AI 产品经理面试简报 01：从会回答到能交付，AI 产品的竞争正在上移 (2026)

截至 2026 年 8 月，AI 产品最值得关注的变化，已经从“模型能不能回答”转向“系统能不能在真实约束下完成一段工作”。本期把三个变化放在一条产品链上看：Agent 开始执行任务，coding agent 重写人机分工，模型变得更易替换后，产品价值转向系统能力。

1. AI 从回答问题，走向替用户执行任务

2026 年 3 月 5 日，OpenAI 发布 GPT-5.4，并把原生 Computer Use 能力放进通用模型：模型可以根据截图发出鼠标和键盘动作，也可以通过 Playwright 等工具操作计算机。API 同时加入 tool search，让模型按需查找工具定义。在 OpenAI 的 MCP Atlas 250 项任务测试中，与未启用 tool search 的同一测试相比，tool search 把总 token 使用量减少了 47%，准确率保持不变。1

这类能力很快从模型演示进入产品基础设施。2026 年 4 月 15 日，OpenAI 更新 Agents SDK，提供受控沙箱、文件读写、命令执行、快照恢复、MCP 工具和持久执行能力。智能体可以在一个隔离环境里检查文件、运行代码、修改项目，并在容器失败后从最近的检查点继续。2

企业侧的使用范围也已经超出单步自动化。Anthropic 与研究机构 Material 在 2025 年末调查了美国 500 多名技术负责人；报告显示，57% 的组织已经把智能体用于多阶段流程，16% 已经推进到跨团队流程；报告没有说明这两个比例是否互斥。报告还把系统集成、数据质量和变更管理列为主要落地问题，这些问题直接决定多步任务能否稳定运行。3

这对产品经理意味着什么

聊天产品的核心指标通常是回答质量、点击率或用户满意度。执行型 AI 需要增加另一组指标：任务完成率、人工接管率、关键动作误触率、平均完成时长、失败后的恢复率，以及每次成功任务的成本。

产品设计也要先按风险分层，再决定自动化程度：

低风险、可撤销：例如整理文件、生成报告草稿，可以让智能体连续执行。
中风险、可检查：例如修改代码、填写内部表单，应展示操作轨迹、结果证据和回滚入口。
高风险、不可逆：例如付款、发邮件、提交合同，必须把最终确认权留给人。

因此，“模型能不能点按钮”还不足以定义一个完整的产品问题。真正决定能否上线的，是权限边界、可观测性、失败恢复和责任归属。Computer Use 仍然会受到网页变化、提示注入和复杂界面操作的影响。这里引用的 Anthropic 技术报告评估的是同类 Computer Use 能力，并非 GPT-5.4 的测试结果；报告显示，这类能力虽然快速提升，但仍落后于最熟练的人类操作员。4

面试可直接说： “我会把 Agent 产品看成一个受控的任务执行系统，而不是一个更会聊天的机器人。设计时先按风险把任务分层，再分别配置自动执行、过程审查和人工确认；核心指标也从回答准确率扩展到任务成功率、接管率、可恢复性和单位任务成本。”

面试官可能追问：你会怎样定义 Agent 的成功？

可以回答：先定义任务的可验证终态，再记录每一步工具调用和人工干预。对于高风险任务，宁可牺牲一点自动化率，也要优先控制误操作损失；对于低风险任务，再通过历史成功轨迹扩大自动执行范围。

2. AI 编程从“补全代码”，走向“委派一项工程任务”

GitHub 在 2025 年 5 月 19 日发布 Copilot coding agent。用户可以把一个 GitHub issue 直接指派给 Copilot，智能体随后在 GitHub Actions 驱动的隔离开发环境里启动虚拟机、分析代码库、修改文件，并持续把结果推送到 draft PR。它还会留下会话日志，方便开发者追踪过程；在 CI/CD 流水线运行前，PR 必须先经过人工批准。GitHub 明确把它定位在测试良好的代码库中的低到中等复杂度任务，例如加功能、修 bug、补测试和改文档。5

GitHub 的做法很快在其他产品中出现。OpenAI 在 2025 年 5 月发布云端 Codex，支持多个任务并行运行，每项任务都在独立沙箱里读取仓库、修改文件、运行测试并返回终端日志；Google 的 Jules 也在 2025 年 8 月转为面向所有人的异步编码代理。三家产品都把交互单位从“下一行代码”换成了“一个可以验收的工程任务”。6 7

采用率数据表明，开发者正在使用 AI，但“使用”与“信任”之间仍有明显距离。Stack Overflow 2025 年开发者调查覆盖 49,000 多名受访者：84% 的人正在使用或计划使用 AI 工具，51% 的专业开发者每天使用；与此同时，46% 的开发者不信任 AI 输出的准确性，只有 31% 的受访者表示自己在工作中使用过 AI agent。8

Anthropic 对约 40 万次 Claude Code 交互会话的研究补充了这组信任数据背后的工作分工：人平均做出约 70% 的规划决策，却只做约 20% 的执行决策。研究者把这种分工概括为“人决定做什么，代理决定怎么做”。前面的百分比来自研究中的统计分类，后面的句子是对这组分类的便于面试使用的概括。由于样本来自 Anthropic 自家产品，研究结果更适合作为工作流信号，不能直接代表所有开发者。9

这对产品经理意味着什么

AI 编程产品的核心价值已经从“打字更快”变成“把工程师从执行细节中释放出来，但保留规划、验收和责任”。因此，产品差异化不只在生成质量，还在以下四个环节：

上下文是否正确。 仓库规则、历史决策、依赖关系和测试要求要能被智能体稳定读取。
过程是否可审查。 产品需要展示改了什么、为什么改、跑过哪些测试，以及哪些地方仍然不确定。
结果是否可回滚。 分支、draft PR、沙箱和检查点，比单看“生成速度”更能说明一个 coding agent 是否具备生产价值。
成功是否可度量。 可以看从 issue 到合并 PR 的周期、一次通过率、人工返工量、回滚率和线上缺陷率，而不是只看生成了多少行代码。

从 coding agent 的任务委派到 DORA 对组织系统的观察，都指向同一个产品提醒：代理越强，产品越需要把人放在正确的位置。DORA 2025 的官方总结把 AI 称为组织系统的“放大器”：它会同时放大团队原有的优势和弱点，最大回报来自底层流程，而非工具本身。10

面试可直接说： “我不会只用代码生成速度评价 coding agent。更重要的是，它能不能从 issue 走到可审查、可测试、可回滚的 PR。人应该保留需求澄清、架构取舍和最终验收，Agent 承担大量可验证的执行工作；这样产品才是在重构软件交付流程，而不只是增加一个代码补全框。”

面试官可能追问：为什么开发者一边使用 AI 工具，一边仍然不信任它的输出？

可以回答：因为生成速度提升以后，验证成本和错误责任变得更显眼。产品如果只优化“产出第一版代码”，就可能把成本转移到调试和审查；真正的机会在测试证据、变更解释、权限控制和回滚机制。

3. 模型能力越来越容易获得，产品壁垒上移到系统

模型能力商品化，背后有三股力量：价格下降、部署方式变多、模型尺寸变得可以按场景选择。OpenAI 在 2024 年 7 月发布 GPT-4o mini 时，将价格定为每百万输入 token 0.15 美元、每百万输出 token 0.60 美元，并称它比 GPT-3.5 Turbo 便宜 60% 以上。低价格让多轮调用、大上下文和实时交互更容易进入普通产品。11

开放权重模型又把“只能通过 API 租用”改成了“可以下载、部署和再加工”。Meta 在 2024 年 7 月发布 Llama 3.1 405B 时，将它称为首个在多项前沿能力上接近顶级模型的开放权重模型，并允许开发者下载、自托管、微调和蒸馏。12

DeepSeek-R1 在 2025 年 1 月以 MIT 许可发布，并进入了可以继续蒸馏的模型生态：官方模型卡列出从 1.5B 到 70B 的多个蒸馏模型，论文说明大模型产生的推理模式可以用来增强更小模型。13 14

到 2026 年，模型的可替换性继续提高。DeepSeek V4 Preview 的官方发布信息显示，它采用开放权重、默认 1M 上下文，并提供与 OpenAI Chat Completions 和 Anthropic 消息接口格式兼容的接口。开放权重和接口兼容提高了替换供应商的可行性；价格则说明调用成本仍然是架构决策的一部分：截至 2026 年 8 月 26 日，官方定价页显示 V4-Flash 非高峰时段的缓存未命中输入价格为每百万 token 0.22 美元。15 16

早在 2024 年发布 Llama 3.1 时，Meta 就提出要“超越基础模型”，把工具调用、安全组件、RAG、蒸馏和 Agent 平台放进更完整的系统。从降价、开放权重到接口兼容，这些信号共同说明：模型会越来越像可替换的基础设施，真正难复制的是专有上下文、工作流、评估数据、分发入口和治理机制。12

这对产品经理意味着什么

模型选型不能只问“哪个模型榜单最高”，而要先问四个问题：

这个任务需要多高的能力，能否用更便宜、更快的小模型完成？
数据能否出企业，还是必须私有化部署或端侧运行？
失败的成本是多少，是否值得用更贵的模型做二次审核？
未来能否替换模型，而不重写整个产品架构？

一个更稳健的架构通常是：简单分类和抽取交给小模型，复杂推理交给前沿模型，关键结果再经过规则、检索或人工审核。产品团队沉淀的不是某个模型的调用方式，而是任务路由、评估集、反馈闭环、权限治理和用户信任。

面试可直接说： “我会把模型看成可替换的能力层，而不是产品本身。随着开放权重、小模型和低价 API 增多，模型差异会被快速抹平；产品的长期壁垒会转向专有上下文、工作流编排、评估体系和治理能力。所以做模型选型时，我会同时看任务成功率、单位任务成本、延迟、隐私和替换成本。”

面试官可能追问：如果模型越来越便宜，AI 产品是不是更容易做？

可以回答：原型更容易做，稳定交付反而要求更高。低成本会让更多团队拥有相似的模型能力，竞争重点从“能不能调用模型”转向“能不能持续交付可信结果”。产品需要用真实任务数据建立评估集，把失败归因到模型、检索、工具、流程还是权限，并持续优化整个系统。

三个点合在一起，面试时可以这样收束

“我最近观察到 AI 产品有一个共同方向：模型从回答问题，走向执行多步骤工作；在软件开发里，最先成熟的是任务级 coding agent；与此同时，模型能力因为开放权重、蒸馏和价格下降而越来越容易获得。对 AI 产品经理来说，核心竞争力就从‘接入一个强模型’上移到‘把模型、工具、数据、评估和权限组装成一个可信的工作系统’。我会用任务完成率、人工接管率、单位任务成本、可恢复性和长期留存来判断它是否真的创造了价值。”

这段话背后的边界也要说清楚：厂商发布的基准和采用数字多数是自报口径，不能直接当成全行业结论；Agent 仍然会受到提示注入、网页变化、数据质量和组织流程的影响。AI insight 的价值，在于把一次技术更新翻译成具体的用户任务、产品机制、风险边界和可验证指标，而不是把所有新模型都归结为“更强”。