离职主要是方向不匹配。公司在大模型浪潮之后做了战略收缩，重新聚焦军工传统业务，AI产品这条线的投入和资源都在减少。我在那个环境下能做的事越来越有限，但我自己判断AI产品这波机会是真实的，我想继续深耕这个方向，而不是在收缩环境里慢慢等。

同时也有一些个人的考虑，想往南方城市发展。

我来贵司面试，是因为这个岗位的方向我觉得很匹配——（这里根据公司业务替换：你们做的是企业内部AI产品探索 / 宠物AI落地 / 教育C端AI工具……），这和我过去积累的经验是能接上的。

我从传统PM做起，然后在第二家公司完整经历了AI PM的转型，所以两个身份都有真实感受。

传统PM的核心不确定性来自用户需求——需求理解准不准确，优先级排得对不对。而AI PM多了一层根本性的不确定性：AI本身的能力边界。你没法像功能开发一样给AI一个确定的输入-输出规格。这个额外的不确定性，要求AI PM具备三个传统PM不需要的能力：

第一，场景-架构匹配判断。面对复杂业务，你能不能识别哪些环节适合AI介入，适合用哪种形式——大模型直接调用、RAG增强、还是Multi-Agent协作？这不是研发的事，是PM的前置判断，因为选错了路子，开发三个月再推倒重来，成本极高。我在SimCore项目里做的三层架构决策就是这种判断——RL做实时对抗，大模型做语义推理，规则引擎做兜底，三层不是叠加，是互补。

第二，AI可行性的独立评估。不跟风技术热点——某个模型最近很火不代表它适合你的场景。准确率要求、延迟要求、数据隐私要求，都可能让它直接出局。我在知识图谱项目的模型选型上，就是因为客户有数据安全要求，选择了本地化部署的开源模型，而不是性能最强的闭源方案。

第三，评测体系设计。AI有幻觉，输出不可控，所以你必须有办法知道"现在的AI有多烂、烂在哪、怎么改"。我在SimCore项目里设计了双轨评测体系——一轨是自动化客观指标（胜率/生成耗时/RAG命中率），一轨是专家主观评分（方案可行性/逻辑完整性）——两条轨道互补，出问题能精准定位是数据、模型还是Prompt的问题。

→ 如果您感兴趣，我可以展开聊聊双轨评测体系的具体设计，这套机制在我两个项目里都用过，迭代了12个版本。

我在SimCore项目里设计了双轨评测体系来解决AI产品迭代的定向问题。

一轨是自动化客观指标：胜率、生成耗时、RAG命中率——这些数据可以跑批，每个版本自动出报告，横向对比一目了然。

一轨是专家主观评分：方案可行性、逻辑完整性——这些是机器无法量化的维度，需要领域专家来判断。

两轨互补——客观指标发现"有问题"，主观评分帮你定位"哪类问题"，然后才能精准归因：是数据问题、模型问题，还是Prompt问题？

基于这套体系，我们把SimCore的RL智能体胜率从22%迭代到54%，把专家评分从61分提升到85分，12个版本迭代全程可追溯。

我做产品的方法论是三步闭环：发现真实问题 → 定义最小解 → 用数据验证假设，每步都有具体的动作。

第一步，发现真实问题——不从需求出发，从用户行为出发。在知伴AI项目里，我先做了10组深度访谈，发现用户说的"想要AI情感建议"背后，真正的痛点是"每次都要重新解释上下文太麻烦"。这两个定义会导致完全不同的产品方向。定性访谈之后再做定量验证（500份问卷），确认这不是个例。

第二步，定义最小解——不是做最全的，是做最关键的。MVP只保留一个核心假设的验证：基于持久化关系记忆的建议，采纳率是否显著高于通用AI建议。技术实现（Multi-Agent路由、长期记忆模块）都服务于这一个假设，不是堆功能。

第三步，用数据验证假设——验证指标要在上线前就定义好。知伴AI的核心指标是话术采纳率，通过"一键复制"按钮的点击行为来追踪，而不是看聊天次数（聊天次数衡量的是娱乐价值，采纳率衡量的是实用价值）。

→ 在ToB项目里这套方法同样适用，只是验证方式从用户行为数据变成了客户的验收反馈。如果您感兴趣我可以聊聊在SimCore里是怎么做的。

商业化闭环最完整的经历是我的ToB项目。以智能目标态势监控平台为例：从最早发现客户（某研究所有这方面的课题预算）→ 现场需求调研 → 解决方案设计 → 投标中标 → 产品开发交付 → 验收回款，这是一个完整的商业闭环，每个环节我都深度参与。

其中最关键的一步是需求重新定义：客户一开始说"要一个数据整合系统"，但我在现场调研后发现他们真正的痛点是"2小时出一份报告太慢、数据来源无法追溯"。这两个定义会导致完全不同的技术方案——前者是通用工具，后者要有内容生成和引用标注能力。这个重定义直接决定了产品最终是否满足验收标准。

C端商业化这块，知伴AI没有跑通——调研说用户有需求，但真实付费意愿很弱。这是我学到的最重要的一课：用户说"有需求"和用户"愿意付费"是两件完全不同的事，必须在MVP阶段就设计付费验证，哪怕是1块钱的测试。这个教训让我在后续所有产品决策上都会更早地加入商业化验证节点。

我研究了两类竞品：直接竞品Wysa和Replika，间接竞品豆包和ChatGPT。

从竞品里读出的核心洞察：

第一，Wysa下载量1000万，最近在往B2B方向转——给企业做员工心理健康服务。这个转型本身说明，纯C端情感类产品在付费转化上有结构性困难，B2B可能是更清晰的商业化路径。

第二，Replika 5000万下载，但2023年因意大利监管机构认定其在情绪操纵用户方面存在风险而被封禁，之后被迫删除大量"陪伴感"功能，用户大量流失。这告诉我：AI情感产品做得越像真人，监管和伦理风险越高。所以我有意识地把知伴AI定位为"沟通工具"而不是"AI伴侣"，规避这个风险。

第三，两个竞品都选择了免费+付费分层的策略。他们都验证了：先免费建立用户习惯，再通过高阶功能做付费转化。但国内用户对这类产品的付费意愿明显低于海外——这是我知伴AI付费验证失败的核心原因。

企业内部AI产品探索和我过去做的ToG项目有一个核心共同点：都是在没有现成答案的情况下，从内部用户的真实痛点出发，找到AI能落地的场景。ToG项目里，客户说要"数据整合系统"，但我调研之后发现真正的痛点是"出报告太慢、数据不可追溯"——这个重新定义的能力，在内部产品探索里同样关键，甚至更关键，因为内部用户更难说清楚自己要什么。

我的项目管理经验主要来自14人×18个月的SimCore项目，核心是需求管理、节点控制、跨职能协调三条线并行。

需求这条线：ToB客户永远在加需求。我的做法是在立项时就和客户确认"本期交付边界"，把所有超出范围的需求记录下来，主动引导往二期规划——这样既保护了研发节奏，也让客户觉得他的想法被认真对待了，不是被直接否掉。

节点这条线：我会把大的交付节点拆成每周里程碑，每周一同步进度和风险。一旦发现某个模块要延迟，第一时间评估影响链，决定是压其他模块的时间，还是和客户提前重新谈交付范围——而不是等到最后才暴雷。

跨职能这条线：我是研发和客户之间的翻译。客户说"想看到这个效果"，我翻译成技术可实现的需求规格；研发说"这个做不了"，我拆解是真的不可行还是工作量大，再去和客户谈优先级。

举个具体案例：在态势监控平台验收前两周，客户突然要求加"实时数据推送"功能，不在合同范围内。我立刻评估技术代价（约三周工作量），和客户坦诚说这会影响本期交付时间，建议本期先用手动刷新、实时推送放二期。客户接受了，验收按时通过，二期合同也顺利签了。

我是2020年工作的同时以在职方式完成了本科学历，2025年拿到西南大学计算机科学与技术的学位证，学信网可以查到。所以简历上工作和学习时间有重叠，实际是同步进行的，没有Gap。

我认为在职期间能坚持完成学业，本身也说明了一定的自驱力。

如果您感兴趣，我可以展开讲讲这几年工作中积累的项目经验——

我叫张益豪，6年产品经验，4年专注AI产品落地，ToB和ToG方向都有完整交付经历。

上一家公司流深数据，我主导交付了两个AI平台：一个是多智能体决策仿真平台，帮客户把工作效率提升了10倍；一个是知识图谱报告系统，把分析师出报告的时间从2小时压缩到15分钟。两个项目都完成了验收，累计经费近700万。

离职之后我还独立做了一个C端AI产品，跑完了从用户调研到上线的完整闭环。

我现在想往南方发展，对贵司的岗位很感兴趣，您方便聊聊岗位的具体情况吗？