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

一、 核心拷问：AI 到底能不能干“正事”？

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。

3
2