AI Coding技术已显著提升开发效率(40%+)，导致前端、后端、测试等开发岗位需求减少，许多开发者面临转岗。产品经理目前需求未减，但职责已增加，未来也可能因AI的"数字化闭环"能力增强而面临替代风险。面对AI冲击，产品经理应提升商业思维和行业Know How，增强宏观决策能力，以成为最后一批可能被AI替代的人群。人类将转向做宏观决策，AI负责微观决策和执行。

---

事先声明，我不是故意散播焦虑，只是陈述看到的现象，给需要的同学提个醒。如果你觉得我说的话不可信，请马上关闭文章并且取关，非常感谢🙏

新年开工第一天，就有群友在群里发言：公司私下立了个专项，主题是如何用AI优化技术人员。

记得2024年我发过一个视频，大意是AI Coding效果惊艳，未来有可能会造成很多程序员失业。当时评论区骂声一片，多是批评我散播焦虑。

到了2025年上半年，越来越多的技术负责人告诉我，AI Coding的提效已经达到了40%甚至更高。

效率变高的副作用，就是需要的人变少了。

到了2025年年底，事情进一步“失控”：

一位CEO告诉我，他们公司已经不需要专职前端开发了，公司的前端都要转岗；

另一位CTO则告诉我，后端开发的效率提升也很大，所以他们已经很久不纳新了。

还有一位产品负责人给我说，公司的大部分测试人员也面临转岗：因为AI对测试的赋能效果也很好，以后不需要那么多测试人员。

由于在更早之前，UI岗位就已经“沦陷”，也就是说，软件公司曾经的几大研发职能：产品经理、UI、前端开发、后端开发、测试——除了产品经理，其他岗位几乎都受到了波及。

更重要的是，大模型还在快速进化，再过两年，这些研发岗位的招聘需求还剩多少？可能不会太乐观。

另外，接下来产品经理是不是也要“遭殃”了？

好消息是，从目前来看，产品经理的需求并没有减少，而且职责似乎还在增加。

今天一位同学在群里发了一张产品经理招聘截图，第一点的任职要求是:

1、能够独立负责XX模块的需求分析、开发与上线工作。

是的，你没看错，产品经理也要独立负责开发工作了。

倒不是说产品经理要写代码，而是说很多AI产品的迭代性开发，主要工作就是提示词修改、知识库完善等。

写提示词，本质不就是用自然语言“开发”吗？

那么，产品经理是不是就可以高枕无忧了呢？

我觉得不是。

AI时代的定律是：只要智力工作足够的“数字化”，那么就可以被AI替代。

程序员之所以更早面对AI危机，是因为他们的工作更加线上化，输入（需求）、输出（代码）和反馈（运行结果）都在数字系统中闭环，因此AI的进步也更加快速。

而产品经理的很多工作是线下沟通，工作数据散乱，结果反馈也不像代码开发那么迅速和量化，“数字化闭环”还没有形成。

比如，一个产品决策到底是正确还是错误呢？可能要很久才能得到反馈，而且这个反馈也未必会被数字化。

得不到闭环的数据，AI的进步就会慢一些。

但是，这一切都在改变。

比如，随着产品经理的工作越来越依赖AI，更多的过程和结果数据被喂给AI，AI对产品设计的理解只会越来越闭环，替代效应也会越来越强。

比如，产品经理和用户访谈结束，是不是就可以根据录音自动生成需求分析文档？在产品经理确认以后，进而自动生成PRD甚至提示词？

产品经理对AI生成的结果，给予及时的反馈：拒绝、接受或者修改后接受。而AI就能不断提升产出的质量。

也就是说，未来产品经理的工作模式变成：AI输出，产品经理确认。效率大大的提升。

到时候，产品经理就会面临今天开发人员一样的局面。

当然了，这只是我的猜测，实际上，从想象到落地，还有一大段路要走。

而且，更重要的是，随着更多枯燥的工作被AI替代，我们人类可以有更多时间去创新，去享受生活。

这些都会带来新的需求，消化被AI提升的生产力。

但是在这之前，我认为产品经理应该努力提升自己的商业思维和行业Know How。

因为它们都属于“宏观决策”能力。

未来人类和AI的关系，大概率是人类做宏观决策（如：我们要不要做这个赛道），让AI做一些微观决策并且负责执行（如：这个按钮放哪）。

而拥有宏观决策能力的人，就算被AI替代，也将是最后的那一批。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】