AI产品经理能力模型概述：从现在的招聘市场来看，产品经理岗位已经出现大量细分，如数据产品经理，支付产品经理，ERP产品经理，CRM产品经，供应量产品经理，POP产品经理等，AI产品经理可能将成未来的一个主流细分岗位，而且因为AI对应的领域不同，AI产品经理下面将衍生出大量的细分行业AI产品经理。 在讨论AI产品经理之前，我们来看看，非AI产品在公司中需要面对哪些角色，而面对这些角色需要的能力模型是什么，在这个基础上我们再来讨论AI产品经理的能力模型。 产品经理需要每天与工程师，设计，老板，运营，市场，用户/客户，测试等部门同事沟通，AI产品经理从对接人上来看，增加了AI科学家或者AI工程师，为了可以顺畅沟通，产品经理的知识结构必然需要增加相应的知识，以提升沟通效率，清楚产品设计边界。同时，因为AI产品与客户的业务结合更加的密切，所以需要对所设计产品的行业有纵深的全流程理解能力。 产品能力模型可以从人，事，知识三个角度搭建，通过上文的分析，我们可以看到，在人和事上产品经理的能力几乎没有太大变化，但是在知识层面需要进行基础储备，以提高与AI科学家和AI工程师的沟通效率。 人工智能技术正处于高速发展时期，充满了不确定性，所以产品经理的认知极限一定程度上影响了产品的未来，本文将总结人工智能领域的一些基本概念，认知极限需要靠阅读最前沿的paper和团队的AI科学家/工程师多交流，行业纵深的理解需要真实的参与到业务的整个过程中学习，这就为一些非互联网领域的。 智能：以宽泛的心理能力，能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作。 人工智能：制造出智能的机器，尤其是智能的计算机程序，它能做一些以前需要人才能做的事情，这个机器或者计算机程序就叫人工智能。

以自我经验和社会现状来说，努力得到AI产品经理的offer可分为七步走战略：找到抓手、审视自己、目标计划、学习输入、执行输出。

找到抓手：任何宝箱都有匹配的钥匙。用心网罗学习资源，一定会发现“AI产品经理大本营”这类社群，获得与从业者交流的机会。

审视自己：想做AI，就必须先审视自己到底有哪些价值。优势劣势是相对的，要看面试什么样的公司。最近遇到几位面试者，没了解公司背景就谈优势，找不准契合点很尴尬。

应对策略：转型是个长期过程，offer是力求一击必杀。我的策略是：集中学习加强AI认知，模拟AI场景做调研分析、产品设计、机器模型，输出文章给自己增加背书。同时要斩断心锁，这里会有人想，为什么有这步多余的操作。这里讲究个“快”字，最忌拖泥带水。没有退路才有出路，多斩几刀，会感到身轻如燕。转型必须雷厉风行，能束缚自己的只有自己。

目标计划：调整学习资料的层级结构、正面迎击技术通识。我将计划设定了几个里程碑，阶段性复盘。我们的认知和市场形式每天都在变化，进度计划必须每日迭代。

学习输入：先想清楚每一项输入对应的价值是什么，然后网罗书籍、社群、自媒体、会展和公开课，一定能找到合适的资源。还有就是跟从业者搞好关系，多交流取经是很好的办法。

执行输出：我输出的方向是场景分析、学习笔记、观点看法、工作习惯和未来畅享，目的是广泛覆盖PM的思考维度。

并且要知道诚意是发自内心的尊重和认同，诚意不仅要表现在面试中，并且要持续到入职之后。

在成为AI产品经理之前你要好好阅读这篇文章，你必须知道AI的理论知识框架；学习到如何成为一个AI产品经理并且了解到AI产品经理如何在工作中发挥作用，以及AI产品经理需要从哪些方面锻炼能力，知己知彼方可百战不殆。

先要了解AI是什么，凡是通过机器学习，实现机器替代人力的技术，就是AI。机器学习是什么呢？机器学习是由AI科学家研发的算法模型，通过数据灌输，学习数据中的规律并总结，即模型内自动生成能表达（输入、输出）数据之间映射关系的特定算法。

AI解决方案比互联网解决方案有什么优势：再也不需要去归纳总结知识和规律，然后进行越来越复杂的编程，只需要用数据喂养机器，让机器完成所有工作。而且传统的互联网解决方案遇到需要求变时，是个头痛的事，因为直接让工程师对程序、算法进行修改的过程中会需要考虑很多既有程序带来的限制及改动后的未知风险，而AI模型是可以迁移、叠加利用的，所以需求变化时，少了很多既有积累的东西带来的问题。

AI的根基从数学理论开始，数学理论（包括：线性代数、概率论、统计学、微积分）的基础上我们得以有机器学习理论，机器学习理论（包括：监督学习、无监督学习、强化学习、迁移学习、深度学习）的基础上我们得以有基础技术，基础技术（包括：机器学习ML、深度学习DL、语音识别ASR、语音合成TTS、计算机视觉CV、机器视觉MV、自然语言理解NLU、自然语言处理NLP、专家系统）的基础上AI应用得以实现。不仅是数学理论，物理理论也是AI的根基。在更深度的AI建模等理论需求中，很多所谓的“数学理论”其实原型来自于“物理理论”。

机器学习方式有多种，每种机器学习方式又有多种算法。机器学习方式可以配合利用，且各种算法模型也可以结合利用。

由于云计算解决了计算力的问题，又有开源算法以及Google等公司开放的框架可利用，很多AI产品的落地条件只剩下找到数据了。过去多年互联网的发展很好地打下了数据基础，互联网应用是很好的数据采取端口。产品经理要负责AI产品的时候同样需要多花心思设计应用的数据采集体系，使得可更高效地采集数据，且采集数据更便于形成优质样本。

目前人才需求是市场第一需求。人才包括新兴岗位：AI算法科学家、AI工程师、人工智能训练师、AI产品经理、数据标注专员。涉及到关键性应用时，AI算法科学家、AI工程师是最稀缺且第一需求人才；涉及到非关键性应用时，AI产品经理为最稀缺且第一需求人才。

服务器监控工具功能相当强大，无论何时何地，我们都可以了解到服务器的功能以及性能。服务器监控工具的使用，可以让我们清楚的知道用户可以打开我们的网站，且确保网速不慢。这里为你列出了几个常用的服务器监控工具，为你省去寻找方案的麻烦。

nmon：支持收集一段时间内，整机的CPU、磁盘、网络、内存等各项资源的使用情况。

perf：Linux kernel自带的系统性能优化工具，获取指定进程内的调用情况、各线程调用的CPU资源消耗情况，并支持生成火焰图。

top：监控进程和整机的CPU、内存资源消耗情况，并支持查看每个CPU核的使用情况。

iostat：监控每块磁盘的读写次数、数据量大小、使用率。

sar：（System Activity Reporter系统活动情况报告）目前LINUX上最为全面的系统性能分析工具之一，监控每张网卡的网络IO读写次数和数据量大小。

dstat：监控系统整体的性能信息，包括CPU、磁盘、网络、分页等。输出是彩色的，可读性较强。

htop：htop 是Linux系统中的一个互动的进程查看器，可以让用户交互式操作，支持颜色主题，可横向或纵向滚动浏览进程列表，并支持鼠标操作。

计算机编程方式从纸带打孔开始，到汇编语言、面向过程语言、面向对象高级语言，经历了漫长的发展过程。让编程变得更简单，更贴近自然语言，是一代又一代优秀科研工作者持续不懈，期望努力达成的目标。

而近些年开始受到关注的低代码、无代码开发模式，也在不断地探索其可解决的问题边界。然而，面对纷繁复杂的世界，希望通过纯配置或编写少量代码的方式，就能满足各行各业不同的业务逻辑需求，其难度和工作量可想而知。

在实际需求问题场景中，开发一款系统软件，即便通过某种工具完成了 90% 的功能，只有 10% 的功能无法满足，这款软件对于用户来讲依然是 100% 的不可用的，更不要说应付频繁而漫长的需求变更和迭代了。

所以，若要推出一款开发工具或者一种开发模式，应该首先确保它所能解决的【问题域】是可收敛，并且在该域内可满足的功能是完备的。一种方法是，抽象出【问题域】内的【本体】，努力将无限世界进行有限表述或聚类，然后通过一种自洽的、可推理的【模式或规则】演算来解决该领域内的所有问题。

无远以【Z-Model】模型为本体，将一个常规业务系统的结构抽象成由【页面、窗口、组件、按钮、变量】等实体组成， 并通过【角色、事件、动作】等元素编排，来描述完成业务的过程，以此简化业务系统开发需求领域问题，从用户使用的角度直接刻画需求本质。同时，在完成确定的业务【动作】时，以 SQL 执行为基础，让逻辑层的问题解决能力完整地匹配到 SQL 所能覆盖的范围，由此确保业务系统的完备完整性。

精通C++是一个艰巨的任务。为什么C++比别的语言难学这么多？其实这基本上是因为Bjarne Stroustrup说过的一句话“我特别讨厌语言的设计者把自己的喜好强加给用户”。

结果C++为了不限制你的想法，于是也就变成了现在这个样子——包含若干范式，大概有面向对象（灵活应用virtual继承+shared_ptr可以达到java/C#的效果）模板（这里分两类，分别为type rich programming和meta programming，区别很大）函数式编程（如今有了lambda，配合文件，过程式但是难能可贵的是，这几种东西在C++混在一起用也是多么的自然。

不过，这需要你花时间去掌控他。那到底有没有必要真的学到这个地步呢，我觉得跟你的领域是有关系的。

当你需要为了你的项目放弃不同的部分的时候，C++都能帮你做到。当你需要不同的抽象层次需要不同的性能要求的是，C++还是能够帮你做到。如果你用别的语言，你最终会发现那个语言只能做某几类的项目。这是因为，C++能够自由的让你放弃某些部分，而别的语言会阻止你放弃某些部分。

为了达到这个层次，你必须进入一个无限接近于精通C++的状态里，这个时候你才能收放自如，不被C++社区的各种不同的价值观所捆绑。倘若你的项目非常大，不同的部分有不同的特征的时候，就更加需要你有这种本事了。

遇到问题，解决问题在运营工作中是占比比较大的一部分内容。当问题出现的时候，我们首先要对问题进行甄别，判断是系统性风险问题还是运营人员的执行问题，在对症下药，解决问题。

那么怎么分析呢，先初步归类以下两情况：执行问题：如果是执行过程中出现失误，即个人执行问题，譬如大面积数据出错或执行上不配合等；系统性风险：如果是在整体规划中出现漏洞，譬如流程设计不完善、环节缺失等引起的一系列矛盾。

假设存在系统性风险的问题，没有进行及时优化的话，你让对方执行一千一万遍或者能力再怎么提升，结果都是一样。因为流程已经是存在必然缺陷，继续执行只会进一步推高团队内部的沟通成本。所以，制定战略-战术的整体框架固然重要，但是在执行过程中如何怎么意识到问题、意识到问题怎么定性、以及怎么解决问题，同样关键。

快速识别个人能力导致的执行问题、还是流程不完善导致的系统性风险问题，对问题进行定性，才能更有针对性的提出解决方案：清晰分辨是执行问题or系统问题，才能针对性的进行优化，而不是相互推诿，以问题覆盖问题。防止团队中出现情绪化的负面情况，能力被情绪覆盖，执行积极性被压制。

尤其是活动运营和产品运营都是建立在跨团队协作之上，更加需要建立这种意识。上一篇也讲到：所有的执行都是需要落实到人的。如果只是纯粹的执行既定策略，不对潜在风险进行深挖和规避，那么整套体系形同空壳和异常脆弱。

除了项目负责人对数据进行量化分析、把控进度和风险以外，怎么让团队也建立风险意识更加关键，毕竟群策群力比单打独斗要强得多，很多微小的细节，数据是很难体现的。前线的执行人员反馈的情况结合数据进行考量才更加真实有说服力。

在编程语言社区 TIOBE 发布的 12 月份的编程语言排行榜。根据表中显示，12 月 C 语言排名第一，Java 降至第二位，Python 排列第三，与去年同期相同。C++、C# 分别位列第四、第五我们PHP开发语言在第八位，我说这些想表达什么呢？是想要告诉广大的PHP开发工程师，不要被社会焦虑所控制。

语言只是工具，当你做一个WEB应用你会选择PHP或JAVA，如果你需要处理大量数据，我会推荐你使用Python。不同语言所涉及的领域不同，如果你边用PHP搬砖，边看着人家开发桌面应用，恐怕你只有看着的份。

2020年Laravel框架热度不减，生态圈也在不断壮大，这要看你所处的环境与你需要做的应用，不同场景，不同量级，选择不同的框架，这是一名理智的程序员可以做出的选择。框架是语言更上层的东西。

PHP8带我们进入了一个全新的世界，是PHP历史发展过程中重要的里程碑。

总结下来说就是不要被贩卖焦虑，要保持持续的学习热情，允许自己一时的堕落，要拥有拥有扎实的基础，要熟练使用C语言，英语不能忽视，如果创业要做足准备。

低代码到底是什么呢？低代码是以效率提升为目的，通过图形化配置、少量参数配置、内置隐含逻辑规则等方式，输出能够完全描述业务模型且能够兼容代码编写的数据，并以此根据业务或产品形态，完成应用的构建与渲染。

一是为人而服务，不仅是提升开发人员的效能，更要能给业务应用所关联的所有人员提供效率提升的保障。二是为业务而服务，营销页面低代码平台快速搭建营销页面，场景应用低代码平台快速输出应用，流程表单低代码平台快速输出功能逻辑完备的表单流程等等。

图形化配置、少量参数配置、内置隐含逻辑规则等方式，蕴含着一个低代码平台的一个重要核心，那就是门槛一定要足够低，简单易懂的操作方式，所见即所得的操作体验，低代码甚至完全不需要写代码的低要求。

输出能够完全描述业务模型且能够兼容代码编写的数据，这要求能够对业务持续进行深入的分析，对业务的全貌具有充分的了解，低代码平台适合较为垂直的业务领域，过于追求大而全，低代码可能反而成为阻碍。根据业务或产品形态，完成应用的构建与渲染。

因为业务需求，也因为成本效率更高，更因为从长远上，低代码已经成为一种趋势。对于技术团队或者个人，结合业务尽快接入或者了解，有利于在细分领域迅速占有技术优势。对于企业，对于定制化需求不是特别高的业务，低代码平台能较好的增效赋能。

MonoGUI 是针对电子词典、高级计算器、电子手表、标签打印机、收款机、电子货签等具有黑白屏幕的小电子设备开发的专用 GUI 系统。

本系统具有结构简单、使用容易、内存占用小、单线程、处理器负担轻等特点。虽然图形能力仅有黑与白，但其支持完整的中文显示处理功能（GB18030 中 2 字节汉字，即旧 GB13000 标准），其 Edit 控件和中文输入法（包括九键输入法）功能上达到 Windows 和 Android 的输入法水平，且扩展容易。

MonoGUI 使用纯 C++ 编写，不依赖于第三方源码，便于移植和调试。配套的工具软件，如图片转换器、对话框模板编辑器等，全部开源。设计资料完整，文档和注释充实，也是一份不可多得的研究资料。

项目地址： https://www.mono-project.com/