旧地图找不到新大陆

2023 年，AI PM 的核心能力是 Prompt Engineering——写出好的提示词，让模型产出高质量结果。

2025 年，AI PM 的核心能力变成了工作流设计——把 AI 嵌入到产品的关键环节，平衡自动化与人工判断。

2026 年，当 Agent 可以自主调用工具、加载 Skills、编排子代理时，AI PM 面临一个新的挑战：你的能力模型需要升级了。

为什么传统 PM 能力模型不够用了

传统 PM 的核心能力可以概括为四件事：用户洞察、需求定义、方案设计、落地推进。

这套能力模型在非 AI 时代完全够用。但在 Agent 时代出现了三个缺口：

缺口一：你需要设计的是「Agent 的行为」，不是「产品的功能」

传统产品设计是静态的——你画原型图，定义交互逻辑，开发照着实现。用户看到的是一个确定的界面，操作路径是固定的。

Agent 产品设计是动态的——你定义的不是界面，而是 Agent 在接收到用户意图后，应该如何选择工具、如何编排步骤、如何在不确定的情况下做出判断。

这更像是在「设计一个人的行为模式」，而不是「设计一个软件的界面」。

缺口二：你的设计对象从「人」变成了「人 + Agent」

传统产品只需要考虑人类用户怎么用。Agent 产品需要考虑两个对象：人类用户的意图，和 Agent 的执行逻辑。

最微妙的部分在于：人类用户和 Agent 的「认知鸿沟」。用户以为 Agent 能做到的事，Agent 实际上被 Skill 约束了不能做。用户没意识到 Agent 能做的事，Agent 默默做好了但用户不知道。

PM 需要同时理解两种认知——用户的期望认知，和 Agent 的实际能力边界。

缺口三：你的验证方式从「用户测试」变成了「场景对抗」

传统产品的验证方式是用户测试——给用户一个任务，看他们能不能完成。

Agent 产品的验证需要「对抗性测试」——刻意给 Agent 模糊的指令、矛盾的约束、边界外的场景，看 Agent 会怎么反应。会不会陷入循环？会不会在不确定时做出危险的假设？会不会在应该求助时选择自己硬上？

这不是在测试「功能是否正常」，而是在测试「Agent 的行为是否稳健」。

Agent PM 的新能力模型：四层金字塔

基于上面的分析，我提出 Agent 时代的 PM 能力模型——「四层金字塔」：

        ┌──────────────┐
        │  编排设计     │  ← 顶层：多 Agent / 多 Skill 协同
        ├──────────────┤
        │  行为设计     │  ← 三层：Agent 的决策逻辑与约束
        ├──────────────┤
        │  任务拆解     │  ← 二层：把用户意图转化为可执行步骤
        ├──────────────┤
        │  意图理解     │  ← 底层：理解用户的真实需求与上下文
        └──────────────┘

第一层：意图理解（基础）

这层和传统 PM 的用户洞察类似，但有一个关键差异：你不仅要理解「用户想要什么」，还要理解「用户如何表达 TA 想要什么」。

人类说「帮我分析一下竞品」时，可能意味着完全不同的十件事——是要 SWOT 分析？功能对比？定价策略？市场份额？用户评价？

传统产品可以设计一个表单让用户选择。Agent 产品的挑战是：Agent 需要自己推断用户意图的具体含义，然后选择对应的 Skill 和工作流。

PM 的工作是穷举「竞品分析」这个意图可能对应的所有子意图，并设计 Agent 如何区分它们。

第二层：任务拆解（核心差异化能力）

这是 Agent PM 最核心的新能力。

把一个用户意图拆解成 Agent 可执行的原子步骤——每一步对应一个工具调用或一个 Skill 执行。

举个例子：用户说「帮我写一份上周的工作总结」。

传统 PM 会设计一个「周报生成」功能——用户点击按钮，AI 输出周报。

Agent PM 会把这句话拆解成：

  1. 调用日历 Skill，获取上周的日程记录
  2. 调用文档 Skill，获取上周编辑过的文档列表
  3. 调用邮件 Skill，获取上周的重要邮件往来
  4. 综合分析以上信息，识别三件最重要的工作成果
  5. 按照团队的周报模板（从 weekly-report Skill 中获取格式），组织输出

这不是「让 AI 发挥」。这是「设计 AI 的信息获取和加工流程」。

PM 需要培养一种新的思维习惯：看到用户的任何需求，第一反应不是「这个功能怎么做」，而是「这个任务能拆成哪几步？每一步需要什么信息？信息从哪来？」

第三层：行为设计（新领域）

这可能是最需要「从零学习」的一层。

传统 PM 设计界面行为——按钮的反馈、页面的跳转、动画的过渡。Agent PM 设计 Agent 的行为——何时自主决策、何时向用户确认、何时标注不确定性、何时请求帮助。

有三个关键的行为设计维度：

自主性梯度设计。 不是全自动或全手动，而是设计一个阶梯——简单明确的任务自主执行，中等不确定性的任务执行后通知用户，高不确定性的任务提出方案后等待用户确认。

不确定性表达设计。 Agent 的输出不是 100% 确定的。PM 需要设计 Agent 如何表达不确定性——是用置信度百分比？是用语言暗示？是为不确定部分加上可展开的注释？

失败恢复设计。 当一个 Skill 执行失败时，Agent 应该怎么办？跳过这个步骤继续？换一种方式重试？降级为手动模式？通知用户并提供选项？

这些在传统产品中由「错误提示」和「异常处理」覆盖的问题，在 Agent 产品中变成了核心交互设计。

第四层：编排设计（未来竞争力）

当产品涉及多个 Agent 或多个 Skill 协同时，PM 需要设计编排逻辑。

编排设计的核心问题是：谁先谁后？谁主谁从？信息如何传递？冲突如何裁决？

Superpowers 的流水线模式（构思→规划→执行→审查）是一种编排设计。但不是所有场景都是线性的。有些场景需要并行——多个 Agent 同时分析不同维度的数据然后汇总。有些场景需要迭代——Agent A 产出初稿，Agent B 审查反馈，Agent A 根据反馈修改。

PM 需要为每种场景设计最优的编排模式。这本质上是在设计一个「微型组织」——Agent 之间如何分工协作。

如何培养 Agent PM 的能力

第一步：从「拆解日常任务」开始。 不需要等产品需求。每天选一个你做的事情——写日报、做竞品分析、审核产品需求——用「任务拆解」的思维把这件事拆成原子步骤。然后想一想，哪些步骤可以让 Agent 做？哪些必须自己做？

第二步：给 Agent 写「行为规范」，不只写「功能需求」。 下次写 PRD 时，加一个「Agent 行为约束」章节——在这个功能里，Agent 的自主权边界在哪里？不确定时怎么表达？失败了怎么恢复？

第三步：亲自装 Skills，体验行为差异。 装上 superpowers 系列，看看 Agent 在「构思 → 执行 → 审查」的行为变化。这会帮助你建立「行为设计」的体感。

第四步：逆向拆解一个好用的 Agent 产品。 不用看代码，就看它的交互行为——Agent 什么时候问用户？什么时候默默执行？输出是以什么格式呈现的？不确定性是怎么表达的？把这些行为模式抽象成可复用的设计原则。

结语

2023 年会写 Prompt 的 PM 是稀缺的。

2024 年会设计 AI 产品工作流的 PM 是稀缺的。

2026 年，能「拆解任务 + 设计行为 + 编排 Agent」的 PM 会是下一代产品的核心驱动力。

这不是对 PM 的要求变高了。这是 PM 的工具箱变大了——你能构建的产品形态不再局限于「人用的工具」，而是「人 + Agent 协作的系统」。

这个能力门槛不低。但一旦跨过去，你能创造的价值量级不是传统 PM 的线性增长——而是指数级的。

行动建议：打开你看过的最满意的一篇 PRD，找到其中最核心的用户场景。然后用这篇文章的四层金字塔框架，重新设计这个场景——从意图理解到任务拆解，从行为设计到编排设计。对比新老版本，你会发现你不仅是写了一份更好的 PRD，而是进化了一种新的产品思维方式。