不会写代码的工业产品经理，如何用 AI 把设备从想法做到上线、连算法都自己啃下来
导读 · 从这里进门你不会写代码，但你知道这台设备该做什么——这本书赌的是：在 AI 时代，后者比前者稀缺。
过去工程的门槛是「会打字实现」，AI 把它挪到了「会想清楚、会验证」。为什么一个不会写代码的产品经理，恰恰站在了新门槛的正确一侧。
读 → 02 第二章 · AI 到底在替你做什么、不做什么拆开大模型、编程助手、Agent 三者的运作机理：它们是概率性的意图翻译器，不是确定性的正确性保证器。
读 → 03 第三章 · 把「我想做个东西」变成机器能执行的规格把模糊需求逼成精确规格——需求即 prompt，规格即架构。不会写规格，AI 给你的就是一堆自信的错东西。
读 → 04 第四章 · 你必须懂的最小计算机常识不学编程，但要理解代码在跑什么：进程与内存、前后端为什么分家、数据怎么存、API 怎么让两块东西说话。
读 → 05 第五章 · 用 AI 搭出第一个能点的东西让 AI 帮你搭出前端+后端+数据库的可运行原型，建立「描述—生成—运行—报错—喂回报错」的闭环手感。
读 → 06 第六章 · 工业设备不是网站现实变硬：连传感器、读 PLC、扛实时性、在恶劣环境里跑。为什么网站崩了刷新就行，产线崩了会停产甚至伤人。
读 → 07 第七章 · 让机器开口：数据采集与设备通信借 AI 搞定和硬件对话：Modbus/OPC UA/串口是什么、PLC 数据怎么读、边缘网关的角色、现场数据为什么总是脏的。
读 → 08 第八章 · 算法祛魅：它其实是在找一个函数把机器学习拉下神坛：算法就是从数据里拟合一个「输入→输出」的函数。为什么你不需要会推导公式也能判断模型靠不靠谱。
读 → 09 第九章 · 亲手做一个视觉缺陷检测工业最常见的算法落地：借 AI 从零做缺陷视觉检测——标注、选模型、训练、评估、部署。为什么数据质量比模型选型重要得多。
读 → 10 第十章 · 时序预测与异常检测：让设备提前喊疼从振动、温度、电流的时序里预测故障、揪异常。无监督异常检测怎么在没有故障样本时也能工作，怎么避免报警泛滥。
读 → 11 第十一章 · 从我的电脑到产线上的盒子部署天堑：模型怎么从笔记本搬到算力有限、没网、不能重启的边缘设备。模型压缩、嵌入式部署、实时约束。
读 → 12 第十二章 · 让它在产线上跑住，而不只是跑通demo 和产品的鸿沟：异常处理、断电重连、日志、看门狗、失效安全。工业软件为什么要假设「一切都会坏」。
读 → 13 第十三章 · 怎么知道它是真的对：验证、试运行与迭代让 AI 帮你写测试、真实产线小范围试运行、用数据而不是感觉判断好坏，把现场反馈变成下一轮改进。
读 → 14 第十四章 · AI 骗你的时候，你怎么知道AI 生成的代码和算法结论哪里最容易埋雷，一个不懂代码的人怎么用因果追问、边界测试、让另一个 AI 挑刺来活下来。
读 → 15 第十五章 · 全能工程师的真实边界清醒收尾：借 AI 的小白全能工程师能到哪、到哪就该找人。你真正不可替代的能力，是知道自己不知道什么。
读 →