AI产品经理转型路上，你是否也迷失在碎片化信息与模糊路径中？这款专为产品人打造的智能学习规划助手，通过精准分析岗位背景、经验级别与时间安排，生成个性化AI转型路线图。从电商推荐系统到NLP技术栈，本文将揭秘如何用LLM工作流架构实现千人千面的学习计划生成。
你有没有遇到过这样的困境？
作为产品经理，你看到AI技术越来越火，公司也开始要求产品接入AI能力。但当你真正要去做的时候，却发现：
想转型，但不知道怎么做。
这就是我最近搭建的智能体：”AI产品进化论”——专门帮助产品经理从传统PM向AI PM转型的智能学习规划助手。
这篇文章分享一下这个智能体的搭建过程，帮助大家了解一下工作流架构和LLM应用开发的玩法。
AI转型是产品经理最迫切的需求之一，但也是最难系统化的。
共同的困境：
所以我做了这个智能体：通过AI分析你的岗位背景、经验级别、学习方向、时间安排和转型周期，为你生成一份专属的AI转型学习计划。
它不想取代真实的学习，而是把学习规划的门槛降低——让你能够低成本、高效率地找到适合自己的AI转型路径，知道每一步该做什么。
目标用户：想要向AI产品经理转型的传统产品经理、对AI产品感兴趣的产品经理、想要提升AI产品能力的产品经理
核心价值：通过AI分析用户背景，生成个性化的、可执行的AI转型学习计划
能力边界：
支持不同转型周期（1个月、3个月、6个月）
交互流程非常简单直观：
整个智能体基于工作流架构搭建，分为三个核心阶段：
处理流程：
信息汇总转换节点（Python代码）：将卡片选择的原始值转换为标准化变量
关键技术点：
1、用户画像分析：
2、模板匹配逻辑：
3、学习计划生成：
根据转型周期划分学习阶段：
4、计划参数适配：
主要功能：
最终计划格式化节点（LLM）：
整个工作流中，信息收集使用卡片选择组件：
卡片选择组件的特点：
信息汇总转换节点的代码：
defmain(params: dict) -> dict:
# 获取输入变量，处理None值
job_type = params.get(‘job_type’) or”
experience_raw = params.get(‘experience_raw’) or”
direction_raw = params.get(‘direction_raw’) or”
study_time_raw = params.get(‘study_time_raw’) or”
cycle_raw = params.get(‘cycle_raw’) or”
# 转换工作经验
experience_info = experience_mapping.get(experience_raw, {‘level’: ‘初级’, ‘years’: ‘1-3年’})
experience_level = experience_info[‘level’]
experience_years = experience_info[‘years’]
# 转换学习方向
learning_direction = direction_raw if direction_raw else’通用’
needs_suggestion = (direction_raw == ‘待建议’)
# 转换学习时间
study_time_mapping = {
‘少于30分钟’: {‘time’: ‘少于30分钟’, ‘minutes’: 20},
’30-60分钟’: {‘time’: ’30-60分钟’, ‘minutes’: 45},
‘1-2小时’: {‘time’: ‘1-2小时’, ‘minutes’: 90},
‘2小时以上’: {‘time’: ‘2小时以上’, ‘minutes’: 150}
}
study_time_info = study_time_mapping.get(study_time_raw, {‘time’: ’30-60分钟’, ‘minutes’: 45})
daily_study_time = study_time_info[‘time’]
study_time_minutes = study_time_info[‘minutes’]
# 转换转型周期
cycle_mapping = {
‘1个月’: {‘cycle’: ‘1个月’, ‘months’: 1, ‘intensity’: ‘高强度’},
‘3个月’: {‘cycle’: ‘3个月’, ‘months’: 3, ‘intensity’: ‘标准’},
‘6个月’: {‘cycle’: ‘6个月’, ‘months’: 6, ‘intensity’: ‘从容’}
}
cycle_info = cycle_mapping.get(cycle_raw, {‘cycle’: ‘3个月’, ‘months’: 3, ‘intensity’: ‘标准’})
transformation_cycle = cycle_info[‘cycle’]
cycle_months = cycle_info[‘months’]
intensity = cycle_info[‘intensity’]
return {
‘job_type’: job_type,
‘experience_level’: experience_level,
‘experience_years’: experience_years,
‘learning_direction’: learning_direction,
‘needs_suggestion’: needs_suggestion,
‘daily_study_time’: daily_study_time,
‘study_time_minutes’: int(study_time_minutes),
‘transformation_cycle’: transformation_cycle,
‘cycle_months’: int(cycle_months),
‘intensity’: intensity
}
关键设计：
整个工作流中，大部分LLM节点输出JSON格式：
{
“user_message”:”用户看到的内容（Markdown格式）”,
“context_data”:{
// 后续节点需要的结构化数据
}
}
每个LLM节点后都跟着一个Python代码节点来解析JSON，提取context_data供后续节点使用，同时提取user_message用于展示给用户。
关键设计：user_message必须是对当前步骤执行结果的概括，而不是”正在处理”等过程性提示，这样用户能实时看到进度。
JSON解析节点的通用代码：
import json
import re
defmain(params: dict) -> dict:
input_str = params.get(‘llm_output’) or params.get(‘input’, ”)
ifnot input_str:
return {}
# 处理可能被markdown代码块包裹的情况
input_str = re.sub(r’^“`json\s*’, ”, input_str, flags=re.MULTILINE)
input_str = re.sub(r’“`\s*$’, ”, input_str, flags=re.MULTILINE)
input_str = input_str.strip()
try:
parsed_data = json.loads(input_str)
context_data = parsed_data.get(‘context_data’, {})
user_message = parsed_data.get(‘user_message’, ”)
return {
‘context_data’: context_data,
‘user_message’: user_message
}
except json.JSONDecodeError:
return {}
关键细节：
每个LLM节点都有详细的提示词，包含：
用户画像分析节点的提示词关键部分：
你是一个用户画像分析助手。请基于用户提供的信息，生成用户画像摘要和分析。
用户信息：
– 岗位类型：{{job_type}}
– 工作经验：{{experience_years}}（{{experience_level}}）
– 学习方向：{{learning_direction}}
– 每日学习时间：{{daily_study_time}}
– 转型周期：{{transformation_cycle}}（{{intensity}}）
请完成以下任务：
1. **用户画像摘要**（100-150字）：
– 综合描述用户的基本情况
– 分析用户的学习背景和特点
– 评估用户的学习能力和时间条件
– 如果needs_suggestion为true，需要根据岗位类型给出学习方向建议
2. **学习需求分析**：
– 根据岗位类型，分析用户最需要的AI能力
– 根据经验级别，确定学习计划的起点和深度
– 根据学习方向，确定重点学习内容
3. **学习条件评估**：
– 评估每日学习时间是否充足
– 评估转型周期是否合理
– 给出学习强度建议
请严格按照以下JSON格式返回：
{
“user_message”: “使用Markdown格式输出…”,
“context_data”: {
“user_profile”: {…},
“profile_summary”: “…”,
“learning_needs”: […],
“condition_assessment”: {…}
}
}
关键点：
代码节点中实现了完善的错误处理，确保流程不会因为数据格式问题中断。
JSON解析失败时的降级处理：
try:
parsed_data = json.loads(input_str)
context_data = parsed_data.get(‘context_data’, {})
except json.JSONDecodeError:
# 解析失败时返回空字典，而不是抛出异常
return {‘context_data’: {}}
数据格式不一致时的类型检查：
# 确保study_time_minutes和cycle_months是int类型
study_time_minutes = params.get(‘study_time_minutes’)
if study_time_minutes isNone:
study_time_minutes = 45
else:
try:
study_time_minutes = int(study_time_minutes)
except (ValueError, TypeError):
study_time_minutes = 45
计划参数适配时的安全处理：
# 如果任务预计时间超过每日学习时间，需要拆分或调整
estimated_time = task.get(‘estimated_time’, 0)
ifisinstance(estimated_time, str):
# 尝试从字符串中提取数字
try:
estimated_time = int(estimated_time.replace(‘分钟’, ”).replace(‘min’, ”).strip())
except:
estimated_time = study_time_minutes
# 如果任务时间过长，标记需要拆分
if estimated_time > study_time_minutes * 1.5:
task[‘needs_split’] = True
task[‘split_suggestions’] = f”建议将此任务拆分为多个子任务，每个子任务约{study_time_minutes}分钟”
体验一个完整流程后，用户能够：
这个智能体的核心是基于LLM的个性化分析和计划生成能力。
类似的玩法可以延伸到：
工作流架构的优势在于模块化和可扩展性：
为了让用户真正感受到”量身定制”，我在提示词中强调：
因为过程中选择了结构化输出，没办法实现流式输出，为了让用户的体验相对好一点，我在关键节点提供阶段性输出。
例如，在用户画像分析完成后，立即输出用户画像摘要给用户看；在模板匹配完成后，输出匹配结果；在计划生成完成后，输出计划概览，让用户知道接下来会看到什么。
搭建这个智能体使用的是工作流平台，它提供了完整的工作流搭建能力：
最关键的是，你可以把搭建好的智能体直接发布到小程序，不需要自己搞备案、买服务器，用户体验流畅，价值完全不同。
这个智能体的核心价值不在于技术有多复杂，而在于它把”AI转型规划”这件事的门槛降低了。
通过AI分析，我们可以在几分钟内获得一份个性化的、系统化的AI转型学习计划，知道应该学什么、怎么学、学到什么程度。这种规划虽然不能完全替代真实学习，但足以让我们获得清晰的转型路径和方向。
如果你也想搭建类似的智能体，或者对技术实现细节感兴趣，欢迎交流。
欢迎体验“AI产品经理进化论”，并反馈任何建议或BUG。
https://yuanqi.tencent.com/webim/#/chat/vvQFvw?appid=2006199404765244416
本文由 @秋水 原创发布于人人都是产品经理。未经作者许可，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。