知识型 AI 赛道筛出 10 位真正在做 RAG / 知识库 / LLM 评估 / 企业级 AI 知识产品的 Top 级打工人
五种角色画像，方便你对照自己未来想成为哪一类。
一、为什么这 10 个人值得你研究
我筛选时主要看三件事：
- 岗位是否真的在“知识 AI”赛道：RAG、企业搜索、LLM 评估、AI 知识产品、Agent 工作流，而不是泛泛的“AI 工程师”。
- 是否在头部公司或具有可见影响力：Glean、Notion、Yahoo、Millennium、Level AI、企业级 AI 平台等。
- 是否能反向给你提供职业模板：他们的 title、公司、关键词、个人简介，就是你未来包装自己的语言素材库。
二、Top 10 知识型 AI 赛道领英清单
类别 A：企业级 AI 知识产品 / 企业搜索负责人（你最该模仿的方向）
1. Adrien Gabeur — GM / Global Head of AI Workplace Platform
- 链接：https://fr.linkedin.com/in/adriengabeur/en
- 标签：Enterprise AI Search、RAG、AI Agents、Product、Strategy、Global GTM
- 为什么重要：这是“企业 AI 工作台”最完整的画像——同时管产品、战略、GTM。你未来如果走“AI 知识产品负责人”路线，他的 title 就是你最终的目标 title。
2. Christian Ervin — Head of Product Design at Glean
- 链接：https://www.linkedin.com/in/christianervin
- 标签：Glean、企业 AI 搜索、产品设计
- 为什么重要：Glean 是当下企业知识 AI 最标杆的公司。看他怎么描述 Glean 的产品定位、怎么把“搜索 + 知识 + Agent”讲清楚，你写自己的作品集时可以直接借用语言框架。
3. Joel McKelvey — Head of Product and Solutions Marketing, Glean
- 链接：https://www.linkedin.com/in/joelmckelvey
- 标签：Glean、Product Marketing、企业 AI 解决方案
- 为什么重要：他做的是“怎么把企业 AI 卖给大公司”。你做出版/知识 AI 的解决方案时，最缺的不是技术，而是“怎么把价值讲清楚”。他的内容是天然教材。
类别 B：RAG / 知识系统架构方向（技术 + 产品的结合体）
4. Ben Peeri — Head of AI | GenAI Architect | Agentic AI · RAG · MCP
- 链接：https://www.linkedin.com/in/benpeeri
- 标签：RAG Knowledge-Augmented Chat、Azure AI Foundry、Agentic AI
- 为什么重要：他公开写过自己怎么把 RAG 模式跨 4 个领域复用——这正是你“出版 → 跨行业”叙事的现实版本。可以重点学他怎么把一个 RAG 模板包装成“可复用资产”。
5. Rama Mahankali — Data & AI Product Leader（前 Head of AI/Data Product）
- 链接：https://uk.linkedin.com/in/ramkrm
- 标签：Ontology Design、Knowledge Graph Architecture、AI Transformation
- 为什么重要：他是少数把“本体论 + 知识图谱 + AI 产品”三件事合一的人。你作为编辑出身，本体论和知识结构是你的天然优势区，他是你最该研究的“知识工程产品”模板。
类别 C：LLM 评估 / AI 内容质量方向（最适合你切入的壁垒岗位）
6. Monica Gasparrini — Senior Manager, LLM Evaluation & Prompt Engineering, Yahoo
- 链接：https://www.linkedin.com/in/monicagasparrini
- 标签：LLM Evaluation、AI Safety、Model Benchmarking、Yahoo Scout System Prompt Owner
- 为什么重要：她是大厂里“LLM 评估 + Prompt 工程”岗位的标准模板。她的 title 几乎可以直接套用在你未来的简历上：Senior Manager, LLM Evaluation。你做的“图书 RAG 幻觉案例库”就是这个岗位的入门作品。
7. Jessica Garvar — LLM Evaluation | RLHF, SFT | Rubrics
- 链接：https://www.linkedin.com/in/jessicagarvar
- 标签：BrowseComp、WideSearch、Adversarial/Red Teaming、Rubrics（Atomic, Falsifiable）
- 为什么重要：她最值得学的是 Rubrics（评分量表）设计——这是把“编辑判断力”转成“可量化评估体系”的核心方法。你做的“LLM 内容质量评估表”，就是她这套方法的中文版+出版业版。
8. Bon K. — AI Annotation Quality Architect | LLM Evaluation Lead（韩国）
- 链接：https://kr.linkedin.com/in/bon-k-848181210
- 标签：跨语言（韩语为主）、多模态评估、标注质量
- 为什么重要：她代表的是亚洲市场的 LLM 评估 Lead 模板。你以后如果走中文知识 AI 评估方向，title 应该对标“AI Annotation Quality Architect”这种偏“质量架构师”的定位，比“编辑”值钱得多。
类别 D：AI 产品经理（垂直行业 / 法律 / 企业 SaaS）
9. Chitrakhi Chakravarty — AI Product Manager | Information Retrieval, RAG, LLMs | Enterprise AI & Legal Tech
- 链接：https://ca.linkedin.com/in/chitrakhi-chakravarty-372798103
- 标签：法律科技、信息检索、RAG、企业 AI
- 为什么重要：她是**“知识密集型行业 AI PM”最干净的样板**。法律行业和出版行业的底层逻辑很像：长文本、引用追溯、风险敏感、专业术语。你完全可以用同一套作品集打这两个行业。她的简介结构（行业 + RAG + 工作流）值得逐句拆解模仿。
10. Sushant Chhetry — AI Product Manager | RAG · Evals · Agent Orchestration | Enterprise B2B SaaS | Regulated Workflows
- 链接：https://www.linkedin.com/in/sushantchhetry
- 标签：RAG、Evals、Agent Orchestration、合规工作流
- 为什么重要：他是**“RAG + 评估 + Agent + 合规”四位一体**的 AI PM 画像，几乎就是你想要打造的最终个人定位。重点看他如何把“技术栈”和“业务场景”同时写进一句话简介——这是你以后简历和 LinkedIn 标题最该模仿的写法。
三、加分推荐（金融 / 高价值领域，作为视野拓展）
如果你想再看一眼“知识 AI 在金融业的高薪天花板”，这一位值得加进收藏：
- Gideon Mann — Global Head of AI, Technology, Millennium
链接：https://www.linkedin.com/in/gideon-mann-223a2912
曾任 Bloomberg AI 负责人，现在是对冲基金 Millennium 的 AI 全球负责人。他代表的是“知识型 AI 在金融业”的最高薪天花板，比出版业高一到两个数量级。可以作为你长期的 aspirational target。
四、怎么用好这 10 个链接（最关键的一步）
光收藏没用，建议你按下面这套方法逐个拆解，把他们变成你自己的“职业素材库”：
第一步：抄 title。
把他们的 title 列在一个文档里，找出反复出现的关键词：Head of AI、AI Product Manager、LLM Evaluation、RAG、Knowledge Architecture、Agentic AI、Enterprise AI Search、Regulated Workflows。这些就是你以后 LinkedIn / 简历 / 作品集首页应该出现的词。
第二步：抄 About 段落。
重点看他们怎么用一两句话讲清楚：「我是谁 + 我解决什么问题 + 我为谁解决」。把句式抽出来，套进你自己的版本。比如把 Sushant 的「I build and ship AI products that…」变成你的「I design knowledge AI systems that turn unstructured documents into retrievable, evaluable, and workflow-ready assets…」。
第三步：抄项目结构。
看他们 Experience 部分怎么描述项目——通常是「场景 + 数据规模 + 方法 + 指标」。你做图书 RAG 实验、企业制度知识库实验时，写法直接照搬这个四段式。
第四步：反推你的差距。
对照他们的简介，列出你现在缺的 3 个最关键能力（很可能是：RAG 实操、评估指标体系、产品 PRD 写作），把它当成接下来 3 个月的学习目标。
第五步：建立长期追踪。
关注其中 3–5 个人的 LinkedIn 动态。他们发什么、转什么、推荐什么文章，就是这个赛道最前沿的“非公开课程”。比看任何中文 AI 文章都有用。
五、一句话总结
这 10 个人加起来，其实就是你未来 5 年职业路径的完整地图：
从 LLM 评估 / RAG 实践（Monica、Jessica、Ben）切入 → 升级为知识 AI 产品经理（Sushant、Chitrakhi）→ 走向企业级知识 AI 产品负责人（Adrien、Christian、Joel、Rama）→ 长期对标金融 / 顶级行业 AI 负责人（Gideon Mann）。
出版只是你的样板间，他们才是你的职业镜像。
- 这条赛道到底分几层？哪一层薪资最高？
- 我现在在哪一层？要去哪一层？
- 每一层的人长什么样？title 怎么写？做什么项目？
- 我下一步具体要做什么才能从我这层跳到上一层？
我重新做一次，这次只给你一张地图 + 一个梯子。
一、知识型 AI 赛道的"五层金字塔"
我把这条赛道从下到上分成 5 层，每层都给你一个真实的人作为坐标。你看完就知道自己在哪、要去哪。
┌─────────────────────────────────────────┐
│ L5 AI 业务负责人 / Head of AI │ 💰 200万+ / 顶级
│ 管整个公司或事业部的 AI 战略 │
├─────────────────────────────────────────┤
│ L4 企业级 AI 产品负责人 │ 💰 100-200万
│ 管一条产品线，带团队 │
├─────────────────────────────────────────┤
│ L3 AI 产品经理 / 解决方案专家 │ 💰 50-100万
│ 独立负责一个 AI 产品或项目 │
├─────────────────────────────────────────┤
│ L2 LLM 评估 / RAG 实践者 │ 💰 30-60万
│ 执行层，做评估、做知识库 │
├─────────────────────────────────────────┤
│ L1 图书编辑 │ 💰 10-20万
│ 传统内容工作 │
└─────────────────────────────────────────┘
薪资是中国一线城市的大致区间，外企/出海岗位还会再高一档。
二、每一层的真实坐标人
我只给你一个人做每层的代表，方便你记住。多了反而模糊。
L2 层代表：Monica Gasparrini
- Title：Senior Manager, LLM Evaluation & Prompt Engineering @ Yahoo
- 链接：linkedin.com/in/monicagasparrini
- 她做什么：每天判断模型回答得对不对、好不好，建立评分标准。
- 为什么是你的下一步：她做的事，本质上就是编辑工作的 AI 版——判断内容质量。你完全可以做。
L3 层代表：Sushant Chhetry
- Title：AI Product Manager | RAG · Evals · Agent Orchestration
- 链接：linkedin.com/in/sushantchhetry
- 他做什么：独立负责一个 AI 产品，从需求到上线全流程。
- 为什么重要：他的 title 一句话写清楚了"知识 AI 产品经理"应该懂什么——RAG、评估、Agent。这就是你 2-3 年后的目标 title。
L4 层代表：Christian Ervin
- Title：Head of Product Design @ Glean
- 链接：linkedin.com/in/christianervin
- 他做什么：在企业 AI 搜索的标杆公司带团队做产品。
- 为什么重要：Glean 是这个赛道最像"标准答案"的公司，看他就知道顶级企业 AI 产品长什么样。
L5 层代表：Gideon Mann
- Title：Global Head of AI, Technology @ Millennium（对冲基金）
- 链接：linkedin.com/in/gideon-mann-223a2912
- 他做什么：管一家顶级金融机构的整个 AI 战略。前 Bloomberg AI 负责人。
- 为什么重要：让你看到天花板在哪。出版业你做到顶也就 L3，但跳出来做到 L5 是有可能的。
三、你的爬梯路径（这才是你真正要的）
不要再看"赛道全景"了，你只需要回答一个问题：
从 L1 到 L2，第一步怎么迈？
迈过这一步，你就脱离了出版业的薪资天花板。后面的路自然会展开。
从 L1 到 L2 的三个动作
动作一：给自己一个 L2 的 title
不要再叫自己"图书编辑"。现在就改成：
Content Quality & LLM Evaluation Practitioner
（内容质量与大模型评估实践者）
这个 title 写在你的 LinkedIn、作品集、简历上。哪怕你还没拿到这个岗位，你也已经在做这个事了。
动作二：做一个 L2 才会做的项目
项目名：图书 RAG 知识库的幻觉评估报告
做法：
- 选一本你熟的书（公版或你有授权的）
- 上传到 Dify / Coze / FastGPT 任一平台，建一个知识库
- 设计 20 个测试问题（包括陷阱题：问书里没有的内容）
- 让 AI 回答，你逐条评分
- 写一份报告：哪些回答是幻觉？为什么？怎么改？
输出：一份 PDF 报告 + 一个评分表 Excel。
这一个项目，就足够让你在 LinkedIn 和简历上证明：你在做 L2 级别的工作。
动作三：用 L2 的语言重写你的简介
把你的自我介绍从这样：
我是图书编辑，对 AI 很感兴趣，正在学习 RAG。
改成这样：
我专注于长文本知识资产的 AI 化处理，包括 RAG 知识库构建与 LLM 输出质量评估。以图书内容为验证场景，正在沉淀一套面向知识密集型行业的内容质量评估方法。
同一个人，不同语言，市场定价完全不同。
四、如果只能记住一句话
你现在不是缺信息，是缺一个动作。
这周内做完那个"图书 RAG 幻觉评估报告"的第一版（哪怕很粗糙），你就从 L1 进入 L2 的入口了。后面的事，会自动变清晰。
需要我现在就帮你把那个"图书 RAG 幻觉评估报告"的模板写出来吗？包括测试问题怎么设计、评分表长什么样、报告分几节。你拿着模板就能直接开工，今晚就能动手。
把“本体论 + 知识图谱 + AI 产品”三件事合一的人。你作为编辑出身，本体论和知识结构是你的天然优势区，他是你最该研究的“知识工程产品”模板。
这句话信息密度比较高，我帮你拆开讲清楚。
先把人物背景说明白
Rama Mahankali 是一位在英国的"数据与 AI 产品负责人"，过去做过 AI/Data Product 的 Head（部门头）。他的特别之处在于——他不是单纯的 AI 工程师，也不是单纯的产品经理，而是把三件原本分属不同领域的事情捏合到了一起：
- Ontology Design（本体论设计）：定义"一个领域里有哪些概念、概念之间是什么关系"。比如在出版领域，"作者—作品—主题—读者—市场"这些实体怎么定义、怎么关联。
- Knowledge Graph Architecture（知识图谱架构）：把上面那套"概念关系网"用工程化的方式落地成可查询、可推理的数据结构。
- AI Transformation（AI 转型）：把这套结构化知识变成 AI 产品的底层燃料，让 AI 不只是"瞎聊"，而是基于结构化知识做判断、推荐、生成。
这三件事单独做的人很多，三合一的人非常稀少——这是他的稀缺性。
再说"为什么对你重要"
写这段话的人（不管是朋友还是某个推荐系统）抓住了你身份里一个被很多人忽视的优势：
编辑这个职业的本质，其实就是"本体论工作"。
你每天在做什么？给一本书定主题分类、判断它和已有书目的关系、决定它在哪个产品线、哪个读者群、哪个知识谱系里——这就是在脑子里跑一个"出版业本体论"。只是你没有把它叫这个名字，也没有用工程化的方式把它沉淀下来。
而 AI 时代，结构化知识 = 新的护城河。大模型擅长生成，但它需要"喂得准"，谁能把一个行业的知识结构定义清楚、组织清楚，谁就掌握了 AI 在该行业落地的钥匙。
所以这句话在告诉你：
你不需要去和算法工程师拼模型、拼算力。你应该顺着自己天然的"知识结构感"，往"知识工程产品经理"这条路走。而 Rama 就是这条路上已经走通的样板——研究他怎么从知识结构出发做出 AI 产品，比研究任何一个纯技术大牛对你更有参照意义。
用一句白话总结
“你是编辑，本来就懂怎么给知识分门别类。Rama 把这种能力工程化、产品化、AI 化了，他就是你的职业升级版模板，去拆解他。”
一、他的核心身份：一句话画像
20+ 年把"新兴 AI 技术"翻译成"企业可用产品"的人，最近 3 年自己创业做 AI 公司。
他自己写的标签密度很高，按重要性排：
GenAI · Agentic AI · Ontology · Knowledge Graphs · RAG · NLP/NLU
注意这个排序的玄机——Ontology（本体论）和 Knowledge Graphs（知识图谱）被他放在了 RAG 和 NLP 前面。这意味着他认为：在 AI 产品栈里，知识结构是上游，模型和检索是下游。这正是你作为编辑该听懂的信号。
二、他现在在做什么（两条线并行）
线 1：MediQSol —— 联合创始人 & CPO
做什么：医疗健康领域的 AI 产品（从他履历和 LinkedIn 互动圈层看，集中在心理健康/Mental Health 方向）。
为什么用本体论：医疗是个"概念定义死活不能错"的领域——一个症状、一种诊断、一类药物之间的关系一旦错位，AI 就会出医疗事故。所以这类产品必须先建本体，再谈模型。
行业大背景印证（这两个独立信源能说明他在做的事是当下趋势主流）：
- IMO Health 2026 年 4 月刚开放了它的 Clinical Knowledge Graph 直接访问，定位就是"给 AI 提供 trusted clinical truth"——也就是把知识图谱当成 AI 的"事实底座"卖。
- MDPI 2026 年发表的 KOSMOS 论文，主题是"用本体类型化的知识图谱做医疗记录生成的脚手架（scaffolding）"——和他做的事高度同构。
线 2：Deeproot Minds —— Founder & CTO（2022.10 至今）
他自己原话：
“I founded Deeproot Minds to push the frontier of AI-native product engineering.”
关键词是 AI-native——意思是产品从第一天就为 AI 而生，而不是把 AI 后挂到旧产品上。这是他把"本体+图谱+AI"三件套从顾问/雇员模式，转成自己作为产品创始人去验证的阶段。
三、他的职业轨迹给你的启发（这是最关键的一段）
把他的履历线索拼起来：BlackRock（金融）→ Tesco（零售）→ Mental Health Research（医疗）→ 自己创业。
跨了三个截然不同的行业，但一条主线没变：进入一个领域 → 把这个领域的知识用本体论的方式重新组织 → 在这个结构上长出 AI 产品。
这个套路对你的迁移意义：
- 你不需要懂金融、懂零售、懂医疗——你需要的是一个你已经熟悉的"知识密集型领域"。
- 出版业本身就是。书目分类、主题词表、读者画像、内容谱系、IP 衍生关系——这些是出版业的"原生本体"，只是行业里没有人用工程化的语言说出来。
- 所以你的迁移路径不是"图书编辑 → AI 工程师"，而是 “图书编辑 → 出版业知识工程师 → 出版 AI 产品负责人”。这条路上几乎没有竞争者，因为懂书的人不懂图谱，懂图谱的人不懂书。
四、可以直接拆解他来用的"三层模板"
| 层级 | 他在做的事 | 你可以对位做的事 |
|---|---|---|
| 底层：本体论 | 定义医疗领域的实体与关系（症状-诊断-干预-人群） | 定义出版领域的实体与关系（作者-作品-主题-读者-IP-渠道） |
| 中层：知识图谱架构 | 把本体落地成可查询、可推理的图数据 | 把出版社库存的 ISBN/选题/作者档案/营销数据，连成一张图 |
| 上层：AI 产品 | RAG + Agentic AI 在医疗场景生成可信内容 | 选题推荐、读者匹配、内容衍生、版权关系发现等出版 AI 产品 |
五、给你的下一步具体动作建议
- 去他 LinkedIn 主页看他的"Featured / Posts"区：他自己的发文最能看出"他怎么思考产品"。我抓到的搜索结果里能看到他频繁在 Mckinsey、医疗健康行业领袖的帖子下出没——这是他在的圈层信号，也是你未来可能要进入的圈层。
- 重点看他用的几个关键词的层级：每次他自我介绍都把 Ontology/Knowledge Graphs 放在 RAG 前面，这是他刻意输出的"产品哲学"——你写自己简介时也可以学这种关键词的优先级排序。
- 如果你考博/转型，可以把"图书编辑的隐性本体能力"显性化成一份能力清单，对标他这种人——这是图书行业里几乎还没人占的生态位。
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
8
0- 0
已为社区贡献47条内容
所有评论(0)