Adept AI产品经理薪资总包L3到L7对比分析2026
在AI创业公司拿高薪，不是一件值得庆祝的事。
Adept AI在2024年完成3.5亿美元B轮融资、估值突破10亿美元之后，产品经理岗位的薪资结构突然成了圈内最热的讨论话题。但问题是：拿到offer的人往往在签字那一刻才发现，自己的total compensation里有超过60%的价值取决于一个自己根本无法控制的变量——公司能不能活过D轮。
这不是一篇告诉你“PM薪资是多少”的文章。这是一篇告诉你“为什么你的offer比你以为的更复杂”以及“你应该在签字之前问哪七个问题”的文章。
Adept AI的PM等级体系从L3横跨到L7，每个等级之间的年度总包差距不是线性递增的，而是阶梯式跃迁的。L3到L4之间可能只差3万，但L6到L7之间可能差了整整一套旧金山一居室的首付。而大多数候选人在谈薪资的时候，只盯着base number，完全不知道自己的equity waterfall是什么形状。
以下所有数字均为基于2025-2026年AI基础设施公司薪酬基准的合理估算区间，实际offer会因候选人背景、团队需求和融资阶段而浮动。
一句话总结
Adept AI的PM薪资总包从L3的约28万美元到L7的80万美元以上，核心差距不在base，而在RSU的vesting曲线——L3到L5的equity大约在10万到30万美元四年，L6开始出现量级跃升，但这是有代价的：级别越高，你在debts和equity之间的风险敞口越大；
不是所有人都适合这个游戏，但如果你确定自己在AI agent方向有3年以上的积累，这个薪资包在2026年仍然是市场上性价比最高的选项之一。
适合谁看
这篇文章的预设读者不是刚毕业的产品经理，也不是想转行做PM的开发工程师。
第一类读者是已经有2到5年PM经验、正在考虑是否加入AI创业公司的中级从业者。你可能在一家成长期公司做到了L4或L5，现在猎头告诉你Adept AI在招人，你想知道自己的谈判筹码到底值多少钱。这类人最需要搞清楚的是：在base相差不多的情况下，你的equity到底值不值那个“潜力”。
第二类读者是已经在Adept AI内部、正在准备晋升L6或L7的产品经理。你知道自己马上要进hiring committee了，你需要知道“凭什么L7的包是L6的两倍”——不是凭年限，而是凭什么具体的贡献维度。
第三类读者是正在同时比较多个offer的资深PM。你手里可能有Adept AI的L6，同时还有一家上市科技公司的L5。表面上看上市公司的总包更高，但如果把Adept AI的equity upside和你的成长曲线算进去，结论可能完全相反。
如果你是第一次做产品经理，或者你只是想了解“PM是干什么的”，这篇文章的深度对你来说可能是过度杀伤。
Adept AI的薪资结构到底是什么形状
在进入具体数字之前，必须先说清楚一件事：Adept AI是独角兽，不是上市公司。这意味着它的薪酬结构里有一个在任何公开薪酬表里都找不到的变量——你的RSU到底值多少钱，取决于这家公司什么时候、以什么估值上市或者被收购。在2026年，这个变量比以往任何时候都更难预测。
先说base。L3级别的PM，在旧金山或纽约办公室，base通常在13万到17万美元之间。这个区间不是随意定的——它是Adept AI在2024年给L3 IC PM开出的实际offer的统计区间。
你在Blind上看到有人晒出18万base，那大概率是加了signing bonus的捆绑数字，或者是候选人用更高的生活成本城市的基准去谈的结果。Adept AI的HR在发offer的时候，base的弹性大约在正负8%之间——也就是说，如果他们给你13万的base，你最多能谈到14万左右，再往上走就需要非常强的competing offer来支撑。
L4是最大多数候选人落在的等级。base在15万到20万美元之间，具体数字取决于你的工作年限和上一家公司的薪酬基准。这里的关键不是“多少钱”，而是“你的上一份工资单到底给了HR什么样的锚点”。
Adept AI的HR在发offer之前通常会要求你提供近三个月的pay stub，这不是为了查你的背景——是为了找到一个合法的锚点来压低你的谈判起点。如果你上一份工作的base是14万，你几乎不可能拿到20万的base；但如果你上一份工作的total compensation是22万，你至少有一个谈判的起点。
L5开始出现分化。base在18万到24万美元之间，但这个区间的宽度说明了一个问题：Adept AI对L5的定义本身就有弹性。一个带了2个人团队的L5和一个独立 contributor的L5，base可能差了3万，而他们的title完全一样。HR在内部把这种弹性叫作"leveling range"，但他们不会在面试流程里告诉你这个。
L6是真正开始值钱的等级。base在22万到28万美元之间，加上RSU之后，年度总包的中位数大约在45万美元左右。但这里有一个反直觉的数字：L6的base并不比L5高多少——真正拉开差距的是equity。
L6的RSU grant通常是L5的2到3倍，而RSU的vesting schedule是四年vesting、一年cliff。这意味着如果你在入职第11个月离开，你一分钱RSU都拿不到。
L7是senior staff或principal PM的级别，base在26万到32万美元之间，target bonus 20%到25%，RSU grant在50万到150万美元四年。年度总包在某些高绩效年份可以摸到80万美元以上。
但要注意：这个数字是建立在Adept AI成功完成C轮或D轮融资、估值继续增长的前提上的。如果公司在18个月内没有显著里程碑，RSU的价值可能缩水50%以上。
| 级别 | Base范围 | Target Bonus | RSU四年grant | 年度总包估算 |
|---|---|---|---|---|
| L3 | $130K-$170K | 10% | $30K-$60K | $170K-$280K |
| L4 | $150K-$200K | 10-12% | $50K-$100K | $220K-$350K |
| L5 | $180K-$240K | 12-15% | $80K-$150K | $280K-$450K |
| L6 | $220K-$280K | 15-18% | $150K-$300K | $380K-$550K |
| L7 | $260K-$310K | 20-25% | $500K-$1.5M | $500K-$800K |
> 📖 延伸阅读：Adept AI应届生PM面试准备完全指南2026
为什么L5到L6之间是最大的薪资断层
大多数候选人以为薪资是线性增长的：L4比L3多，L5比L4多，L6比L5多。但现实不是这样。
在Adept AI的薪酬体系里，L5到L6之间有一个结构性断层。L5的核心职责是“做出正确的决定”——你要对一个产品模块的成败负责，你需要有良好的判断力和跨团队协作能力。但L6的核心职责是“让别人做出正确的决定”——你不再只是做产品决策，你要做组织决策，你要影响那些不向你汇报的团队朝着同一个方向走。
这不是一个微妙的区别，它直接体现在你的offer上。L5的RSU grant通常是按照“你的贡献值多少钱”来算的，而L6的RSU grant是按照“你能影响多少人的产出”来算的。这两个估值模型的基数差了至少3倍。
一个具体的场景可以帮助理解这个断层。假设你是一个L5 PM，你负责Adept AI的API集成产品线。你做了一个关键决策：把API的认证机制从API key改成OAuth 2.0。这个决策让API的采用率在三个月内提升了40%。作为L5，你拿到的是这个决策带来的成果所对应的equity credit。
但如果你是一个L6 PM，你不是做这个决策——你是在设计一个决策框架，让你的团队里的三个L5在不同的产品线上都能做出类似的正确决策。你的equity credit不是那40%的采用率提升，而是那三个L5的产出总和。这就是为什么L6的包是L5的两倍：不是你在做两倍的工作，是你在影响两倍的产出。
这个断层对候选人意味着什么？意味着如果你现在在L5，你不应该只是埋头做更好的产品决策——你应该开始记录自己影响了哪些原本不属于你的决策，哪些团队的产出是因为你的介入而提升的。这些不是在绩效评估时才需要整理的材料，它们是你从L5晋升到L6的底层论据。
面试流程逐轮拆解：不是考察你会不会做PM，而是考察你能不能在不确定中做决策
Adept AI的PM面试流程通常是5到6轮，时间跨度在3到4周之间。和大多数科技公司不同，Adept AI的面试流程里没有标准化的“产品感觉”轮次——他们把产品判断力的考察融入了每一轮，而不是单独拿出一轮来问“如果你有100万用户你会怎么做”。
第一轮是recruiter screen，时长30分钟。这轮的核心目的不是考察你的能力，而是确认你的leveling和compensation expectations是否在他们的预算范围内。Recruiter会问你当前或上一份工作的title、base、total compensation，以及你对 Adept AI的leveling预期。
这里的陷阱是：如果你说“我觉得我可以到L6”，但你的背景实际上只匹配L4，recruiter可能会直接把你降到L4的pool里，而不会给你机会证明自己。所以更安全的策略是让recruiter先说“基于你的背景，我们认为你适合L几”，然后你再表态。
第二轮是hiring manager screen，时长45到60分钟。这轮通常是未来的manager直接面试你。Hiring manager的关注点不是你的简历上写了什么，而是你做决策的底层逻辑。
他们会问很多“如果你遇到X情况你会怎么做”的问题，但真正在听的不是你的答案——是你思考的过程。一个典型的hiring manager问题：“我们的API在三个月前刚上线，现在日调用量是5万次，但有30%的用户在第一周就流失了。
你会怎么分析这个问题？”好的回答不是“我会看dashboard”——好的回答是“我会先确认这30%是主动流失还是被动流失。被动流失可能是集成问题，主动流失才是产品问题。如果是主动流失，我会看流失发生在哪个功能节点，然后再决定要不要深入分析API设计本身的问题。”
第三轮是product deep dive，时长60分钟。这轮你会拿到一个真实的Adept AI正在面对的产品问题，需要在45分钟内给出一个方案并在15分钟内接受质疑。
这轮考察的核心不是方案本身有多完美——Adept AI的PM面试官知道，任何人在45分钟内给出的方案都是有漏洞的。他们在看你面对漏洞时的反应：你是防御性地为自己的方案辩护，还是开放性地承认局限性并迭代？
一个insider细节：Adept AI的product deep dive有一个不成文的“压力测试”环节。面试官会在你演讲到大约30分钟的时候，提出一个你没有准备的约束条件——比如“我们的工程团队现在只有3个人可用”或者“我们的法律团队刚刚告诉我们这个功能在欧盟有合规风险”。
这不是在为难你，这是在测试你在约束条件下重新做决策的能力。很多候选人在这个环节崩溃了，不是因为方案本身不行，而是因为他们从来没有在约束条件下迭代的心理准备。
第四轮是跨职能协作轮，时长45到60分钟。你会和一个engineering lead、一个design lead或者一个research scientist对话。
这轮考察的是你在没有正式权力的情况下推动事情的能力。Adept AI的PM不是在真空中做决定的——你需要和research团队谈判模型能力的优先级，需要和engineering团队协商技术债务的偿还时间表。
这轮的问题通常是行为性的：“讲一个你和一个技术团队意见不一致的时刻。你是怎么处理的？最终结果是什么？”好的回答不是“我说服了他们”——好的回答是“我找到了他们真正在乎的东西，然后用那个东西重新框定了问题，最终他们自己提出了我想要的方案。”
第五轮是debrief，通常在所有面试结束后的同一天或第二天进行。这轮是所有面试官聚在一起讨论你的表现。Adept AI的debrief有一个独特之处：他们不是每个人独立打分然后取平均，而是要求每个面试官必须明确说出自己是否愿意和这个候选人一起工作。
这个标准比“是否胜任”更高。如果一个面试官说“他技术上没问题，但我不想和他一起debug凌晨三点的production issue”，这个候选人通常会被直接拒绝。
第六轮是executive round，只有L6及以上的候选人才需要经历这轮。你会和一个VP或者CEO直接对话30分钟。这轮考察的是你的战略思维和自我认知。
你会被问到一些没有标准答案的问题：“你认为Adept AI在未来18个月最大的风险是什么？”“如果你是这个产品的PM，你会砍掉哪个功能，为什么？”这轮的核心不是看你答对没有——看你能不能在30分钟内组织出一个有逻辑的、基于事实的论点，而不是当场胡编。
> 📖 延伸阅读：Adept AIAI产品经理岗位职责与面试要点2026
等级晋升不是靠年头，是靠你能说清楚自己的impact在哪个量级
Adept AI的内部晋升不是年度例行程序，而是一个需要你自己发起的、以数据为支撑的论证过程。
在L3到L5的晋升里，论证相对简单：你要证明你在过去的评估周期里完成了哪些承诺的结果，以及这些结果如何对应到公司的OKR。但从L5到L6开始，论证的维度变了——你需要证明的不是你做了什么，而是你的存在让整个团队的产出提升了百分之多少。
这听起来很抽象，但Adept AI的promotion committee在评估L5到L6晋升的时候，有一个硬性指标：你能不能找出一个可量化的例子，说明因为你的介入，一个原本会失败的跨团队项目成功了？这个例子必须是可验证的——你要能说出具体的数据、具体的时间线、具体的团队成员名字。
如果你说“因为我的协调，项目成功了”，这在promotion committee眼里等于什么都没说。
一个真实的晋升场景是这样的：一位L5 PM在2024年申请晋升L6。她的核心论据是：在她负责的Agent Memory功能发布期间，她通过建立一个跨团队的“集成风险看板”，将工程-产品之间的来回沟通次数减少了60%，最终让这个功能的发布时间比原计划提前了两周。
她在promotion packet里附上了Jira的数据截图、engineering lead的推荐信、以及一个简单的计算：如果没有那两周的提前，这个功能会错过一个关键的客户展示窗口，那个客户后来签了一个价值50万美元的年度合同。
这不是在炫耀自己的功劳，这是在用事实构建一个清晰的因果链。Promotion committee的VP后来在内部说，这位PM的晋升材料是他见过最干净的，不是因为她的成就最大，而是因为她的逻辑链最完整。
谈判薪资的正确方式：不是谈数字，是谈锚点
大多数候选人在薪资谈判里犯的最大错误，是把谈判当成一场“零和游戏”——我多拿一点，公司就少拿一点。但薪资谈判在Adept AI的真实运作方式里，更像是一场信息博弈：谁掌握了更准确的锚点，谁就占据上风。
Recruiter在发offer之前，通常会问你一个看似无害的问题：“你目前的total compensation是多少？”这个数字是他们用来设定谈判起点的锚点。
如果你说14万，他们不会从14万开始谈，他们会从14万减去一个“调整系数”——因为他们假设你低估了自己的市场价值。如果你真实的市场价值是22万，但你告诉recruiter你现在的total compensation是14万，你可能要在整个谈判过程中把这个差距追回来，难度极高。
正确的策略是：在第一轮recruiter screen里，不要给出具体的数字。你可以说：“我的current total compensation在confidentiality的范围内，我更希望基于Adept AI的leveling框架来讨论薪酬。”这不是在回避问题，这是在把锚点的控制权从recruiter手里转移到自己手里。
另一个关键点：signing bonus和RSU front-loading是可以谈的，但base本身很难有大幅弹性。如果你的base谈判空间是上下8%，而你的signing bonus可以有30%的弹性，你应该把谈判的精力放在后者上。举例：如果你的offer是base 17万、signing bonus 2万、RSU 8万四年。
你觉得base应该更高。与其直接要求base 18万（可能被拒绝），不如问：“如果我把signing bonus从2万调到3万，base维持在17万，整体total compensation对我更有利，对公司的总成本也基本不变——这个方案有没有可能？”大多数公司对signing bonus的会计处理和RSU不同，所以这个方案在财务上对他们也更灵活。
还有一件事：relocation package。Adept AI会给L5及以上的PM提供relocation package，但这个package的标准是可以谈的。
如果你不在旧金山湾区，relocation package可能包括3个月的临时住房、一次性的搬家费、以及回原地的探亲机票。
这些细节不在offer letter的标准模板里，但如果你的recruiter喜欢你，他们有很大的裁量权来给你一个更好的relocation方案——前提是你在合适的时机提出来，通常是在offer negotiation的早期，而不是在offer发了之后。
工作体验：不是所有人都在做AGI
在Adept AI工作有一个反直觉的现实：不是所有人都在做AGI。
Adept AI的产品线分为几个不同的方向：Agent Infrastructure（底层工具和API平台）、Enterprise Products（面向企业客户的定制化agent解决方案）、Research Integration（将research团队的模型能力产品化）。这三个方向的PM在做的工作差异极大，但他们在公司外部的title完全一样。
Agent Infrastructure方向的PM，工作节奏更接近传统的平台产品经理：你要处理API的deprecation、你要和developer relations团队协作、你要处理来自企业客户的集成问题。
Research Integration方向的PM，工作节奏更接近research PM：你每周要参加model capability的review meeting，你要理解为什么research团队在某个benchmark上的提升对产品意味着什么，你要决定“我们的模型现在能做什么、还不能做什么”。
一个在Research Integration方向工作的PM描述过他的日常：“我每天有一半的时间在和research scientist开会，听他们解释为什么某个模型的context window在特定任务上表现不好。这些信息我要在24小时内翻译成产品语言，传递给engineering团队。
”这不是一个典型的PM工作——它更像是一个翻译层。做好这个翻译层的人，在Adept AI是非常稀缺的。
Enterprise Products方向的PM，工作节奏又完全不同。他们直接对接财富500强的客户，要处理的是真实的、复杂的采购决策和集成挑战。一个在Enterprise方向工作的PM说：“我在Adept AI学到的东西，没有一项是可以在任何教科书里学到的。因为这些客户的问题，是没有任何先例的。你只能一边做一边学。”
这也解释了为什么Adept AI的PM面试如此强调“在不确定中做决策”的能力——因为在Research Integration和Enterprise Products方向，你每天面对的问题都是教科书里没有的。
准备清单
如果你正在准备Adept AI的PM面试，以下是你应该在面试前完成的7项准备：
- 重新梳理你的impact narrative。不要只列出你做了什么，要列出你做的每个决策带来了什么可量化的结果。在Adept AI的product deep dive轮里，面试官会追问你数据的来源和计算方式——如果你不能当场解释你的数字，你的叙事就会失去可信度。
- 准备一个跨团队协作的完整故事。在L4及以上的面试里，你一定会被问到跨团队协作的问题。大多数候选人的回答是“我协调了X团队和Y团队”——这不是Adept AI想听的故事。你需要准备一个故事，其中包含一个具体的冲突点、你如何识别了对方的核心诉求、以及最终的解决方案是否可持续。
好的故事细节是：“我和engineering lead在技术方案的优先级上僵持了两周。后来我发现在他看来，那个技术债务如果不偿还，会影响他团队在下一个quarter的performance review。我调整了我的方案，把技术债务的偿还融入了我的roadmap，让他的团队在同一个sprint里既完成了功能开发又偿还了技术债务。”
- 了解Adept AI的核心产品。你至少应该能亲手用Adept的API跑一个简单的agent任务，并且能说出这个产品和OpenAI的Agents API或者Anthropic的Claude Agents在定位上的核心差异。如果你说“感觉差不多”，面试官会直接质疑你对这个行业的理解深度。
- 拆解Adept AI的技术债务和工程约束。 Adept AI的engineering团队规模在2025年大约在150人左右，这意味着任何一个产品决策都要在工程资源极度紧张的情况下做出。
你在product deep dive轮里被问到“工程团队只有3个人可用”时，你的回答质量直接取决于你是否真的理解了这个约束的真实性。系统性地拆解Adept AI的工程能力边界和产品机会（PM面试手册里有完整的AI agent产品面试框架可以参考）——了解他们的技术债务分布、模型能力边界、以及他们目前尚未解决的工程瓶颈。
- 准备你的competing offer材料。如果你有其他公司的offer，即使是口头offer，都应该在谈判时提出来。Recruiter对competing offer的反应是立即的——它把谈判的天平向你倾斜。但要注意：不要虚报competing offer的数字。如果Adept AI发现你在虚报，他们有权利直接撤回offer。
- 练习在约束条件下迭代方案。找一个朋友做mock interview，让他们在你演讲到一半时随机加入一个新的约束条件——比如“工程团队突然有人离职”或者“竞争对手刚刚发布了一个类似功能”。你要能当场重新组织你的论点，而不是僵在原地。
- 整理你的levelling self-assessment。在面试前问recruiter“你认为我的背景对应的是哪个级别”，然后自己准备一份简短的self-assessment，说明你为什么认为自己适合那个级别，以及你在这个级别上有哪些具体的成就。
这个self-assessment不需要提交，但它能帮助你在executive round里更有信心地回答“你认为自己的leveling是什么”这个问题。
常见错误
错误一：在recruiter screen里主动暴露自己的底牌
BAD版本：Recruiter问"你现在挣多少"，你直接回答"我现在base是14万5"。
GOOD版本：Recruiter问"你现在挣多少"，你说"我的current compensation包含多个部分，我不想在讨论Adept AI的leveling之前给出一个不完整的数字。我们是不是可以先确认Adept AI对这个岗位的leveling定义，然后我再来提供相应的compensation details？"
这不是在耍花招——这是在保护自己的谈判空间。一旦你给出了14万5的锚点，recruiter的offer会在14万5到17万之间，而你的目标应该是20万以上。
错误二：在product deep dive里追求完美的方案
BAD版本：你花45分钟构建了一个面面俱到的产品方案，涵盖了数据模型、API设计、用户增长策略、 monetization模型。面试官问"如果工程团队只有3个人可用，你的方案优先级是什么"，你愣在原地。
GOOD版本：你花30分钟构建一个核心方案，15分钟用来明确说"这个方案的假设是基于工程资源充足的情况。如果加入工程约束，我会优先做X，Y功能我会建议推迟到第二个版本。推迟Y的原因是..."你不是在展示你知道所有答案，你是在展示你知道在不知道答案的时候怎么决策。
Adept AI的PM不需要是全知全能的产品通才——他们需要的是能在真实约束下做出合理决策并清楚解释自己逻辑的人。
错误三：把executive round当成另一个技术面试
BAD版本：你用executive round的时间继续展示你对产品细节的精通，开始讲API的schema设计或者数据pipeline的架构。
GOOD版本：你在executive round里展示的是你的判断力和自我认知。CEO问"你觉得Adept AI未来18个月最大的风险是什么"，你的回答应该是一个基于公开信息和行业观察的、结构化的分析——不是“我不知道但我可以学”，也不是“我认为你们一切都很好”。好的回答是：“从外部观察，我认为Adept AI最大的风险不是技术，而是时间窗口。
你们的核心价值主张是让AI agent真正替代知识工作者的工作流程，但这个窗口正在被OpenAI和Anthropic快速压缩。如果你们在12到18个月内不能建立足够的客户黏性，大厂的model capability会追上来，而你们的差异化会减弱。”这个回答展示了你的critical thinking——CEO会雇用一个会思考的人，而不是一个只会执行的人。
错误四：把equity当成免费的午餐
BAD版本：你在谈offer的时候只关注base，完全忽略equity的vesting曲线和公司的财务状况。你签了offer，然后在公司融资受挫、RSU价值缩水60%之后开始后悔。
GOOD版本：你在接受offer之前，问recruiter三个问题：第一，公司的runway是多少？第二，公司的下一个milestone是什么？第三，如果公司被收购，RSU的accelerated vesting条款是什么？你不是不信任公司，你是在做一个理性的风险评估。如果这三个问题的答案让你不舒服，你应该在签字之前就知道，而不是在签字之后。
FAQ
Q1：如果我现在在一家大厂做L5，去Adept AI的L5值得吗？大厂的薪资也很高，而且没有equity risk。
这个问题的答案取决于你如何评估“equity risk”和“career trajectory”的权重。大厂的L5 PM，base可能比Adept AI的L5还高，但你的成长曲线是线性的——你在大厂学到的技能是针对这家公司的规模和组织结构优化的。
如果你相信AI agent是未来5年最重要的产品方向，去Adept AI不只是换了一份工作，而是让自己站在了这个方向的最前沿。另一个角度：如果Adept AI在18个月后成功完成了C轮融资，你的RSU价值可能翻倍；
但如果你留在大厂，你的RSU价值基本是固定的。风险和回报永远是绑定的。正确的判断不是“哪个更好”，而是“你愿意承受多大的风险来换取多大的潜在上行空间”。
Q2：我面试了Adept AI的L5，但recruiter说我的背景更匹配L4。我应该接受L4的offer吗？
这取决于L4的offer是否包含了明确的晋升路径。如果recruiter告诉你“我们认为你第一年应该先熟悉公司的产品和技术栈，6个月后可以重新申请levelling review”，这意味着他们认可你的潜力，只是需要你证明自己。
这种情况下接受L4是合理的——你不是在“降级”，你是在买一张入场券，然后通过实际表现来证明自己的leveling。但如果recruiter只是说“我们觉得你更匹配L4”，而没有任何后续的levelling review承诺，你需要谨慎——他们可能在用这个理由压低你的薪资预期，而你可能永远等不到那个晋升机会。
Q3：Adept AI的RSU到底值不值？如果公司倒闭了怎么办？
这是所有early-stage公司员工都必须面对的问题，没有完美的答案，但有一个正确的思考框架。不是“我的RSU会不会变成零”，而是“我的RSU变成零的概率有多大，以及我有没有对冲这个风险的能力”。Adept AI在2024年完成了B轮融资，账上有足够的runway支撑至少24个月。
在这段时间内，如果AI agent赛道持续火热，Adept AI的估值大概率会继续增长——即使不上市，被大厂收购也能给RSU带来流动性。但如果你在接下来的12个月内需要这笔equity来还房贷或者做其他大额支出，early-stage startup的RSU显然不适合你。正确的判断不是“RSU有没有风险”，而是“我现在的财务状况能承受多大的风险”。
准备好系统化备战PM面试了吗？
也可在 Gumroad 获取完整手册。