成长感悟

有一个很现实的逻辑：

全世界每家公司，都需要”AI时代的产品经理”。但并不是每家公司都在做AI产品。

威胁的本质是：当AI把你80%的执行工作都能接手的时候，你剩下的那20%，能不能撑起你的职业价值？

能的人，会在AI时代如虎添翼——因为他们把省出来的80%时间，用在了AI做不了的20%上，质量和深度都上去了。

不能的人，会发现自己的工作被一点一点蚕食，最后发现自己除了”写文档”什么都不会，而文档这件事已经不需要人了。

解法是引入一层中间语言，叫 MQL（Metrics Query Language），让 LLM 只在这个操场里玩，别的地方不让碰。

语义层是数据仓库和上层应用之间的业务翻译官，负责把底层的技术语言（表名、字段名、join 逻辑）翻译成业务能理解的概念（消耗、CPM、点击率）。

指数级迭代的模型让传统 PM 的「前期调研 → 锁定路线图 → 执行」模式失效了——你围绕某个约束设计的方案，可能在项目中途就因为新模型而不再需要。

字节跳动 2025 年开源了 DeerFlow，在 GitHub 上发布后直接冲到了 Trending 第一。然后大多数人看了一眼 README，觉得「哇好厉害」，然后关掉了。
这篇文章想做一件不一样的事：把 DeerFlow 怎么实现 DeepResearch 的，逐模块拆给你看。

DeepResearch 是一个能替你做调研苦力活的 AI Agent。
但它不是那种你问一句它答一句的普通 AI，更不是搜索引擎加强版。它更像一个会自主思考、会拆解任务、会多轮搜索、最后帮你写出完整报告的数字研究员。

最近有个问题困扰了我挺久：LangChain、LangGraph、AutoGen、CrewAI、Dify、Coze……光是听到这些名字就头大。是专注深学一个，还是每个都了解一点？
如果专注学一个，万一选错了呢？如果广泛学，又怕学得很杂、没有逻辑，到最后每个都是皮毛，用不上。
这个问题困扰了我挺久，后来想通了一个关键点：这些框架不是竞争关系，是分层关系。

很多 PM 有一个误解：觉得自己技术学得越深，在工程师面前就越有底气。
这个逻辑不完全对。工程师对 PM 的尊重，很大程度上来自”这个 PM 能把需求说清楚、能定义清楚验收标准、能做合理的取舍”——不是来自”这个 PM 也会写代码”。