从产品经理到产品构建者：一份被 12500 份招聘启事验证的转型路线图

关联

人物 Ankit Shukla · Aakash

公司 Claude · ChatGPT

概念 产品构建者 · AI 产品经理 · Codex · wipe coding · 智能体 AI · 提示词工程 · MCP

来源 Product Growth Podcast

Ankit Shukla 曾是高级产品经理，现在创办了培训公司 Hello PM。他做了一件事：

用 Claude 和 GPT 爬取并分析了 12500 份产品经理招聘启事，想搞清楚一个新出现的角色——产品构建者(product builder)——到底是真趋势还是自媒体炒出来的概念。

结论很明确：这是真的，而且可能是这个十年最大的职业机会之一。

这个新角色是真趋势还是炒作？

起因是 LinkedIn 把原有的 associate product manager 项目改成了 associate product builder 项目，引发热议。Ankit 不想靠观点说话，直接去看真实招聘数据。

他发现，超过 30% 的产品经理岗位明确要求像样的 AI 技能。

而且要求的不只是会用工具——公司想要的是判断力：哪些问题该用 AI 解决，哪些不该。「这种判断力，正是公司愿意付钱买的东西」。

传统产品经理的工作分三段：发现(研究用户和市场、定路线图)、交付(写规格、协调开发和设计团队)、分发(把产品送到用户手里)。

AI 正在改变每一段：研究可以用 Claude、GPT 或 NotebookLM 快速完成；交付端工程师用 Cursor、Claude Code 提速；甚至产品经理自己就能做实验，不必事事排队等工程团队。

薪水到底高多少？

Ankit 的数据显示，AI 相关产品岗位在美国和欧洲比传统岗位高出 15%–20%，在印度高出 30%–50%。

具体数字：美国这批岗位的中位年薪是 195K 美元；有了几年经验再加上 AI 技能，可以达到 250K 到 500K 美元；

顶级公司的总包可能到 800K，Netflix 甚至挂出过 90 万美元的 AI 产品经理职位。

在印度，懂 AI 的新人起薪约 12 到 16 LPA(一年薪水的印度计量单位)，两年经验约 22 LPA。

想吃这碗饭，先记住POWER 框架

Ankit 提出了一个 POWER 框架，核心思想是：先想清楚，再动手。前三个字母 POW 代表问题空间，E 代表工程实现，R 代表结果(return)。

P——可能性。 不要从问题出发，先研究 AI 能做什么。AI 擅长三类事：理解、转换、生成文本(比如总结几百场会议记录、生成代码和内容)。

去看竞争对手、邻近行业，甚至 Anthropic、OpenAI 这些公司的客户案例页，建一个自己公司的可能性清单。

O——机会。 回到自己公司，找出哪些环节用 AI 能产生实际回报。

别只盯着一个用例，要判断哪个问题值得做——挑一个不常发生的小问题，做了也拿不到回报。

W——工作流。 深入到具体流程，不能只说我想优化用户访谈。

这里分两类机会：优化(原本每周 3 小时的活变成 1 小时)和创新(以前根本没想过的做法)。

Ankit 举了自己的例子：Hello PM 有 200 通新学员介绍电话的文字记录，他把它们喂给 Claude 生成用户画像文档。

之后每次做决策，都让 Claude 把这个决策在所有画像上过一遍，看对哪类人有效、哪类人有害。他管这叫规模化的同理心。

框架最重要的提醒：别从工程开始。

在 12500 份招聘启事里，排名第一的技能不是 RAG、不是智能体、不是提示词工程，而是识别 AI 的正确用例。

工具怎么选？按五级阶梯往上走

到了工程环节，Ankit 给了一个分级框架，从低到高：

第 0 级是直接在网页上和聊天机器人对话。第 1 级是做可复用的提示词，比如用 Google Gems 或自定义 GPT 存一个PRD 生成器或简历优化器。

缺点是要来回切窗口。

第 2 级是技能加连接器。用 Claude Code 创建技能——本质上就是做成文件的任务指令，Claude 会自己判断什么时候加载哪个，不占上下文。

做技能的窍门很简单：先正常把活干完，满意之后让 Claude 把整个过程打包成技能，以后不用重复交代。

再加上连接器，把 Gmail、Slack、日历、PostHog 或 Amplitude 等分析工具接进来，可以设一个每天早上 10 点的自动化，用自然语言告诉你产品昨天发生了什么。

第 3 级是 vibe coding——用自然语言直接写应用，Ankit 推荐 Google AI Studio,免费。第 5 级才是用 Cursor、Claude Code 加 MCP 构建生产级应用。

至于 Claude Code 和 Codex 哪个好？Ankit 团队测试过电商网站、社交网络、游戏平台等常见用例，各家表现几乎一样。90% 的场景下不用纠结这个。

一个真实案例：一夜建成邮件营销系统

Hello PM 有 12 万邮件订阅者，底层用亚马逊的 SES 发信，每月 100 万封只花约 120 美元。

但 SES 只是个接口，没有界面，所以他们用了一家第三方平台来管理——上个月为此多付了 550 到 700 美元。

Ankit 决定自己造一个，还故意刁难自己：用完全不会的 Node.js 技术栈，部署到不熟悉的 AWS 上。

流程是：先用大白话写下功能清单(加联系人、分组、A/B 测试……)

,让 GPT 扩写成正式规格文档；建个文件夹，打开 Claude Code,告诉它「理解这个项目，端到端实现，觉得规格该改就改」。

它拉来 AWS 的 MCP,一步步教他去哪拿密钥，分九个阶段推进。

半夜一点，Ankit 留下一句话就去睡了：「我要睡 6 小时，一个接一个继续做，每个阶段做完先测试，早上见。」

早上醒来，全部完成、已测试、已提交。

他审查时发现 Claude 选的架构太贵(约 420 美元)，就问能不能换更小的服务器，成本降到 110 美元。

最终产品比原来买的第三方平台更好用，他还让 Claude 顺便写了团队操作手册和技术文档。

他提醒：生产环境用之前要做安全测试，让工程团队最终把关。

转型路线图：四步拿到 offer

第 0 步，对齐。找 25 到 30 份 AI 产品经理招聘启事仔细读，而且这一步别用 AI,人工做技能地图——这是人类现在的优势。

盘点自己已有的筹码：分析师懂干系人管理，销售和营销懂客户，工程师懂技术。

第 1 步，学技能。看视频只是信息，「信息会给你虚假的自信，一进面试就碎」。

要把它变成知识：动手做东西，再去 LinkedIn 找在职的 AI 产品经理，诚恳地约 10 分钟聊天，甚至提出付费——多数人不收钱，但会愿意帮。

这一步大约要一到四个月。

第 2 步，海投加作品集。至少活跃在 5 个招聘网站上，带上你做过的项目，因为信任要靠作品挣来。

第 3 步，主动出击。列 25 到 30 家中型目标公司，问自己：如果我是这家公司的产品经理，头 6 个月会做什么？

做一份演示文稿或原型，用 Apollo 或 Rocketreach 找到决策人的邮箱发过去，每周跟进 3 次。

前四五个不会回复，但每次都是修正，做到第六七次就会有人理你。

面试主要考三类：

匹配度(你的背景和领域对不对口)、产品感(怎么改进产品、怎么衡量成功)、以及 AI 项目深挖——他们不问顺利的情况，专问边界情况：

给 1 亿份文档系统会怎样？换模型怎么评估？另外，可以用 GPT 或 Claude 放上职位描述和自己的项目，提前模拟面试。

最大的错误：从工具学起

Ankit 的建议是反过来的：先懂产品，先做前面 POW 那部分问题空间的工作。工具很容易学，现在是杠杆，长期不会是。

本集带走

• 12500 份招聘启事显示，超过 30% 的产品经理岗位要求 AI 技能，AI 相关岗位在美国薪水高 15%–20%,印度高 30%–50%
• 排名第一的付费技能不是 RAG 或提示词工程，而是识别 AI 的正确用例；先想清楚问题空间，再碰工具
• 工具按五级递进：直接对话 → 可复用提示词 → 技能加连接器 → vibe coding → 工作流自动化 → 生产级开发，按需选级，别贪高
• Ankit 用不懂的技术栈、一个晚上加 AI 建成了生产级邮件系统，把 550 美元的月成本降到 110 美元
• 求职路线：对齐岗位 → 动手做作品集 → 多平台投递 → 给目标公司做头 6 个月计划主动出击，前三类面试分别是匹配度、产品感、AI 项目深挖

所以这种判断力才是人们在花钱买的。
So that judgment is what people are paying for.
—— Ankit Shukla · [04:25]

我们发现，在印度以及世界各地，AI PM 和 AI 相关岗位相比传统岗位愿意支付超过 20% 的溢价。
we were able to find that AI PMs and AI related roles in India and across the world are willing to pay a premium of more than 20% as compared to the traditional counterparts.
—— Ankit Shukla · [12:15]

所以现在我可以在这个小系统的帮助下，规模化地创建同理心
So now I can go ahead and create empathy at scale with the help of this small system
—— Ankit Shukla · [23:53]

RAG、agentic AI 和提示词工程，它们并不是排名第一的技能。排名第一的技能是为 AI 识别正确的用例。
RAG, agentic AI and prompt engineering, They were not the number one skill. The number one skill was identifying the right use case for AI.
—— Ankit Shukla · [25:40]

这才是人们最愿意为它付钱的东西，因为工程部分实际上可以由 AI 来搞定。
That is the thing that people are willing to pay you the most for because the engineering part can actually be taken care of by AI.
—— Ankit Shukla · [25:48]

但它无法高效地为你解决一个重复出现的用例。你在那儿一次次地写提示词，是在浪费时间。
But it will not be able to solve a recurring use case very efficiently for you. You are wasting your time out there by prompting it again and again.
—— Ankit Shukla · [27:09]

所以我认为我们应该终结这场辩论了，对于 90% 的使用场景来说，你用的是 cloud code 还是外面的 codex 都不重要。
So I think we should end this debate like for 90% of the use cases, it does not matter if you are using cloud code or the codex out there.
—— Ankit Shukla · [35:24]

那最后的 20%，那才是现在真正的工作所在，因为 Claude 能带你走完 80% 的路，而它基本上在一夜之间就完成了其中大部分。
That last 20%, that’s where the real work is coming now because Claude can take you 80% of the way there and it basically did most of that overnight.
—— Aakash · [49:49]

所以你不需要信息，你实际上需要的是知识。
So you don’t need information, you actually need knowledge.
—— Ankit Shukla · [57:55]