“你们的产品用AI了吗？都是怎么用的？到底有没有效果？”直击灵魂的这3个问题，是最近跟产品同行聚会时大家讨论最多的。能感受到大家的焦虑和困惑：一边是 “不加 AI 怕落后” 的跟风焦虑，一边是 “投入大、落地难、效果不明确”的现实顾虑。    

作为一名从业多年的B端产品经理，我们研发的一个项目管理类系统，一直面临着客户反馈多个问题：整个项目管理流程复杂、自行撰写文档材料多、审核工作量大、新人上手慢等。

抱着“用AI解决真实业务问题”的初衷，我们启动了此项目管理类系统+AI功能的落地，从需求调研到上线测试大概用时2个月，已在1家客户试点，反馈良好，单项目周期缩短约2个工作日，效率提升明显。结合这个真实项目，梳理整个+AI产品落地的步骤，分享给大家。

1 需求调研：哪些是“AI可解”的客户真痛点？

1.1 调研对象

核心客户管理层：选取核心管理层2人

一线用户：涉及5个角色，项目经理、工程师、审核员、文档员、销售，每个角色2人。

调研方式：线下跟踪访谈+线上会议录屏记录项目实操过程

1.2 需求梳理

需求1：多个项目共用基础信息，但每个项目都需要重新输入，耽误时间。（简称：基本信息重复输入）

需求2：项目实施现场，需要根据拓扑图，人工对比资产表，如果两边不一致还需要沟通修改。（简称：AI识别拓扑图）

需求3：项目过程涉及大量文字需要人工撰写，部分文字有固定格式要求，需要花费大量精力，项目中花费时间最长的地方。（简称：AI文本生成）

需求4：项目验收阶段，需要按照要求文档模板生成多个文件。（简称：验收文件生成）

需求5：项目完成后，需要按提交审核员审批，涉及项目所有内容都要审核，工作量较大。（以简称：AI审核）

2 需求评审

2.1 初步评估：AI是否为最优解？

1）需求评估维度：

技术可行性、落地难度、预期效果

2）初步结论：

可落地的AI需求：AI识别拓扑图、AI文本生成、AI审核；

传统的开发就能满足：基本信息重复输入、验收文件生成；

3）过程拆解：

2.2 最终评审：确定需求边界

1）需求优先级

一期落地：AI识别拓扑图、AI文本生成；

二期开发：AI审核；

2）功能边界

先完成一期落地功能，客户验收确认无误后再启动二期开发，期间任何其他需求不做延伸开发。

3）数据边界

客户提供项目要求标准文档、模板文档、20个真实项目脱敏数据。

3 产品规划：AI与产品的无缝融合

3.1 产品流程规划：保留旧流程，新增AI分支

功能规划时，考虑兼容性及用户习惯，原有流程保留，AI优化流程作为原有流程分支，AI使用不影响旧版功能的使用。

1）AI识别拓扑图

原有流程：创建项目→创建任务→上传拓扑图→人工对比资产表→人工标识错误→修改拓扑图或资产表；

AI优化流程：创建项目→创建任务→上传拓扑图→AI对比资产表→AI自动标识错误→修改拓扑图或资产表；

核心优化：用 AI 替代 2 个人工步骤，减少工作时长，且不影响旧版功能使用。

2）AI文本生成

原有流程：创建项目→创建任务→人工填写页面所有内容→提交审核；

AI优化流程：创建项目→创建任务→人工填写约10%核心内容→AI生成约90%内容→检查AI生成内容→提交审核；

核心优化：拆分“人工填写”步骤为3步，原来人工填写内容约90%用AI生成代替，提升工作效率。

3.2 原型规划AI注意事项

1）简化操作

AI操作按钮明显突出，支持“一键触发”；

2）AI交互

AI响应速度不可控，设计加载动画、进度提示等待交互；

3）容错机制

AI 生成结果可能存在 “幻觉”，必须支持人工修改。

3.3 Agent规划设计

1）样本数据集与处理

样本数据集：客户提供项目要求标准文档、模板文档、20个真实项目脱敏数据。以上样本数据字段内容严格按照项目流程要求，由产品经理、算法工程师2人确认验收。

数据预处理：数据标准化处理，样本数据中涵盖各种格式类型文档，通过脚本处理、AI读取、人工校对审核等方法完成标准处理。通过去重、缺失值补全等进一步完善数据，最终文档存入RAG知识库。

数据集划分：客户提供20个真实项目脱敏数据，10个一组划分为A、B两组数据集。训练集，使用A组数据；测试集，使用B组数据。

2）开发平台选型

最终选定Dify平台，客户对数据安全有严格要求，必须满足私有化部署，内网专用。

4）Agent类型

轻量化工作流型 Agent，聚焦任务执行与数据流转，低交互、高精准，避免冗余交互。

5）LLM大模型选型

最终选型：Qwen3-30B，本地部署，性价比最高。如后期客户有更多的GPU资源投入，可再考虑部署DeepSeek-R1。

下表为LLM大模型选型评估过程：

4 研发落地：快速验证、避免执念

研发周期分为以下阶段，每阶段同步客户进度。

4.1 团队配置

#产品经理：1 名，需求对接、原型优化、进度把控；

#算法工程师：1 名，模型选型、训练、优化；

#后端开发：1名，模块开发、系统集成；

#前端开发：1 名，界面优化、交互实现；

#UI设计师：1 名，UI界面设计、交互设计；

#测试工程师：1 名，功能、性能、安全测试；

4.2 项目规划排期

以下排期为简化版排期表，实际项目中更复杂。

4.3 核心功能开发注意事项

1）界面功能开发与agent调试并行

产品为WEB端产品，界面功能开发、agent调试可并行开发，各自完成工作后再做集成调试。

2）数据安全

B端产品非常关注数据安全，在数据传输与存储设置安全策略，采用复杂加密算法，规避明文存储，保障数据安全。

3）信息同步

项目内信息及时同步，包括并不限于项目数据、对接参数字段的变动、发版公示、代码更新等内容，避免信息差。

4）测试前置

测试工程师从需求评审通过后就介入项目，准备测试用例等相关文档，单页面/模块功能开发完成后立即开展测试工作。全部模块功能完成后继续开展集成测试相关工作。把可能发现问题前置，规避风险，避免后期修改BUG紧张。

4.4 研发内测

1）功能测试

覆盖测试用例、产品原型、UI设计图，进行全流程测试。客户提供的10个测试集项目要全部遍历完成，并记录AI生成效果，包含精准度、响应速度等。

2）安全测试：

通过主流漏扫设备安全扫描，叠加人工渗透测试，生成渗透测试报告，由测试工程师、产品经理双重验收通过，保障平台没有安全漏洞。

5 客户内测：小范围验证

产品客户是企业组织，上线故障影响面广，先筛选1家客情关系良好的客户，采用以下发版策略确保稳定。

5.1 成立客户测试小组

测试小组成员：小组组长1人、用户4人、测试对接人1人。

职责：组织协调客户成立测试小组，任命有跨部门管理权限的管理人员为测试小组组长，监管测试进度。测试小组用户必须是产品中实际使用人，此处涉及项目经理、工程师2个角色，每个角色2人。我方委派专门测试对接人，负责测试培训、测试问题反馈、沟通协调等事宜。

5.2 制定测试计划（2周）

时间安排：1 周 / 轮，共2周，完成2 轮测试；

工作内容：对每个组员的测试工作，进行统一安排，测评流程培训、测试时间要求、测试集项目分配、验收测试标准等。

5.3 BUG和需求变动策略

1）BUG优先级：

客户测试期间BUG优先级最高，研发全力配合修改BUG。

2）紧急需求变动：

涉及变动需求内容上报需求对接人，需求评审后再决定是否开发。如遇紧急需求，启动紧急需求工作流程，经管理层审批通过后，可调整需求优先级紧急开发。

5.4 客户方内部推广

经客户方测试小组全面验收收后，协助客户制定内部推广策略，制定跟使用AI相关绩效考核策略，奖励效率提升突出者，适度惩罚未使用者，推动落地。

6 反馈闭环：收集客户反馈，迭代优化

6.1 反馈渠道

专属对接：指定产品沟通对接人，客户反馈问题及时响应。

定期回访：每周定期回访重点客户，可根据实际情况约定面谈、在线会议、钉钉、微信沟通等方式，详细沟通用户需求痛点，整理筛选并反馈解决方案，持续迭代优化。

6.2 反馈内容

1）正向反馈：

效率提升：整个项目周期由原来的7天减少到5天，项目周期缩短2天。

降低门槛：新人培训上手时间从5天减少到2天，培训时间缩短3天。

2）负面反馈

#AI生成文字时，速度较慢，生成内容过多，不够精简。

#AI识别拓扑图，分割区域识别精准度较低，文字错乱。

3）优化迭代规划

#优化AI生成文字模型：采用调整AI提示词，优化RAG知识库，提高文字生成质量。

#AI识别拓扑图模型强化训练，整理多区域数据集，专门的强化训练，提升识别图片精准度。

#GPU资源升级：当前服务器配置2块3090显卡，AI响应较慢，申请显卡资源升级至4块。

总结：AI落地核心原则

痛点导向

没有必要跟风一定要+“AI”，有些需求痛点不用AI也能解决，选择那些能够改善流程，真正帮助用户提升效率、节约成本、带来便利的真痛点。

无缝融合

+AI功能紧密融合现有工作流程，尽量不改变原有用户使用习惯，AI 作为优化分支，降低使用门槛；。

快速验证

小步快跑，优先落地低难度、高收益功能，避免过度执念于完美。以实际使用结果服务用户，再不断根据反馈迭代更新。

以上为整个项目落地过程梳理，当然真实场景工作远比写的这些内容要复杂细致很多，例如项目排期中未提及的需求评审时间，此项目终版需求大概用时半个月才真正确定下来，整个项目过程中一直处于沟通、评审、修改的状态。作为产品经理，如何在资源有限的情况下，把控总体进度，平衡各方的需求，也是一门学问，在此不过多阐述。