AI 什么时候只回答，什么时候会替人做事
从一个熟悉任务出发，分清普通 AI 功能、固定流程和会自己选择下一步的 AI 产品。
这一课会用到两个新词
每个新词先用一句人话、一个生活类比和同一个访谈任务解释；后文才会直接使用。
- 一句人话
- 不只回答一个问题，而是会围绕目标自己选择下一步、使用工具并交付结果的 AI 产品。
- 生活类比
- 像一位能独立办事的项目助理：你说明目标和边界，他会边查资料、边调整做法，最后把结果和依据一起交回来。
- 具体例子
- 你让它分析 10 份访谈。它会逐份读取、记录出处、比较不同意见、发现资料缺口，并交付一份能回到原文核对的结论。
- 一句人话
- 主要步骤由产品和工程提前写好，系统按既定顺序处理的自动化流程。
- 生活类比
- 像机场安检流水线：先验身份、再过行李、最后放行；遇到哪类情况走哪条分支，通常事先已经规定。
- 具体例子
- 上传访谈后，系统固定执行转写、脱敏、按模板摘要和发送通知；AI 可以处理某一步，但不能临时改变整条路径。
- 能区分单次 AI 功能、固定 Workflow 与 Agent，并说明各自适用条件
- 能解释 AI 时代产品经理的共同底座，以及 Agent 产品经理需要额外深入的系统能力
- 能从用户价值、路径开放度、可验证性与风险出发选择系统形态
当模型能力进入产品，产品经理的工作对象发生了什么变化？
AI 时代的产品经理不只可能去做一个独立的智能助手，也可能用 AI 重构客服、营销、研发、研究或企业审批流程。无论产品形态是什么，共同底座都是同一组问题：AI 能做到什么、系统允许它做到什么、用户怎样知道它做对了。
确定性软件通常由产品和工程预先写好主要路径；Agent 会根据当前信息选择下一步，路径因此带有概率性。产品经理没有失去对流程的责任，而是从规定每一步，扩展为定义目标、环境、工具、边界、完成证据和人工接管点。
这并不意味着使用 Agent 就必然更快。Anthropic 的 Claude Code 使用研究显示，人通常保留大部分“做什么”的规划决定，Agent 承担更多“怎么做”的执行决定；METR 的随机对照研究又发现，特定时期、特定开源任务中的资深开发者使用当时 AI 工具反而更慢。真正要学的是怎样选择任务、提供领域判断并验证结果，而不是追逐一个自动提效口号。
全课程会一直使用同一个例子：让 AI 读完十份访谈，找出共同问题，并让每条结论都能回到原文。先把这件事讲清楚，再逐步打开代码产品里的复杂结构。
先记住这句话把 AI 产品想成三种不同的系统：单次 AI 功能负责生成或判断；Workflow 按预先写好的路径运行；Agent 根据环境反馈动态决定下一步。产品经理的第一项工作不是追逐最复杂的形态，而是为任务选择足够且可控的系统。
工作对象从页面扩展到任务系统
设计一个报表页面时，产品经理可以规定字段、筛选和导出规则；设计一个研究 Agent 时，用户只给出目标，系统还要决定读哪些材料、何时调用工具、遇到冲突怎么处理，以及何时承认证据不足。后面这些决定共同构成任务系统。
任务系统仍然需要明确的不变量。例如不得编造来源、不得读取未授权目录、外部发送前必须确认。开放的是实现路径，不是业务底线。
先用六个问题判断产品是否站得住
面对任何 AI 方案，先问：谁愿意托付什么完整任务；成功由什么外部证据判断；系统需要哪些数据与工具；错误会影响谁；用户在哪些节点必须拥有控制权；失败后还能保留什么价值。
如果这些问题没有答案，增加模型、按钮或 Prompt 都只是在放大不确定性。相反，一个范围窄但证据清楚、可以安全恢复的任务，通常比一个万能入口更适合作为第一版。
Agent 放大的是领域判断，不是职位标签
会不会写代码不是唯一分水岭。更重要的是能否准确说明目标、识别异常、提出验证方法，并在结果不对时指出哪里偏了。一个熟悉月末对账规则的财务人员，可能比不懂业务的工程师更能带 Agent 完成对账自动化。
因此课程不把用户分成“传统 PM”和“新 PM”。无论你的起点是产品、运营、咨询、研究还是工程，都要补齐同一件事：把领域知识转成任务、边界、工具与完成证据，并用真实工作检验是否产生价值。
AI 时代产品经理不是一个单一岗位名。有人设计 Agent 产品，有人用 AI 重构企业流程；共同工作都是把用户目标翻译成可运行、可验证、可治理的系统，并判断哪些环节需要模型，哪些环节必须由确定性工程保证。
先定义用户要完成的结果与现有阻力
判断路径是否能预先写清、是否需要根据新证据动态调整
选择普通软件、单次 AI、Workflow、Agent 或组合方案
定义完成证据、失败边界、人工控制和上线验证
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。
这次的业务任务是完成 10 份用户访谈，并在访谈结束后，把十份访谈转写整理成 5–8 条可回到原文、包含反例、能够支持路线图讨论的研究结论。
为了完成这项任务，应该用单次 AI、固定 Workflow，还是 Agent？
先不要从“要不要做 Agent”出发。把访谈分析拆开后会发现，有些步骤规则固定，适合稳定执行；有些步骤需要随着新证据继续追问和找反例；最终路线图取舍则必须由产品经理负责。
- 01
先看单次 AI：它可以快速总结一份访谈，但无法持续管理十份材料是否全部读完、重复观点是否去重，以及每条结论能否回到原文。
- 02
再看固定 Workflow：它可以稳定完成格式校验、隐私脱敏、文件编号和表格生成；但每批访谈出现的主题和反例不同，无法预先写死全部探索路径。
- 03
因此把开放探索交给受限研究 Agent：它根据研究问题跨十份材料检索、聚类并寻找反例；产品经理再判断样本偏差、洞察含义和路线图取舍。
这不是在三种形态中三选一。首版先用确定性 Workflow 处理格式、脱敏和编号，再让受限研究 Agent 完成跨材料分析，最后由产品经理确认结论并作路线图判断；系统交付可回源洞察表、反例清单和待确认假设。
本章依据与证据边界5 条结论 · 4 份原始材料＋
正文已经把关键来源放在相关概念旁边。这里保留完整核验清单：每条材料能支持什么、不能支持什么；不要求离开本站才能继续学习。
- [1]
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。
官方事实ANBuilding effective agents官方工程文章 · 核验 2026-07-14 - [2]
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。
官方事实ANTrustworthy agents in practice官方研究 · 核验 2026-07-14 - [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。
官方方法 · 核验 2026-07-11A 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。
厂商研究 · 核验 2026-07-14Agentic 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 2026-07-14AI 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。