一句话总结
Midjourney的产品经理薪资结构，本质上是一套围绕「AI原生产品稀缺性」重新定价的人才争夺战——不是你在谈薪资，是市场在给Midjourney的算力消耗和GPU使用时长定价。L3到L7的总包差距不是线性的6倍，而是指数级的10到15倍，背后是Midjourney独特的产品话语权结构和这家明星独角兽尚未公开上市前的股权溢价预期。Base salary从$140K到$280K只是明面上的数字，真正的博弈发生在RSUvesting曲线和sign-onbonus的谈判窗口期——而这个窗口期，对大多数候选人来言，在你接到recruiter电话那一刻就已经悄悄关闭了。
适合谁看
这篇文章不是写给HR看的，是写给正在准备Midjourney产品经理面试、或者已经被卷进offer谈判阶段的人看的。如果你是L3候选人，你最需要搞清楚的不是total package里有多少钱，而是Midjourney的L3 PM到底需不需要你会画原型——答案是他们要的不是执行型PM，而是能在debrief会议上用数据直接挑战research结论的人。如果你是L5到L6的中级PM，你正在Midjourney和Anthropic之间做选择，这篇文章会告诉你为什么单纯比base是危险的游戏——因为Anthropic的RSU是上市公司股票，而Midjourney的RSU是私股，前者的流动性和后者的想象空间根本不在同一个风险收益象限里。如果你是L7准Director级候选人，你在谈的已经不是薪资，而是这家不到200人的公司里，PM组织的权力边界到底在哪里——这才是决定你能不能待过18个月的关键变量。
Midjourney的薪资结构到底是什么
L3 PM的总包到底落在哪个区间
Midjourney L3产品经理的总包，拆开来看是这样的：base大约在$140K到$160K之间，RSU按四年vesting，第一年cliff，通常是$60K到$80K的等值期权或受限股票单位，sign-on bonus在$15K到$25K之间浮动。这意味着你入职第一年到手的现金加上即时兑现的部分，大概在$180K到$210K这个区间——注意这个数字在2025年初的AI就业市场里是一个被人严重低估的起跑线。为什么？因为大多数候选人盯着LinkedIn上那些$200K base的Anthropic L3 offer，觉得Midjourney给低了，殊不知RSU的升值空间才是真正的变量。
但这里有一个关键的非对称风险：Midjourney还没有上市。这意味着你的RSU在vesting的时候，可能面临两种截然不同的结局——公司成功IPO，你的四年RSU乘以一个20倍的估值膨胀系数；或者公司被收购或者估值停滞，你手上的RSU在二级市场根本没有流动性。L3候选人最大的认知陷阱不是不知道这个风险，而是高估了自己对风险的定价能力——他们会说"我愿意承担这个风险"，但实际上他们并没有把这笔风险溢价算进total package的期望值里。正确的做法是把Midjourney的RSU期望值打一个折扣系数——通常是0.3到0.5——然后把这个折扣后的数字加到base的比较基准里，再去跟Anthropic或者OpenAI的offer做横向对比。
L4 PM的薪资分水岭在哪里
L4是Midjourney产品经理序列里最微妙的一个层级。这个级别对应的是已经能独立lead一条产品线的PM，但还没有到带人的阶段。Base会跳到$170K到$210K，RSU的grant规模明显放大，通常是$100K到$150K的等值单位，sign-on bonus则根据candidate的谈判能力从$20K到$50K不等。总包算下来，L4和L3之间的差距在第一年可能只有$50K到$80K，但到了第二年和第三年，随着RSU vesting的累积，差距会被快速拉大。
真正让L4和L3拉开距离的，不是base的数字，而是Midjourney内部的一个不成文规则：L4以上的PM才有资格参与产品路线图的制定会议。在Midjourney，这个会议不是PM给engineering读PPT的场合，而是PM和research team围绕模型能力边界进行实质性博弈的战场。一个刚入职的L3 PM第一次坐进这个会议，通常会陷入一个典型的困境——他想表达自己对用户需求的判断，但research team已经用数据证明了他的判断是错的，而他还没有足够的模型知识储备来质疑research的数据方法论。这不是能力问题，这是信息不对称问题，而L4的薪资溢价，有一部分就是在补偿这种信息不对称带来的认知压力。
L5到L6：薪资跃升背后的权力跃升
到了L5，Midjourney的薪资结构开始出现质变。Base通常在$210K到$250K这个区间，RSU的grant规模跳到$200K到$350K，sign-on可以谈到$50K到$100K。注意这个数字区间对应的候选人画像，是那些已经在AI产品领域有至少5年以上经验、并且至少有过一次从0到1把产品推上线并看到真实用户增长的人。但Midjourney在L5的筛选逻辑跟其他公司有一个根本区别——他们不是在找"做过AI产品的人"，而是在找"用AI重新定义了一个产品品类的人"。
我在debrief会议上见过一个典型场景：一个来自某大厂的L5候选人，简历上写着"负责AI助手产品，日活1000万"，数据很漂亮，但debrief的时候被challenge了一个问题："你说的1000万日活，有多少是用户主动打开的，有多少是push notification带来的？"这个问题背后是一个更深层的判断：Midjourney不要流量驱动的PM，他们要的是能够识别并定义下一个用户行为模式的PM——不是分析数据告诉团队发生了什么，而是告诉团队应该去建什么功能来让某种行为第一次发生。
L6的薪资就到了$250K base往上的区间，RSU可以到$400K到$600K，总包在某些谈判场景下可以摸到$700K到$800K。但拿到L6 offer的人，往往已经是Hiring Committee里反复讨论过的case——不是讨论他的能力够不够格，而是讨论这个人的加入会不会打破现有PM团队的权力平衡。Midjourney的PM组织结构很扁平，这意味着一个L6级别的PM进来，他的工作范围和汇报线会直接影响至少两个L5 PM的daily work。Hiring Manager在这种情况下做的不是能力评估，而是政治评估——这个人在组织里会制造什么摩擦。
L7：薪资已经不是最重要的事
L7在Midjourney的语境里，更接近于产品方向的联合决策者角色，不是传统意义上的管理岗。Base通常在$270K到$300K以上，RSU的grant开始以$500K为计量单位，sign-on可以谈到$100K甚至更高。但真正拿到L7 offer的人，在谈判桌上谈的已经不是这些数字。
一个真实的HC对话场景是这样的：Hiring Manager问一个L7候选人："你来Midjourney，最想解决什么问题？"候选人说："我想解决AI生成内容的可控性问题，让Midjourney从工具变成平台。"Hiring Manager没有正面回应，而是转向另一个HC成员问了一句："你们觉得他的方案在12个月内能落地吗？"这句话背后的潜台词是：L7的薪资溢价不是在买你的愿景，而是在买你把愿景压缩成12个月可交付成果的能力。Midjourney的L7 PM，本质上是一个把组织愿景和产品现实进行对焦的中间人——这个角色的难度不在于你想得有多深，而在于你能不能让research team和engineering team同时相信同一个未来。
面试流程：每一轮到底在考什么
Recruiter Screen：过筛逻辑不是你想的那样
Midjourney的第一轮recruiter screen，不是简单地过一遍简历上的关键词。这一轮的筛选逻辑，更接近于一个"反叙事测试"——recruiter手里有一个内部叫做"PM Credo"的文档，里面列了大约15条Midjourney认为优秀PM必须具备的特质，但这些特质不是以正面描述的形式给出的，而是以"这个候选人身上最缺少什么"这样的逆向框架来评估的。
一个典型的recruiter screen电话大约30到45分钟，recruiter会问三个核心问题：第一个是"你最近一次做的产品决策，背后的数据支撑是什么"，这个问题不是在考你有没有数据思维，而是在考你能不能区分"数据告诉你的结论"和"你想让数据告诉你的结论"。第二个问题是"描述一个你的判断被团队否定的场景"，这个问题考的是你有没有在Midjourney最看重的品质——认知诚实度——上的记录。第三个问题通常是一个反向提问："你对我们产品有什么不满意的，你会怎么改？"——这个问题筛掉了80%的候选人，因为他们要么给了一个过于安全的标准答案，要么给了一个明显没有深度使用过产品的外行判断。
Hiring Manager Screen：不是评估能力，是寻找摩擦点
通过recruiter screen之后，你会进入Hiring Manager Screen，这一轮通常是一个小时左右的video call。Hiring Manager的评估框架跟recruiter完全不同——recruiter在找符合标准的候选人，Hiring Manager在找会在自己的团队里制造特定类型摩擦的人。
这个阶段的本质，是Hiring Manager在判断你带来的摩擦是正向的还是负向的。一个L4的Hiring Manager通常会问这样的问题："如果你负责的那个产品方向，research team给你的结论跟你对用户的直觉判断是相反的，你会怎么做？"这个问题没有标准答案，Hiring Manager真正在观察的是你回答这个问题时的认知框架——你是立刻站队research的数据，还是会花时间去质疑research的方法论，还是会把这个问题升级到更高级别的决策者那里。Midjourney的 Hiring Manager在评估这个问题的答案时，权重最高的维度是：这个候选人能不能在信息不完整的情况下做出高质量判断，并且愿意为这个判断承担责任。
Take-home Product Exercise：真正的分水岭
Midjourney的take-home exercise不是那种给你一个假想的用户故事让你写PRD——他们的product exercise是让你直接分析Midjourney现有的产品问题。具体的流程是这样：你会在exercise开始前48小时收到一个数据包，里面包含了某个功能模块的用户行为数据、一些support ticket的样本、以及几条用户访谈的文字记录。你需要在48小时内提交一份分析报告，报告里必须包含你的核心发现、优先级排序、以及你建议的下一步行动方案。
这个exercise的筛选逻辑不在于你的分析有多全面，而在于你的分析有多精准——精准到Hiring Manager看完你的报告之后，会立刻想约你来讨论你漏掉了什么。一个典型的失败场景是：候选人在报告里写了20页，覆盖了所有数据维度，但Hiring Manager在debrief的时候只问了一个问题："你的报告里提到转化率下降了15%，但你有没有注意到这个下降是发生在iOS用户群体里的，而Android用户实际上上升了8%？你的整体分析为什么没有按平台拆分？"这个问题背后不是要刁难候选人，而是在测试一个PM的核心能力：你有没有在看到数据的第一时间，就主动去质疑数据的完整性。
Onsite Loop：四轮面试的四把尺子
Onsite通常是一整天，上午两轮下午两轮，中间有一个非正式的lunch环节。上午的第一轮通常是产品策略轮，面试官是一个比你高两到三个级别的PM或者产品负责人。这一轮的核心任务不是问你过去的经验，而是给你一个真实的Midjourney正在面临的产品困境——比如"我们发现用户在使用某个风格参数时的成功率只有40%，但用户调研显示他们对这个功能的满意度是70%——你怎么解释这个gap？"
上午的第二轮是技术理解轮，面试官通常是research team或者engineering team的成员。这一轮不是要考你能不能写代码，而是要考你能不能在足够深的层次上理解AI模型的运作原理，从而跟researcher进行有效对话。一个常见的失误场景出现在这里：候选人试图用产品思维来回答技术问题，比如说"我觉得这个模型应该更好地理解用户的意图"——这种回答在技术面试官听来，是完全没有信息量的空话。正确的回答框架是：你知道这个问题的技术根源在哪里，你也知道现有的技术边界是什么，你能给出一个在当前技术约束下最接近理想用户体验的产品解法。
下午的第一轮是跨职能协作轮，面试官可能是design lead或者data science lead。这一轮的核心是在模拟一个真实的跨部门冲突场景——比如design team提出的交互方案在engineering层面需要两周的开发时间，而产品路线图要求一周内上线，你会怎么处理？这一轮考的不是你有没有一个标准答案，而是在于你回答这个问题时展现出的决策优先级框架——你是成本优先、速度优先、还是体验优先？Midjourney的跨职能评估有一个特殊维度：他们要看候选人在高压下会不会绕过流程直接去找更高级别的人来压场——这种行为在他们看来是red flag，不是能力的表现。
下午的第二轮是最后的高管轮，通常是CPO或者CEO亲自面。这一轮没有标准化的题库，面试官会根据你之前的面试记录来定制问题。有一个高频出现的问题是："如果你加入Midjourney，第一天你会做什么？"这个问题背后的评估逻辑跟技术面试轮和产品策略轮都不同——它测试的不是你的专业能力，而是你的判断优先级：你看到的东西，到底是噪音还是信号？
准备清单
- 把Midjourney的产品用到极致，不是用，是拆。 你需要能够回答这样的问题：Vary指令和Pan指令在底层模型处理上的差异是什么？Describe功能和Style Reference在用户意图捕捉上的边界在哪里？这些不是功能对比，而是你对产品设计哲学的理解——Midjourney的PM需要能够从用户行为里抽象出产品应该往哪个方向演进的判断，而这种判断的前提是你对产品细节有超过普通用户的理解深度。
- 准备至少三个"你在不确定性下做决策"的完整案例。 每个案例需要包含：背景（团队规模、约束条件、时间压力）、你的决策过程（你用了什么信息、你排除了什么信息、你如何权衡风险和收益）、决策结果（数据验证了什么、什么是你没有预料到的）。Midjourney的PM面试里，"不确定性"不是一个负面词——它是一个常量。你的案例需要展示的是你如何在不确定下做出高质量判断，而不是如何消除不确定性。
- 系统性拆解AI产品经理的核心能力框架。 PM面试手册里有完整的AI产品面试框架实战复盘，包括模型能力边界评估、prompt engineering直觉养成、以及PM在AI研发团队中的角色定位——这些内容在你准备技术理解轮和product exercise的时候会直接用到。
- 建立你自己的"AI产品认知坐标系"。 你需要能够清晰表达你对以下问题的判断：AI生成类产品在用户信任和惊喜感之间的最优平衡点在哪里？内容可控性的技术方案和产品方案如何协同设计？AI产品的用户留存驱动因子跟传统软件产品有什么本质区别？这些问题没有标准答案，但你的判断质量会直接影响面试官对你的评价。
- 练习"不完整信息决策"。 找一个朋友做mock interview，让对方在你只有60%信息量的前提下给你一个产品决策场景，然后要求你在3分钟内给出结论并解释你的置信度。Midjourney的日常就是这样的工作状态——他们要看的不是你的结论对不对，而是在信息不完整时你的判断质量衰减了多少。
- 准备你的反向提问清单。 Onsite的最后通常留15到20分钟给你提问，很多候选人把这段时间当成休息，实际上这是Hiring Manager在通过你的提问判断你的关注点和判断力。不要问"你们公司的文化是什么"这种所有人都会问的问题——要问"你们最近做的一个被放弃的产品方向是什么，放弃的理由是什么"或者"PM团队在过去六个月里做过的最难的优先级排序是什么"。这些问题的质量直接反映了你对PM工作的理解深度。
- 理解Midjourney的股权结构基本逻辑。 在offer谈判阶段，你需要能够自己算清楚不同offer之间的真实价值差异：上市公司RSU的流动性溢价是多少？私股RSU的折扣系数应该怎么取？sign-on在第一年之后的持续性如何？这些计算不是财务问题，是谈判筹码的量化问题。
常见错误
错误一：把"用过Midjourney"当成面试准备
BAD版本：候选人在面试开始前花了两个小时用Midjourney生成了一些图片，然后在面试里说"我觉得你们的界面可以更简洁一些"。这个回答的问题不在于建议本身对不对，而在于它展示的思考层次——"界面简洁"是一个任何用过Figma的人都能给出的建议，它没有展示任何对Midjourney核心产品挑战的理解。
GOOD版本：候选人说"我注意到在生成人像时，使用--style raw参数和默认参数的成品率差异大约是15%，但这个差异在文档里没有被显式说明——这可能是用户留存率的一个隐藏摩擦点。我的建议不是改界面，而是考虑在首次使用流程里加入一个隐性的参数引导机制"。这个回答展示了：候选人是产品的深度用户、候选人有能力从使用行为里提取可量化的产品洞察、候选人的建议指向的是系统性问题而不是界面美观问题。
错误二：在跨职能协作轮里展示"管理"能力
BAD版本：候选人在回答跨部门冲突场景时说"我会分别跟各方沟通，了解他们的顾虑，然后找到一个大家都能接受的中间方案，确保项目按时推进"。这个回答在传统软件公司的跨部门协作面试里可能是加分的，但在Midjourney的语境里，它暴露了一个根本性的误判——"中间方案"在Midjourney的语境里往往意味着在核心产品体验上做了妥协，而Midjourney的engineering culture是不接受核心体验妥协的。
GOOD版本：候选人面对同样的场景时说"我会先判断这个功能是否是产品核心体验的必要组成部分——如果是，我会跟engineering明确说明这是non-negotiable，然后我们一起去找在现有时间约束下最接近这个标准的实现路径；如果不是，我会主动调整产品方案来匹配engineering的现实约束"。这个回答展示了候选人对产品体验层级的清晰认知，以及在必要时刻愿意承担决策压力的能力。
错误三：在Offer谈判里只谈Base
BAD版本：候选人收到offer之后，在negotiation call里说"我目前的base是$185K，我希望能够提升到$200K"。这个谈判方式在Midjourney的语境里有一个致命缺陷——它把整个谈判框架锁定在了base这个维度上，而Midjourney的谈判空间其实在RSU和sign-on上更为灵活。单纯谈base，候选人通常只能谈到$10K到$15K的提升；但如果把RSU vesting schedule和sign-on的结构作为谈判杠杆，候选人完全有可能把total package的第一年价值提升$80K到$120K。
GOOD版本：候选人在negotiation call里说"我对base的调整空间有一些预期，但我想了解一下RSU的grant有没有可能基于四年vesting调整为三年vesting，同时第一年的cliff能不能缩短到六个月？"这个谈判策略有一个底层逻辑：缩短vesting周期等于提高了RSU的流动性溢价，而把cliff从一年缩短到六个月，在候选人层面意味着第一年就能拿到一部分RSU的价值——在Midjourney尚未上市的背景下，这个调整对候选人的实际风险敞口有实质性的改善。同时，候选人可以提出把一部分base的增量转化为sign-on bonus，这样既满足了公司对base salary bands的内部一致性要求，又让候选人在第一年拿到更多确定性收益。
FAQ
Midjourney L3 PM的薪资在AI行业里处于什么水平？跟Anthropic和OpenAI比呢？
如果单看base，Midjourney L3的$140K到$160K区间在AI行业里并不占优势——Anthropic同级别PM的base通常在$160K到$190K之间，OpenAI则可以给到$180K甚至更高。但这个对比忽略了一个关键变量：total package的真实价值评估。Anthropic的RSU是上市公司股票，有即时流动性，你可以在任何时候选择兑现或者持有；Midjourney的RSU是私股，vesting之后需要等到流动性事件（IPO或者acquisition）才能变现。这意味着在比较的时候，你需要把Midjourney的RSU期望值打一个0.3到0.5的折扣系数——也就是说，$60K的Midjourney RSU grant，在风险调整后的期望价值大约是$18K到$30K，而不是$60K。但这里有一个反向的逻辑：如果Midjourney成功上市，一个早期的RSU grant乘以一个10倍的估值膨胀系数，$60K的grant可能变成$600K。所以这个选择本质上是一个关于你对Midjourney长期发展概率的主观判断——没有标准答案，只有你自己的风险偏好和置信度评估。
在Midjourney做PM跟在传统科技公司做PM，最大的工作体验差异是什么？
最大的差异不是产品形态，而是"决策频率"和"信息不透明度"之间的比例关系。在传统科技公司，一个PM的一天通常由若干个低风险的小决策组成——这个按钮放左边还是右边，这个copy改还是不改，这个功能的优先级排第二还是第三。这些决策的风险是可控的，错了可以回滚，对了可以迭代。但在Midjourney，你面临的决策往往是"我们应该投入三个月的engineering资源去解决一个我们不确定是否存在的问题"——这种决策的错误成本不是迭代成本，而是方向成本。一个真实的场景是：某条产品线的PM基于用户调研决定要做一个新的控制功能，但research team的内部评估显示这个功能的实现需要触及模型层面的改动，而模型团队的未来六个月排期已经满了。这个冲突的核心不是"谁对谁错"，而是"谁有权在信息不完整的情况下做出不可逆的资源分配决策"——在Midjourney，这个权力在PM手里，但PM必须为此承担认知责任。
Midjourney的PM面试里，最容易被低估的准备项是什么？
最容易被低估的准备项是"你对AI模型能力边界的直觉"——不是你对AI的了解，而是你跟research team对话时能否快速建立共同语言。一个面试里常见的失误场景：候选人被问到"用户反馈生成的图像在某些prompt下总是不满意，你觉得这个问题是模型的问题还是产品的问题"，候选人说"我觉得是产品的问题，因为产品没有给用户足够清晰的引导"。这个回答在产品层面可能是对的，但它暴露了候选人对模型能力边界的理解停留在表面——如果一个"产品引导"能够解决所有模型能力不足的问题，那Midjourney就不需要research team了。正确的思考路径是：先判断这个问题在模型层面有没有被解决的可能性（如果模型本身的概率分布无法支持这个场景，那产品引导就是无效的），再判断在当前模型约束下产品层面能做什么。能够在这个层次上进行思考的PM，在Midjourney的评估体系里是L5及以上的候选人——不是因为他们的产品技能更强，而是因为他们的认知框架能够跟research team在同一维度上进行碰撞。
准备好系统化备战PM面试了吗？
也可在 Gumroad 获取完整手册。