产品经理黑话速查
产品经理黑话速查
本页是产品经理日常沟通、AI 产品与工程协作、求职 JD 中常见黑话、术语与潜台词的速查表。投递、面试形式和谈薪口径见求职黑话合集。
按主题分类整理，共收录 230+ 条。
请注意：黑话 ≠ 能力，"老板与同事潜台词"一节多为调侃与夸张，请谨慎对号入座。
自学阶段遇到听不懂的术语，随时回来查这一页即可。
大厂黑话（通用）
| 黑话 | 含义 |
|---|
| 对齐 | 双方达成一致。开会结束时最常说的词（"回头我们对齐一下"） |
| 拉通 | 让相关方共享信息、达成共识，比"对齐"多一层"打通部门壁垒"的意思 |
| 赋能 | 给资源、能力、平台支持别人（真实含义常常是"把活分给你"） |
| 抓手 | 重点工作、突破口、切入点。老板最爱问"这件事的抓手是什么？" |
| 闭环 | 从目标到执行的完整循环（"形成闭环"=首尾相连能自己转）。经典吐槽：做 PPT 时画个圈就是闭环 |
| 颗粒度 | 方案的细致程度。"颗粒度不够细"=再细化到可执行 |
| 底层逻辑 | 事情背后的根本规律。万能话术，问就是"这事底层逻辑是什么" |
| 顶层设计 | 全局性规划，从最高层往下设计 |
| 方法论 | 可复用的经验总结。"沉淀一套方法论"是晋升答辩必备 |
| 沉淀 | 把经验、资产固化保存下来 |
| 复盘 | 对已完成项目的回顾总结。被老板说"你回去复盘一下"= 出问题了 |
| 对标 | 找标杆产品/公司对比找差距（"对标微信"=照抄微信） |
| 倒逼 | 从目标结果反推倒推来推动（"用 KPI 倒逼进度"） |
| 组合拳 | 多个手段配合使用 |
| 点线面 | 从小点切入，连成线，铺成面（讲规划时的万能叙事结构） |
| 护城河 | 竞争壁垒，别人难以复制的能力（"我们的护城河是什么"≈灵魂拷问） |
| 第二曲线 | 主营业务之外的新增长业务 |
| 基本盘 | 核心业务/根本基础，不能丢的部分 |
| 天花板 | 增长上限。"这个赛道天花板太低"=别做了 |
| 降维打击 | 用更高级的手段碾压对手 |
| 心智 | 用户对产品的认知。"占领用户心智"=让用户一想到某类需求就想到你 |
| 链路 | 业务/用户行为流程。"打通全链路"=串起来 |
| 声量 | 品牌/话题的热度与讨论量 |
| 势能 | 积累的优势和动能。"借势能"=蹭热点 |
| 破圈 | 突破原有用户圈层，触达新人群 |
| 外溢 | 效果/影响力扩散到其他渠道（"小红书流量外溢到淘宝"） |
| 操盘 | 整体把控并执行某个项目/业务 |
| 矩阵 | 多个账号/产品/业务的组合布局（"全平台矩阵"） |
| 赛马 | 内部多个团队做同一件事，胜者上（内部竞争机制） |
| 冷启动 | 产品从零起步、没有用户基础时开始运营 |
| 中台 | 把多个业务共用的能力（账号、支付、数据）抽出来统一建设 |
| 脱敏 | 移除/替换敏感数据，保护隐私（对外展示数据前必说） |
| 抽离透传 | 不判断、不加工，原样传递信息（把锅原样传给上级） |
| 引爆点 | 让产品/内容突然爆发的关键点 |
| 复用打法 | 把已有成功经验套用到其他场景 |
需求与文档
| 黑话 | 含义 |
|---|
| PRD | Product Requirements Document，产品需求文档，PM 的核心交付物，开发照它干活 |
| MRD | Market Requirements Document，市场需求文档，讲市场机会 |
| BRD | Business Requirements Document，商业需求文档，讲商业价值，通常给老板看 |
| FSD | Functional Specifications Document，功能详细说明 |
| 需求池 | 收集和管理需求的清单，按优先级排队 |
| 需求评审（RE） | 评审需求的会议，PM 被开发围攻的地方 |
| KANO 模型 | 需求分级模型：基本型（没有会死）、期望型（有了更好）、兴奋型（惊喜点） |
| MVP | Minimum Viable Product，最小可行产品：用最小成本做出能验证需求的产品 |
| PMF | Product-Market Fit，产品与市场契合，找到了愿意用的用户 |
| 用户故事 | User Story，以用户视角描述需求："作为XX，我想要XX，以便XX" |
| 场景 | 用户使用产品的具体情境（"考虑用户场景"=想清楚谁在什么情况用） |
| 痛点 | 用户遇到的问题，越痛需求越刚 |
| 痒点 | 用户想要但没有强烈必需的需求（"咋让用户上瘾"） |
| 爽点 | 即时满足的快感，用了立刻觉得爽 |
| 用户画像 | 对目标用户的基本信息、行为、偏好和场景等特征进行抽象描述，常由用户标签组合形成 |
| 竞品分析 | 研究竞争对手的产品和策略 |
| 埋点 | 在界面关键位置植入数据采集代码，收集用户行为数据 |
| 代码埋点 | 由开发人员在代码中手动添加采集逻辑；事件定义和数据精度可控，开发成本较高 |
| 可视化埋点 | 通过可视化工具配置页面元素和采集事件；减少逐个修改代码的成本，适合标准化交互 |
| 全埋点（也称无埋点） | 通过 SDK 自动采集预设的页面浏览、点击等行为；通常仍需配置采集范围和数据规则 |
| 灰度发布 | 新版本先给一小部分用户试用，稳定后再全量（程序员版“先拿小号试试水”） |
| 迭代 | 版本更新优化（"快节奏迭代"=不停改版本） |
设计与体验（UED/UCD/UE/UX/UI）
| 黑话 | 含义 |
|---|
| UED | User Experience Design，用户体验设计，通常指设计团队/部门 |
| UCD | User Centered Design，以用户为中心的设计，一种设计方法论（不是岗位） |
| UE | User Experience，用户体验，早期叫法，与 UX 同义 |
| UX | User Experience，用户体验；现在也常指用户体验设计师（UX Designer） |
| UI | User Interface，用户界面；也指界面设计师（画图的） |
| 交互设计（IxD） | Interaction Design，设计用户与产品交互的行为与反馈。UI 管"长什么样"，交互管"怎么用" |
| 视觉设计 | Visual Design，界面视觉表现（配色、图标、排版） |
| 线框图 | Wireframe，用线条框出页面结构和布局，不讲究视觉 |
| 低保真原型 | 用线框/草图表达的快速原型，验证流程用 |
| 高保真原型 | 接近最终效果的带视觉原型，演示和评审用 |
| 原型 | Prototype，可交互的页面示意稿。主流工具：Axure、Figma、墨刀 |
| 走查 | Walkthrough，按用户流程把页面过一遍，找逻辑和体验问题 |
| 可用性测试 | 找真实用户操作产品，观察记录他们怎么卡住 |
| 用户旅程地图 | User Journey Map，从发现、使用到离开的全流程体验地图，标注每个环节的感受 |
| 触点 | Touchpoint，用户与产品/品牌接触的每一个点 |
| 峰终定律 | 用户对体验的记忆由峰值和结束时的感受决定，中间过程记不住 |
| MOT | Moment of Truth，关键时刻，决定用户留不留的瞬间 |
| 设计规范/Design System | 统一的组件、颜色、字体规范，让多端产品长得像一家人 |
| 组件化 | 把通用 UI 拆成可复用组件 |
| 设计思维 | Design Thinking，以用户为中心的创新方法论（同理心→定义→构思→原型→测试） |
| 双钻模型 | 设计流程经典模型：先发散找问题，再收敛定方案，两轮 |
| 信息架构（IA） | 信息的组织与导航结构，决定用户找不找得到东西 |
| F 型浏览 | 用户扫网页时视线呈 F 形：横着扫、再横着扫、竖着往下滑 |
| 尼尔森十大可用性原则 | 可用性设计经典检查清单（状态可见、贴近现实、用户可控……） |
测试与质量
| 黑话 | 含义 |
|---|
| 开关测试 | 验证功能开关开启、关闭及切换时的功能、数据和权限表现；常用于灰度发布和快速回滚 |
| 冒烟测试 | 正式测试前验证核心链路能否运行；不通过则停止后续测试 |
| 单元测试 | 针对函数、类等最小代码单元进行验证，定位问题范围较小 |
| 接口测试 | 验证接口的请求参数、响应数据、错误码、权限和边界条件 |
| 集成测试 | 验证多个模块、服务或系统组合后的协作是否正确 |
| 功能测试 | 按需求验证产品功能、业务规则和异常流程是否符合预期 |
| 回归测试 | 修改代码或配置后重新验证相关功能，确认没有引入新问题 |
| 性能测试 | 测量系统在不同负载下的响应时间、吞吐、并发和资源使用情况 |
| 兼容性测试 | 验证产品在不同设备、操作系统、浏览器、网络和版本组合下的表现 |
| 验收测试 / UAT | User Acceptance Testing，用户验收测试；由业务方或代表用户确认产品是否满足使用要求 |
数据与指标
| 黑话 | 含义 |
|---|
| DAU/WAU/MAU | Daily/Weekly/Monthly Active User，日/周/月活跃用户数，产品的"人气值" |
| PV/UV | Page View 页面浏览量（按次数）/ Unique Visitor 独立访客（按人数） |
| CTR | Click Through Rate，点击率 = 点击量/曝光量 |
| 产品转化率（CVR） | Conversion Rate，完成目标动作的用户数/进入该环节的用户数；需明确目标动作和分母口径 |
| 注册转化率 / 激活率 | 完成注册的用户数/访问用户数；完成首次关键行为的用户数/注册用户数 |
| 付费转化率 | 完成付费的用户数/进入付费链路的用户数；需注明统计周期和分母 |
| GMV | Gross Merchandise Volume，商品成交总额。注意不等于收入（含未付款/退款），懂的人都懂 |
| ARPU / ARPPU | 每用户平均收入 / 每付费用户平均收入 |
| SKU | Stock Keeping Unit，库存量单位，最小售卖单元（"红色XL码"） |
| SPU | Standard Product Unit，标准化产品单元（"某品牌卫衣"） |
| CAC | Customer Acquisition Cost，获客成本 |
| CPI | Cost Per Install，单次安装成本 = 广告或推广费用/归因安装次数；常用于衡量移动应用获客成本 |
| LTV | Lifetime Value，用户整个生命周期贡献的价值。LTV/CAC > 3 才能赚钱 |
| ROI | Return on Investment，投资回报率 |
| ROAS | Return on Ad Spend，广告支出回报率 |
| NPS | Net Promoter Score，净推荐值：用户愿不愿意推荐给朋友，0-10 分打分 |
| 用户平均会话时长 | Average Session Duration，统计周期内用户每次会话时长的平均值；用于观察单次使用深度，需明确会话开始、结束和超时口径 |
| 留存率 | 用户用完后还回不回来。次日留存、7日留存、30日留存是产品健康度核心指标 |
| 次日留存率 | Day 1 Retention Rate，首日新增用户中第二天仍返回并完成指定行为的用户比例；需明确新增日、回访日和行为口径 |
| 流失率 / 召回 | 用户离开的比例 / 用推送、短信等手段把流失用户拉回来 |
| 北极星指标 | North Star Metric，唯一的最核心指标，衡量产品价值的"指挥棒" |
| 虚荣指标 | 好看但没有指导意义的指标（如总注册数），做汇报用来撑场面 |
| AARRR 模型 | 用户生命周期模型：获取→激活→留存→收入→传播 |
| 漏斗 | 从起点到终点逐级递减的转化过程（注册漏斗、下单漏斗） |
| A/B 测试 | 给不同用户看不同版本，用数据决定哪个好 |
| 归因分析 | 用户成交后追溯是谁带来了这个用户（哪个渠道/哪次活动） |
| 千人千面 | 给每个用户个性化推荐不同内容 |
| 探索与利用 | 推荐系统难题：多尝试新内容（探索）还是多推用户爱看的（利用） |
| 羊毛党 | 专门薅补贴、优惠的群体，活动风控重点关注对象 |
内容与增长
| 黑话 | 含义 |
|---|
| UGC | User-Generated Content，用户生成内容；用户在平台发布的文字、图片、视频、评价等内容 |
| UCC | User-Created Content，用户创作内容；与 UGC 含义接近，强调用户主动创作和贡献内容 |
广告与商业化
| 黑话 | 含义 |
|---|
| 贴片广告 | 以视频贴片形式出现在视频内容前、后或播放节点的广告，常见类型包括前贴片、后贴片和中贴片 |
| 信息流广告 | 混排在内容列表或推荐流中的广告，通常采用与原生内容相近的展示形式，并标注广告或推广信息 |
| Banner 广告 | 以横幅或矩形图片、动图等形式展示在页面固定位置的广告，常见于页面顶部、底部或侧边 |
| 中插广告 | 在视频、音频或长篇内容播放或阅读过程中插入的广告，也称中贴片或 Mid-roll 广告 |
AI 产品与工程
研究圈、训练和论文口径见 AI 黑话速查；Scaling Law、Bitter Lesson、Densing Law、莫拉维克悖论等见 AI 定理与经验定律。
| 黑话 | 含义 |
|---|
| LLM | Large Language Model，大语言模型；通过大规模数据训练、按上下文生成和理解内容的模型，具体能力取决于模型版本、上下文和调用方式 |
| SDK | Software Development Kit，软件开发工具包；为特定平台、系统或服务提供的开发库、工具和示例，帮助开发者接入其能力 |
| API | Application Programming Interface，应用程序编程接口；产品通过约定的请求、响应和错误码调用模型或其他服务 |
| Prompt / 提示词工程 | Prompt 是提供给模型的指令、上下文和输入；提示词工程是设计、测试和迭代这些内容以稳定完成任务的方法 |
| Token | 模型处理文本的基本计量单位，不等同于汉字或单词；输入和输出 token 通常影响上下文上限与调用成本 |
| 上下文窗口 | 一次请求可供模型处理的 token 总量上限；超出后需要截断、压缩或分段，不等于模型的长期记忆 |
| RAG | Retrieval-Augmented Generation，检索增强生成；先从外部知识源检索相关内容，再将其作为上下文生成答案，重点解决知识时效与可追溯性 |
| Embedding | 将文本、图片等对象映射成向量的表示方法，常用于相似度检索和聚类；向量相近不代表事实一定正确 |
| Agent / 智能体 | 以目标为导向，能够根据状态进行多步决策并调用工具或执行动作的系统；普通单轮聊天不一定是 Agent |
| 工具调用 / Function Calling | 模型输出结构化的工具调用意图，由应用执行工具并把结果回传给模型；模型通常不直接执行工具 |
| 多模态 | 同时处理文本、图片、音频或视频等多种信息模态的能力 |
| LBS | Location-Based Service，基于位置的服务；根据用户或设备的地理位置提供附近搜索、围栏提醒等功能 |
| IoT | Internet of Things，物联网；通过网络连接设备，采集环境数据并执行远程监测或控制 |
| OTA | Over-The-Air，空中下载技术；通过网络远程更新设备固件、软件或配置；旅游行业也指 Online Travel Agency，在线旅行社 |
| 幻觉 | 模型生成与事实、输入或检索内容不符但表述流畅的内容；需要通过数据、约束、评测和人工复核降低 |
| 评测 / Eval / Benchmark | 按预设任务、数据和标准测量模型或 AI 功能质量的过程；评测分数本身不等于业务价值 |
| badcase | 典型失败样本，用于定位错误模式、补充评测集和推动迭代 |
| 微调 / Fine-tuning | 在已有模型上使用特定数据继续训练，使其适应特定任务或行为；与 Prompt 调整、RAG 的作用和成本不同 |
| Guardrail / 护栏 | 对输入、输出、工具权限、流程或成本设置的约束与拦截机制，用于降低越权、滥用和失控风险 |
| HITL / Human-in-the-Loop | Human-in-the-Loop，人在回路；由人进行确认、修改、接管或抽检，控制 AI 的高风险决策和动作 |
| MCP | Model Context Protocol，模型上下文协议；约定模型应用如何发现并调用外部工具与数据资源 |
| SLA | Service Level Agreement，服务等级协议；对外约定可用性、响应时间、延迟、支持时限及违约处理等服务承诺，不等于内部目标 |
| SLO | Service Level Objective，服务等级目标；团队为可用性、延迟、成功率等设定的内部目标，通常用于运营和容量管理 |
| SLI | Service Level Indicator，服务等级指标；从真实请求中测量可用性、延迟或成功率等表现，是判断 SLO 是否达成的依据 |
| 延迟 / Latency | 请求发出到结果返回的耗时；AI 产品常分别关注首个 token 延迟和完整响应延迟，必须明确测量口径 |
| P95/P99 | 延迟或其他指标的第 95/99 百分位值，用于观察长尾体验；平均值较好不代表 P95/P99 一定达标 |
| 限流 | 限制单位时间内的请求数或并发量，保护服务并公平分配资源；超限通常返回 429、排队或触发降级 |
| 配额 / Quota | 为账户、租户或应用设置的调用量、速率或预算上限；既是技术约束，也会影响套餐设计与成本控制 |
| 降级 | 主方案不可用或成本、延迟超标时切换到能力较弱但仍可用的备用路径，如缓存、规则或人工处理 |
| 熔断 | 下游连续失败达到阈值时暂时停止调用，避免故障扩散；服务恢复后再逐步放量 |
| 重试 / 退避 | 请求失败后再次尝试；退避通过逐步拉长间隔并限制次数，避免多方同时重试造成故障放大 |
| 幂等 | 同一请求执行一次或多次，结果保持一致；支付、写入和 Webhook 等重试场景需要明确的幂等机制 |
| 可观测性 / Observability | 通过日志、指标和 Trace 等信号判断系统状态、定位问题和追溯请求链路，不只是保存日志 |
| DRI | Directly Responsible Individual，直接负责人；为事项指定主要决策和推进人，协作方仍需参与 |
| P0/P1/P2/P3 | 事故严重度分级，具体定义因团队而异，通常 P0 最高；每级应对应影响范围、响应时限、责任人和升级路径 |
工程架构中的前端渲染、后端、身份权限、数据库、缓存、消息队列、可观测性和第三方服务术语，详见 工程架构术语 类目。部署、环境与放量见 部署与环境。
前端与渲染
| 黑话 | 含义 |
|---|
| SSG | Static Site Generation，静态站点生成；在构建时预先生成 HTML，适合文档、博客和内容更新不频繁的页面，通常由 CDN 分发 |
| SSR | Server-Side Rendering，服务端渲染；在请求时由服务端根据 URL、身份和数据生成 HTML，适合需要 SEO、个性化或较新数据的页面 |
| CSR | Client-Side Rendering，客户端渲染；浏览器加载 JavaScript、请求数据后生成主要页面内容，常用于后台、编辑器和复杂工作台 |
| SPA | Single-Page Application，单页应用；首次加载一个页面文档，后续路由切换由 JavaScript 完成，不等同于某一种渲染方式 |
| ISR | Incremental Static Regeneration，增量静态再生成（Next.js 用语）；保留静态分发效率，并按时间、请求或事件重新生成部分页面 |
| Hydration（水合） | 浏览器为服务端或构建时生成的 HTML 绑定事件和状态，使静态内容变成可交互页面 |
算力与推理
| 黑话 | 含义 |
|---|
| GPU / CPU | Graphics Processing Unit / Central Processing Unit，图形处理器 / 中央处理器；AI 训练和推理通常更依赖 GPU 的并行计算能力，业务逻辑与调度仍常由 CPU 承担 |
| 算力 / Compute | 执行模型训练或推理所需的计算资源；实际可用能力不只由理论峰值决定，还受显存、带宽、并发和软件栈影响 |
| 显存 / VRAM | Video Random Access Memory，GPU 用来存放模型权重、KV Cache 和中间数据的内存；显存不足时模型可能无法加载或并发量下降 |
| 显存带宽 / Memory Bandwidth | GPU 在单位时间内读写显存的能力；Decode 阶段常受显存带宽限制，不等同于 GPU 的理论算力 |
| FLOPS / TFLOPS | Floating-point Operations Per Second / Trillion FLOPS，每秒浮点运算次数 / 万亿次浮点运算次数；属于理论峰值，不等于真实模型吞吐 |
| GPU 利用率 | GPU 计算单元处于工作的时间占比；利用率高不一定代表成本效率高，显存或带宽瓶颈也可能让服务变慢 |
| 吞吐 / Throughput | 单位时间完成的请求数、token 数或任务量；需要和延迟、并发一起看，吞吐提高可能伴随单请求等待变长 |
| 并发 / Concurrency | 同时处于处理中的请求或任务数量，不等于一段时间内的总流量；长上下文和 KV Cache 会显著影响并发上限 |
| QPS / RPS | Queries Per Second / Requests Per Second，每秒查询数 / 请求数；用于描述服务请求速率，具体统计范围要写清楚 |
| RPM / TPM | Requests Per Minute / Tokens Per Minute，每分钟请求数 / token 数；常见于模型供应商的速率配额，不等同于服务的实际吞吐 |
| TPS | Tokens Per Second，每秒生成的 token 数；通用系统性能语境中也可能指 Transactions Per Second，每秒事务数，使用时要注明口径 |
| TTFT | Time To First Token，首 token 延迟；从请求发出到用户看到第一个 token 的时间，主要受排队和 Prefill 影响 |
| TPOT | Time Per Output Token，平均生成一个输出 token 所需的时间；主要反映 Decode 阶段的持续生成速度 |
| KV Cache | Key-Value Cache，注意力机制缓存的历史 Key / Value；可以减少重复计算，但会随上下文长度和并发增长而占用显存 |
| Prefill / Decode | Prefill 并行处理输入并建立 KV Cache；Decode 根据已有上下文逐 token 生成输出，二者的瓶颈和优化方式不同 |
| 批处理 / Batch | 将多个请求合并后共同计算，以提高 GPU 利用率和吞吐；批次等待和大小会影响单请求延迟 |
| 连续批处理 / Continuous Batching | 按 token 生成进度动态加入和移出请求的调度方式，减少等待空槽，通常比静态批处理有更高吞吐 |
| 量化 / Quantization | 用更低精度表示模型权重或 KV Cache，以降低显存占用；速度和效果变化取决于硬件、模型与任务，需要实测 |
| 蒸馏 / Distillation | 用大模型或教师模型的输出指导较小的学生模型，使其在更低成本下保留部分能力 |
| 推理 / Inference | 使用已经训练好的模型处理输入并生成输出的过程；推理成本、延迟、吞吐和稳定性直接影响线上产品 |
| GPU 时 / GPU Hour | 一张 GPU 被占用一小时的资源计量单位，常用于训练、托管和推理平台的成本核算；实际价格还受 GPU 型号和利用率影响 |
用户与运营
| 黑话 | 含义 |
|---|
| 目标用户 | 产品预设要服务的用户群体，通常按需求、场景和特征界定 |
| 种子用户 | 早期参与产品试用、反馈和传播的用户，用于冷启动和需求验证 |
| 核心用户 | 高频使用、贡献主要价值或对产品有较高依赖的用户 |
| 活跃用户 | 在指定周期内完成约定行为的用户；具体行为由产品定义 |
| 沉默用户 | 曾经使用产品但在指定周期内未完成活跃行为的用户 |
| 流失用户 | 按预设规则判断已停止使用或长期未活跃的用户 |
| 用户分层 | 按价值、行为、需求或生命周期把用户划分为不同群组 |
| 拉新/促活/留存/转化 | 用户运营四件套：拉来新用户、让他们活跃、别让他们走、让他们付费 |
| 触达 | 通过一个或多个渠道向目标用户传递消息、权益或服务；需匹配用户状态、场景和频次 |
| 触达渠道 | 连接用户的媒介或入口，如 App、短信、电话、邮件、公众号、企微和线下门店 |
| App Push / Push | 向移动 App 用户发送的系统通知或应用内推送 |
| IVR | Interactive Voice Response，交互式语音应答；通过语音提示和按键或语音输入完成自助服务 |
| 触达方式 | 按消息发送机制区分为主动推送、被动响应、定时触达、事件触达和人工触达 |
| 触达率 | 实际收到或打开触达消息的用户数/目标触达用户数；需明确“收到”还是“打开”的口径 |
| 私域流量 | 企业可以反复、低成本直接触达并持续运营的用户流量（微信群、公众号、企微） |
| 公域流量 | 依赖平台分发或购买、无法完全自主运营的用户流量（抖音推荐、淘宝搜索） |
| 流量池 | 可反复利用的流量蓄水池（把公域引来的用户养在私域） |
| 裂变 | 老带新：用户拉人得奖励，实现指数传播 |
| 拼团/砍价 | 裂变的经典玩法，拼多多发扬光大 |
| 种草 | 用内容激发购买欲望（“在用户心中种下一片草原”） |
| 拔草 | 下单购买 / 看完发现不好用，欲望消失 |
| 用户生命周期 | 引入→成长→成熟→衰退→流失，不同阶段不同运营策略 |
用户标签与分类
用户标签通常从用途、统计方式和时效三个维度分类。
| 黑话 | 含义 |
|---|
| 用户标签 | 对用户基础信息、行为、偏好或场景进行结构化描述，用于用户分群、推荐、分析和触达 |
| 按用途分类 | 基础信息、用户行为、业务偏好、场景标签 |
| 按统计方式分类 | 事实类标签、规则类标签、预测类标签 |
| 按时效分类 | 静态标签、动态标签 |
| RFM 模型 | 按最近消费时间、消费频率、消费金额把用户分层 | | 会员体系 | 用等级、积分、权益把用户绑定住 | | 复购率 / 客单价 | 用户再次购买的比例 / 平均每单金额，电商最看重的两个指标 | | 人货场 | 零售三要素：人（用户）、货（商品）、场（渠道场景）。"重构人货场"=换个卖法 | | 货找人 | 推荐式卖货：算法把货推给用户（对比"人找货"=用户自己搜） | | 品效合一 | 既要品牌声量又要销售转化（老板的既要又要） | | 全域营销 | 线上线下、公域私域全渠道一起做营销 | | 下沉市场 | 三四五线城市及农村市场，"五环外"人群 |
商业模式
| 黑话 | 含义 |
|---|
| B2B | Business to Business，企业或商家向企业或商家提供产品、服务或解决方案 |
| B2C | Business to Consumer，企业或商家直接向消费者提供产品或服务 |
| C2C | Consumer to Consumer，消费者之间进行商品或服务交易 |
| C2B | Consumer to Business，消费者提出需求或提供资源，由企业响应和组织供给 |
| O2O | Online to Offline，线上获客、下单或交易，线下履约或消费 |
| POP 模式 | Platform Open Plan，平台开放计划；平台向第三方商家、服务商或开发者开放商品、交易、流量或技术能力，并通过佣金、服务费或广告等方式变现 |
| DTC | Direct To Consumer，品牌直达消费者，不经过经销商 |
| C2M | Customer to Manufacturer，用户直连工厂，按需定制 |
| TAM/SAM/SOM | 总市场规模 / 可服务市场 / 实际能拿到的市场。写给投资人看的"市场有多大" |
| GTM | Go-To-Market，产品推向市场的策略 |
| PLG | Product-Led Growth，产品驱动增长：靠产品本身好用裂变，不靠销售 |
| 网络效应 | 用的人越多产品越好用（微信、滴滴），护城河的最强形态 |
| 飞轮效应 | 各环节互相促进、越转越快的良性循环（亚马逊飞轮） |
| 双边市场 | 平台连接两类用户，一边缺了另一边也不来（打车：司机和乘客） |
项目管理与协作
| 黑话 | 含义 |
|---|
| 敏捷开发 / Scrum | 以迭代为单位的开发方式，主流互联网公司标配 |
| Sprint | 冲刺：一个开发周期，一般 1-2 周 |
| 排期 | 安排各需求的开发时间（"你去跟开发排期"=求开发接活） |
| 卡点 / 阻塞 | 项目卡住的问题点 / 被阻塞无法推进 |
| 站会 | 每日 15 分钟站立晨会：昨天干了啥、今天干啥、有什么阻碍 |
| 需求评审 / 技术评审 | 需求 / 技术方案的评审会议 |
| 上线 / 发布 / 回滚 | 功能上线 / 发布新版本 / 出问题退回旧版本 |
| 干系人 | Stakeholder，影响项目或被项目影响的所有人 |
| SOP | Standard Operating Procedure，标准作业流程 |
| OKR | Objectives and Key Results，目标与关键结果。上级管目标，下级定方法 |
| KPI | Key Performance Indicator，关键绩效指标，直接和绩效挂钩 |
| DDL | Deadline，截止时间（"DDL 是第一生产力"） |
| 周报 / 双周会 | 汇报进度的节奏，写周报=把活编成成果 |
岗位 JD 黑话
| 黑话 | 真实含义 |
|---|
| 负责XX产品从0到1 | 从零开始扛一个产品，能顶半边天 |
| 全流程 / 全链路 | 从需求到上线的所有环节都要管（一个人干一个团队的活） |
| Owner 意识 | 把事当自己的事，出问题别甩锅 |
| 结果导向 | 只看结果不看过程（过程惨不惨自己扛） |
| 抗压能力强 | 加班多、挨骂多 |
| 自驱力强 | 没人管你，自己找活干 |
| 跨部门沟通协作 | 求别人办事（对接方：开发、设计、运营、市场、法务……） |
| 小步快跑、快速迭代 | 频繁改版改需求（开发听到就头大） |
| 数据敏感 | 会用数据说话，别拍脑袋 |
| 同理心 / 用户思维 | 别自嗨，站用户角度想 |
| 弹性工作制 | 加班没有加班费 |
| 扁平化管理 | 公司没几个人，领导直接管你 |
| 期权激励 | 工资不高（能不能上市另说） |
| 狼性文化 | 往死里干，干不过就淘汰 |
岗位分类与协作对象见产品经理岗位类别和产品经理协作团队与岗位。
老板与同事潜台词（调侃）
| 黑话（表面说法） | 真实含义 |
|---|
| 你来我办公室一下 | 老板又想到了绝妙的 idea |
| 得专注用户体验 | 界面画得好看点 |
| 产品气质不够年轻 | 饱和度通通调最高 |
| 产品气质不够成熟 | 界面通通做成黑的 |
| 产品不够大气 | 我也不知道哪不好，反正就是不好 |
| 要精致的感觉 | 抄苹果 |
| 要利用用户的固有习惯 | 抄同行 |
| 要追求流行设计趋势 | 抄微信/淘宝/滴滴 |
| 产品设计应该大道至简 | 复杂的我不会做 |
| 用户都应该用完即走 | 回不回来我不负责 |
| 商业模式要形成闭环 | 东西放线上卖 |
| 搭建完善的用户运营体系 | 做个积分商城 |
| 要有社交元素促进活跃度 | 塞一个 IM 进去 |
| 你说的这是另一个问题 | 我说的才是对的 |
| 这个我回去再确认一下 | 没想到，回去补 |
| 在吗？ | 要改需求了 |
| 下次肯定不改了 | 这次先改了再说 |
| 你的建议很好我们已经想到了 | 说得有道理，赶紧提需求 |
| 你的建议我们会考虑的 | 这建议好像有点蠢 |
| 你的建议很有启发性 | 哈哈哈什么玩意儿 |
| 你这个需求不清晰 | 我不想做（开发说） |
| 目前技术实现不了 | 我不想做（开发说） |
| 现在排满了 / 这方案不是挺好吗 | 我不想改（设计说） |
| 没有用户是因为没做好运营 | 不是我的锅（PM 说） |
| 体验不好是技术实现问题 | 不是我的锅（PM 说） |
来源说明：综合整理自知乎、人人都是产品经理、三茅人力资源网《打工人必备的"职场黑话"》、数英网《互联网创业公司黑话指南》及各大厂产品经理岗位 JD；本站整理自个人知识库文件。
发现错误？想一起完善？ 在 GitHub 上编辑此页！
本页面贡献者：AI-PM Wiki Team
本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用