在AI编程日益火热的当下，人们对其在产品经理工作中的应用充满好奇。本文将深入探讨这一主题，分析AI编程的边界与局限，并分享一系列实操案例，助力产品经理更好地掌握和运用AI编程，提升工作效率与质量。
自 Claude 3.7 Sonnet发布以来，AI编程的热度又被抬到了新的高度。越来越多的人开始用AI制作自己的网页、产品原型、系统工具，产品和开发的边界在这个过程中被逐渐模糊，那些掌握“真需求”的人，可以直接开始构建产品了。我心里产生了一个困惑，这项能力可以如何应用在产品平时的工作中？在新的AI编程时代下，产品经理的工作流程会是怎么样的？
于是带着这个问题，小的做了一些研究和探索，以下便是个人的思考与最近小结到的“AI编程场景&案例”。
首先，我们要明确下当前“AI编程”的边界。“AI编程”目前还并不能完全替代程序员，其还是存在一些能力上的限制，主要体现在：
4. 代码安全问题：AI生成的代码潜藏SQL注入、缓冲区溢出等风险。此外，训练数据若包含漏洞代码（如GitHub历史仓库中的脆弱代码片段），模型可能“继承”安全隐患。
在明白AI编程的边界之后，小的便去构思，在“AI编程”的能力范围内，其可以做什么事情？
可做的事情需要符合“逻辑简单”、“和上下游业务耦合程度低”的特点。
产品的工作流程可划分为“竞品调研”、“方案设计”、“项目管理”、“测试验收”、“上线运营”、“分析复盘”等主要环节。
目前在小的在“竞品调研”、“方案设计”、“分析复盘”挖掘到一些可应用AI编程的空间。分别按不同环节进行描述。
以往的产品竞品调研工作，会通过产品体验、资料查阅、行业数据研究等多种方式去了解竞品产品。这个过程中对竞品的评价一方面依赖产品经理的经验，另一方面依赖所能查询到的“资料”、“行业数据”，但是并非所有的竞品都能找到充足的“资料”、“行业数据”，这时候，部分团队会考通过定制爬虫脚本进行数据采集，从而获取其中的数据来进行辅助分析。
因此，竞品分析环节的AI编程可以有两个用途，分别是“竞品调研爬虫”、“竞品调研数据报告”。
在以往制作爬虫脚本，往往需要一个有一点python技术基础的同学来定制开发，开发完成后还会需要定期对脚本进行维护，以防爬取对象的更新迭代。
但是有了AI编程，我们完全可以让AI帮我们无成本写脚本，也可以让AI帮我们进行后续的维护。
BTW，爬虫是一个“有一定法律风险”的技术手段，请各位把控好采集的内容符合“人肉可查阅范围“&“人肉可查询量”。
实操案例
下面用一个小红书爬虫来演示以下，以下是我的提示词。
##需求
1.请为我写一个爬虫脚本，每次运行的时候，获取我所给的地址的前10个笔记的“地址”、“标题”、“作者”、“点赞数”、“发表时间”
2.如果需要登录，请在登录界面停留，让我完成登录后告知你即可。
3.将采集内容收录到一个excel表格中，表格格式参考[表格格式]##采集地址
@https://www.xiaohongshu.com/search_result?keyword=%25E4%25BA%25A7%25E5%2593%2581%25E7%25BB%258F%25E7%2590%2586&source=unknown##表格格式
| 标题 | 地址 | 作者 | 点数
——————————————————————————
| 关于转行产品经理的坎坷经历 | @https://www.xiaohongshu.com/explore/6621dc5a000000000100750e?xsec_token=AByPzyxctrPPg_lktsevKPj4xa_qqFH-BkbAWO23h0u2E=&xsec_source=pc_search&source=unknown | 咪咪细坨 | 9777 |
##前端代码位置示例
1.标题：<span data-v-51ec0135=”” data-v-a264b01a=””>‼️我发现来面产品经理的应届生都有个通病</span>
2.地址：<a data-v-a264b01a=”” class=”cover mask ld” target=”_self” href=”/explore/67ca8bbe000000002802a196?xsec_token=AB1G-9OTrWQ1C7JXeboCv_vXTibQiR4Pr1v9NN8HtSh4o=&xsec_source=pc_feed” style=”height: 351px;”><img data-v-a264b01a=”” src=”https://sns-webpic-qc.xhscdn.com/202504010919/e75b6c0e5c75e85baa06a5647925ebbd/notes_pre_post/1040g3k831enfo22bm0705pu1se5inoia6em3ir8!nc_n_webp_mw_1″ fetchpriority=”auto” loading=”lazy” decoding=”async” data-xhs-img=”” elementtiming=”card-exposed” style=”width: 100%; height: 100%; object-fit: cover;”><!—-><!—-><!—-></a>
3.作者：<span data-v-a264b01a=”” class=”name”>必选象</span>
4.点赞数：<span data-v-dc3a3972=”” class=”count” selected-disabled-search=””>270</span>
很快系统就把爬虫代码写好了，我们只需要按AI的指引运行脚本即可。
以下是成品展示，通过命令行，我们可以运行这个爬虫脚本，脚本就会打开我的浏览器，按需求访问页面，并获取信息。
最后记录到指定的excel文档上。
这个过程中会涉及到一些环境部署和脚本运行的问题，就算我们是小白，也可以通过向AI提问来获取对应的操作方式指引。
操作建议
当然，我提前整理了部分会遇到一些问题，下面汇总下个人的建议，以便帮到各位。
1. 环境安装：
python的运行需要依赖各种各样的库，如果没有安装，则会在运行脚本的时候报错，我们需要先按照系统的报错提示去安装对应的库。
最常用的方法是可以通过命令行安卓。在window系统上，点击“win+R”，输入“CMD”打开命令行，然后输入“pip install 包名”，比如“pip install requests”。
（如果实操的时候有不懂的，多问问AI吧。）
2. 脚本运行方式：
python的运行需要在“脚本所在的目录”的“地址栏”上输入“CMD”，打开命令行，然后输入“AI给到我们的爬虫运行命令”——“python 脚本文件名”，比如“python xiaohongshu_scraper.py”。
3. 爬虫任务流程设计：
在提示词中可以对采集流程进行说明，一般第三方网站会需要我们先登录才能获取信息。如果我们没有说明这种情况要如何处理，AI生成的脚本可能会卡在这个环节。
比如我一开始没有要求AI怎么去处理登录问题，它就设计了一个等待的过程，等我60s扫码登录。这样效率会非常低，而且也有可能由于别的事情中断，用户忘了扫码，从而产生新的问题。
而在给到登录流程相关的指令后，比如“如果需要登录，请在登录界面停留，让我完成登录后告知你即可”，脚本会在命令行上询问我是否已经完成登录，当我输入“Y”之后，脚本才会继续执行。
4. 给到前端代码示例：
如果让AI自己写爬虫脚本，很容易出现一个问题——“AI会找不到我们所需要的元素在哪里？”这会导致AI的采集结果不符合预期。
这是因为目标网站的前端代码是非常多的，如果我们没有给到“所需内容在哪”的指引，AI必定会迷路。
因此，我们可以在提示词中给到“所需内容在哪”的示例。
那么如何获取所需内容呢？
我们可以先在浏览器上打开目标网站，然后进入到开发者模式，然后点击如图的模式。（谷歌浏览器快捷键“Crtl+Shift+C”）
在这个模式下，我们可以定位到指定信息的前端代码。
然后把整行复制给到AI作为示例，比如：
当我们完成了数据采集的工作，就需要对采集的数据进行分析，然后让其辅助我们得出“业务所需”的结论报告。
当然这个过程也可以让AI编程全程辅助我们，不仅仅是中间过程的“爬虫数据采集”，而是“让AI基于我们的分析目的，帮我们设计所需的数据采集内容，然后进行数据处理分析，并输出所需的数据结论”。
可能有人会问，“目前AI编程能做到自动的数据分析工作吗？”
很可惜，小弟原本是想要这么去实践的，在实践过程中发现AI存在以下问题：1. 数据分析思路与业务所需的思路存在差异。某些数据的处理上，由于对分析诉求的理解度不够，AI的处理方式会和业务的诉求不一致。比如业务会期望某个指标按“XX”维度拆解，进行按时间走势的分析。但AI可能会并不会进行维度拆解。又比如在计算小红书内容热度时，AI会把“点赞”、“收藏”、“评论”、加权计算，而权重是04、0.4、0.2，这个方式降低了“评论”的重要性，如果从互动层面来考量，“评论”的权重应该更高。2. AI数据处理过程会存在错漏。比如我在要求进行内容主题分析的时候，AI会直接对标题进行“分词”，这导致主题的判断上会存在一些奇奇怪怪的主题分类，导致最终的图表可读性很差。
示图为让AI拆解小红书中“产品经理”相关内容的主题3. 缺乏业务敏感性和直觉判断：AI无法像人类分析师那样”嗅出”数据背后的商业意义。它无法自动识别哪些数据点仅是噪音，哪些是真正的商业信号，也难以基于行业经验预判趋势。
当然，上面这些问题的存在，和我们的提示词的“精细化”程度有很大的关系，但是“研究过程”中的数据分析工作是具有“一定探索性质”的，我们没法把每个数据处理流程、顺序都写出来。
因此，在“竞品调研”环节，AI编程更适合作为人类分析师的辅助工具，而非完全替代。目前小弟发现AI可以辅助我们做到以下内容：
1. 分析思路启发；
2. 数据处理（比如公式计算、分词处理）；
3. 图表生成；实操案例
下面同样用一个基于小红书的分析案例来说明。
这里假设“我要写小红书的产品经理文章，需要找到一个有流量的题材”，这里可以先去问下AI，让他帮我构想，以下为我的提示词。
##角色
你是一个数据分析高手，我现在给一个数据分析的目标，你帮我构思一下如果要达成分析的目标，所需要的数据内容有什么？
##目标
我要写小红书的产品经理文章，需要找到一个有流量的题材。
##输出内容
1.告诉我为了达到分析目标，所需要什么样的数据，包含什么样的字段，字段需要是一个客观事实字段，并非主观判断的字段。格式要求：数据名称：字段1、字段2……示例：
最近N天帖子：标题、作者、点赞数、内容2.告诉我分析的思路，要怎么利用这些数据达成目的。
这里AI给出了3个所需的数据，并给出了对应的4个分析内容。
接着，我们基于3个所需的数据方向定制爬虫脚本，AI写爬虫的方案已在上面提到，此处就不再赘述。
这里我偷个懒，让AI帮我伪造下数据。
接着我需要让AI帮我处理这些数据源，并输出一份分析报告。当然，由于前面提到的3个问题，这份报告更多是启发性质的。以下是我的提示词。
##角色
你是一个数据分析高手，我现在给一个数据分析的目标，你参考我给到的分析思路，你基于已有的数据帮我进行分析，然后生成一篇分析报告文章。##目标
我要写小红书的产品经理文章，需要找到一个有流量的题材。##分析思路
｛输入上一步AI给到你的思路，或者你自己设想的思路｝##输出内容
1.进行热门内容分析，分析其中的热门内容趋势。
2.进行时间趋势分析，分析各内容方向的走势。
3.进行用户需求挖掘，挖掘存在的用户需求内容。
4.竞争分析，挖掘各账号的数据情况。
5.基于前面的分析，输出2~3个有流量的题材方向，并说明理由。##输出要求
1.将输出的结果以html的格式输出，我需要在网页上查阅。
2.将“分析结论”展示在最上方，然后分别展示输出内容中要求的每个方向。
3.需要使用数据图标对观点进行说明。4.成品html文件上需要展示自己的“分析思路”。
如此，AI便会输出一份具有一定参考意义的报告。
我们可以基于AI的思路，重新梳理我们的分析方案。
比如对于这个方向——“我要写小红书的产品经理文章，需要找到一个有流量的题材”，可以优化的点有：
1. 利用LLM对主题进行归类，可以先预览一遍已经采集到的数据，或者让AI帮我们先进行分词，然后我们梳理出一份“可用的”主题类型。
2. 重新定义符合认证的“热度分数”权重。
3. 制定高“热度分数”内容的时间走势分析图表，用以分析每个方向的可持续性。
……
基于我们梳理的分析方案，我们可以用AI编程完成其中的辅助工作，比如分词、热度计算、图表制作。我们可以把这些明确的需求写成详细的提示词，让AI帮我们一次性搞定。
这里用一些典型的案例演示下，以下是我的提示词。
##角色
你是一个表格处理助手，我请按我的要求，对我的表格进行处理，使其符合我的要求。##处理内容
1.在“标题”列右侧加一列，此列为“分词”，读取“标题”列的内容，对齐进行分词。并把分词结果按“{分词1}、{分词2}”的格式记录。
2.在“评论数”列右侧加一列，此列为“热度分数”，“热度分数” = “点赞数”*0.2 + “收藏数”*0.4 + “评论数”*0.4。
3.制作一个柱状图，柱状图名称为“作者作品量分布，“作者名称”为横坐标，帖子数（作者名称出现数）为纵坐标，左侧为出现次数最高，由高到低进行排序。
AI编辑好脚本后就会帮我们执行，下图就是AI执行的结果。
操作建议
1. 对于熟练Excel的朋友来说，用AI编程处理表格其实不一定比得上自己操作表格更快，因此在“竞品调研数据报告”模块，更有效的是“分析思路启发”。
2. AI产出的分析报告仅具有参考的作用，要警惕“偷懒”而直接采用AI的分析结果，导致不可控的后果。如果你具有一定的爬虫基础，可以一行一行去检查AI的实现方式是否合理，如果合理，也可直接使用结果。
在方案设计环节，可应用的AI编程场景有“原型创作（激发）”、“低耦合&低复杂功能开发”。
以往设计一个功能方案，往往需要经过较长时间的思考，思考的过程十分依赖产品经理本身的经验。如果在某个方向上产品设计经验不足，往往会需要花费比较多的时间去构思其中的功能细节，甚至有可能会由于一开始的方向错误，导致后续需要一系列的返工修改工作。
基于这个情况，我们可以用AI编程进行“原型创作”，或者说“原型灵感激发”。通过AI辅助我们，提高最终方案的质量，并加速方案产出与勾兑，减少返工的风险并减少时间成本。
实操案例
在进行AI进行原型制作（激发）之前，我们要明确我们的产品架构、功能内容、系统流程、功能逻辑等内容。
我们可以先梳理一份产品需求文档，然后给到AI开发。但是也可以直接把大致产品思路给到AI，让他们帮我们想好这些内容。
我就是通过把我的产品思路写给了AI，让他帮我先写一份产品描述。
然后把产品描述再次给到AI，让他帮我生成了初版的产品界面。如果我们有自己已经画好的线框图，也可以发给AI，这样会使得AI产出的结果更贴合我们的设想。
这里分享下我这里使用的提示词。（这里参考了Justin3go大佬的提示词，网上也可以找到各种风格的提示词，各位可以按需参考与使用，找到适合自己的风格。）
## 你是谁
你是一位资深全栈工程师，设计工程师，拥有丰富的全栈开发经验及极高的审美造诣，擅长现代化设计风格，擅长移动端设计及开发。
## 你要做什么
1. 用户将提出一个【PC程序需求】
2. 设计这个【PC程序需求】，模拟产品经理提出需求和信息架构，请自己构思好功能需求和界面> 下面这两个步骤，每一个小功能（根据功能划分，可能有多个页面）就输出一个html，输出完成后提示用户是否继续，如果用户输入继续，则继续根据按照下面步骤输出下一个功能的 UI/UX 参考图
3. 然后使用 html + tailwindcss 设计 UI/UX 参考图
4. 调用【Artifacts】插件可视化预览该 UI/UX 图（可视化你编写的 html 代码）
## 要求
– 要高级有质感（运用玻璃拟态等视觉效果），遵守设计规范，注重UI细节
– 请引入 tailwindcss CDN 来完成，而不是编写 style 样式，图片使用 unslash，界面中不要有滚动条出现
– 图标使用 Lucide Static CDN 方式引入，如`https://unpkg.com/lucide-static@latest/icons/XXX.svg`，而不是手动输出 icon svg 路径
– 将一个功能的所有页面写入到一个 html 中（为每个页面创建简单的 mockup 边框预览，横向排列），每个页面在各自的 mockup 边框内相互独立，互不影响- 思考过程仅思考功能需求、设计整体风格等，不要在思考时就写代码，仅在最终结果中输出代码
## 需求内容
以下是AI给我产出的结果：
基于AI产出的结果，我们可以不断提出修改的要求，直到AI产出的结果符合我们的需求。如果AI产出的结果还是不合要求，我们则可保留AI给到的原型中的优秀设计，自行进行重新设计（视为AI对我们进行了灵感激发）。或者是使用Figma的Html to Design插件导入Html文件，然后进行二次编辑。
操作建议
1. 我们最好先划分好产品所涉及到的功能模块梳理，然后分模块让AI分别进行设计。如果一次性进行多页面生成，很容易超过AI的上下文上限。
2. 每个功能的描述尽可能详细，需要包含界面描述和功能说明。这是一个“写得越仔细，AI修改返工越少”的过程。
3. 不要过度奢望AI生成的成品符合我们的需求，如果反反复复修改过多，建议当机立断，中止修改，直接改成人工修改。因为AI编程水平有限，很容易出现“反复修同一个问题”的窘境。
基于目前AI编程的强大能力，我们其实已经可以进行部分功能的开发了。这部分功能需要满足以下条件：
1. 低耦合：需要和已有的系统独立，AI无法阅读现成的大批量代码，然后做出功能。（作为产品，也难有权限去获取已有系统的代码。）所以我们做的功能，是需要与已有的功能解耦的。
2. 低复杂：由于当前AI编程水平的局限，我们无法让其开发过于复杂的功能，否则会陷入“反复修BUG”的窘境。
借由AI编程的能力，我们可以低成本地实现一些原本“性价比不高”的需求，多个“性价比不高”的需求也能叠加出可观的“降本增效”效果。或者，我们可以利用这些低成本的功能作为MVP版本，低成本地验证我们的想法，从而找到合适的产品方向。
那么我们可以做的功能有什么呢？以下给到2类需求的实操案例~
实操案例-数据可视化报表
业务上经常会有一些变化频繁的指标，比如探索期的业务，对于这些业务的数据分析需求，技术往往决定“性价比”很低，不愿意配套相关的报表。因此，对于这些需求，我们可以用AI来低成本地制作一些临时的业务报表，用来量化业务上的效果，辅助业务进行复盘和分析。
这里，我们先要打通数据源，并定期获取数据。数据的来源有以下几种：
1. 爬虫：比如取内部系统的日志、外部数据源等渠道。
2. API：打通数据源的API，前提是内部已有所需数据的API，且技术会开放相关数据的权限。
3. 手动录入：人工定期往一个在线文档或者excel表格进行录入，系统再进行读取。but，用这种方式来处理的话，还不如直接用飞书多维表格了。
值得一提的是，由于小的并不具备数据库的基础，目前顶多只能做到定期更新的数据看板。考虑到减少人工干预的因素，“数据可视化报表”需求最优的数据源是 API > 爬虫（爬虫还要处理登录问题） > 手动录入（不如用飞书多维表格）。
可能有人会问，“我能直接用API和爬虫对接飞书多维表格吗？”
可以，但是要钱。
然后我们需要对数据源进行预处理，使其处理成可用于数据看板展示的格式。最后，读取数据并显示在看板上。整理流程如下：
下面开始用一个案例具体说一下。假设公司要制作一个看板，其中显示客服人员每天的工作量数据。这里模拟使用API获取数据，以下为提示词：
以下是AI给我的成品，我可以使用一个本地地址进行访问。
操作建议
1. 制作相关的需求需要具有一定的数据基础，要能够把复杂的原始数据处理流程尽可能详细地描述出来。
2. 如果该报表要给内部其他成员使用，需要学会将该报表进行部署，涉及到一定的技术能力，如果自己折腾会较为繁琐，学习成本较大，性价比不高。建议找到技术辅助处理，更低成本，成效更快。
3. 数据需要保证实时获取，为了实现这个目的，我们需要考虑“保持脚本”运行，或者设置脚本自动运行任务，也可以找到技术去帮忙部署到内部服务上。
实操案例-简单的自动化工作流
业务中经常存在一些标准化但繁多的流程，比如客户跟踪、数据处理分析。这些流程虽然也可以系统化实现，但是由于“价值低”、“变化快”、“场景多”等特点，基本上很难让技术团队去满足。但是，我们可以利用AI快速构建轻量级的工作流自动化工具，让业务部门自行定义简单流程，快速满足业务场景的自动化诉求。
在进行这个需求开发前，我们需要先梳理“自动化工作流”的流程。一般流程包含以下内容：
由3个模块构成最简单的“自动化工作流”——“触发事件”、“执行动作”、“完成判断”。
我们要确认“所要制作的自动化工作流”的“触发事件”、“执行动作”、“完成判断”是否能被AI编程实现：
1. “触发事件”可使用定时或者API触发的方式。
2. “执行动作”可以使用API执行，或者AI编程能完成操作动作，比如excel文档处理、打开浏览器。
3. “完成判断”可以使用API，或者获取“工作流”执行过程中的数据进行判断。
（值得一提的是，如果“触发事件”、“执行动作”都有API，那么这个自动化工作流是可以在飞书多维表格上解决的）
下面用一个案例具体说明下。假设我是一个销售，我每天要看下昨天没有沟通成功的客户有哪些，然后把没联系的放到一个Excel表格上，然后通过飞书通知到我。以下为提示词：
以下是AI执行的结果。把获取到的信息放到表格上，并在飞书上对我进行通知。
操作建议
1. 自动化工作流需要保证脚本持续运行，或者设置脚本自动运行任务，也可以找到技术去帮忙部署到内部服务上。
最后是分析“分析复盘”环节的AI应用，在这个阶段，AI编程主要也是起到如“竞品调研数据报告”中的“数据挖掘分析”的作用。
这类似于“竞品调研数据报告”的“分析思路启发”，我们可以让AI先帮忙生成一份分析报告，由此启发我们的数据挖掘思路。
这里的实践方式和“竞品调研数据报告”中的一致，不再赘述。
如果数据挖掘的结果验证有效，则可以参考“数据可视化报表”开发的过程，通过AI编程落地成一个报表，用来更高效地呈现数据的结果。
本文由人人都是产品经理作者【柠檬饼干净又卫生】，微信公众号：【柠檬饼干净又卫生】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。