Substack AI产品经理岗位职责与面试要点2026
一句话总结
Substack的AI产品经理不是来"给写作平台加个ChatGPT按钮"的，而是要重新定义创作者经济中"内容生产-分发-变现"的整条链路中，人类创作者与AI能力的权力边界。这个角色真正的考核点在于：你能否在保护Substack核心品牌——那就是创作者与读者之间的信任关系——的前提下，把AI变成创作者愿意主动拥抱、而非被动接受的工具。不是技术可行性，而是生态可持续性。
不是功能上线，而是创作者留存率和付费转化率在AI介入后的实际变化。2026年的Substack已经走完"要不要做AI"的阶段，进入"怎么做才不会毁掉平台根基"的深水区，这个PM岗位的本质是生态架构师，不是功能交付经理。
适合谁看
第一类是正在硅谷寻找AI PM机会的资深产品人，尤其是有内容平台、创作者工具或B2B SaaS经验、想从Meta/Google这类大厂转向高速成长型公司的候选人。Substack的团队规模仍然精干，汇报线扁平，意味着你需要的是从零到一的能力，不是在大机器里做螺丝钉的经验。第二类是在国内有创作者平台经验、考虑出海或 relocation 的华人PM，需要理解Substack与微信公众号、小红书、知乎在"创作者-平台关系"上的本质差异——Substack的创作者拥有 subscriber 关系，平台不抽成内容收入，这个底层逻辑决定了AI功能的设计约束完全不同。
第三类是正在准备Substack或同类公司面试的候选人，需要知道hiring manager真正在问什么、debrief时争论的焦点是什么，而不是在网上搜集的泛泛而谈的"AI PM面试题"。不适合的是想要稳定大平台资源、偏好清晰KR定义和成熟数据基础设施的PM，Substack的数据文化和实验基础设施仍在快速进化中，你需要容忍模糊，并在模糊中做决策。
为什么Substack的AI PM不是普通的内容AI岗位
2025年夏天的一个下午，Substack的产品负责人和三位engineer围坐在旧金山总部的一张长桌旁，争论一个看似简单的功能：是否让AI帮创作者自动回复读者评论。工程师的demo已经跑通，GPT-4架构下的回复质量在内部测试中表现不错，语法正确、态度友善、甚至能引用文章里的具体观点。但产品负责人问了三个问题，让会议室安静下来：如果读者发现回复他们的是AI，订阅转化率会怎么变？
如果创作者知道自己不用再看评论了，创作动力会在六个月后下降多少？如果某个头部创作者因为AI回复出错而被截图曝光，平台要承担什么级别的品牌损失？这三个问题没有一个能在当周的A/B测试里得到答案，但它们决定了这个功能最终被拆成"AI辅助草稿，创作者一键发送"的保守形态，而非全自动化方案。
这就是Substack AI PM的日常战场。不是AIGC内容生成质量的技术评估，而是每一个AI功能对"创作者-读者信任契约"的潜在侵蚀。Substack的商业模式建立在创作者直接向读者收费的基础上，平台抽取10%的订阅费加支付手续费。这意味着创作者和读者的关系是平台的根，任何可能削弱这种直接连接的功能，即使短期能提升engagement，也会被长期风险否决。
与之对比，Meta的AI内容工具可以更大胆，因为创作者和读者的关系本身就不直接，平台是中介；抖音的AI辅助可以更激进，因为算法分发本身就是黑箱。Substack的约束条件决定了AI PM必须同时理解三个层面：创作者的心理账户（我的声音、我的读者、我的品牌）、读者的订阅决策逻辑（我为这个人的观点付费，不是为效率工具付费）、以及平台的经济模型（创作者留存>功能使用率>短期收入）。
Substack在2024-2025年的AI布局有几个公开节点：2024年初推出AI语音朗读功能，让订阅者可以听文章；2024年中上线"写作伴侣"功能，提供语法建议和结构优化；2025年测试AI驱动的内容推荐系统，试图在"关注制"的基础上增加发现机制。这些功能的共同特点是"辅助而非替代"，而且每一个都经历了比同类平台更长的内部辩论周期。
AI PM的职责不是推动功能尽快上线，而是确保每一个功能都通过了"创作者自主性"测试——这个功能是让创作者更强，还是让创作者更懒？是增强了读者的体验，还是让读者觉得被欺骗？这种判断没有标准答案，需要PM在数据不完整时做出裁决，并承担后果。
薪资结构方面，Substack作为D轮左右的私营公司，总包构成与大厂有显著差异。Base通常在140K-200K美元区间，根据经验和级别浮动；RSU部分由于尚未上市，估值依赖内部409A定价，2025年的参考范围是每年80K-250K美元的纸面价值，但流动性有限；
bonus结构较为灵活，年度cash bonus约15K-40K美元，另有部分高级别岗位有sign-on bonus覆盖跳槽损失。总包区间大致在180K-400K美元现金等值，但需注意RSU的实际变现时间不确定。这与Google L6 AI PM的base 180K-220K、RSU 150K-300K、bonus 20%的成熟结构形成对比，Substack的吸引力更多在于scope和潜在upside，而非当期确定性。
> 📖 延伸阅读：Substack应届生PM面试准备完全指南2026
面试流程拆解：每一轮在考察什么
Substack的AI PM面试流程在2025-2026年大致固定为五轮，总时长约6-8小时，通常分布在1-2周内。不是每一轮都有明确pass/fail的独立标准，而是hiring committee在debrief时综合所有信号做整体判断。这个机制本身就意味着：某一轮的"不完美回答"可以用另一轮的"亮点表现"来补偿，但没有任何一轮可以彻底搞砸。
第一轮：Recruiter Screen（30分钟）。这不是形式走过场。Substack的recruating团队规模小，每一个进入正式流程的候选人都经过筛选。核心考察点是动机匹配：你为什么选Substack，而不是OpenAI、Anthropic或其他在做AI内容工具的公司？
一个常见的错误回答是强调"AI是趋势，我想进入这个领域"——这等于什么都没说。 recruiter期待听到的是对Substack商业模式的理解，以及对"创作者经济+AI"交叉点的具体思考。好的回答会提到某个具体的Substack创作者案例，或分析某个现有AI功能的得失。
第二轮：Hiring Manager Interview（45-60分钟）。通常是产品负责人或资深PM总监主持。这一轮的核心是产品判断力，形式通常是"选择一个Substack现有的AI功能，你会怎么改进"或"设计一个AI功能帮助创作者提升订阅转化"。关键在于展示结构化思维，但不是McKinsey式的框架堆砌。
一个有用的技巧是主动定义"改进"的衡量标准：是创作者采用率、读者留存率、还是付费转化率？不同的目标指向完全不同的方案。2025年的一位候选人在这一轮被问到"如何改进AI语音朗读功能"，他的回答先分析了当前功能的使用数据模式（高打开率但完成率低），然后提出三个假设（音质问题、场景错配、与文字内容缺乏互动），再对应设计验证方案。这个结构让他进入了下一轮，尽管他的具体产品建议后来被证明不完全可行。
第三轮：Cross-functional Collaboration（45分钟）。由一位工程师和一位设计师共同主持，模拟真实的产品开发协作。这不是技术面试，考察的是你在资源约束和意见分歧时的处理方式。
一个经典场景是：工程师提出一个可以快速实现的简化版方案，设计师坚持需要更完整的用户体验，预算和时间只允许选一个，你怎么裁决？Substack特别注意PM是否能在没有完整数据时做出决策，并清晰传达决策逻辑。不是"让我再研究一下"的拖延，而是"基于我们已知的X和假设Y，我选择Z，如果假设Y被证伪，我们会在M时间点重新评估"的决断。
第四轮：Founder/Executive Interview（45-60分钟）。Substack的联合创始人Chris Best或Hamish McKenzie有时会参与高级别岗位的面试。这一轮没有固定题库，可能涉及对平台愿景的讨论、对行业竞争的观察，或对一个抽象问题的即兴反应。
2025年的一位候选人回忆，他被问到"如果AI可以在五分钟内写出和顶级Substack创作者同等质量的文章，平台会怎么变化"——这个问题没有正确答案，但暴露了候选人对平台本质的理解深度。把这个问题当成技术问题来回答（"我们会检测AI内容"）的候选人，后续feedback显示"缺乏战略视角"。
第五轮：Case Study/Deep Dive（60-90分钟）。候选人提前24-48小时收到一个产品案例，需要在面试中展示分析和方案。案例通常与Substack的实际业务挑战相关，比如"设计有个头部创作者想退出平台，因为觉得AI功能削弱了他们的独特性，你会怎么回应"。
这一轮不是考察PPT美观度，而是看思考深度：你是否识别了问题的多个利益相关方？你的解决方案是否可执行，还是只停留在概念层面？你是否考虑了六个月和两年后的不同情景？
所有轮次结束后，hiring committee（通常包括hiring manager、一位eng lead和HR代表）进行debrief。不是简单投票，而是逐轮回顾面试官的观察，寻找"一致信号"和"矛盾信号"。一个常见的争论点是：某候选人在case study中展示了极强的分析能力，但在cross-functional轮中被反馈"过于坚持己见，难以在团队中妥协"。
这时候hiring manager的裁决至关重要——Substack当前阶段更需要能独立推动的强势PM，还是更需要能促进协作的PM？2025年的多数时候，答案是前者，但这个判断会随着团队组成变化。
AI PM的核心职责：不是功能清单，而是决策框架
Substack AI PM的日常工作，不是一张排满feature launch的甘特图，而是一系列需要持续做出的判断。第一个关键职责是"AI功能筛选器"：面对源源不断的AI技术可能性，决定不做什么是比决定做什么更重要的能力。2025年初，内部曾热烈讨论是否引入"AI续写"功能，让创作者在卡住时由AI接续写作。
这个建议在工程师中很受欢迎，因为技术实现直接，且竞品已有类似功能。但AI PM牵头的一项小规模用户研究发现：试用过类似功能的创作者中，超过半数在三个月内减少了原创产出，转而依赖AI生成。这个数据让功能被降级为"实验性项目"，而非roadmap priority。
第二个职责是"创作者心理翻译官"。Substack的创作者群体高度异质：有前记者转型独立写作的专业人士，有积累多年受众后迁移平台的意见领袖，也有从零开始的垂直领域新人。他们对AI的态度从狂热拥抱到坚决抵制都有，且常常在同一个人身上矛盾并存——"我希望AI帮我优化标题，但绝对不能碰我的正文"。PM需要把这些模糊、情绪化、有时自相矛盾的反馈，转化为可执行的产品原则。
不是简单做用户调研然后取平均，而是识别哪些声音代表了未来趋势，哪些只是噪声。一个实用的内部框架是"创作者分层"：顶尖创作者（top 1%，贡献平台大部分订阅收入）的需求优先于长尾创作者，但长尾创作者的采用率决定了功能的网络效应规模。AI PM需要在这个张力中找到动态平衡。
第三个职责是"信任指标守护者"。Substack没有公开定义过"平台信任指数"这样的官方指标，但在内部讨论中，一系列非正式指标指导着AI功能的取舍：创作者对平台的NPS、读者投诉中"感觉内容不真诚"的占比、AI功能使用者的长期留存vs短期尝鲜比例。AI PM需要推动这些指标的监控体系化，并在指标出现异常时快速响应。
2025年的一次事件中，AI语音朗读功能上线后，部分读者反馈"声音太像真人，感觉被欺骗"。虽然占比不到2%，但团队还是在两周内紧急增加了"AI朗读"标识，并允许创作者选择是否使用自己的声音训练模型。这个响应速度的前提是PM已经在监控体系中埋入了相关信号。
第四个职责是"外部叙事建构者"。Substack的AI策略不仅是一个产品问题，也是一个公共沟通问题。创作者社区对AI高度敏感，任何功能上线都伴随着可能的舆论反弹。
AI PM需要与comms团队紧密合作，确保产品叙事一致：我们为什么做这个功能，创作者如何控制它，我们如何避免"平台用AI取代创作者"的叙事。2025年Substack在AI原则声明中的措辞经历了多轮PM参与的修订，核心张力在于：既要展示技术前瞻性以吸引人才和投资者，又要避免创作者社区的信任流失。最终定稿中的关键一句是"AI should amplify, not replace, the creator's voice"——这个"amplify vs replace"的区分，本身就是PM在多次内部辩论中推动形成的。
> 📖 延伸阅读：Substack产品经理实习面试攻略与转正率2026
准备清单
- 深度使用Substack至少两周，以付费订阅者身份体验至少三个不同领域的创作者内容，记录你对AI功能（如有）的实际使用感受，准备在面试中具体引用。
- 研究Substack的公开产品动态：阅读官方博客的产品发布公告，关注联合创始人访谈中关于AI的论述，理解其叙事演变脉络而非孤立信息点。
- 准备两个具体的产品案例：一个是你成功推动的AI或数据产品，重点准备"如果重来你会怎么做不同"；一个是你失败或放弃的项目，重点准备"什么信号让你决定停止"。
- 系统性拆解面试结构，PM面试手册里有完整的创作者平台产品决策实战复盘可以参考，特别关注其中关于"平台-创作者权力动态"的分析框架。
- 模拟一次cross-functional conflict：找一位工程师朋友，就一个模糊定义的产品问题争论15分钟，练习在信息不完整时坚持立场、同时展示倾听意愿的平衡技巧。
- 计算Substack的总包对你的实际价值：用公司最新估值和公开融资信息估算RSU的合理区间，准备在面试后期与recruiter讨论时的具体数字和优先级（cash vs equity的偏好）。
- 写一份"反方观点"文档：假设你是Substack的AI怀疑者，列出三个不应该在平台上AI化的环节，并准备如果面试中被挑战时的回应。这个练习强迫你超越"AI是趋势"的默认立场。
常见错误
错误一：把AI PM面试当成技术面试来准备。BAD版本：候选人花费大量时间学习transformer架构、RAG实现细节、最新的模型benchmark，在面试中主动展示这些知识。
GOOD版本：候选人能清晰说明"我选择这个模型不是因为它是多么先进的，而是因为它在创作者特定场景下的误报率可控，且成本结构适合我们的订阅模式"。Substack的工程师会评估技术可行性，PM的价值在于技术选择背后的产品判断，不是技术深度本身。
错误二：忽视创作者经济的特殊性，用大厂内容平台的经验直接套用。BAD版本：候选人在case study中建议"用AI生成个性化推荐feed，提升用户停留时长"，完全忽视Substack的"关注制"本质和创作者对读者关系的所有权。
GOOD版本：候选人首先分析"在Substack，读者订阅的是人，不是话题"，因此任何推荐机制都必须以创作者同意为前提，且不能破坏读者"我主动选择了这个人"的心理契约。这个区别是Substack与TikTok、Twitter的本质差异。
错误三：在讨论AI伦理和信任时给出模糊表态。BAD版本：候选人表示"我们会非常谨慎地处理AI，确保透明和用户控制"——这是每一个平台都会说的套话。GOOD版本：候选人提出具体的操作机制："对于任何AI生成的内容，我们会在三个触点提示：生成时的创作者确认界面、内容发布时的可选标识、读者消费场景中的轻量提示。
同时我们会监控'误以为是人类创作'的投诉率，设定了季度review的触发阈值。"这种具体性展示了从原则到执行的思考深度。
FAQ
Q: Substack的AI PM需要编程背景吗？
不需要，但需要对技术实现的可能性边界有体感。2025年的一位hiring manager在debrief中比较两位finalist时提到：候选人A有计算机学位，能详细讨论fine-tuning的技术细节；候选人B是文科背景，但准确描述了一个复杂AI功能的实现难度等级（"这个类似于我们之前做过的X，需要3-4周；那个是全新的Y，需要2-3个月且结果不确定"）。
最终选择了候选人B，因为"她展示的技术判断力比技术知识更有价值"。实际工作中，AI PM需要理解的核心技术概念包括：不同模型架构在成本-延迟-质量权衡中的位置、数据隐私约束（尤其是创作者内容作为训练数据的使用边界）、以及AI输出不确定性的产品化处理方式（如何设计容错界面）。这些可以通过与工程师的密集合作快速学习，不需要正规教育背景。但完全没有技术好奇心、对AI发展动态漠不关心的候选人，即使在其他维度优秀，也会被标记为"难以在这个角色上成功"。
Q: Substack与其他AI内容平台（如Jasper、Copy.ai，或Grammarly的AI功能）相比，AI PM的工作有何不同？
核心差异在于"平台-创作者关系"的本质。Jasper和Copy.ai是工具，创作者使用它们生成内容，然后发布到任意平台；PM的关注点是工具本身的功能完备性和使用效率。Substack的AI功能嵌入在一个创作者已经建立受众、持续产生收入的生态中，PM必须考虑功能如何与现有的创作者行为、读者期望、收入流互动。
一个具体例子：Grammarly的AI建议可以直接采纳，因为文档是私人的；Substack的AI建议如果直接采纳，可能影响创作者的独特声音，而这个声音是他们的经济资产。另一个差异是数据归属：Substack拥有创作者与读者的互动数据，这既是AI训练的资源，也是敏感的隐私边界，PM需要在利用数据和保护信任之间持续裁决。不是"更多约束"这么简单，而是约束条件的性质不同——工具型产品的约束是技术性的，平台型产品的约束是关系性的。
Q: 如果我没有直接的AI产品经验，还有机会吗？
有机会，但需要重构你的经验叙事。2025年进入Substack的一位PM此前做的是传统SaaS产品的推荐系统，没有接触过LLM。她在面试中的策略是：承认技术差异，但强调底层能力的可迁移性——"我过去三年做的是在B2B场景中匹配用户与内容，核心挑战是理解用户意图的不完整性，并设计机制让推荐结果可解释、可控。Substack的AI功能面临的是同一类问题，只是应用场景从企业决策变成了创作决策。
"关键是展示你对AI PM角色本质的理解，而非声称已经具备所有技能。另一个有效路径是展示"在模糊中做决策"的过往案例：AI领域的不确定性极高，有在数据不完整、技术路径不明时推动产品前进的经验，比有特定AI工具的使用经验更有说服力。Hiring committee真正担心的是：候选人习惯了大厂成熟的数据基础设施和明确的成功指标，无法在Substack当前阶段快速适应。颠覆这个担忧的具体方式，是详细描述一个你在约束条件下的创新决策，以及你如何定义和验证"成功"。
准备好系统化备战PM面试了吗？
也可在 Gumroad 获取完整手册。