A Complete Guide to AI Workflow for Product Managers

关于本文档

适用对象

本文档面向不写代码或很少写代码的传统产品经理,包括需求型 PM、商业化 PM、B 端 PM、平台 PM 等。无论你目前对 AI 工具是完全陌生还是已经零散用过几次,都可以把它当作一份从认知到落地的系统参考。

核心立场

有一个前提需要先讲清楚:AI 不替代产品经理的判断,它放大产品经理的产出。

大模型擅长的是”基于已有信息快速生成、整理、改写、推演”,但它不理解你的业务真实约束、不为结果负责、也不会替你拍板。所以本文档里所有方法,本质上都是同一件事——把你脑子里已有的判断,用结构化的方式喂给 AI,让它替你完成那些”机械、重复、第一稿”的工作,把你的时间留给真正需要人来做的决策、沟通和取舍。

如果你期待的是”输入一句话、AI 帮我把产品做完”,那本文档会让你失望;如果你想要的是”把每个环节的耗时压缩三到五成、第一稿质量更稳定”,那它就是为你写的。

如何使用

• 第一部分讲基础认知和提示词方法,是后面所有内容的地基,建议先读。
• 第二部分按产品经理的日常工作流逐环节展开,可以当作工具书,用到哪个环节翻哪节。
• 第三部分是原型 Vibe Coding 的完整流程,是传统 PM 最容易忽略、但回报最高的一块,单独成章。
• 第四部分讲怎么把这些方法沉淀成个人和团队的稳定工作流,以及安全合规这条不能踩的红线。
• 附录是可以直接复制使用的提示词模板和工具清单。

第一部分 · 基础认知

1.1 先理解大模型的能力边界

用好 AI 的前提,是知道它在哪里强、在哪里会骗你。下面四条是产品经理最该记住的边界:

它会”一本正经地编造”(幻觉)。 模型生成的是”看起来最合理的下一段文字”,而不是”经过核实的事实”。涉及具体数字、政策条款、竞品功能、API 参数、引用来源时,它给的内容必须当作”待核实的初稿”,不能直接采信。判断标准很简单:这条信息如果错了会造成损失,就一定要自己核对。

它的记忆是有限的(上下文窗口)。 一次对话能”记住”的内容有上限,超长的需求文档、几十页的会议记录,可能在对话后半段被它”忘掉”前面的约束。应对方式是分段处理、关键约束反复强调、必要时把核心信息整理成摘要再喂给它。

它的知识有时间截止点。 模型训练数据有一个截止日期,之后发生的事、最新发布的产品、刚更新的法规它都不知道。需要时效性信息时,要用带联网搜索能力的工具,或自己提供最新资料。

它没有你的业务上下文。 模型不知道你们公司的真实数据、内部流程、历史包袱和老板的偏好。这些约束你不说,它就会用最通用的假设填空。所以”提供足够的背景”不是客套,而是决定输出质量的关键变量。

1.2 三类工具,搞清楚各自的位置

市面上的 AI 工具很多,但对产品经理来说,按用途分成三类就够用了。

第一类:对话式通用助手。 用来写文档、做分析、整理信息、头脑风暴。代表性的有 Claude、ChatGPT,以及国内的 DeepSeek、豆包、通义千问、文心一言、Kimi 等。这是你 80% 的时间会用到的工具。选型上不必纠结,各家差异在缩小,优先选你能稳定访问、且对中文长文本处理顺手的那一个。

第二类:生成式原型 / 编码工具。 用自然语言直接生成可运行的页面或原型,是第三部分的主角。代表性的有 v0、Bolt、Lovable、Claude 的 Artifacts,以及面向工程的 Cursor、Trae、Windsurf 等。

第三类:嵌入式 AI 能力。 你日常用的 SaaS 工具里内置的 AI,比如文档协作工具的 AI 写作、原型工具里的 AI 生成、数据工具里的自然语言查询。它们的好处是不用切换工具、贴合你已有的工作流。

提示:工具的具体名称、功能和价格变化很快,本文档列举的都是”代表性例子”,重点是理解每一类工具的用途定位,而不是记住某个具体产品。选型时认准这一类里你团队能稳定用、且数据合规上没问题的即可。

1.3 提示词工程:决定输出质量的核心技能

同样一个模型,会不会写提示词,产出质量可能差好几倍。提示词不是”咒语”,它的本质是把你要的东西讲清楚——只不过对象是 AI,需要比对人讲得更结构化。

一个通用的结构化框架

写复杂任务的提示词时,可以套用下面这个结构。不必每条都填,但越完整,输出越可控。

几个立竿见影的技巧

给例子(少样本)。 与其反复描述你要的风格,不如直接贴一两段你满意的范例。AI 模仿范例的能力远强于理解抽象描述。这对统一文档风格、口吻特别有效。

让它先想再答(思维链)。 对需要推理的任务,加一句”先分析,再给结论”或”分步骤说明你的思路”,输出的逻辑性会明显提升。涉及优先级排序、方案对比、风险评估时尤其有用。

把大任务拆小。 不要指望一句话生成一份完整 PRD。先让它列大纲,你确认后再逐节展开,每节满意了再往下。分步迭代比一次到位更可控,也更容易发现问题。

学会追问和纠偏。 第一版不满意是常态。具体地告诉它哪里不对、要往哪个方向改——”这段太空泛,补充具体的操作步骤””把第三点删掉,它不符合我们的场景”,比笼统地说”重写一遍”有效得多。

让它扮演审稿人。 写完一版东西,可以反过来让 AI 挑毛病:”以一个挑剔的评审专家视角,指出这份文档里逻辑不严谨、表述含糊、可能被质疑的地方。” 这是低成本提升质量的好办法。

关于中文表达的一个提醒

AI 生成的中文常带有一种”翻译腔”或”模板味”——爱用”首先、其次、最后”,爱堆”赋能、抓手、闭环”这类词,句子工整但读着不像人话。如果你对成稿的自然度有要求,可以在提示词里明确:”用口语化、自然的中文写,避免空话套话和明显的 AI 腔。” 必要时贴一段你自己写的文字作为风格范例,效果最好。

第二部分 · 产品全流程的 AI 应用

这一部分按产品经理的典型工作流逐环节展开。每个环节的写法统一为:这个环节要解决什么 → AI 能帮上什么忙 → 怎么用(含提示词思路) → 必须注意什么。

2.1 市场与竞品研究

要解决什么: 快速搞清楚一个市场、一个赛道、几个竞品的基本盘,为决策提供输入。

AI 能帮什么: 整理公开信息、归纳竞品功能、对比差异、生成调研框架、把零散资料提炼成结构化结论。

怎么用:

• 用带联网能力的工具搜集竞品信息,再让它按你指定的维度(目标用户、核心功能、定价、差异点)整理成对比表。
• 把你手头的多份资料(报告、网页、访谈记录)丢给它,让它提炼共性结论和分歧点。
• 让它帮你设计调研框架:”我要调研 XX 市场,帮我列出需要回答的关键问题清单。”

必须注意:

• 竞品的具体功能、价格、市场数据极易过时或被编造,凡是要写进决策材料的,都要回到竞品官网、应用商店、公开财报等一手来源核实。
• AI 给的市场规模数字几乎都不可直接引用,把它当作”提醒我去查哪些来源”的线索,而不是结论本身。

2.2 用户研究与需求洞察

要解决什么: 从用户的反馈、访谈、行为里,提炼出真实需求和痛点。

AI 能帮什么: 处理大量定性资料(访谈记录、用户评论、工单),做归类、聚类、情感倾向分析;生成访谈提纲;辅助构建用户画像。

怎么用:

• 把几十上百条用户评论或工单贴进去,让它归类成几大类问题并统计分布:”把这些反馈按问题类型分类,每类给出数量和典型原话。”
• 让它基于你的产品和目标人群,生成访谈提纲和追问话术。
• 整理访谈记录:把录音转写后的长文本交给它,提炼关键观点、矛盾点和未被满足的需求。

必须注意:

• AI 提炼的是”文本里说了什么”,不是”用户真正想要什么”。用户的真实需求往往藏在没说出口的地方,这部分仍然依赖你的洞察。
• 处理用户原始数据时,务必先脱敏(去掉姓名、电话、身份信息等),涉及个人信息保护合规问题,详见第四部分。

2.3 需求管理与优先级

要解决什么: 把一堆需求理清楚、排好序、说清楚为什么这么排。

AI 能帮什么: 整理需求池、套用优先级模型(如 RICE、KANO、四象限)、生成排序的论证逻辑、识别需求之间的依赖关系。

怎么用:

• 把需求列表交给它,让它按指定模型打分排序:”用 RICE 模型给下面这些需求打分,假设的取值要标注出来,最后按总分排序。”
• 让它帮你梳理需求间的依赖和冲突:”这几个需求里,哪些有先后依赖?哪些可能互相冲突?”
• 排好序后,让它生成”为什么这么排”的说明,方便你向上汇报。

必须注意:

• 优先级模型里的关键参数(影响范围、收益、成本)只有你知道真实值。AI 只能基于你给的假设计算,它的排序结果完全取决于你输入的假设质量。
• 最终排序一定要经过你的业务判断校准,不能直接采纳模型输出。

2.4 PRD 与文档撰写

要解决什么: 把需求转化成研发、设计、测试能看懂、能执行的文档。

AI 能帮什么: 这是 AI 提效最明显的环节之一。它能生成 PRD 框架、补全功能描述、梳理业务流程、列异常场景、写用户故事和验收标准、统一文档风格。

怎么用:

• 先让它生成大纲,你确认结构后再逐节填充。
• 描述一个功能时,让它帮你补全你容易漏掉的部分:”这个功能除了正常流程,还有哪些异常场景和边界情况需要考虑?”
• 让它把你的口语化描述转写成规范的功能描述,但要求它保留你的核心逻辑,不要自行发挥。
• 用它生成验收标准(Acceptance Criteria):”为这个功能写出可测试的验收标准,每条都要明确、可判断。”

必须注意:

• AI 最容易在 PRD 里自作主张地补充你没说的逻辑。生成后必须逐条核对,把它”脑补”的、不符合实际的内容删掉或改对。
• 涉及具体业务规则(计费、风控、权限)的部分,AI 的”常识”往往和你们的真实规则不一致,这些必须由你亲自把关。

2.5 原型设计

要解决什么: 把抽象的需求变成可看、可点、可讨论的具体形态。

AI 能帮什么: 这里有两条路径。一是传统原型工具里的 AI 辅助(根据描述生成线框图、自动布局);二是直接用 AI 生成可交互的高保真原型,也就是 Vibe Coding。后者是传统 PM 最值得掌握的新能力,完整流程见第三部分。

这一节先建立一个判断:什么时候用哪种原型?

• 只是要表达页面结构、跟内部对齐信息架构,线框图/低保真就够,用传统工具更快。
• 要给客户演示、要让老板”看到产品长什么样”、要验证一个交互到底顺不顺手——这时候可交互的高保真原型价值巨大,而过去这需要设计师和前端配合好几天,现在用 Vibe Coding 你一个人几小时就能搞定。

2.6 评审、沟通与协作

要解决什么: 让需求在团队里高效传递,减少理解偏差和反复沟通。

AI 能帮什么: 整理会议纪要、提炼待办事项、起草沟通话术、把同一份内容转换成面向不同对象的版本。

怎么用:

• 会议录音转写后,让它生成结构化纪要:”提炼这次会议的关键决策、待办事项(含负责人)、以及尚未解决的争议点。”
• 同一个方案,让它生成给老板看的简版(讲价值和结论)和给研发看的详版(讲逻辑和细节)。
• 起草需要技巧的沟通,比如向研发解释一个改动的必要性、向上反馈一个风险——这部分可以借助专门的沟通起草能力,先想清楚你的目标(是要对齐、要推动、还是要设边界)再动笔。

必须注意: 纪要里的”决策”和”待办”一定要自己复核,AI 可能把讨论中的设想误记成已定的结论。

2.7 数据分析与复盘

要解决什么: 从数据里看出问题、找到原因、形成可执行的结论。

AI 能帮什么: 解读数据、辅助写分析逻辑、生成复盘框架、把数据结论转成可读的报告。部分工具还能直接对接数据做处理和可视化。

怎么用:

• 把一段数据描述或表格交给它,让它帮你解读趋势、找异常:”这组数据里有哪些值得注意的变化?可能的原因有哪些?”
• 让它提供复盘框架,确保你不漏掉关键维度。
• 写分析报告时,让它把你的数据结论组织成有逻辑的叙述。

必须注意:

• AI 对数据的解读是”基于数字的合理推测”,它不知道数字背后的真实业务原因(比如某天数据暴跌其实是因为搞了次活动)。归因结论必须由你结合业务实际判断。
• 让 AI 算具体数字时要警惕,它的算术并不总是可靠,关键计算自己复核。

2.8 项目管理与跟进

要解决什么: 让项目按计划推进,风险早发现,信息透明同步。

AI 能帮什么: 拆解任务、估算工作量框架、生成项目计划、起草进度同步、整理风险清单。

怎么用:

• 把一个大目标交给它做任务拆解(WBS):”把这个项目拆成可执行的任务,标出依赖关系和大致顺序。”
• 让它帮你起草定期的进度同步邮件或周报。
• 让它根据项目情况列潜在风险和应对预案。

必须注意: 工作量估算 AI 给不了准数,真实工期取决于团队具体情况,这部分一定要和研发对齐,AI 的产出只能当讨论起点。

第三部分 · 原型 Vibe Coding 完整流程

这是本文档的重点。对传统产品经理来说,这一块的学习回报最高——它让你第一次有能力在不依赖设计和前端的情况下,独立产出一个能演示、能验证的真实原型。

3.1 什么是 Vibe Coding

“Vibe Coding”这个说法由 AI 研究者 Andrej Karpathy 在 2025 年初提出,字面意思是”凭感觉编程”——你不再一行行写代码,而是用自然语言把想法描述给 AI,由 AI 生成可运行的程序,你看效果、提反馈、它再改,如此往复,直到满意。

对产品经理来说,可以更直白地理解为:用对话的方式,把脑子里的产品想法直接变成一个能点、能看、能演示的真实页面。

它和你熟悉的工具有什么不同?

需要明确的是:Vibe Coding 产出的是”原型”,不是”上线产品”。 它生成的代码通常不考虑性能、安全、可维护性,不能直接上线。它的价值在于”快速把想法变成可感知的实物”,用于验证和沟通,最终的工程实现仍然要交给研发团队。

3.2 PM 为什么要会这个

• 沟通效率质变。 一个能点的原型,胜过十页 PRD 加一堆口头解释。给老板、给客户、给研发演示时,对方”看一眼就懂”,省掉大量来回。
• 想法验证前置。 很多交互在脑子里觉得没问题,做出来一点才发现别扭。Vibe Coding 让你在投入研发资源之前,就能用几小时验证一个交互到底成不成立。
• 降低对资源的依赖。 过去做个像样的演示 demo 要排设计、排前端,现在你自己就能出。这在早期项目、对外提案、内部争取资源的场景里,是实打实的优势。
• 倒逼把需求想清楚。 要让 AI 生成原型,你必须把页面有哪些元素、点了之后会怎样、数据从哪来想明白。这个过程本身就会暴露你需求里的模糊地带。

3.3 工具选型

这一类工具大致分两档,按你的目标选:

面向”我只要快速出原型”的轻量工具。 在网页上用对话生成页面,即时预览,几乎零门槛。代表性的有 v0、Bolt、Lovable,以及 Claude 的 Artifacts(适合单页面、组件、小工具的快速生成)。推荐传统 PM 从这一档入手。

面向”我想做得更深、更可控”的工程化工具。 本质是 AI 驱动的代码编辑器,能管理多文件项目、接入更复杂的逻辑。代表性的有 Cursor、Trae、Windsurf。门槛略高,适合你尝到甜头、想做更完整的原型之后再进阶。

选型建议:先用一个能即时预览、对中文友好的轻量工具把流程跑通,把精力放在”怎么把需求讲清楚”上,而不是纠结工具。等你熟练了,再根据需要往工程化工具进阶。同样,工具迭代很快,认准”这一类”的能力定位即可。

3.4 标准流程:七步法

下面这套流程适用于绝大多数原型场景。核心思想是结构化输入、分步生成、可视化迭代。

第一步:明确目标与范围

动手前先回答三个问题:

• 这个原型是给谁看的?(老板 / 客户 / 研发 / 自己验证)
• 要验证或表达的核心是什么?(一个交互流程?整体视觉风格?信息架构?)
• 范围到哪为止?(只做核心流程的几个页面,还是要相对完整)

这一步决定了你后面要做多少、做多细。 最常见的错误是想一次做出整个产品,结果越改越乱。原型的铁律是:聚焦核心,够用就好。

第二步:准备结构化输入

不要直接对 AI 说”帮我做个 XX 系统”。在动手前,把下面几样东西先想清楚、写下来:

• 页面清单: 这个原型包含哪几个页面 / 主要界面。
• 每个页面的元素: 页面上有什么(导航、列表、表单、按钮、图表……)。
• 核心交互: 点了某个按钮、提交某个表单之后会发生什么。
• 数据示例: 页面上展示的内容大概长什么样(可以让 AI 用假数据,但你要说清字段)。
• 风格倾向: 简洁现代 / 商务严肃 / 活泼,有参考对象就说出来。

这一步看似多花十分钟,但它直接决定了首轮生成的质量。输入越结构化,AI 越不会乱发挥。 如果你已经有 PRD,把相关部分提炼成上面这个清单即可。

第三步:编写首轮提示词

把第二步的内容组织成第一段提示词。一个好用的结构是:

我要做一个用于 [目标/场景] 的原型,请用 [指定技术/风格,如”现代简洁的网页”] 实现。

它包含以下页面:[页面清单]。

先从 [某个页面] 开始。这个页面包含:[元素清单]。核心交互是:[交互描述]。数据可以用假数据,字段包括:[字段说明]。

整体风格:[风格描述]。请先实现这一个页面,我看过效果后再继续。

注意最后一句——让它先做一部分,而不是一次全做。 这是控制质量的关键。

第四步:生成与预览

让 AI 生成,然后实际去点、去看。重点看三件事:

• 整体方向对不对?(布局、风格、信息层级)
• 核心交互能不能跑通?
• 有没有明显的逻辑错误或缺失?

这一步是用”看实物”代替”看描述”,很多在文字阶段发现不了的问题会立刻暴露。

第五步:分模块迭代调优

这是占用时间最多、也最考验方法的一步。核心原则:一次只改一件事,改完立刻看效果。

• 具体地描述改动,带上位置和期望:”把顶部导航改成左侧侧边栏””这个列表加上分页,每页显示 10 条””提交按钮点击后弹出成功提示”。
• 不要一次提一堆改动。 一次只提一两个,改完确认没问题再继续。一股脑全提,出了问题你都不知道是哪一处导致的。
• 善用”截图 + 指出问题”。 很多工具支持你贴图说明,或直接描述”现在的样子”和”想要的样子”的差别,这比纯文字描述精准得多。
• 改坏了就回退。 如果某次改动把原本好的地方弄乱了,直接告诉它”回到上一步的样子,这次只改 XX”,或利用工具的版本/历史功能回退。

第六步:补全数据与交互细节

主体出来后,把它从”看着像”推向”用着像”:

• 用更真实的假数据替换占位内容,让演示更有说服力。
• 补上空状态、加载状态、报错提示这些容易被忽略但影响体验判断的细节。
• 把核心流程从头到尾走一遍,确保演示时不会卡在某个点上。

第七步:收口与交付

原型做完不是终点,要把它”收”好:

• 明确它的定位: 交付时一定要说清楚”这是用于演示/验证的原型,不是最终实现”,避免研发或客户误以为可以直接用。
• 沉淀决策: 在这个原型上验证出来的结论(哪个交互更好、哪个方案被否决了),要记录到你的需求文档里,这才是原型真正的产出。
• 辅助交接: 可以让 AI 帮你基于这个原型,整理出一份给研发的说明,讲清楚每个页面的交互逻辑和数据需求。原型本身也可以作为附件给到研发,作为最直观的需求参照。

3.5 常见的坑与应对

3.6 PM 在 Vibe Coding 里的角色边界

这一节很重要,它决定了你不会用力过猛、走进死胡同。记住:你是产品经理,不是工程师。 你在 Vibe Coding 里该管的和不该碰的,边界很清楚。

你该把控的:

• 原型要表达什么、验证什么(目标)
• 页面有什么、点了会怎样(交互逻辑)
• 信息怎么组织、什么先什么后(信息架构)
• 看着顺不顺、用着别不别扭(体验判断)

你不该陷进去的:

• 代码本身写得好不好、规不规范(这是研发的事)
• 性能、安全、能不能支撑大量用户(原型不解决这些)
• 非要让原型实现某个真实的复杂后端功能(用假数据模拟即可)

一个实用的判断标准:当你开始纠结”这段代码该怎么写才对”的时候,你大概率已经越界了。 退回来,回到”我作为产品经理,想让用户看到什么、做什么”这个层面,把它讲清楚交给 AI 就好。原型阶段,你的价值在判断和取舍,不在技术实现。

第四部分 · 落地与进阶

4.1 搭建你自己的工作流

零散地用几次 AI,和把它沉淀成稳定的工作流,效果天差地别。建议你这样做:

• 建一个自己的提示词库。 把那些用得顺手的提示词存下来(整理纪要的、写验收标准的、做竞品对比的……),下次直接调用、微调。这是个人效率复利最高的一件事。附录提供了一批可以直接用的模板作为起点。
• 固定几个高频场景的标准做法。 比如”每次写 PRD 先让 AI 出大纲””每次开完会用同一套提示词整理纪要”,把它变成肌肉记忆。
• 定期回顾和更新。 工具在变、你的熟练度在涨,每隔一段时间回头看看哪些环节还能再优化。

4.2 团队协作规范

如果是团队一起用,有几件事值得统一约定:

• 统一关键场景的提示词模板,保证大家产出的文档风格、结构一致。
• 约定 AI 产出的标注和复核规则,比如”AI 生成的内容必须经过本人核对才能对外”,避免没核实的内容流出去。
• 明确哪些信息绝对不能喂给 AI(见下一节),这条要写成硬规定。

4.3 数据安全与合规(这条是红线)

这是整份文档里唯一不能含糊的部分。用 AI 提效的同时,千万别在合规上踩雷。

绝对不要喂给外部 AI 工具的内容:

• 公司未公开的核心数据(真实经营数据、客户名单、合同细节)
• 任何个人信息(用户姓名、电话、身份证号、地址、健康/财务信息等)
• 涉及商业机密的技术方案、未公开的战略规划
• 受保密协议约束的第三方信息

基本原则:

• 处理含真实信息的数据前,先脱敏——把敏感字段替换成假数据或占位符,只保留 AI 完成任务所需的结构。
• 涉及个人信息的处理,要符合《个人信息保护法》等相关法规的要求,不确定时咨询法务。
• 优先了解所用工具的数据政策:它会不会用你的输入做训练?有没有企业版/不留存数据的选项?涉及敏感场景时,优先选择有明确数据保护承诺的工具或私有化部署方案。

一句话记住:能公开说的、脱敏过的,可以喂;一旦涉及真实的人和未公开的核心信息,停下来想清楚再说。

4.4 质量校验:别被 AI 带偏

AI 提效的最大风险,是它”流畅地给你错误答案”,而你因为它说得太顺就信了。建立几个习惯来防范:

• 重要信息必核实。 数字、事实、引用、规则,凡是错了有代价的,都回到一手来源确认。
• 保持你的判断在场。 AI 的输出永远是”建议”,拍板的是你。尤其是优先级、归因、决策类结论,必须经过你的业务判断。
• 警惕”看起来很对”。 越是流畅、自信、结构工整的输出,越要留个心眼——它的”自信”和”正确”之间没有必然联系。
• 关键产出让它自我审查一遍。 用”挑刺视角”反向检查,能抓出不少问题。

4.5 能力进阶路线

给你一个循序渐进的路径,不必一步到位:

1. 入门: 用对话式工具处理日常文档(纪要、PRD 初稿、竞品整理),把提示词写明白。
2. 熟练: 建起自己的提示词库,把高频场景固化成标准做法,产出质量稳定。
3. 拓展: 跑通一次完整的 Vibe Coding 流程,做出第一个能演示的原型。
4. 进阶: 把 AI 嵌入到你的端到端工作流里,从研究、需求、文档到原型形成连贯的提效链条;在团队里推动规范和模板沉淀。

不用焦虑进度。关键不是你会用多少工具,而是你有没有把至少一两个环节真正提速。 从一个你最痛的环节开始,跑通它,再扩展到下一个。

附录

附录 A · 提示词速查模板

以下模板可直接复制使用,把 [方括号] 里的内容换成你的实际信息即可。

整理会议纪要

以下是一段会议记录,请帮我整理成结构化纪要,包含三部分:
1. 关键决策(已经定下来的事)
2. 待办事项(每条标注负责人,如果记录里有)
3. 待解决的争议或开放问题
请只整理记录里明确提到的内容,不要替我做推断。

会议记录:
[粘贴记录]

生成 PRD 大纲

你是一位资深 B 端产品经理。我要为以下需求写一份 PRD,请先帮我列出文档大纲(只要结构,先不展开内容)。

需求背景:[一句话描述]
目标用户:[谁用]
要解决的核心问题:[痛点]

竞品对比

帮我把以下竞品按这几个维度整理成对比表:目标用户、核心功能、定价模式、明显差异点。
信息如果不确定,请标注"待核实",不要编造。

竞品:[列出竞品名]

补全异常场景

以下是一个功能的正常流程描述。请帮我列出这个功能可能涉及的异常场景、边界情况和需要考虑的特殊处理,我担心自己漏掉。

功能描述:[描述]

Vibe Coding 首轮提示词

我要做一个用于 [目标/场景] 的原型,请用现代简洁的网页风格实现。
它包含以下页面:[页面清单]。

先从 [某页面] 开始。这个页面包含:[元素清单]。
核心交互:[点了什么会怎样]。
数据用假数据,字段包括:[字段]。
整体风格:[风格描述]。

请先只实现这一个页面,我看过效果后再继续。

让 AI 自我审查

请以一位挑剔的评审专家的视角,审查下面这份内容,指出其中:
逻辑不严谨的地方、表述含糊的地方、可能被质疑或反驳的地方、以及明显的遗漏。
请直接列出问题,不用客气。

内容:[粘贴内容]

消除 AI 腔(中文优化)

请用自然、口语化的中文重写下面这段文字,要求:
不要"首先、其次、最后"这类机械结构;
不要堆砌"赋能、抓手、闭环"这类空词;
读起来像一个真人在认真讲话,而不是模板生成。

原文:[粘贴]

附录 B · 工具速查

工具更新很快,以下按用途分类,列出代表性例子供参考,具体选型以你能稳定访问、且符合数据合规要求为准。

附录 C · 术语表

本文档为产品经理 AI 提效的方法框架。AI 工具与能力持续演进,建议结合你的实际工作场景定期更新与校准。文档中所有方法的共同前提是:AI 负责生成与整理,产品经理负责判断与决策。