惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

V
V2EX
J
Java Code Geeks
月光博客
月光博客
博客园_首页
The GitHub Blog
The GitHub Blog
Vercel News
Vercel News
B
Blog RSS Feed
博客园 - 聂微东
宝玉的分享
宝玉的分享
T
Tailwind CSS Blog
Jina AI
Jina AI
S
SegmentFault 最新的问题
B
Blog
钛媒体:引领未来商业与生活新知
钛媒体:引领未来商业与生活新知
有赞技术团队
有赞技术团队
Hugging Face - Blog
Hugging Face - Blog
Google DeepMind News
Google DeepMind News
阮一峰的网络日志
阮一峰的网络日志
The Cloudflare Blog
量子位
Martin Fowler
Martin Fowler
博客园 - Franky
大猫的无限游戏
大猫的无限游戏
博客园 - 叶小钗

少数派

派早报:Google 发布 Fitbit Air 等 - 少数派 「新人报到」確認需求,再開始 - 少数派 从 SOLO 独立开发者社区,我看到了越来越多开发者开始做自己的产品 - 少数派 我怎么管理那些"不常做,但总会忘"的生活事项 - 少数派 人形机器人量产元年,数据才是具身智能的“生死线” - 少数派 BuhoLaunchpad 高度还原 Mac 启动台:开发历程与思考 - 少数派 五年陪伴依然不舍,DIY 换壳后让罗技 MX Master 3 继续服役 - 少数派 新玩意 240|少数派的编辑们最近买了啥? - 少数派 一日一技|为什么你应该关闭 iOS 的键盘声音 - 少数派 我做了个插件和 Skills,一键提取任何网站的设计规范 Design.md - 少数派 住在三四线城市的你,该开始录播客了 - 少数派 甘南秘境,大白高国 - 少数派 AI的审美:谁让把我变成川内倫子 - 少数派 返工怎能不烦恼,打工人片单总有一部是你的「嘴替」 - 少数派 为了让「上厕所」更健康,我做了一个小工具 - 少数派 AI + Skill,能够让生成的文章去除 AI 味吗? - 少数派 新玩意|韶音OpenDots ONE 耳夹式耳机 - 少数派 《美满》| 在每一个春天的晚上相爱(362) - 少数派 新玩意|优篮子 PS01 MagSnap 磁吸支架 - 少数派 自我整合手记 | 我开始早睡了:用稳定规则,为自由托底 - 少数派 用龙虾(OpenClaw)两个多月,我最深的12个体会 - 少数派 听歌时间到,12 张你可能错过的 2025 华语乐坛好专辑 - 少数派 承诺能追吗 - 少数派 macOS 26启动台没了? 我做了个不一样的App启动器 - Keboard - 少数派 《四海为家的人》| INTJ对话INTJ(361) - 少数派 你发过的那些黑历史,是时候一次清干净了 - 少数派 新玩意:安安静静玩,越玩越专注:计客密码机 - 少数派 iPad 用户首次体验 Android 平板:vivo Pad6 Pro - 少数派 数据逻辑强 - 少数派 极北行+ | 一路向北,探访日本至北之地 | 001 - 少数派
从“画图仔”到“上下文架构师”:一名产品经理在 AI 时代的自救...
2025-11-22 · via 少数派

写在前面

2023 年底,当 ChatGPT 掀起全球热潮时,我和大多数互联网人一样,内心被两种情绪撕扯:兴奋于新技术的奇点,又恐惧于“35 岁危机”叠加“AI 替代”的双重焦虑

这一年多,我没有选择旁观,而是开始了一场长达 14 个月的“暴力测试”。这篇文章不是工具推荐清单,而是一份产品经理探索 AI 黑盒的真实实验报告——记录我如何从最初的“工具割裂”,经历“盲盒式生成”,最终摸索出“上下文共生”的新工作流,并重新定义职业价值的全过程

我们每天用 AI 查资料、写周报、甚至当情感树洞,这些场景大家都很熟了。但对于产品经理来说,绕不开一个核心命题:AI 在产出严肃的产品方案这件事上,到底能扮演什么角色?

为了验证这一点,我给自己设了一个“质检”考题:

场景:构建一个在线教育后台的“线索分配策略配置”功能。

要求:让运营人员可视化地自定义规则,控制线索分发。

为什么选这个?因为“画原型”和“理逻辑”是产品工作中最繁琐、容错率最高的环节,它是测试 AI 能力的最佳试金石。

围绕这个需求,我经历了三个截然不同的探索阶段。

二、 摸着石头过河:我的三个试错阶段

第一阶段:「割裂的工具」时代

一开始,我想法很简单:能不能一句话生成原型?我把市面上的工具试了个遍:

模型/工具输出结果

大模型

国外:Gemini-Canvas

国内:Kimi-Computer

Agent:

垂直Agent:Coze空间

通用Agent:Manus

设计工具:MasterGo/Figma
开发工具/低代码平台:V0/Lovable
  • 大模型(Gemini/Kimi):能生成基础页面,但交互逻辑几乎为零
  • 垂直 Agent(Coze/Manus):定制性强,但配置太复杂,为了画个图得先学写配
  • 设计工具 AI(MasterGo/Figma):生成快,但样式千篇一律,缺乏“灵魂”
  • 低代码平台(V0/Lovable):代码质量高,但对业务逻辑理解也是浅尝辄止

实验结论:

这个阶段体验非常“割裂”。用自然语言生成了 Demo,改细节得花 10 轮对话。最痛苦的是,AI 生成的是“死图”,完全不懂业务逻辑。最后我还是得截图贴进 PRD,手动补充大量文字说明。效率没提升,沟通成本反而高了。

第二阶段:「自动化的助理」时代

痛定思痛,我意识到:对于中后台产品,业务逻辑比页面展示更重要。 我需要的不是画图工具,而是懂逻辑的“助理”。

我开始尝试新玩法:

实现路径模型/工具效果图片
让大模型扮演产品专家,自己充当提需人,让他给干活出方案Gemini 2.5 Pro
用现成的产品或者工具,直接在使用该产品满足需求Flowith
自己构建一个Agent?更加个性化的需求Coze开发平台
  • 大模型角色扮演:让 Gemini 2.5 Pro 扮演专家,先写 PRD 再出方案。
  • Flowith:这种节点式的画布工具体验极佳,把模型能力与工程思维结合,能很好地推导流程。
  • Coze:自己搭建 Workflow,享受创造的乐趣。

实验结论:

路走对了,但撞上了新墙——上下文(Context)缺失。

每次对话都要重新“喂”背景信息;业务规则一旦变动,精心调试的 Prompt 链条就要全部推倒重来。这种感觉就像在开盲盒,你永远不知道下一次输出会不会“崩坏”。

第三阶段:「一体化的共创」时代

真正的质变发生在这一阶段。我产生了一个认知突破:原型、PRD、代码,本质上是同一件事(业务逻辑)在不同维度的表达。

既然如此,为什么不把它们放在同一个“上下文空间”里自动同步?我选择了 Trae 这样的 AI IDE 进行实验:

阶段效果
Idea Review
投喂“标准化原料”
生成与迭代
自动同步
  • Idea Review:先让 AI 挑战我的需求合理性。
  • 投喂“标准化原料”:这是最关键的一步。我不再描述“要一个下拉框”,而是:去内网复制 API 的 JSON Schema(接口规范)粘贴给 AI,去设计系统复制组件的 Props(UI 规范)→ 粘贴给 AI。
  • 生成与迭代:AI 基于这些精确的定义,直接生成了可交互的高保真原型(其实就是代码)。
  • 自动同步:当我修改业务规则时,文档和原型能实现联动更新

核心变化:我的工作从“手搓原型”变成了“提供上下文”。我不再是画图的执行者,我是定义规则的架构师。

三、 方法论沉淀:PM 的能力模型重构

在这一年的折腾中,我发现 PM 的核心价值正在从 How(怎么画、怎么写)向 Why(为什么做)和 What(定义核心规则)转移。

AI 是能力的放大镜。它会淘汰平庸的执行者,但会让逻辑清晰的人获得 10 倍的杠杆。为了驾驭这个杠杆,我们需要掌握四项新能力:

1. 上下文构建能力 (Context Building)

以前我们写文档是给人看的,模糊一点没关系;现在是给 AI 看的,必须精准。

  • 传统 PRD:“将来自官网的线索分配给 A 组……”
  • AI 时代的指令
	{
  "strategyName": "线索智能分配v2.0",
  "rules": [
    {
      "condition": {
        "field": "source",
        "operator": "equals",
        "value": "Official Website"
      },
      "action": {
        "type": "assignToTeam",
        "targetId": "team_A"
      }
    }
  ]
}

这种结构化表达消除了歧义,让 AI 能直接生成配置界面和校验逻辑。

2. 规则提炼能力

将“人性化”、“简洁”这种模糊的经验,翻译成 AI 能执行的显性规则。

  • 不要说“页面要简洁”,要定义“单屏核心信息不超过 5 项” 。
  • 不要说“加载要快”,要定义“首屏渲染 < 2s”。

3. AI 驾驭能力

要像了解组员一样了解模型。

  • GPT 适合发散创意;Gemini 擅长逻辑推理;国产模型 懂中文语境。
  • 懂得区分什么信息放 System Prompt(全局设定),什么放 Few-shot(参考案例)。

4. 持续验证能力 (Validation)

AI 产出的方案往往“看起来很专业”,但可能藏着致命的逻辑漏洞(幻觉)。

PM 需要建立一份“质检清单”:业务闭环了吗?异常 Case 处理了吗?这不是在找茬,这是在为产品的确定性兜底。

四、 写在最后:成为“判断力”的持有者

技术演进的速度远超想象。从 2023 年的单点工具,到 2025 年的上下文共生空间,PM 的角色正在被重塑 。

未来的产品经理,可能会分化为两条路径:

  • AI 增强型 PM:深耕工具链,一个人活成一支队伍,效率极高。
  • 判断力型 PM:专注商业洞察与人性,把执行完全交给 AI。

保持在场,小步快跑。与诸君共勉。