夜雨聆风上个月团队招 AI 产品经理，JD 发出去一周，简历收了 300 多份。
我平均每份简历只花 10 秒。
最后能约面的，不到 10 个人。
剩下的 290 多份，死法惊人地一致。
不是背景不行。很多人都是 985、大厂、做过 AI 项目。
但他们写出来的简历，让我完全看不到"这个人能做好 AI 产品"的证据。
坦诚说，我看完之后最大的感受是：大部分人不是能力不行，是根本不知道 AI 产品经理的简历该怎么写。
他们在用 2023 年的写法，投 2026 年的岗位。
今天这篇文章，我把筛简历时看到的问题掰开揉碎讲清楚。如果你正在准备投 AI 产品岗，这篇可能会帮你省掉几个月的石沉大海。
一、10 秒筛一份简历，我主要看什么？
先说一个很多人不知道的事：大厂筛简历，不是从头读到尾的。
我看一份简历的动线是这样的：
第一眼（2 秒）： 公司、职级、年限。判断大概段位。
第二眼（3 秒）： 最近一段经历的项目描述，扫前两三行。
第三眼（5 秒）： 如果前两眼没把我劝退，再往下看有没有具体的指标和方法论。
80% 的简历，第二眼就结束了。
为什么？因为前两行写的全是这种东西：
“"负责 XX 智能助手的产品规划和需求管理，熟练使用 ChatGPT、Coze、Dify 等 AI 工具，推动项目按时上线。"
说实话，看到"熟练使用 AI 工具"这六个字，我基本就不往下看了。
这句话在 2026 年，约等于"熟练使用 Excel"。
二、传统产品卖"结果"，AI 产品必须卖"判断"
这是核心差异，也是大部分人写错的根源。
传统产品经理的简历，核心是证明**"你做成了什么"**——DAU 涨了多少、转化率提了多少、营收做了多少。结果好，就是能力强。
但 AI 产品不一样。
AI 产品的结果，很大程度取决于模型能力，不完全取决于你。
你做了一个 AI 客服，解决率 85%。这个数字好看，但我作为面试官，心里想的是：这是你的功劳，还是 GPT-4o 的功劳？你换了 Claude 会不会更好？你在其中做了什么关键决策？
所以，AI 产品经理的简历，必须证明的不是"结果"，而是**"你的判断力"**——
“你怎么判断这个场景适合用 AI？
你怎么选择技术方案的？
你怎么处理模型答错的情况？
你怎么在效果、成本、延迟之间做取舍的？
打个比方：传统产品经理的简历像在展示一道菜——"你看，这道菜做得多好。"
AI 产品经理的简历，必须展示的是你为什么选这个食材、为什么用这个火候、糊了你怎么救。
结果可以复制，判断不可复制。这才是 AI 产品经理最值钱的东西。
三、三个致命错误，90% 的人至少踩了一个
错误 1：把"用过工具"当能力
这是最常见、也最致命的错误。
很多简历上写：
“"熟练使用 ChatGPT / Coze / Dify / LangChain，具备 AI 产品实战经验。"
坦诚说，这句话给我的信息量为零。
会用 Coze 搭一个 Bot，就像一个厨师说"我会用菜刀"——这是基本操作，不是你的能力。
我真正想看到的是：你用这些工具解决了什么问题？遇到了什么坑？你怎么判断该用 Coze 还是自己写代码？
正确写法：
“"负责企业知识库问答产品，评估 RAG 和微调两条技术路线后选择 RAG 方案。理由是知识更新频率高（每周 300+ 条），微调成本不可接受。上线后问答准确率 82%，单次调用成本控制在 0.03 元以内。"
看到区别了吗？前者是"我会用什么"，后者是**"我怎么选的、为什么这么选、选的结果是什么"**。
错误 2：只写功能，不写边界
很多简历写：
“"主导 AI 智能客服项目，从 0 到 1 完成产品设计和上线，日均处理咨询 5000+ 条。"
看起来很厉害。但我的第一反应是：那 5000 条里，AI 答错了多少？答错了怎么办？用户投诉了吗？你有没有设计兜底机制？
AI 产品和传统产品最大的区别就是——AI 一定会犯错。
传统产品，按钮点了就有确定的结果。但 AI 产品，模型可能胡说八道，可能答非所问，可能在关键场景掉链子。
一个不懂处理"AI 犯错"的产品经理，是不合格的。
正确写法：
“"主导 AI 智能客服项目，0 到 1 完成产品上线，日均处理 5000+ 条。设计三层兜底机制：置信度低于阈值自动转人工、敏感话题关键词拦截、badcase 每周回流标注优化。上线三个月，幻觉率从 12% 降到 3%，人工接管率从 35% 降到 18%。"
这一版不只告诉我你做了什么，还告诉我你知道 AI 会犯什么错、你怎么防、效果如何。
这才是能干活的人。
错误 3：没有一个 AI 原生指标
我筛简历的时候，会刻意找一类关键词：幻觉率、召回率、准确率、单次调用成本、Token 消耗、人工接管率、首 Token 延迟。
这些是 AI 产品的原生指标。
如果一个 AI 产品经理的简历上，全是 DAU、转化率、留存率——没有一个 AI 原生指标，那基本可以判断：他做的是"用了 AI 的传统产品"，不是"AI 原生产品"。
就像你跟我说你是厨师，但你只会用温度计，不知道什么叫火候。
常见 AI 原生指标速查表：
| 幻觉率 | ||
| 召回率/准确率 | ||
| 单次调用成本 | ||
| 人工接管率 | ||
| 首 Token 延迟 | ||
| Token 消耗 |
你的简历里至少要出现两三个。
四、AI 项目的 STAR 写法：可以直接抄的公式
传统 STAR 法则：Situation → Task → Action → Result。
AI 项目的 STAR 写法，我总结了一个升级版：
S（场景判断）： 为什么这个场景适合用 AI？不用 AI 行不行？
T（约束条件）： 效果、成本、延迟——你面对的三重约束是什么？
A（关键决策）： 你做了什么核心判断？Prompt 怎么设计的？数据怎么准备的？评测怎么跑的？兜底怎么做的？
R（量化结果）： 用 AI 原生指标说清楚结果，敢写失败率。
来，直接看改写案例。
改前（绝大多数人的写法）：
“"负责公司智能客服产品的需求分析和功能设计，使用大模型技术提升客服效率，上线后人工客服工作量减少 30%。"
改后（AI 产品经理的写法）：
“"公司日均客服咨询 8000+ 条，人工客服 15 人，响应慢、成本高。
我判断其中 60% 是 FAQ 类标准问题，适合用 RAG + 大模型方案解决，剩余 40% 复杂问题仍需人工。
关键决策：选择 RAG 而非微调，因为知识库每周更新 300+ 条，微调跟不上；设计三层兜底——置信度 <0.7 转人工、敏感词拦截、badcase 每周回流优化。
上线三个月：FAQ 解决率 85%，幻觉率 12%→3%，单次调用成本 0.03 元，人工客服从 15 人减到 8 人。"
前一版，我看到的是"你参与了一个项目"。
后一版，我看到的是"你能独立判断、独立决策、独立拿结果"。
同样的项目，写法不同，效果天差地别。
五、2026 年的市场真相：别做套壳型 AI PM
最后说点扎心的。
2026 年，AI 产品经理的市场已经严重分化：
一头是套壳型 AI PM——会调 API、会搭 Coze、会写简单 Prompt。这类人严重过剩，因为门槛太低了，三个月就能学会。
另一头是懂模型边界的 AI PM——知道大模型能做什么不能做什么，知道怎么设计评测体系，知道怎么在效果、成本、体验之间找平衡。这类人一将难求。
你简历里写的每一个字，都在告诉筛选者你属于哪一类。
如果你最近正在改简历，我的建议是：不用全改，挑你最近一个 AI 项目，按照上面的 STAR 公式重写。
一个写透了的项目，比五个蜻蜓点水的项目强十倍。
上个月有个 5 年经验的产品经理找我看简历。他的简历改了无数版，投了几十家，全没回音。
我让他只做一件事：把最近那个 AI 项目重写一遍。
原来写的是"负责 AI 写作助手的需求管理"。改完变成：
“"负责 AI 写作助手 0 到 1，定位长文本生成场景。选择 GPT-4o 而非开源模型，理由：长文本连贯性差距明显，用户付费意愿足以覆盖 API 成本。设计分段生成+人工审核工作流，首 Token 延迟 1.2s，用户付费转化率 8.7%，月均 Token 成本控制在营收的 15% 以内。"
两周后，他拿到了 3 个大厂面试。
简历不是经历清单，是你的判断力说明书。
最后
AI 时代，简历里最不值钱的一句话，就是"熟练使用 AI 工具"。
会用 AI 不稀奇，能判断 AI 做不到什么，才值钱。
AI 淘汰的不是产品经理，是不会证明自己判断力的产品经理。
回去打开你的简历，搜索"熟练使用"这四个字——
如果有，删掉它，用判断力替代它。
你的简历里有没有那句"熟练使用 AI 工具"？或者你改过简历之后拿到面试的经历？留言区聊聊，我帮你看看。
如果你想持续获得这类大厂内部视角的求职干货，关注 Kris产品成长之路，下一篇我聊聊 AI 产品经理面试中最爱挖的三个坑。