AI产品经理从入门到进阶

摘要：本课程旨在培养真正的AI产品经理，系统讲授从大模型、提示词、RAG、智能体的技术基础，到AI产品创新的PRICE方法论，并通过AI辅助全流程产品设计实战，帮助学员实现AI与产品的深度融合与全流程赋能。

培训目标

培养真正的AI产品经理
AI与产品深度融合：帮助产品经理理解如何将AI深度融入产品功能与体系结构
AI赋能产品全流程：让产品经理能够借助AI支持产品的识别、探索、开发、发布与运维的全生命周期
总结来说：既要做真正的“AI产品”，又要用AI把产品做出来（Do the AI things, and do the things AI），AI产品经理应贯穿整个产品流程，善用AI赋能每一个环节。

培训形式与时长

2天内训（可定制）
现场练习（需带电脑），沙盘演练，分组讨论

培训大纲

第一章角色重塑：什么是「AI产品经理」

从传统产品经理到AI产品经理

产品经理核心思路的变化：从「需求分析」到「AI能力编排」
AI产品 ≠ 给原有产品加一个聊天框

AI产品经理的工作对象

基于大语言模型（LLM）构建产品，而非工具拼装
AI既是功能组件，也是“设计合作者”

AI不替代产品，而是重构产品形态

不试图替代Cursor、IDE、SaaS巨头
观察：在已经有大量工具的情况下，人还在做什么？

第二章 AI通识与大模型基础（必须掌握的"地基"）

大语言模型的基本原理

生成式模型如何工作（概率、上下文、Token）
为什么“看起来很聪明，但并不理解世界”

大模型调用示例

选择模型：OpenAI / 阿里云 / 百度 / 讯飞等
获取Key：注册平台账号并申请API Key
设置参数：如temperature、max_tokens、top_p等
请求方式：以HTTP/RESTful或SDK形式发送调用
结果解析：理解并使用模型返回的response
错误处理：API限流、超时、Key失效的应对策略
练习：运行示例代码并调整参数

提示词工程（Prompt Engineering）

定义模型“扮演谁”：明确自身角色设定（如专家、助手、面试官等），提升回答的一致性与专业度
明确对话对象：设置模型交互中用户（读者）的身份、背景或需求，有针对性地调整输出风格
使用提示词模板：设计可复用的提示模板（如：任务描述 + 限定条件 + 期望输出格式）
结构化输出约束：通过指示要求输出JSON、表格、Markdown等结构，便于自动化处理或后续集成
多轮提示词链路（Prompt Chaining）：将复杂任务拆解为多步、分阶段提示词，提升模型响应复杂度
练习：根据不同场景，设计、优化提示词，并观察输出效果

RAG（检索增强生成）

RAG原理：将检索与大模型生成结合
典型流程：检索相关上下文 → 输入模型 → 得到结果
数据准备：选取、清洗、结构化知识库
数据切割：按语义/段落/页进行分块，便于检索
Embedding：对每个分块文本生成向量
向量存储：如FAISS、Milvus、PGVector等向量数据库
检索调用：输入问题，获取相关内容作为上下文
与大模型集成：将检索结果和问题一起发送给模型
练习：运行示例代码并调整参数

智能体Agent

Agent原理：构建具备自动决策与操作能力的智能体
能够调用工具、规划多步任务、实现交互闭环
Agent框架与工具：LangChain、Autogen、Transformers Agent等
工作流程：系统提示（System Prompt）→ 行动规划 → 调用外部工具 → 调整计划
应用场景：自动客服、流程自动化、专家助手等
练习：运行示例代码并调整参数

深智能体DeepAgents

ToDo List：Agent具备多步目标和任务列表管理能力
本地文件读写：Agent支持读取和写入本地文件，实现知识的本地化持久化
多智能体协同：多个Agent分工合作、消息互通、协作完成复杂任务
长期记忆：Agent能够积累长期知识，支持上下文持久追踪
练习：运行示例代码并调整参数

模型上下文协议（MCP, Model Context Protocol）

MCP概念：MCP是为智能体与工具之间建立协作与通信的一套协议或规范，使多个智能体能够高效协同完成复杂任务。
应用场景：企业级流程自动化、跨领域专家系统、复杂问题求解、智能助手生态等。
挑战与展望：协议标准化、隐私安全、智能体自治、可扩展性等是当前MCP发展中的重要课题。

能力与局限

幻觉（Hallucination）的根源
上下文窗口、无长期记忆的问题
为什么模型“每次都是第一次见你”

成本与工程现实

Token消耗与计费模型
不同模型在能力、价格、速度上的差异
产品层面如何设计“可控成本”

安全与围栏（Guardrails）

什么是围栏
产品中哪些地方必须加围栏
围栏不是限制AI，而是让AI可用
练习：运行示例代码并调整参数

第三章 AI与产品的深度集成与基础性创新（PRICE方法论）

本章是整门课程的方法论中枢。不讨论具体工具，也不展开实现细节，而是回答一个根本问题：AI为什么、以及如何，成为产品体系中的"核心生产力"。

从「功能叠加」到「能力重构」

AI不是一个可以随意插拔的功能点
给产品“加AI”，往往意味着重构产品的工作方式
真正的AI产品，不是"多了一个智能功能"，而是换了一种做事方式

PRICE：AI产品的五个底层设计原则

PRICE描述的不是"AI能做什么"，而是当AI成为核心生产力后，产品必然呈现出的五种结构性特征。

PRICE = Productivity · Reliability · Imagination · Control · Ease

P — Productivity（生产率）
R — Reliability（可靠性）
I — Imagination（想象力）
C — Control（控制）
E — Ease（易用性）

任何一个严肃的AI产品，本质上都在这五个维度上做取舍与平衡。

P｜Productivity：AI进入产品的第一性理由

AI的核心价值不是“聪明”，而是生产率结构性提升
能够用更低成本、更短时间，完成原本不值得或不可能完成的工作
产品一旦引入AI，就必须重新思考：
◆ 哪些工作应该交给AI
◆ 哪些工作才值得保留给人类

R｜Reliability：让AI成为"可用的生产力"

不可靠的AI只能是演示工具
可进入核心流程的AI，必须：
◆ 行为可预测
◆ 错误可总结
◆ 能被规则与流程约束
围栏、评审、嵌套，并不是对AI的限制，而是让AI真正可用的前提

I｜Imagination：AI的幻想能力是一种非对称优势

人类更擅长判断与选择
AI更擅长：
◆ 展开可能性空间
◆ 并行试探
◆ 提供非直觉方案
AI的价值不在于“一次给出正确答案”，而在于让产品经理看见原本看不见的选项

C｜Control：AI比人更容易被控制

AI不应独立工作，也不应只是人类的补充
正确的形态是：
◆ 人控制AI
◆ AI控制任务
◆ 系统控制质量
多智能体、分级、评审回路，本质上都是控制问题，而不是模型问题

E｜Ease：让复杂能力，被更多人使用

AI改变产品的另一条关键路径，不是更强，而是更易用
当复杂系统可以通过自然语言、对话和意图表达来使用：
◆ 用户门槛被彻底拉低
◆ 用户群体被显著扩大
◆ 产品的竞争力，开始来自"谁更容易被用起来"

PRICE维度实操练习

练习：选择以下的至少2个维度，在产品中增加相应的AI功能（注意：可以让AI协助思考）
◆ 【P·生产率】请思考并列举一个因引入AI而显著提升生产率的实际产品场景。
◆ 【R·可靠性】设计一条用于保障AI输出可靠性的流程或机制，并阐释其意义。
◆ 【I·想象力】描述一个你希望AI能实现的“超出现有直觉方案”的创意功能。
◆ 【C·控制】模拟一个"人-机-系统"协作的产品结构示意，并说明各自职责。
◆ 【E·易用性】针对非专业用户，提出一条降低AI产品使用门槛的具体设计建议。

第四章 AI产品开发与运营的一些核心问题

AI产品的垂域优化

根据场景选择适用的基础模型（如通用/垂直大模型）
调整温度等生成参数以控制输出风格
优化提示词（Prompt）以适配具体业务
结合RAG（检索增强生成）提升知识准确性
设计多智能体协作流程满足复杂需求
针对企业或行业数据进行模型微调

AI产品的个性化定制

「代码数据化」，降低代码量，减少维护难度
◆ 将“可能变化的功能”设计为可配置的数据项；
◆ 程序根据这些数据解释执行，而不是通过硬编码逻辑来实现；
◆ 这样可以大幅降低响应个性化需求的开发成本；
◆ 让产品在“拿不准的地方”具备弹性，预留调整空间。
拆分子智能体与工具，实现模块化拼装
◆ 将复杂任务细分为独立的子智能体或工具模块；
◆ 每个智能体/工具具备清晰职责，便于组合与复用；
◆ 支持根据需求灵活拼装，降低开发与维护成本；
◆ 为迭代和扩展预留接口，提升产品系统的弹性。

个性化定制的可行路径在于设计阶段的前置思考：

大多数需求的差异通过配置/组装/数据扩展满足，而非重复开发；
定制规模扩大时，可以“批量支持”不同客户，而不是陷入无休止的定制开发。

总结：大量定制 ≠ 大量开发，产品经理需要掌握将逻辑数据化、按需分离可变与不变的设计思维，从而实现AI产品的规模化与灵活演进。

基于客户运营数据的产品演进

多渠道数据收集
◆ 自动采集关键交互信号：如点赞/点踩、拷贝文本、下载结果、追问或重试等。
◆ 检测“失败”场景：如用户反复修改输入、明显无效互动。
◆ 练习：用两个AI模拟数据和分析数据
重点案例标记与分析
◆ 针对失败或争议较大的交互，由运营/产品进行人工标记说明失败原因。
◆ 用于后续作为模型改进和Prompt/RAG优化的核心案例。
AI辅助数据归因与方案生成
◆ 利用AI分析已收集及标记的数据，自动发现高频问题与改进方向。
◆ 针对主要失败场景，优化Prompt或调整知识检索（RAG）配置。
改进回测
◆ 用标记案例反复测试新方案，关注问题是否得到实质性提升，确保改进有效闭环。通过收集-标记-分析-优化-回测，形成持续进化的数据驱动流程，助力AI产品精细化迭代。

第五章 AI辅助产品设计（从想法到可演示原型）

本章目标：借助AI，帮助AI产品经理完成从产品想法、方案设计，到可演示原型（PVT）的完整设计流程，并形成可供研发承接与管理层/投资人沟通的产品成果。

序：方法论与工具

▶ NPDP新产品开发全流程与AI赋能方法论

新产品开发流程（New Product Development, NPD）是产品经理实现创新落地、推动AI产品进步的基础。以下内容将NPDP的重要分阶段主线与实际工作结合，明确每个阶段的任务、AI辅助机会，并配套实战练习，帮助你系统掌握“从0到Demo”的路径。

▶ 可用工具

ChatGPT / DeepSeek / Claude：通用大模型，几乎万能，可协助思考、生成内容、汇总资料、制图等。
豆包：提供优质语音服务，适合驾驶、出行等场景下语音交流，便于发现和碰撞问题。
NotebookLM：谷歌推出，擅长资料整理及自动生成演示类产出，如语音、图片、PPT、结构图等。

备注：此类工具不断推陈出新，实际工作中可结合自身和团队习惯工具灵活选择。

一、模糊前端阶段（Fuzzy Front End / Front-End）

涵盖正式开发前的探索性活动，是整个NPD的起点。

包括发现商业与技术机会、概念萌芽与筛选、技术与市场可行性初步分析。这个阶段决策是否继续进入正式开发，特征是不太正式、迭代多。

产品机会与想法生成

方法论：
◆ 通过市场调研、用户反馈、竞品分析、头脑风暴发现潜在商业和技术机会。
◆ 多元渠道收集创新点，初步筛选符合战略方向和可行性的想法。
AI辅助：
◆ 用AI自动挖掘行业报告、网络评论，抓取需求、痛点和趋势。
◆ 借助AI模型分析数据异常点，辅助归因与创新灵感捕捉。
AI辅助练习（任选）：
◆ 用AI工具自动汇总用户声音和行业变化，生成机会点清单。
◆ 输入部分场景描述，让AI生成3-5个创新想法，并初步分析其市场潜力。

竞品与替代方案分析

方法论：
◆ 梳理直接、间接竞品和可替代方案，输出价值主张、能力差异和体验对比。
◆ 初步分析市场容量、技术门槛和壁垒。
AI辅助：
◆ 利用AI自动爬取和汇总竞品功能、市场数据，智能生成对比矩阵和体验差异图。
◆ 自动聚类竞品优缺点，辅助识别差异化创新点。
AI辅助练习（任选）：
◆ 上传竞品材料，请AI生成结构化对比表，标注技术/商业亮点与短板。
◆ 用AI生成市场地图和竞品聚类分析，并输出选择建议。

二、产品设计阶段（Product Design）

指将批准的概念转化为可实施的设计方案，包括整体与细致设计，涉及工程、外观、功能、工艺与规范。

AI能力可行性与边界评估

方法论：
◆ 拆解产品目标，区分哪些环节适合AI辅助，哪些仍需人工。
◆ 明确模型能力上限、数据需求、性能成本与核心风险。
AI辅助：
◆ 借AI分析需求点，可视化AI及非AI能力分布和潜在风险点。
◆ 让AI做出模型能力清单与边界报告，结合法规自动提示敏感点。
AI辅助练习（任选）：
◆ 提交产品功能表，请AI自动判断可由AI实现与不可实现的部分，并给出理由。
◆ 用AI生成针对主要风险点的预警报告，包括技术和伦理边界。

产品形态与核心流程设计

方法论：
◆ 制定能力模块与用户流程，描述端到端体验与AI介入环节。
◆ 明确各功能模块的设计目标及交付标准，高层/详细设计兼顾。
AI辅助：
◆ 用AI生成产品功能结构图与关键页面流程，标注AI赋能节点。
◆ 借助AI快速出方案草图与流程说明，辅助团队沟通与多轮迭代。
AI辅助练习（任选）：
◆ 让AI输出你的产品主流程及各节点的AI能力分布表。
◆ 结合NotebookLM或GPT4，让学员提供基本需求，AI自动生成交互流程与功能分解图。

三、产品实施阶段（Product Implementation）

在设计基础上进行工程开发、原型制作与技术实现，通过测试完善细节，为批量生产或上线做准备。

场景与用户画像建模

方法论：
◆ 明确核心使用场景，绘制JTBD、用户画像和典型用户旅程。
◆ 利用典型案例或过往数据，丰富具体需求与业务场景细化。
AI辅助：
◆ AI大数据分析用户群，快速生成准确画像与典型路径。
◆ 用AI归纳不同分群需求，辅助模拟用户全流程体验。
AI辅助练习（任选）：
◆ 让AI基于目标市场输出3类主要用户以及场景流程。
◆ 上传历史用户反馈数据，让AI生成五大典型场景与画像卡片。

PVT（可演示价值原型）设计

方法论：
◆ 聚焦“最小价值闭环”，设计低保真或高保真的原型，明确核心交互和展示点。
◆ 保证原型可验证核心价值，为后续技术实现提供功能基线。
AI辅助：
◆ AI自动生成原型页面、流程草图及交互说明，快速调整迭代。
◆ 基于输入需求，AI推荐最关键演示环节和度量指标。
AI辅助练习（任选）：
◆ 输入场景描述，AI自动输出PVT原型页面清单和关键交互描述。
◆ 给出功能列表，让AI根据“最小可演示逻辑”输出可行原型。

四、模糊后端/商业化阶段（Fuzzy Back-End / Commercialization）

专注于生产准备、市场投放与商业发布，包括产线启动、营销推广、渠道铺设与上市执行。虽然不确定性高，但目标清晰：助力产品成功上市。

演示材料与产品叙事

方法论：
◆ 提炼产品演示脚本、核心卖点与商业话术，输出多版本叙事材料覆盖不同受众。
◆ 支持管理层、渠道及客户培训，形成市场宣讲与客户沟通闭环。
AI辅助：
◆ AI批量生成演示脚本、分镜头、FAQ与路演PPT大纲。
◆ 根据受众与目的，AI自动优化不同类型pitch文案（如技术、投资、渠道等）。
AI辅助练习（任选）：
◆ 用AI生成一份产品“故事化”演示脚本与关键卖点摘要。
◆ 输入产品优势，AI输出适合投资人/管理层/客户的pitch文案与演讲大纲。

建议：后续如“界面与交互设计、设计回顾优化”等阶段，也可按“方法论—AI辅助—AI练习”结构推进，持续拓展AI工具对新产品开发流程的全流程赋能。

综合AI练习｜用NotebookLM跑完一次「从0到Demo」

练习：综合选择以上每个阶段的“AI辅助练习”，结合自身课题，实践完成一个Mini新产品的从想法到原型“全链路”路径。
推荐组合：机会点发掘 → 竞品分析 → 用户画像与场景 → 原型PVT设计 → 产品pitch脚本输出。
学员可自由组合AI工具（如NotebookLM、GPT-4、Claude等），导入行业资料、需求、用户反馈，由AI自动化/半自动化生成结构化产品材料，完成“0到1”演练。

（备注：如有更多原型界面与交互草图、设计回顾与优化内容，可自行据此扩展，与AI结合产出高效完整的NPD材料。）

第六章 AI需求分析

SEAI需求结构与AI编程直接相关，非常适合投喂到AI辅助编码工具里边。

拆分并形成需求层次与框架

SEAi需求分析法的特点与优势：

这种方法的优点在于需求层次与代码结构直接对应，便于AI辅助编码工具理解与实现：

场景（Scenario）大致对应代码中的代码包（Package）
实体（Entity）大致对应代码中的Model，外加数据库表
行为（Action）对应后端的API和前端的页面，即增删改查等操作
实例（Instance）对应测试用例
练习：建立一个一人年需求的需求条目与层次，并让AI进行辅助拆分和编写
如果要学习/已学习《AI辅助编程》课程，可以尝试投喂此练习的结果进行实现，并且观察实现后的效果

基于需求的规模估算与范围管理

基于SEAi需求框架自动计算功能点
由于SEAi中的条目和国际标准功能点中的定义是完全符合的，因此可以直接基于其数量进行估算，讲师提供自动化工具
功能点可以用来进行甲乙方的报价，也可以用来甲方自己估算开发成本

讲师介绍

Martin老师，AI Native转型顾问，拥有29年软件行业、20+年敏捷培训咨询经验，清华电子与通信工程硕士。系国内首批SAI授权AI Native国际认证讲师、阿里云ACP（大语言模型方向）持证人，AICoding100概念提出者。深耕AI原生组织转型、AI辅助编程培训咨询，搭建完善AI原生课程体系，为金融、通信、制造等多行业超百家企业提供培训咨询，同时深耕敏捷开发，兼具丰富的AI产品研发、开源项目贡献经验。