景观设计转行 | 从景观到大模型,我的产品经理转型探索纪实

大模型赋能智慧园林,创业者如何实现园林植被的智能化养护与管理? 大模型赋能智慧园林,创业者如何实现园林植被的智能化养护与管理? 关键词:智慧园林,大模型,人工智能,植被养护,智能管理,创业者 摘要: 本文将深入探讨智慧园林的概念、重要性以 阅读详情

img

折木

风景园林→AI大模型产品经理

本科:2016-2019 中国农业大学风景园林专业

硕士:2020-2023 中国农业大学风景园林专业

工作/实习经历:

2023-至今 某AI领域龙头企业-AI大模型产品经理

img

与景观的爱恨纠缠

意外邂逅

我跟景观结缘纯粹是一场意外。还记得高考后的一个午后,当时选专业选累了,就把专业参考书随手丢到床上,人也趴到了床上。不经意间转头,看到书上的一个专业——风景园林,感觉这专业名还挺清新脱俗,便去详细了解了一下。

看了专业简介,需要学习绘画、植物、建筑等,是艺术与工程的交叉学科,又不用学很多数学(因为我本身不是很擅长),所以我就决定报这个专业了。

后来录取结果出来,造化弄人,我被调剂到了工业设计专业。还好学校转专业政策宽松,半年后我又转到了园林,正式开启了我与景观的爱恨纠缠。

且行且忧

刚转入园林那会,我还是蛮开心。每天学学画画,识花认草,尽管偶尔要加班画图,但总归还是能接受。

但到了大三的时候,我逐渐开始担忧,主要源于两方面:一方面是感觉整个专业涉及到的内容非常多,广而不深,好像啥都会一点,又好像啥都不会。再加上我自己缺少设计天赋,因此这种感觉在设计课的时候尤为明显。

另一方面是就业问题,我不知道的所学所做在就业时有没有竞争力。后来在机缘巧合下,我侥幸获得了一个保研名额,顺理成章地开始了做科研、写文章的硕士生活,这些担忧也就暂时被搁置了。

img

尝试做一个出逃者

决心出逃

研究生期间,经过科研的毒打后,我没了读博的心思,因此就业的难题重新浮于水面。研二下时,恰逢地产公司频频暴雷,行业下行的新闻不绝于耳,因此我也萌生了转行的想法。

当时其实考虑过很多方向,包括互联网产品、银行管培、考公等,但仔细思考下来,还是觉得互联网产品比较适合我(一方面专业门槛基本没有限制,另一方面薪资相对可观)。于是我便一边自学产品经理基础,一边找了个在职产品跟做项目。跟做完项目后,我开始投简历实习,积累相关经验。

img

产品经理日常工作梳理

艰难摸索

秋招正式开始后,我并没有完全放弃本行业的相关工作,而是三手抓,主投房地产,同时准备考公和转行。

那段时间非常煎熬,需要兼顾论文和多方向的就业,过度焦虑也导致身体有点吃不消。好在秋招结果不错,收获了一些头部地产和银行的offer,也考上了北京选调的事业单位,只有互联网方向没啥起色。

在求职过程中,我越发感觉到建规景相关行业的衰退已成必然趋势(城镇化率到了瓶颈,人口减少,叠加居民负债率过高),再加上自己爱折腾不倾向于体制内,最终还是选择放弃了秋招的所有offer,背水一战迎接春招。

img

放弃的本行业offer

春招期间,我把求职的重心由体制内转向互联网,一边优化自己的简历,一边广撒网锻炼自己面试的能力。

当时因为疫情放开,互联网回暖,经过几十次的面试后,我拿到了新浪、美团等近十个大中厂公司的offer,其中就有我现在的公司。

img

最终接受的AI产品offer

img

勇敢且必然的抉择

重拾方向

之所以选择了现在的公司(AI领域的龙头之一吧),是因为当年chatgpt一记惊雷,把大模型带到了大家的视野中,也掀起了人工智能的第四次浪潮。而给我的offer,恰巧就是大模型/AIGC产品经理。

经过一番咨询和调研后,我认为这是未来发展的大方向。很多人好奇,为什么做景观的能拿到AI产品的offer,这可能是因为我的研究中涉及到了部分算法的知识。

不少人对AI可能存在一定误解,觉得比较高深,学习起来很困难。但实际上,日常生活中我们都能接触到相关内容,只是并没有意识到,而且百分之七八十的工作,也并不需要你对AI领域的技术、算法有多么深入的理解,实际的入门成本没有想象中那么高。

关于现在

现在的生活基本早九晚六(这不是互联网常态,常态感觉是1095),双休。工作内容跟普通产品类似,包括需求收集分析、产品设计和推动方案落地,只不过设计的产品跟AI/大模型紧密相关,日常也需要跟算法工程师密切合作。

我一直觉得产品经理这个岗位跟建规景有很多共通之处,类比下来是设计师和甲方的综合体(产出设计方案、推动方案落地),能力和学历尚可的同学可以一试。回顾自己的转行生涯,细想来其实每一个选择的方向都会有不同的问题,但总体而言,相比于本行业较低的性价比+长期下行的趋势+不稳定的现状,出逃都是我必然选择。

img

img

偶尔也还会去周边逛逛园子

最后祝愿各位转行的小伙伴,都能勇敢迈出那一步,重新找到方向吧!

如何零基础入门 / 学习AI大模型?

大模型时代,火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业?”“谁的饭碗又将不保了?”等问题热议不断。

不如成为「掌握AI工具的技术人」,毕竟AI时代,谁先尝试,谁就能占得先机!

想正式转到一些新兴的 AI 行业,不仅需要系统的学习AI大模型。同时也要跟已有的技能结合,辅助编程提效,或上手实操应用,增加自己的职场竞争力。

但是LLM相关的内容很多,现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学,学习成本和门槛很高

那么我作为一名热心肠的互联网老兵,我意识到有很多经验和知识值得分享给大家,希望可以帮助到更多学习大模型的人!至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

👉 福利来袭优快云大礼包:《2025最全AI大模型学习资源包》免费分享,安全可点 👈

全套AGI大模型学习大纲+路线

AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!

read-normal-img

640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;

• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;

• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;

• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。

👉 福利来袭优快云大礼包:《2025最全AI大模型学习资源包》免费分享,安全可点 👈

img

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。

【企业知识助手·Agent 实战】如何构建 Agent 运行态可观测体系:从行为基线漂移检测到成本预算治理的深度实战 核心原理:运行态可观测的本质是把"单点阈值"升级为"与基线的分布距离"——埋点回答发生了什么,基线比较回答这是否还正常关键结论:deny 率没有单向好坏语义,必须双边告警 + known-good / known-bad 双哨兵仲裁;成本归因的终点是单位经济与预算三线一位;评测分数入库让质量拥有趋势线。 阅读详情

相关推荐

常用的串口通信工具MobaXterm、Bus Hound、SScom等

本文介绍了四种PC端串口通信工具的功能和使用方法:MobaXterm支持SSH、FTP、串口等多种协议;Bus Hound用于监控CAN和串口数据;SScom专为串口和网口通信设计;ScriptCommunicator可进行串口通信并绘制波形图。每种工具都有详细的操作步骤图示,包括参数设置、数据监控等关键功能,并提供了官方和个人下载地址。这些工具各有特点,适用于不同的串口通信和数据分析场景。

sanqima的专栏 2476

AI转行 从景观转行人工智能领域,我做了哪几件事?

本文想与大家分享,自己是如何从景观行业,3步迈入人工智能领域的。希望大家能从这个过程中,获得一些自己转行的思路。

ice829的博客 1844

UE4引擎分析获取UWord,GName,GetName,GObjectArray

UE4引擎具有很多固定特征和特性 所以我们在逆向UE4引擎开发的游戏的时候,可以利用这些特征和特性. 当然,正常思路逆向也是没问题的(例如我们的ttw课程全数据逆向),你就当多了一个针对于该引擎逆向的快捷方式 或则多了一个思路即可. 正常逆向+引擎分析,使逆向结果全面且快速.

任鸟飞2217777779的博客 1万+

从景观到大模型,我的产品经理转型探索纪实

2016-2019 中国农业大学风景园林专业:2020-2023 中国农业大学风景园林专业2023-至今 某AI领域龙头企业-AI大模型产品经理意外邂逅我跟景观结缘纯粹是一场意外。还记得高考后的一个午后,当时选专业选累了,就把专业参考书随手丢到床上,人也趴到了床上。不经意间转头,看到书上的一个专业——风景园林,感觉这专业名还挺清新脱俗,便去详细了解了一下。看了专业简介,需要学习绘画、植物、建筑等,是艺术与工程的交叉学科,又不用学很多数学(因为我本身不是很擅长),所以我就决定报这个专业了。

优快云_224022的博客 1181

用Coze平台30分钟打造《花光10亿》小游戏:零代码AI开发实战

本文详细介绍了如何利用字节跳动推出的Coze平台,在30分钟内零代码开发一款名为《花光10亿》的AI小游戏。通过配置提示词、集成图像生成插件、构建自动化工作流以及使用数据库功能,即使没有编程基础的用户也能快速将创意转化为可交互的智能应用,体验AI开发的便捷与高效。

weixin_29313547的博客 204

《哥谭神话-工程篇》01.Palantir 平台架构解析-混乱数据如何转化唯一真相源?

Palantir 平台的架构哲学可以概括为将洞察落地为行动,其核心是将“获取唯一真相”能力深度嵌入现有的、复杂的工作流程中,成为提升运营效率和决策质量的倍增器。

893

2025年小白想转行AI领域却不知从何开始?这5步一定要照做!

年前deepseek的爆火,又带起了一波AI的潮流,也有很多人在焦虑和忧愁,AI来了我该怎么办呢? 自己这些天也因为业务的一些需要,在恶补AI、智能体、工作流、RPA等各种之前没有深入了解的知识。 但对没啥基础的自己来说,确实是感觉到“每天都在长脑子”,也感觉有点一边学习一边困惑。

2401_85375186的博客 1753

实验四 基于IDEA+SpringBoot+Maven+Thymeleaf的系统实现实验目的

通过这次实验,我学习了如何成功进行IDEA+SpringBoot+maven的系统实现,搭建好IDEA+SpringBoot+maven的系统环境,成功地安装并配置了maven的运行环境,学会了创建springboot的三种方式,并且能将之前的实验结合起来运用。pom.xml中引入thymeleaf依赖,在classpath:/templates/下新建HTML页面(可采用实验一创建的页面),新建controller进行测试,访问页面后返回success成功数据。同时掌握和thymeleaf的基本语法。

m0_73502929的博客 1379

转行设计师肺腑之言:离开建筑设计行业的9大理由

 1.生产模式     如果把建筑设计成果比喻成一种产品,个人认为,这种产品相比于其它行业,有几个缺点:     ①产品重复性高     作为卖内容的产品,建筑的格局都大同小异,特别是主要的业务小区及商业设计。虽然每个项目具体情况不同,但产品形态没有本质区别,容易抄袭复制,使得产品价值降低。     ②生产工业化程度低     生产过程需要大量人力。人力是主要成本,最小的项目也要数百小时...

kwame211的博客 2万+

从零开始利用MATLAB进行FPGA设计(六)用ADC采集信号教程1

用AN9238采集信号的方法(1),包含PLL、FIFO、ILA的基础教程。

WZT725的博客 3092

Android 系统低内存lowmemorykiller关于阈值修改 minfreeAbsKbytes优化

在系统rom定制化开发中,在对于运行内存ram 1G和2G的设备中,对于内存使用高峰期时,minfreeAbsKbytes优化很关键 调整合理的minfree,让内存合理的使用很关键,接下来分析相关功能的实现

安卓兼职framework和app工程师的博客 521

AI产品经理的职业规划与学习路径

AI产品的方法论围绕需求定义、数据闭环与评估框架三个核心环节展开。精准的需求定义要求产品经理识别具备重复性、语言密集型、结构化、高容忍度和耗时长特征的任务,作为AI的切入点。需求文档不仅要描述期望行为,还必须详细定义失败场景、边缘案例和人类干预机制。例如,对于内容生成模型,必须明确规定不得捏造事实、需区分原始观点与推断,并保留核查链接。数据闭环设计是AI产品持续进化的基础。产品经理需要设计机制,通过用户交互持续收集高质量反馈数据,用于模型的再训练和优化。

lh9477的博客 297

LoRA 完整解析:从理论到实践

LoRA(低秩适应)是一种高效的大模型微调方法,通过添加少量可训练参数(低秩矩阵)来适配新任务,避免全参数微调的高成本。其核心是将权重更新ΔW分解为两个小矩阵B×A的乘积,大幅减少训练参数量(仅0.1-1%)。LoRA基于内在维度假设,通过低秩约束捕捉核心任务信息,兼具效率与效果。实际应用中,常用配置为秩r=16-32,目标模块选择注意力层的q_proj和v_proj,学习率比全参数微调大10倍(约1e-4)。优势包括参数高效(内存降低60-80%)、多任务适配灵活、保留预训练知识等,已成为大模型微调的主流

echo的博客 1408

面向技术产品经理的 Agent Harness 设计:从任务编排到可验证交付

面向产品经理的 Agent Harness 设计指南:把用户目标转化为可执行任务、工具契约、权限策略、结构化结果和可验收的工程系统。 产品经理在设计 Agent 产品时,不仅仅只写 Prompt、页面和最终输出,还要参与定义 Agent 如何执行任务、调用工具、控制权限、处理失败并交付结果。

vivo互联网技术 177

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

哪些AI产品经理证书考核实际业务能力?从需求分析到AI产品方案评估

2026年选择AI产品认证,应超越关键词,聚焦需求判断、方案取舍、交付边界与效果验收四类核心问题。AIPM认证强调“需求证据链”与“验收闭环”,通过客观题、项目作业与试点验证组合评估能力。备考者可结合自身背景,优先补足模型边界、人机分工与评估指标知识,以真实项目输出转化学习成果。

hrrrrxeeeee的博客 291

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

6 款电商 AI 图片生成软件实测|国内 + 跨境卖家工具清单

电商 AI 作图工具已经从 "能不能用" 进入了 "好不好用" 的阶段。对于绝大多数卖家而言,现在的 AI 工具已经可以覆盖 60%-80% 的基础商品图需求,显著降低拍摄和设计成本。选择工具的核心逻辑不是 "哪款最强",而是 "哪款最适配你的品类、平台规模和团队能力"。垂直电商工具胜在工作流效率,通用生图工具强在创意上限,模板类工具赢在上手速度。建议根据自身业务阶段,搭配 1-2 款主力工具 + 1 款辅助工具,形成适合自己的视觉生产流程。

Mardi_Ladin的博客 238

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

我用 GPUWorks 在 M1 Pro 上搭了个发票识别原型

公司里经常要看电子发票。我想先做个小原型:把 PDF 发给一个自己部署的图文模型,让它提取发票类型、日期、交易双方和金额,再把结果交给同事核对。这个原型不用先接财务系统,先看看从部署到调用要走多少步,模型返回的内容能不能帮上忙。

鸽芷咕的博客 9851

医疗 AI 有两种,别混着谈:一个改流程,一个改范式

InfoXMed 是面向医生、医学生和医学科研人员的 AI 医学工具平台,提供文献检索、全文翻译、AI 解读、指南查询和题库练习等功能,辅助临床学习、科研汇报与医学备考。原文是日本医学会杂志(JMA Journal)的一篇综述(Review Article):基本事实:这一点必须先说清:这篇论文提出的是一个研究纲领。它文中的"预测"指的是科学设想,不是可以拿来用的临床预测能力。文中甚至自己承认了一个硬缺口(见第三节)。本文只谈它的术语辨析与科学方法论,不转述任何可作为临床依据的预测或处置主张。这篇论文的全部

2601_96948740的博客 153

您您这可以把问小白的多个会话比如说。左侧的多个会话一次性导出吗?不是单条会话里面的多次会对话。AI导出鸭

第三层是格式编译层。这个决策背后的判断很清晰:一个批量导出工具的价值,不在于“试三次”,而在于你真正用它处理了几十份技术文档、访谈记录或课程讲义之后,它是否值得留在你的工作流里。问小白的会话列表通过分页接口加载,AI导出鸭 在页面运行时建立旁路监听,捕获每一次分页请求返回的完整对话清单,包括会话 ID、标题、时间戳和隐藏的元数据字段。让AI导出回归优雅——这句话说的是:导出不该是体力活,而应该是一次完整的、可预期的文件交付。注意:这里的“批量”指的是左侧列表里的多个独立会话,不是一条会话内的多轮对话。

laoyunsi的博客 202

在Codex 让AI模型 拥有长期智能记忆

本文介绍Claude-Mem V15新功能——智能记忆召回,解决AI遗忘、重复提示、执行不一致等问题。通过本地部署claude-mem,实现自动记录决策(如数据库选型)、跨会话智能召回,支持记忆写入、检索、遗忘全流程闭环。相比传统记忆方案,其基于Hooks自动捕获工具调用,结构化存储,可追溯、可共享、可清理,显著提升工程效率与协作一致性,是长期项目中理想的“工作黑匣子”与“工程脑”。

米莱虾 236

河道漂浮物目标检测数据集

目标检测,yolo,河道漂浮物目标检测数据集

DL_data_set的博客 159

AI前沿日报 · 2026-11-04 | 祛魅时刻:Astra“纯读权重“神话的崩塌

①Astra"裸权重通吃"被spaCy创始人Honnibal精准祛魅——仅1/3实验真裸读,数学能力提升依赖Python+50次迭代;②Simon Willison用Qwen 3.8-27B端侧复现权重空间编程;③Nvidia开源Auto-Ontology自动知识图谱;④$800开源全域抓取机器人Stringman;⑤OpenAI悄然重开Codex训练开关引信任危机;⑥DeepMind发布Gemini 4 Argon机器人基础模型;⑦美国科技巨头隐性AI债务达3.2万亿美元,6个月增90%。

johnsong2009的博客 476

大模型 Embedding 与向量相似度详解

Embedding 解决的问题:计算机不懂文字,但懂数字│▼文本 → 向量(1024维浮点数数组)│▼相似度解决的问题:怎么判断两个向量(文本)有多接近│▼余弦相似度:看向量方向的夹角,越接近0°越相似│▼最终效果:语义搜索——理解意思,而非字面匹配一句话总结:Embedding 把文字变成数字,余弦相似度比较数字的方向,两者结合实现了"理解语义"的搜索。

T3165919332的博客 51

GPT-1 架构和计算细节

下面配合框图,对 GPT-1 的每个组件做公式展开 + 数值实例(配置:12 层 × 768,12 头,FFN 3072,词表 40478,共 117M 参数)。GPT-1 把翻译模型的编码器-解码器砍掉一半,只留解码器,然后以"预测下一个词"为目标在 BooksCorpus 上预训练。与 2017 原版的四个架构差异(框图中标 ★):h0=E[token]+Epos[position],E∈R40478×768, Epos∈R512×768h^0 = E[\text{token}] + E_{pos}[\

eloudy的专栏 215
上一篇: 最基础的大模型入门教程,手撸RAG基本原理代码,适合JAVA等传统项目开发人员。
下一篇: 大模型报告 | 比清华版更全面、更落地!《DeepSeek企业落地应用讲义精华全版258页》(附下载)
少喝冰美式
博客等级 码龄2年 6828粉丝 517原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值