一个智能体帮你从传统PM进化成AI PM

搜索

APP

起点课堂会员权益

职业体系课特权

线下行业大会特权

个人IP打造特权

30+门专项技能课

1300+专题课程

12场职场软技能直播

12场求职辅导直播

12场专业技能直播

会员专属社群

荣耀标识

发布

一个智能体帮你从传统PM进化成AI PM

秋水

2026-01-06

0 评论 697 浏览 43 收藏

23 分钟

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：

不知道AI产品经理到底需要什么能力
不知道从哪开始学，网上资源太零散
不知道学什么方向，电商PM该学推荐系统还是NLP？
不知道如何安排学习时间，工作已经够忙了
不知道学完能不能真的转型成功

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。

为什么做这个？

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：

不知道从何开始学习，资源太零散，缺乏系统性
学习内容与自身背景脱节，学了用不上
工作繁忙，学习时间有限，不知道如何安排
缺乏进度跟踪和效果评估，学了也不知道有没有用
路径不清，不知道应该学什么、学到什么程度、什么时候能转型成功

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。

定位&整体交互

产品定位

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：

支持不同岗位类型（电商、社交、B端、工具产品经理）
支持不同经验级别（新手、初级、中级、高级）
支持不同学习方向（推荐系统、NLP、CV、通用能力）
支持不同时间安排（少于30分钟、30-60分钟、1-2小时、2小时以上）

支持不同转型周期（1个月、3个月、6个月）

整体交互设计

交互流程非常简单直观：

工作流架构设计

整个智能体基于工作流架构搭建，分为三个核心阶段：

阶段1：信息收集与标准化

处理流程：

岗位类型收集（卡片选择）：电商/社交/B端/工具/其他
工作经验收集（卡片选择）：0-1年/1-3年/3-5年/5年以上
学习方向收集（卡片选择）：推荐系统/NLP/CV/通用/需要建议
学习时间收集（卡片选择）：<30分钟/30-60分钟/1-2小时/2小时以上
转型周期收集（卡片选择）：1个月/3个月/6个月

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

阶段2：智能分析与计划生成

关键技术点：

1、用户画像分析：

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
如果用户选择了“需要建议”，根据岗位类型推荐最适合的学习方向

2、模板匹配逻辑：

优先匹配：岗位类型 × 经验级别 × 学习方向
如果精确匹配不存在，则降级匹配（如：岗位×经验，或岗位×方向）
如果用户选择了“待建议”方向，使用推荐的学习方向进行匹配

3、学习计划生成：

1个月：按周划分（4个阶段）
3个月：按月划分（3个阶段）
6个月：按2个月划分（3个阶段）

根据转型周期划分学习阶段：

每个阶段包含具体的学习任务，任务要符合每日学习时间
推荐的学习资源要权威、实用、时效性强

4、计划参数适配：

根据每日学习时间调整任务量
如果任务时间过长，标记需要拆分
添加适配说明

阶段3：格式化与输出

主要功能：

最终计划格式化节点（LLM）：

将学习计划格式化为Markdown文档
使用清晰的标题层级（#、##、###）
使用表格展示任务和资源信息
使用引用块突出重要提示
使用emoji增强可读性
直接输出纯Markdown文本，不使用JSON格式

技术实现细节

1. 卡片选择与信息标准化

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：

用户点击卡片即可选择，体验流畅
只能有一个输出变量，不能有多个输出变量
节点2-6的每个节点都只有一个输出变量（如：job_type、experience_raw、direction_raw、study_time_raw、cycle_raw）

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：

卡片选择组件只能有一个输出变量，所以需要信息汇总转换节点来转换为多个标准化变量
转换逻辑要处理各种可能的输入格式，确保后续节点能正确使用

2. LLM节点与JSON解析的配合

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：

处理可能被markdown代码块包裹的JSON（去除“`json标记）
JSON解析失败时的降级处理（返回空字典）
确保提取的字段都有默认值，避免后续节点报错

3. 提示词工程的精细化

每个LLM节点都有详细的提示词，包含：

角色设定：明确LLM扮演的角色（如”你是一个用户画像分析助手”）
输入说明：清晰说明输入变量的含义和格式
输出格式：严格要求输出格式，提供示例
风格要求：强调专业性、实用性、个性化等

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：

必须使用结构化输出（JSON格式），确保后续节点能正确解析
输出格式要严格规定，包含示例，避免模型自由发挥
风格要求要明确具体（专业性、实用性、个性化等）

4. 错误处理与容错

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”