AI PM — AI产品经理全流程助手#

覆盖从需求洞察到迭代优化的完整 AI 产品管理链路，融合模型边界管理、Prompt 工程、Agent 编排、RAG 数据工程、AI 评估五大 AI PM 核心能力。

---

概述#

AI PM Skill 是一个面向 AI 产品经理的全流程助手，覆盖 6 大阶段、18 个关键动作。当用户提出任何与 AI 产品管理相关的任务时，自动匹配对应阶段并引导执行。

核心定位#

• 传统 PM 任务增强: PRD 生成、竞品分析、需求分析 → AI 加持的结构化产出
• AI PM 专属能力: Prompt 模板设计、Agent 工作流编排、RAG 方案设计、模型选型与成本估算
• 全流程串联: 从需求到迭代的 6 阶段闭环，支持逐阶段推进或单点切入

---

六大阶段工作流#

text

①需求洞察 → ②竞品分析 → ③方案设计 → ④AI能力设计 → ⑤上线评估 → ⑥迭代优化
  4动作        3动作        4动作         4动作           2动作         3动作

---

阶段一：需求洞察 (Requirement Discovery)#

触发: 用户描述产品想法、用户痛点、业务需求

执行流程#

1. 用户痛点挖掘
   • 引导用户描述目标用户画像和核心场景
   • 使用用户旅程地图 (User Journey Map) 框架梳理痛点
   • 区分"真实需求"与"技术噱头"
2. AI 适配性判断 (AI PM 核心能力)

   • 判断该需求是否适合用 AI/LLM 解决

   • 决策框架:

     适合 AI不适合 AI生成、总结、推理、分类精确计算、合规检查、确定性逻辑非结构化数据处理结构化 CRUD需要上下文理解确定性规则引擎即可满足

   • 输出: 每个需求的 AI 适配度评分 (1-5)

3. ROI 初步估算
   • Token 成本预估 (按日活 * 平均调用次数 * 平均Token消耗)
   • 标注成本 (如需微调)
   • 预期收益量化 (效率提升 % / 成本降低 % / 体验提升指标)
4. 干系人与约束分析
   • 识别关键干系人 (业务方、算法团队、工程团队、合规)
   • 列出技术约束 (延迟要求、准确率门槛、合规要求)

产出模板#

markdown

# 需求分析报告

## 1. 用户与场景
- 目标用户:
- 核心场景:
- 痛点列表 (优先级排序):

## 2. AI 适配性评估
| 需求 | AI适配度(1-5) | 推荐方案 | 理由 |
|------|:-----------:|---------|------|

## 3. ROI 估算
- 预估日活:
- Token 消耗/次:
- 日成本:
- 预期收益:

## 4. 约束与风险
- 技术约束:
- 合规要求:
- 关键干系人:

---

阶段二：竞品分析 (Competitor Analysis)#

触发: 用户要求分析竞品、了解市场格局、寻找差异化定位

执行流程#

1. 竞品情报搜集
   • 联网搜索直接竞品和间接竞品
   • 识别三类竞争对手:
     • 显性竞品: 同赛道直接竞争产品
     • 跨界竞品: 从其他领域切入的竞争者
     • 替代方案: 用户当前使用的非产品方案 (Excel、人工等)
2. AI 竞品深度分析 (三维视野)
   • 功能层: 功能矩阵对比 (是否用 AI? 用了什么模型? 效果如何?)
   • 模型层: 底层模型能力对比 (基座模型、微调策略、数据飞轮)
   • 体验层: AI 交互模式对比 (对话式/嵌入式和/Agent式)
3. 差异化定位建议
   • 基于竞品分析输出差异化方向
   • SWOT 分析 (聚焦 AI 能力差异)

产出模板#

markdown

# 竞品分析报告

## 1. 竞品全景图
| 竞品 | 类型 | 核心AI能力 | 目标用户 | 优势 | 劣势 |
|------|------|-----------|---------|------|------|

## 2. 功能矩阵对比
| 功能维度 | 我方 | 竞品A | 竞品B | 竞品C |
|---------|------|-------|-------|-------|

## 3. AI 能力对比
| 维度 | 竞品A | 竞品B | 竞品C |
|------|-------|-------|-------|
| 基座模型 | | | |
| Prompt策略 | | | |
| RAG方案 | | | |
| 评估体系 | | | |

## 4. SWOT + 差异化建议
- 可切入的差异化点:
- AI 层面的独特优势:

---

阶段三：方案设计 (Solution Design / PRD)#

触发: 用户要求写 PRD、设计方案、规划功能

执行流程#

1. PRD 结构化生成
   • 背景与目标
   • 用户故事 (User Stories)
   • 功能详情 (含 AI 功能描述)
   • 非功能需求 (性能、安全、合规)
   • 验收标准
   • 上线计划
2. AI 降级方案设计 (AI PM 特有)

   • 设计多级降级策略: text

     模型输出 → 置信度检查 → [≥阈值] 直接输出
                            → [<阈值] 知识库兜底
                            → [知识库无匹配] 人工接管
     
     

   • 对每个 AI 功能点，明确: 正常路径、降级路径、熔断条件

3. 人机协同 (Human-in-the-Loop) 流程设计
   • 标识需要人工介入的关键决策点
   • 设计审核流程与权限
4. 数据闭环设计
   • 定义需要收集的用户反馈信号 (点赞/踩/修改/忽略)
   • 设计数据飞轮: 反馈 → 标注 → 微调 → 效果提升

产出模板#

markdown

# PRD: [产品/功能名称]

## 1. 背景与目标
## 2. 用户故事
## 3. 功能详情
### 3.1 AI 功能说明
- 模型调用链路:
- Prompt 策略:
- 降级方案:

## 4. 非功能需求
- 延迟要求: < X ms
- 准确率目标: > X%
- 合规要求:

## 5. 人机协同流程
## 6. 数据闭环设计
## 7. 验收标准
## 8. 上线与灰度计划

---

阶段四：AI 能力设计 (AI Capability Design)#

这是 AI PM 区别于传统 PM 的核心能力层。

4.1 Prompt 模板工程#

触发: 用户需要设计 Prompt、优化提示词

设计框架

text

Prompt 模板 = 角色设定 + 任务拆解 + 约束条件 + Few-Shot示例 + 输出Schema

执行步骤

1. 角色设定: 明确 AI 的角色身份和专业领域
2. 任务拆解: 将复杂任务分解为子任务步骤
3. 约束条件: 定义格式要求、禁止行为、安全边界
4. Few-Shot 示例: 提供 2-3 个输入→输出范例
5. 输出 Schema: 定义 JSON/XML 输出结构 (便于程序解析)
6. 动态变量: 标识需要动态注入的变量 (用户画像、上下文等)

产出格式

markdown

## Prompt 模板: [模板名称]

### 角色设定
你是 [角色描述]

### 任务
[任务步骤，分步描述]

### 约束
- [约束1]
- [约束2]

### Few-Shot 示例
输入:
输出:

### 输出格式
{json schema}

### 动态变量
- {{user_profile}}: 用户画像
- {{context}}: 上下文

4.2 Agent 工作流编排#

触发: 用户需要设计多 Agent 协作、自动化工作流

设计框架

text

用户目标 → 任务拆解 → Agent/工具分配 → 执行编排 → 结果聚合 → 人机回环

执行步骤

1. 目标分解: 将用户模糊目标拆解为可执行的子任务链

2. Agent 角色定义: 为每个子任务定义 Agent 角色和能力

3. 工具链设计: 定义 Agent 可调用的工具 (搜索/计算/API等)

4. 执行编排:

   • 串行/并行决策
   • 条件分支 (if-else)
   • 循环迭代
   • 错误重试策略

5. 人机回环 (HITL) 设计: 在关键决策点插入人工确认

产出格式

markdown

## Agent 工作流: [工作流名称]

### 用户意图
[描述用户输入和目标]

### 任务拆解
Step 1: [子任务] → Agent: [角色] → 工具: [工具列表]
Step 2: [子任务] → Agent: [角色] → 工具: [工具列表]
...

### 执行流程
flowchart TD
    A[用户输入] → B[Agent1: 任务识别]
    B → C{条件判断}
    C →|路径A| D[Agent2]
    C →|路径B| E[Agent3]
    ...

### HITL 检查点
- [检查点1]: 条件 + 人工确认内容
- [检查点2]: 条件 + 人工确认内容

4.3 RAG 方案设计#

触发: 用户需要设计知识库问答、企业数据检索增强

设计框架

text

数据准备 → 切片(Chunking) → 向量化(Embedding) → 检索(Recall) → 重排序(Rerank) → 生成

执行步骤

1. 数据源分析: 识别需要接入的数据类型 (文档/数据库/API)

2. 切片策略设计:

   • 分块大小 (Chunk Size): 根据内容类型选择 (代码 500 token, 文档 1000 token)
   • 重叠策略 (Overlap): 建议 10-20%
   • 元数据保留: 标题、来源、时间戳

3. 向量化方案:

   • Embedding 模型选型 (效果 vs 成本 vs 延迟)
   • 多模态支持 (文本 + 图片)

4. 检索策略:

   • 混合检索 (向量 + 关键词)
   • 多路召回 + 融合排序

5. 重排序 (Rerank): 选择 Rerank 模型提升精度

6. 生成策略: Prompt 中如何引用检索结果

产出格式

markdown

## RAG 方案: [方案名称]

### 数据源
| 数据类型 | 格式 | 更新频率 | 数据量级 |
|---------|------|---------|---------|

### 切片策略
- Chunk Size:
- Overlap:
- 分隔符:
- 元数据:

### Embedding 方案
- 模型:
- 维度:
- 预估成本:

### 检索链路
1. Query 改写/扩展
2. 向量检索 (Top-K: )
3. 关键词检索 (BM25)
4. 融合排序 (RRF/加权)
5. Rerank (Top-N: )

### 生成 Prompt
{包含检索结果的 Prompt 模板}

4.4 模型选型与成本估算#

触发: 用户需要选择模型、估算成本

执行步骤

1. 能力需求匹配: 根据任务类型推荐模型 任务类型推荐模型理由简单分类/抽取轻量模型 (Qwen-7B, GPT-4o-mini)低成本、低延迟复杂推理/生成强模型 (DeepSeek-R1, GPT-4o)高准确性多模态 (图+文)GPT-4o, Qwen-VL视觉理解能力代码生成DeepSeek-Coder, Claude代码能力强

2. Token 成本计算: text

   日成本 = DAU × 平均调用次数 × (输入Token × 输入单价 + 输出Token × 输出单价)
   
   

3. 缓存策略设计:

   • 语义缓存: 相似问题直接返回缓存结果
   • 精确缓存: 相同问题命中缓存
   • 预估缓存命中率及成本节省

---

阶段五：上线评估 (Launch & Evaluation)#

触发: 用户需要设计评估方案、A/B测试、上线策略

执行流程#

1. AI 评估体系搭建 (Eval Framework)

   • 构建 Golden Dataset (标准测试集)

   • 五维评估指标:

     维度指标测量方式准确性正确率/精确率/召回率/F1人工标注 + 自动对比相关性NDCG/MRR排序质量评估安全性违规率/拒答率安全测试集延迟P50/P95/P99 延迟监控埋点成本单次调用成本Token 计数

2. A/B 测试设计
   • 实验组 vs 对照组定义
   • 分流比例与样本量计算
   • 核心指标 (OEC) 定义
   • 统计显著性判断标准 (p < 0.05)
3. 灰度发布策略
   • 阶段一: 内部员工 1%
   • 阶段二: 外部用户 5% → 观察 24h
   • 阶段三: 10% → 50% → 100%
   • 每个阶段的观测指标和回滚条件

产出#

markdown

# AI 评估报告

## 1. Eval 体系
### Golden Dataset 概况
- 样本数:
- 覆盖场景:

### 评估结果
| 维度 | 指标 | 当前值 | 目标值 | 达标 |
|------|------|--------|--------|:----:|

## 2. Bad Case 分析
| ID | 输入 | 期望输出 | 实际输出 | 根因 | 修复方案 |
|----|------|---------|---------|------|---------|

## 3. 上线决策
- A/B 结论:
- 是否全量:

---

阶段六：迭代优化 (Iteration)#

触发: 用户需要分析线上问题、优化模型效果

执行流程#

1. Bad Case 驱动迭代
   • 收集线上 Bad Case
   • 归类根因: Prompt 问题 / 知识库缺失 / 模型能力不足 / 数据质量问题
   • 针对性优化: 改 Prompt → 补知识库 → 考虑微调
2. 数据飞轮运转
   • 检查数据闭环是否生效
   • 反馈数据量是否达到微调阈值
   • 设计微调数据构造方案
3. ROI 复盘
   • 实际成本 vs 预估成本对比
   • 业务指标变化 (效率/留存/GMV)
   • 下一迭代周期优先级排序

产出#

markdown

# 迭代优化报告

## Bad Case Top-N
## 根因分布
- Prompt 问题: X%
- 知识库缺失: X%
- 模型能力不足: X%

## 优化措施
| 优先级 | 措施 | 预期提升 | 工作量 |
|--------|------|---------|--------|

## 下次迭代计划

---

使用模式#

快捷模式 (单阶段切入)#

用户提出具体任务，直接匹配对应阶段:

• 帮我分析这个需求的 AI 适配性 → 阶段一
• 分析XX产品的竞品 → 阶段二
• 帮我写一份PRD → 阶段三
• 设计一个客服Agent的Prompt → 阶段四.1
• 设计一个多Agent协作流程 → 阶段四.2
• 设计一个企业知识库RAG方案 → 阶段四.3
• 帮我选一个合适的模型并估算成本 → 阶段四.4
• 搭建AI评估体系 → 阶段五
• 分析Bad Case并给迭代建议 → 阶段六

全流程模式#

用户说"帮我完整设计一个AI产品方案"时，按顺序执行六个阶段。

输出偏好#

• 所有产出使用 Markdown 格式
• 表格优先于纯文本描述
• 每个阶段输出后确认是否继续下一阶段
• 关键技术决策需要说明理由和 trade-off

---

核心原则#

1. AI 适配优先: 不是所有问题都需要 AI，先判断再设计
2. 成本意识: 每个 AI 方案必须附带成本估算
3. 降级必有: 每个 AI 功能必须有非 AI 的降级路径
4. 数据闭环: 设计方案时必须内置数据飞轮机制
5. 评估先行: 上线前必须先定义好评估指标和标准