经验涨了，钱没涨#

这是我最先没想到的。按 1-3 年、3-5 年、5-10 年分组，各档的薪资下限中位数全是 20K——一档不差。

经验唯一的作用，是把上限从 30K 推到 35K。

如果我以前以为”熬够年限自然会涨”，这份数据直接否掉了这个念头。涨薪不靠时间，靠职级和谈判。

决定薪资的是职级#

“高级/资深”在杭州有 53 个岗位，薪资跟普通产品经理几乎一样。这两个词现在基本不构成议价能力。

真正稀缺的是”专家”——只有 35 个岗位，但下限中位比普通岗高 5K。

这个多出来的 5K 不是年限换来的。我从这些 JD 里读出来，市场愿意为三种能力付这个价：能定义标准（说清楚什么算做好，能拍板验收）、能做技术选型（在几个方案里论证为什么选这个，并解释代价）、能建评测体系（能量化效果好坏）。

这三件事都不是”我会用 Agent”能覆盖的——它们是产品经理在项目里争取到的决策权。所以想被按”专家”定价，作品里得能看到这三种能力的痕迹。

阿里系更贵，而且要的组合很具体#

阿里系（阿里 + 蚂蚁 + 阿里云）合计 75 个岗位，下限中位 28K，其他公司 20K。差 8K，这是单一维度上最大的杠杆。

有意思的是它要什么人：68% 要 3-5 年经验，69% 看重增长。两者叠加的结果很明确——光有 AI 经验不够，AI 经验 + 增长背景才是它想要的组合。

年薪月数方面，13-16 薪是主流（占 46%），15 薪最多。17 薪以上只有 13 条，可以当成”优秀”的信号去谈。

哪些技能是入场券，哪些是加分项#

跨部门协作 74.8% 排第一。但这个数字没有意义——几乎每份 JD 都会写一句，它是共性技能，不写反而显得奇怪。

那 Agent 的 41.1% 算高还是低？换个参照系看：这份 JD 里排前列的六项——跨部门协作 74.8%、增长 56.9%、PRD 53.9%、C 端 53.3%、B 端 45.7%、数据分析 45.1%——命中率全部高于 Agent。

所以 Agent 的价值不在”多少人在要”，而在”高薪岗要它的比例明显更高”（后面会讲）。

把 20 项技能按”值不值得投入”分三档，大概是这样：

• 重点投入：Agent / 智能体、大模型 / LLM、C 端 / 体验
• 要有但不超配：RAG / 知识库、评测 / 效果验证、工作流编排
• 入场券，不用花时间：跨部门协作、增长 / 转化、数据分析、微调 / 多模态、B 端 / 企业服务

真正值得留意的是要求深度在变。JD 里对 Agent 的表述，已经不是一句”了解”了。

那技能到底值多少钱？我把起薪 25K 以上（182 条）和 18K 以下（162 条）拆开对比：

Agent 是高薪岗最强的单一信号，差 +16.7 个百分点——比 RAG（+7.5）、工作流（+0.9）、评测（+3.4）都强得多。

B 端是负资产，−15.8 个百分点。 起薪 25K+ 的岗位里只要 B 端的只有 37.9%，比 18K- 组的 53.7% 还低。

这里容易误读成”别去 B 端”。我的看法相反：B 端是最好的转型入口——垂直行业多、业务理解能慢慢补、对新人不挑。但要往上走，就得往 C 端体验和增长那边挪。

微调、多模态、工作流编排的差值基本是 0。 它们是入场券，不是加分项。会用就行，不值得当核心竞争力去投入。

那 Agent 具体要会到什么程度？把 JD 里的原话归了一下类，大概是三档：

大部分人卡在 L1 到 L2 之间——能聊概念，也能设计方案，但被追问”你怎么证明效果”就答不上来。L2 到 L3 之间那道坎，是”能定义标准”和”能定义标准”之间的差别：前者是能把方案讲通，后者是能量化验收。

有个坑要提醒。我最初看到”所有技能的薪资差值都是 0”，差点得出”学什么都没用”的结论。但中位数是个很钝的指标，两组人都挤在 20K 附近堆积的话，中位数当然一样——它测不出差异，不等于没有差异。技能的真实作用体现在岗位层级分布上：Agent 让你被放进”专家”这一档（25K vs 普通岗 18K，差 7K），这才是它唯一真正影响薪资的地方。

所以”学会 Agent 就能涨薪 20%“这种说法，逻辑是错的。更可能的情况是：大厂同时有钱和技术要求。

“AI”这两个字到底区分了什么#

我把职位名带 AI 的岗（373 条）和普通产品经理岗（196 条）逐项对比，这是整份数据里我最看重的一张表。

只有前四项拉开了明显差距，后四项几乎持平——数据分析甚至略低。

这个结果直接回答了”转 AI 产品要补什么”：要补的是技术判断，不是”AI 思维”。前四项都是能不能做出来的问题，后面那些本来就是产品经理的基本功。

另外两个数据也值得留意：JD 里明确写”技术背景 / 计算机相关”的占 32.1%，这是转行的人最容易漏掉的门槛；而写”有 AI 产品落地经验”的占 22.5%，关键词是落地，不是了解。

学历反倒不用操心，本科占 94.8%，硕士只有 1.5%。

这个岗位真正难的地方#

数据之外，还有几件事是我做产品越来越确信的。

不是要你会写模型，而是要能判断边界。 具体说就是能回答三个问题：这件事能不能用 AI 做？做完能省多少？什么时候反而不该做？

我见过太多公司喊”把所有业务 AI 化”，实际立项时第一个卡住的就是第三个问题——没人说得清哪块业务真的适合。能划出这条边界，比会调 API 值钱得多，因为它决定了项目该不该做。

做产品时想清楚三件事：用户到底要干什么、失败了怎么办、什么时候必须让人来。

第一件是意图识别。用户输入一句”帮我看看那个订单”，他可能是想查物流、想改地址、想取消——识别错了，后面做得再漂亮全白搭。识别不清时正确的做法是反问一句，而不是硬猜。

第二件是兜底。大模型调工具会成功，也会失败、也会卡死。设计时要先定好：最多重试几次、连续失败怎么降级、要不要给用户一个”转人工”的出口。这三个数字不定，用户第一次遇到卡死，这个产品就废了。

第三件是人工接管。凡是涉及删除、修改这类不可逆的操作，必须让人来确认，不能让模型自己拍板。这一条没有例外。

有两个失败案例我一直记着。

一个电商客服 Agent，最初要同时处理退货、物流、商品推荐、投诉四类，正确率不到 60%，用户投诉比人工期还多。后来收缩到只做物流查询，正确率立刻到了 92%。

另一个 AI 销售助理，拿了千万级天使轮，用开源大模型 + 自研 RAG，部署重效率低，而用户其实只需要精准提取 CRM 数据，最后比人工还慢，2025 年初终止。

这两个项目的共同点是：都从”AI 能做什么”出发，而不是从”这个场景该怎么做”出发。

行业里的两派声音#

关于 AI 产品经理会不会被淘汰，我觉得两派的说法都不成立。

“资深 AI PM 年薪 70-200 万”——这 599 份 JD 里，下限最高 40K、上限最高 50K。按上限 50K × 16 薪算是 96 万，量级对不上。当然招聘平台的薪资展示有上限，高薪岗位写”面议”的我看不到，所以这只是我这份样本的范围内。

“AI 会压缩 PM 的空间”——大模型迭代确实快，今天会的一个能力下个版本可能就被官方做进模型里了。但反过来说，大模型能给的都是通用能力，真正需要人的是垂直赛道。举个例子：大模型能给你的分析都是互联网上常规那套，但如果你服务的是某个具体游戏，针对它的用户群体，运营方案会千奇百怪。了解你服务的东西，再选合适的方法去做，这才是产品经理不可替代的地方。

我看完之后怎么决定的#

答案跟我一开始猜的不一样。

我以为缺的是”AI 经验”，看完发现不是——年限压根不影响起薪，真正拉开差距的是职级和雇主。这套增长和数据能力在 AI 岗里照常有用，不用推倒重来。

所以要补的就三件事：把作品做到能撑住”专家”这个档，往能定标准、建评测的方向走（那才是 L2 到 L3 的距离）；投简历时优先看阿里系，它的下限中位比别家高 8K；谈薪把重点放在上限和年薪月数上，别幻想熬年限能涨。

还有一点是我没想到的：学历不用补，技术背景要补。 本科够用，但”技术背景”占 32.1% 是实打实的门槛，非科班得在简历上把技术协作能力写实。

至于以后会不会出现更值钱的岗位，这份数据回答不了。但至少现在我知道下一步该往哪走了。