研究 · 核验 2026-07-14 - [4]
METR 在早期 2025 工具与一组资深开源开发者任务中观察到 19% 的减速；它是特定样本和时期的反证，不应外推为所有 Agent 都降效。
独立研究MEMeasuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity论文 / 基准 · 核验 2026-07-14 - [5]
本站据此提出六问任务契约，是面向产品学习者的教学框架，不是 Anthropic 发布的行业标准。
本站推演ANBuilding effective agents官方工程文章 · 核验 2026-07-14
查看全部一手材料与源码证据 4 条
这份材料区分了由预定义代码路径控制的 Workflow 与由模型动态控制过程的 Agent，并强调先采用能工作的最简单方案。它还给出 Prompt Chaining、Routing、Parallelization、Orchestrator-Workers、Evaluator-Optimizer 等组合模式，以及何时值得承担 Agent 的延迟、成本和复合错误。
证据边界：官方经验与自测不能单独证明普遍收益，结论不得越过其样本、版本和适用范围。官方方法 · 核验 2026-07-23A practical guide to building agentsOpenAI这份指南面向产品与工程团队，给出 Agent 使用场景判断、Model/Tools/Instructions 基础结构、单 Agent 与多 Agent 编排和 Guardrail 设计。它支持从复杂决策、难维护规则和非结构化信息出发选择场景，并强调先强化单 Agent、从小范围真实用户验证开始。
证据边界：官方经验与自测不能单独证明普遍收益，结论不得越过其样本、版本和适用范围。厂商研究 · 核验 2026-07-23Agentic coding and persistent returns to expertiseAnthropic这项 Anthropic 研究讨论不同经验水平开发者怎样使用 Claude Code，以及领域与工程经验为何仍会影响任务选择、监督、验证和最终产出。
证据边界：厂商研究不能单独证明所有用户、任务与组织都获得相同生产率收益。官方岗位原文 · 核验 2026-07-23AI 产品经理（Agent Harness 产品方向）DeepSeek官方岗位原文要求路线图、真实任务与用户反馈、模型行为判断、Vibe Coding、UI/UX、Harness 技术原理、数据研究和模型与 Harness 共同进化。
证据边界：公开 JD 不披露 DeepSeek 内部路线图、面试题、组织分工或唯一合格答案。