【AI产品经理实战】Week 1 复盘｜从扒 15 个 JD 到自造数据练标注：这周我搞懂了什么

| 进度条：学习第 191 天｜当前：第 1 周完结 |

写在前面

这是「AI 产品经理 191 天通关计划」第一周的复盘。先交代一下我的起点：2025 年毕业的大专生，运动训练专业，想靠近 AI 行业，目前最感兴趣的方向是 AI 产品销售。问题很现实——我连 AI 产品经理具体干什么都说不清楚，怎么去卖 AI 产品？所以这个计划就是用 191 天把这条路从头走一遍。

和系列其他篇一样，只记录真实学习轨迹，不美化——包括接不到任务的尴尬、踩的坑，以及我发现 AI 帮我写的内容有错、又回去一篇篇改的那些事。本周共输出 5 篇日更博客（Day 1–5）+ 这份周报。

一、本周任务主线（按天）

Day 1：AI PM 岗位地图 + 能力对照表

任务原文：读 10 个 AI PM 岗位 JD，提取能力项。我实际多读了——扒了 15 个公司（Boss 直聘为主），挑了 10 个有代表性的方向做成对照表：智能体 / Agent、大模型、教育大模型、AIGC、AI 应用产品经理、AI 训练师等。

把招聘内容全部丢给豆包提炼，做了一张能力对照表。更关键的是，我把 15 个 JD 的「核心能力」做了频率统计（一份 JD 说"懂大模型"是主观的，15 份里有 9 份都说，那就是客观事实）：

学历：AI PM 岗多数本科，部分大专；15 家里有 2 家明确大专及以上可投（附带 1–3 年经验）。

额外看了 6 个 AI 训练师 / 数据标注岗：多数要求大专，最低到大专 / 中专 / 高中，门槛友好，能力项集中在数据标注、标注规则制定、数据验收、多模态（图/文/音/视）处理。

我的判断：训练师对我目前阶段更 OK，可以作为起步岗位。对比一下就清楚了：

Day 2：注册标注平台，撞上"接不到任务"

注册了 2 个数据标注平台（百度众测、腾讯搜活帮），通过准入考试。本以为能接单练手，现实是：新人没等级、接不到任务，任务大厅要么空、要么抢不到。

这一下打乱原计划——本来想"接单 → 看真实规范 → 练手"，结果单子都没有。于是转变策略：自己生图、自己标、自己检。

Day 3：Make Sense 自练 + 两套标签创建流程

找到免费开源标注工具 Make Sense，自己生图标注，标了 20 张（5 类：猫、苹果、汽车、红绿灯、笔记本，平均 2 分钟/张）。过程中吃透了两套标签创建路径：

• 路径一（上传前批量预建，首选）：项目未启动时一次性录完所有标签，稳定不易出错。
• 路径二（中途 Edit Labels 补救）：项目启动后从 Actions → Edit Labels 补标签。
  
  

踩坑：浏览器翻译插件会篡改网页代码，导致右侧标签栏"+"点不动、页面卡死。根治办法是关掉翻译插件、上传前一次性预建标签。

Day 4：50 张数据集 + 三种标注格式 + 越界两类

完成 10 大类、共 50 张图像分类数据集制作与标注归档。同时搞懂了三个关键知识点：

① 工业界主流坐标格式只有 3 套

② 格式越界 vs 质量缺陷（本周最重要的区分）

③ 生图规范：主体居中、轮廓完整、背景干净；水印别遮关键区域。

Day 5：YOLO 质检公式 + AI 人机协同批改

• 学会手动算标注框四角公式：xmin=xc-w/2、xmax=xc+w/2、ymin=yc-h/2、ymax=yc+h/2。
• 用豆包做第一轮格式批改：合格率 100%，内容准确率约 90%（剩 10% 是框松紧、贴边等需人眼判断的主观问题）。

📌 核心认知：格式合格 ≠ 标注质量合格。AI 负责"规则能算出来的错"，人负责"机器算不出来的质量"，两者缺一不可。

本周产出

• 5 篇博客（Day 1–5），记录每天任务 / 收获 / 问题 / 解决 / 总结。
• 一个腾讯工作台：待办事项 + 博客模板 + 每周复盘模块，管理每天任务。
• 一套个人分享笔记，未来面试或复盘都能翻。
  
  
  

二、本周核心知识沉淀（从博客提炼）

把 5 篇博客里最该记住的干货集中一下，方便回头复习：

• 岗位地图：跨团队沟通（80%）> PM 经验（73.33%）> PRD（66.67%）> 大模型技术（60%）> 原型（60%）。训练师岗门槛低，是可起步的入口。
• 两种标签创建路径：上传前预建最稳，别依赖中途添加。
• 三种标注格式：YOLO（比例）/ VOC（像素角点）/ COCO（json），练手认 YOLO 就够。
• 格式越界 ≠ 质量缺陷：前者机器报错，后者只有人眼能发现。
• YOLO 四角公式：xc yc w h 反推 xmin/xmax/ymin/ymax，用于数据质检。
• AI + 人工双检：AI 查格式错，人查质量，缺一个都不行。

三、本周最大的认知转变（重点）

3.1 AI 辅助 ≠ AI 替代

AI 能查格式错、帮你润色，但标得对不对、学没学透它替不了。想接触真实标准，还是得想办法接任务——加 QQ 群找数据标注 / 图像分类工会、去闲鱼或淘宝搜别人上过的标注课资料、看市面上免费任务的标准差异。

3.2 我发现：AI 生成的内容，和我实际学的有差异

这是本周最值钱的醒悟。前面几篇用豆包生成后直接发，今天把 5 篇全部重读，发现不少错处（比如"数据质检"被写成"模型校验"、"数据标注"写成"数码标注"这类概念错位），都改掉了。

✅ 教训：AI 润色、整理可以，但最终判断权必须在我。它用通用知识，不一定是你真实场景。

3.3 从"不会写"到"会写框架"

这周一开始连博客都不会写；现在能自己写出核心结构：今天做什么 → 收获什么 → 遇到什么问题 → 怎么解决 → 总结收获。目前仍需练的是格式规范化（除第一篇用 Word 生成，后面几篇格式都有小错）。流程已跑通：AI 润色生成文本 → 我上传、插图、发布。

四、本周踩坑汇总

五、下周计划

• 试多物体图片分类：一张图多个物体怎么标，YOLO txt 能否分析——待验证。
• 不一定要进工会，但要看任务标准：哪怕免费任务，也要搞清市面任务怎么定标准、用哪些平台、喂给哪些模型。
• 格式规范化：把博客排版练稳，不再依赖 AI 生成后手动救火。
• 继续探索接任务路径：加群、闲鱼找资料，摸真实项目规范。
• 吃透 COCO / YOLO 区别与应用场景（Day 4 留的未透难点）。

六、一句话感受

这一周最大的收获，不是学会了标注，而是学会用 AI、但不盲信 AI——从不会写博客，到能自己搭框架写出 5 篇，再回头把 AI 写错的地方一个个改掉。

📌 图注精简版

· 主线：读 JD → 接不到单 → 自练标注 → 写出来 → 发现 AI 有错 → 自己改

· 工具：Make Sense（标注）+ 豆包（提炼/润色/格式校验）

· 核心公式：牢记 Xc、Yc、W、H 坐标换算，用于数据质检