---
# System prepended metadata
title: 不寫 PRD、不管 Jira、不做表面工夫：Anthropic 對產品經理的三個殘酷要求
---
# 不寫 PRD、不管 Jira、不做表面工夫：Anthropic 對產品經理的三個殘酷要求
我認為大多數產品經理正在練習一套即將失效的武功。
這話講得很重，但看看 Anthropic 最近開出的 PM 職缺，你會發現他們完全沒提到你以為最重要的那些東西——不要求你寫過多完美的 PRD，不在乎你管理了幾百張 Jira ticket，也沒興趣知道你跟利害關係人的會議開得多勤。
他們只要求三件事：
1. **知道該開發什麼，以及不該開發什麼**
2. **親自動手建立原型與迭代**
3. **曾打造過真實的產品**
乍看之下很基本，對吧？但仔細想想，這三條要求砍掉了多少傳統 PM 的「核心能力」。而更讓人不安的是——這不只是 Anthropic 的特殊偏好，這正在成為整個 AI 產業對 PM 的標準門檻。
---
## 背景：為什麼傳統 PM 的工具箱正在生鏽
在聊那三個要求之前，得先理解一個根本性的改變。
傳統軟體開發建立在一個基本假設上：**軟體行為是確定性的（deterministic）**。你定義規格、工程師實作、QA 驗證、上線。同樣的輸入永遠產生同樣的輸出。PRD 之所以有效，是因為你可以精確描述每一個邊界條件。
但 AI 產品是**機率性的（probabilistic）**。同樣的 prompt 可能產生不同的回答。模型在某些任務上表現驚人，卻在看似相似的任務上徹底失敗。你沒辦法寫一份 PRD 精確規格化「Claude 應該怎麼回答這個問題」——因為連 Anthropic 自己都無法完全預測模型的行為邊界。
這個根本差異讓傳統 PM 的整套工具鏈開始鬆動：
| 傳統 PM 實踐 | 為何在 AI 時代失效 | AI PM 的替代方案 |
|---|---|---|
| 撰寫詳細 PRD 規格 | AI 行為無法完全預先規格化 | 撰寫 Evals（評估框架）定義「什麼算好的」 |
| 以 OKR 衡量成功 | 需要準確度、幻覺率等 AI 特有指標 | 雙軌指標：傳統業務指標 + AI 品質指標 |
| 功能上線後轉維護 | 模型需要持續監控與重訓練 | 持續生命週期管理 |
| 需求 → 規格 → 開發 → 發布 | AI 能力邊界充滿不確定性 | 原型優先、資料驅動的迭代循環 |
Andrew Ng 在 [No Priors podcast](https://www.businessinsider.com/andrew-ng-product-management-bottleneck-coding-ai-startups-2025-8) 上說得更直接：AI 輔助編碼壓縮了整個開發循環，現在的瓶頸不再是工程產能，而是產品決策。他觀察到團隊比例正在從傳統的「1 PM : 4 工程師」翻轉——工程產出加速了，但每一個產出仍然需要人類判斷、策略思考、使用者同理心和市場驗證。
換句話說：**建造變便宜了，但決定「建造什麼」變得更昂貴了。**
這就是 Anthropic 那三個要求背後的邏輯。
---
## 要求一：知道該開發什麼，以及不該開發什麼
> "When it is cheap to build, the most expensive thing you can do is build the wrong thing."
這句話來自 [Mind the Product 2026 策略指南](https://www.mindtheproduct.com/the-2026-ai-product-strategy-huide/)，精準概括了第一個要求的核心。
當建造成本趨近於零——用 Claude Code 幾小時就能做出一個可用原型——「決定做什麼」的品質就成了最大的槓桿點。以前一個錯誤的產品決策可能浪費團隊三個月的開發時間，現在浪費的不是開發時間，而是更珍貴的東西：**市場窗口、用戶信任、推理成本**。
特別是推理成本這一點。AI 功能跟傳統軟體不同，每一次使用者互動都有真實的 API 呼叫成本。一個沒人真正需要的 AI 功能不只是佔版面，它每天都在燒錢。Mind the Product 把這類功能叫做「殭屍功能」——在 AI 時代，殭屍功能的代價比傳統軟體高出數倍。
### 好的 AI PM 如何做 Build/Kill 決策
我在研究中發現一個實用的框架叫 **WIN Test**，特別適合 AI 產品的機會評估：
- **W**orth solving：這個痛點真實、頻繁，且與金錢或風險直接相關？
- **I**nformation advantage：我們擁有可以隨時間改善的獨特資料？
- **N**on-obvious：這需要真正的產品洞察，還是任何人都能想到？
但光有框架不夠。更關鍵的是——你有沒有勇氣 kill 一個看起來很酷但不該做的東西。
Anthropic 的做法是預先設定 **Kill Criteria**（失敗條件），在任何功能投入開發前就約定好：
```
品質門檻：負面反饋率持續超過 X% → 停止
效能門檻：回應延遲持續超過 Y 秒 → 停止
經濟門檻：每用戶成本超過訂閱價值的 Z% → 停止
```
這不是悲觀主義，這是紀律。當你可以在兩天內建出任何東西時，知道「不做什麼」的能力，比「能做什麼」重要十倍。
### AI 產品的 PMF 長得不一樣
傳統 PM 熟悉的 Product-Market Fit 指標在 AI 產品上需要擴展。[Bessemer Venture Partners 的 AI PMF 框架](https://www.bvp.com/atlas/mastering-product-market-fit-a-detailed-playbook-for-ai-founders)提出了雙軌指標的概念：
| 指標層面 | 傳統指標 | AI 特有指標 |
|---|---|---|
| 用戶 | 互動率、留存率 | **信任度**、理解度、採用深度 |
| 產品 | DAU/MAU、NPS | **準確度**、幻覺率、回應品質 |
| 商業 | 營收、獲客成本 | **每次推理成本**、成本/價值比 |
你看到了嗎？AI PM 要追蹤的不只是「有多少人用」，還要追蹤「用的人信不信任這個產品」。一個 AI 功能如果準確率只有 70%，就算 DAU 很高，使用者的信任正在被消耗——而信任一旦消耗殆盡，要重建比從頭來還難。
---
## 要求二：親自動手建立原型與迭代
這是三個要求中最讓傳統 PM 不舒服的一個。
Anthropic 的 JD 上白紙黑字寫著：
> "Build prototypes yourself to validate ideas before committing resources"
> "Creatively build MVPs and prototypes to validate product-market fit with the lowest cost possible"
> "Prototype with AI tools like Claude Code"
不是「跟工程師合作建造原型」，是「**你自己建造**」。
### Anthropic 內部的原型優先文化
Anthropic Product Lead Catherine Wu [公開分享](https://www.linkedin.com/posts/sachinrekhi_this-is-how-anthropic-decides-what-to-build-activity-7381327479271182336)了他們的產品開發流程，Sachin Rekhi 在 LinkedIn 上對此做了詳細分析：
```mermaid
graph LR
A[有想法] --> B[跳過規格書
直接用 Claude Code
建造原型]
B --> C[將原型發布給
全公司工程師]
C --> D[追蹤使用數據
收集反饋]
D --> E{高使用率 +
正面反饋？}
E -->|Yes| F[進入正式路線圖]
E -->|No| G[回到迭代
或放棄]
```
注意這個流程的前提：**PM 必須有能力在數小時內自己建造一個可用的原型**。不是畫 wireframe 請工程師實作，是自己動手做出一個真的能用的東西，然後丟進真實環境看反應。
這不是 Anthropic 在裝酷。這是因為當你的產品核心是 LLM，最有效的驗證方式就是讓人直接用。任何紙上談兵的規格書都無法捕捉 AI 產品的微妙體驗——回應的語氣對不對、延遲感受如何、哪些邊界情況會觸發幻覺。這些只有做出原型、親手測試才能知道。
### 不只是 Anthropic 在這樣做
看看其他數據：
[Bolt.new](https://sacra.com/research/bolt-new/) 在不到五個月達到 $40M ARR。Lovable 三個月內衝到 $17M ARR。這些 AI 原型工具的爆炸性成長說明了一件事：**整個產業正在擁抱「先做出來再說」的開發模式**。
[Aakash Gupta 整理的 AI PM 技術棧](https://aakashgupta.medium.com/the-ai-pm-tech-stack-changed-completely-in-24-months)把 PM 需要的技術能力分成八層：
| 層次 | 能力 | 你需要懂到什麼程度 |
|---|---|---|
| L1 | Foundation Models | 理解模型的能力與限制 |
| L2 | Prompt Engineering | 能系統性地工程化輸入 |
| L3 | Context Engineering | 知道何時用 RAG、何時 Fine-tune |
| L4 | **AI Prototyping** | **用 v0/Cursor/Claude Code 快速建造** |
| L5 | Testing & Evals | 設計 AI 特有的評估框架 |
| L6 | AI Agents | 理解並建造 AI Agents |
| L7 | AI Feature Execution | 將 AI 融入產品核心流程 |
| L8 | AI Product Strategy | 驅動公司層級的 AI 策略 |
L4 那一層——AI Prototyping——已經不是「加分項」，而是「基本門檻」。
### 怎麼說呢，Evals 才是新貨幣
這裡要特別提一個正在發生的典範轉移：**Evals 正在取代 OKR 成為 AI PM 的核心工具**。
傳統 PM 定義成功靠 OKR。AI PM 定義成功靠 Evals——一套評估框架，明確定義「什麼算是好的回應」「哪些邊界情況必須處理」「品質底線在哪裡」。
> "You don't define success through OKRs anymore. You define it through evals."
這意味著 PM 不只要能建造原型，還要能定義測試這個原型的標準。你做出了一個 AI 客服機器人的原型？很好。但你同時需要寫出 50 個測試案例，涵蓋正常對話、邊界情況、敏感議題、幻覺觸發場景，然後用這些 evals 來判斷原型到底夠不夠好。
---
## 要求三：曾打造過真實的產品
Anthropic 的 JD 有一句很有意思的話：
> "Founder background is a plus."
不是「大公司 PM 經驗優先」，是「創辦人背景加分」。為什麼？
因為 AI 產品開發的不確定性程度，更像是從零到一的創業，而不是在成熟產品上做增量優化。你面對的不是「這個按鈕放哪裡比較好」的問題，而是「這個東西到底有沒有人需要」的問題。
有過獨立打造產品經驗的人——不管是創業、side project、還是開源專案——有三個無法從大公司 PM 經驗中學到的特質：
**全棧思維**：創辦人被迫處理產品的所有面向。從用戶研究到技術選型到定價到客服，你什麼都得碰。這種全面的理解在 AI 產品開發中極度重要，因為 AI 產品的每一層（模型選擇、prompt 設計、UX 設計、信任架構、成本控制）都緊密耦合。
**與不確定性共處的能力**：創業最核心的體驗就是「不知道自己在做的東西對不對」。這跟 AI 產品開發的日常驚人地相似——你永遠不確定模型會在什麼地方出包，你永遠在用不完美的資訊做決策。
**殺手直覺的密度**：用 [Aakash Gupta 的話來說](https://aakashgupta.medium.com/anthropic-is-hiring-pms-at-460k-year)，獨立產品經驗提供的 at-bats（打擊機會）密度遠高於大公司。在大公司你可能一年做兩個重大產品決策；自己做產品，你每週都在做生死決策。這種密度堆疊出來的判斷力，面試官一問就知道有沒有。
> "Build in Public. Create a portfolio of AI PM work. Companies want to see you can actually do the work, not just talk about it." — [Aakash Gupta](https://www.aakashg.com/ai-pm-learning-roadmap/)
---
## 這不只是 Anthropic 的要求：整個產業正在趨同
如果你覺得「那是 Anthropic 特別激進」，看看其他公司在做什麼：
| 維度 | Anthropic | OpenAI | Google DeepMind | Meta AI |
|---|---|---|---|---|
| 核心定位 | AI 安全與企業信任 | 消費者 + 企業 AI | 前沿研究產品化 | 大規模 AI 整合 |
| 技術要求 | 至少 1 年工程經驗 | 10+ 年 PM 經驗（高階） | 研究與產品橋接 | 大規模 ML 產品經驗 |
| 特殊要求 | 用 Claude Code 做原型 | 高合規環境經驗 | 將前沿研究轉為產品 | Product Sense with AI 面試 |
| 薪資範圍 | [$468K-$651K](https://www.levels.fyi/companies/anthropic/salaries/product-manager) | [$759K-$1.1M+](https://www.levels.fyi/companies/openai/salaries/product-manager) | $300K-$600K+ | $250K-$500K+ |
Meta 特別值得一提。他們在 2025 年新增了一個面試環節叫「[Product Sense with AI](https://maven.com/p/45cea7/unpacking-meta-s-new-pm-interview-product-sense-with-ai)」——要求候選人在面試中即時使用 AI 解決產品問題。重點不是你的 prompt 技巧有多花俏，而是你能不能在 AI 給出不完美資訊時，依然做出清晰的產品決策。
這跟 Anthropic 的要求本質上是同一件事：**我們要的不是會使用 AI 工具的人，而是理解 AI 本質並能在不確定性中做決策的人。**
### 市場供需的殘酷數字
根據 [Product School](https://productschool.com/blog/artificial-intelligence/guide-ai-product-manager) 和多個求職平台的數據：
- AI PM 職位佔所有 PM 職位的 **20%**（2025 年），較 2023 年的不到 2% 大幅成長
- 全球約 **14,000+** AI PM 開放職位
- AI PM 薪資較傳統 PM 高 **20-40%**
但真正的問題在供給端：**35% 的新 PM 職位要求 AI 相關經驗，但只有約 10% 的 PM 候選人擁有真實的 AI 產品經驗**。
這個缺口就是機會——但也是警訊。如果你現在還沒開始轉型，這個窗口不會永遠開著。
---
## 轉型路線圖：從傳統 PM 到 AI PM
說了這麼多，具體該怎麼做？根據我的研究，我整理出一個分階段的轉型路線：
### 第一階段：AI 素養（2-3 個月）
這個階段的目標不是成為技術專家，而是建立直覺。
- 每天使用 ChatGPT 和 Claude 處理真實工作任務（不是隨便問問題，是真的用它來寫報告、分析數據、設計方案）
- 完成 Andrew Ng 的 [AI for Everyone](https://www.coursera.org/learn/ai-for-everyone) 課程
- 開始理解什麼任務 AI 做得好、什麼做得差，培養對模型能力邊界的感覺
> **常見陷阱**：很多 PM 在這個階段停留太久，把「使用 AI 工具」當成「具備 AI PM 能力」。使用 ChatGPT 寫 PRD 不等於你理解 AI 產品。你得往下一層走。
### 第二階段：技術動手（3-6 個月）
這是最關鍵的轉折點。
- 學會 Prompt Engineering——不是知道「思維鏈」這個名詞，而是能設計一套系統性的 prompt 策略
- 掌握至少一個 AI 原型工具（v0、Lovable、Cursor 或 Claude Code）
- 理解 RAG 和 Fine-tuning 的差異以及各自的適用場景
- 嘗試為一個簡單的 AI 功能設計 Evals
> **常見陷阱**：這個階段最大的風險是「只學不做」。你不需要成為工程師，但你必須親手建造過至少一個可運行的 AI 原型。看十篇教學不如自己做一次。
### 第三階段：建造產品（6-12 個月）
這是讓你從「有 AI 知識的 PM」變成「有 AI 產品經驗的 PM」的階段。
- 建造一個有真實使用者的 AI 產品（即使只有 10 個用戶）
- Build in Public——在社群分享你的建造過程、踩過的坑、學到的教訓
- 為你的產品設計完整的 Eval 框架，用數據說明品質
- 記錄你的 Build/Kill 決策過程和理由
> **常見陷阱**：不要追求完美。一個有 50 個用戶、你能清楚說明每個決策理由的粗糙產品，比一個「計劃中的完美產品」有價值一百倍。
### 第四階段：定位求職
- 瞄準 AI 應用層公司，而非純研究機構
- 準備一個 AI PM portfolio：你的產品、你的 Evals、你的決策框架
- 展示你能用原型工具在面試中即時建造東西
```mermaid
graph TD
A[第一階段
AI 素養
2-3 個月] --> B[第二階段
技術動手
3-6 個月]
B --> C[第三階段
建造產品
6-12 個月]
C --> D[第四階段
定位求職]
A -.- A1[每日使用 AI 工具
建立能力邊界直覺]
B -.- B1[學 Prompt Engineering
掌握原型工具
設計 Evals]
C -.- C1[建造真實產品
Build in Public
累積決策經驗]
D -.- D1[AI PM Portfolio
展示實戰成果]
```
---
## 時間不站在你這邊
根據 [Gartner 的預測](https://www.gartner.com/en/articles/3-bold-and-actionable-predictions-for-the-future-of-genai)，到 2027 年 AI agents 將主導下一波數位轉型浪潮。[TechCanvass 的產業分析](https://businessanalyst.techcanvass.com/ai-in-product-management/)指出，超過半數的產品管理角色將直接涉及 AI 產品。不具備 AI 能力的 PM 將被邊緣化——不是失業，但會被推到越來越不重要的位置。
| 時間 | 正在發生的事 |
|---|---|
| 2025（已發生） | AI PM 佔所有 PM 職位 20%；Meta 新增 AI 面試環節 |
| 2026（現在） | 「Full-Stack Builder」成為理想 PM 模型；Evals 取代 OKR |
| 2027（預測） | 50%+ PM 角色直接負責 AI 產品；PM/工程師邊界進一步模糊 |
| 2028+ | Agent 管理成為 PM 核心職責；不具備 AI 能力的 PM 被邊緣化 |
回到 Anthropic 那三個要求：
**知道該開發什麼 / 不該開發什麼** —— 因為建造成本趨近於零，決策品質就是最大槓桿。
**親自動手建立原型** —— 因為 AI 產品只有做出來才能驗證，任何紙上規格都是猜測。
**打造過真實產品** —— 因為只有經歷過真實挫折的人，才有能力在不確定性中做出正確判斷。
這三項要求正在從 Anthropic 的特色需求，演變為整個 AI 產業的標準期待。
問題不是「要不要轉型」，而是「你打算什麼時候開始」。
---
## 延伸閱讀
- [Anthropic Is Hiring PMs at $460K/Year — Here's What They Want](https://aakashgupta.medium.com/anthropic-is-hiring-pms-at-460k-year) — Aakash Gupta
- [The Way Anthropic Builds Products is Wild](https://aakashgupta.medium.com/the-way-anthropic-builds-products-is-wild) — Aakash Gupta
- [Anthropic's Prototype-First Approach](https://www.linkedin.com/posts/sachinrekhi_this-is-how-anthropic-decides-what-to-build-activity-7381327479271182336) — Sachin Rekhi
- [Andrew Ng: Product Management Is the Bottleneck](https://www.businessinsider.com/andrew-ng-product-management-bottleneck-coding-ai-startups-2025-8) — Business Insider
- [The 2026 AI Product Strategy Guide](https://www.mindtheproduct.com/the-2026-ai-product-strategy-huide/) — Mind the Product
- [Moving To Higher Ground: PM In The AI Era](https://www.reforge.com/blog/ai-impact-product-management) — Reforge
- [A Guide to AI Prototyping for PMs](https://www.lennysnewsletter.com/p/a-guide-to-ai-prototyping-for-product) — Lenny's Newsletter
- [AI PM Tech Stack Changed Completely](https://aakashgupta.medium.com/the-ai-pm-tech-stack-changed-completely-in-24-months) — Aakash Gupta
- [AI PMF Framework](https://www.bvp.com/atlas/mastering-product-market-fit-a-detailed-playbook-for-ai-founders) — Bessemer Venture Partners
- [Unpacking Meta's New PM Interview: Product Sense with AI](https://maven.com/p/45cea7/unpacking-meta-s-new-pm-interview-product-sense-with-ai) — Maven