AI时代的产品经理如何实践？本文揭秘了从'事上练'到'难上得'的进阶路径，分享调研场景的AI深度应用、专属Agent训练技巧及工作范式重构实战。作者用一年多的亲身实践，总结了上下文环境重要性、专有信息价值与思维模式转变三大核心认知，为产品经理的AI落地提供了一套可复用的方法论。

作为一名产品经理，如果让我总结AI实践的精髓，我的答案和总结产品经理本身的成长完全一致，都是一句话：事上练，难上得；学中干，干中学。

什么意思？

翻译成两句大白话，就是：

第一句：先找事。

一切实践的前提，一定是先找事、找方向。只有你找到对的事情，才有实践的可能性。在选择这些事情时，建议遵循“先易后难”的原则。

• 先易： 帮你快速摸清事情边界，建立自信心；
• 后难： 让你获得有效提升，避免陷入低水平的重复劳动。

第二句：边干边学。

一切新技术或新业务的学习，本质上都是边学边干。别给自己留后路，别想着“等我准备好、学习好再开始”，在这个时代，永远不会有完全准备好的那一天。

怎么给自己找事呢？答案很简单：从工作场景中来，到生活场景中去。

一、事上练：在日常场景中落地

产品经理的工作场景虽然繁杂，但核心场景通常分为两类：

• 关键场景： 竞品/专项调研、需求分析、产品方案设计、画原型、写需求文档（PRD）、项目管理、上线培训/公告等；
• 日常场景： 内部客诉答疑、提供疑难问题解决方案、述职/分享等。 每个场景都对应着一个或多个具体的“事”。我们可以基于这些事情本身，去探索AI的落地应用。

1. 调研场景：用AI做深度研究

比如做竞品或专项调研时，我可能需要调研有赞、易路、北森等SaaS企业的AI落地情况，或者查一些非常具体的政策，如印度尼西亚的个税/公积金/社保政策、中国大陆关于取消年假的法律规定，甚至是验厂相关的合规AB账问题。

针对这个场景，我最习惯用秘塔AI的“深度调研”功能。

专项调研

2. 文档与公告：训练专属Agent

比如写需求文档或上线公告，我会用Trae或智谱清言，创建符合自己需求的Agent。我的目标是确保它输出的格式与内容，至少30%以上符合预期，剩下的部分我再进行优化。

需求文档与公告

Tips：你提供的背景、场景、解决方案越详细，它输出的内容就越符合你预期（预估可用性至少能达到30%-50%）。

3. PPT制作：从反复调试到快速产出

比如分享PPT。我可能会面临内部述职、月会分享等场景，这时候我都会用到PPT。我的流程是先写一个逐字稿，然后用智谱清言的“PPT”模式帮我生成。 起初我也很不习惯，因为经常需要对生成的高度、主题颜色、背景风格等进行反复调试。但经过几次实践后，我现在基本可以做到在3个版本内即可输出一份完全符合预期的PPT。

年终汇报总结

4. 答疑与知识库：发起“知识库运动”

日常工作中，每天大概会有5-10人来问我问题，主要内容集中在两方面：基础产品逻辑解释、疑难场景解决方案。

基础问答： 核心是构建足够丰富的用户操作手册和常见问题知识库。这部分借助现有免费的钉钉智能体即可高效解决。比如“考勤AI助理”，它专门负责学习对应知识库后，直接回答内部伙伴的产品问题。

基础问答助理

场景解决方案： 这更难，因为需要基于客户的真实场景提供符合预期的解决方案。如果是开放、共有的内容，用任意大模型即可；但我们是企业级应用，必须对自有业务和场景有专门认知，提供专有知识库才能有效解决。

为此，我内部发起了一项“知识库运动”：以企业为单位构建独立的需求场景案例库，最后把这些案例库当做解决方案，提供给对应智能体学习，帮它解决内部伙伴的疑难杂症。

具体操作是：我每两周会采访一家客户的完整需求场景，先用AI听记完整记录整个过程，再把录音文字稿输出给Trae或智谱清言的自建智能体，让它帮我生成对应需求场景解决方案，我再把它们整理为完整的知识库，最终喂养给专门的“新人解决方案专家”。

正因为有这个事，让我有机会用自建的Agent提效去整理知识库，也让我有机会实践钉钉的自定义智能体。我知道这还不够，它们都属于比较初阶的AI实践，却至少体现了一个产品经理在AI实践上的“事上练”。

根据录音整理解决方案

案例应用

二、难上得：重塑工作范式

你仔细观察上面分享的内容，本质上都只是单个场景上的效率提升，并没有改变产品经理的工作范式。这就是我想分享的“难上得”。

按传统互联网产品经理的工作流，必不可少的环节是【画原型→找设计→写需求→找研发→找测试】的流式研发模式。但在AI时代，我们有了新的想象空间。

我们有机会实践“一人团队”：一个人 + 一个专有AI助理，即可搞定一个需求。 在不求人的情况下，效率提升3-5倍。

比如客户的这类个性化需求：

• 扣款规则： 每月单次迟到/早退5分钟内，豁免3次，超过后按1元/分钟扣款；单次迟到/早退超过5分钟以上，按1元/分钟扣款；
• 补贴规则： 一线城市（北京/上海/广州等）出差100元/天；二线城市（成都/南京等）80元/天；其他城市50元/天。

面对这种涉及多重判断逻辑的需求，AI能够帮我们直接构建逻辑，甚至辅助生成代码，这就是从“提效”到“重构”的跨越。

自然语言描述需求

补充关键信息

出差审批

统计结果

三、学中干，干中学：我的三点认知

你可能会问：不是说“事上练，难上得；学中干，干中学”吗？你只说了前半句，后半句也没说啊。

别急，好饭不怕晚。

我可以正大光明地说：我现在对AI依然一知半解，却敢于在这里分享，就是因为一个“真”字。正所谓“实践出真知”，实践也是校验一切效果的唯一真理。

经过过去1年多的实践，我在过程中至少学到了以下几点：

1. 上下文环境（Context）是AI应用的核心

它有两层含义：

第一层：输入的信息要足。 当你在跟AI交互时，你需要尽可能告诉它足够的信息与需求，别指望它能猜对你的心思。比如我用它做PPT时，我会提供给它逐字稿，也会提供给它我们公司的Logo、主题颜色，要求它的宽高一致等。

第二层：AI的记忆力（Memory）是关键。 如果你想跟它聊的是同一个主题，则确保每个主题是独立的一个对话框，确保它能自动记忆相关上下文，避免你重复告诉它你的信息。

但目前每个AI的对话轮次是有上限的，换句话说，它记忆力有限。所以你还需要考虑如何自行整理有用的信息，便于后续使用。这就是专用Agent跟通用AI的核心区别之一。

实战对比： 比如我习惯用 Deepseek 帮我润色文章（凭实践经验判断，它的效果比智谱清言、豆包、ChatGPT 5都更符合预期），那就在同一个会话里跟它聊，有效避免反复跟它说我需要的风格、我的要求、我的背景等。

但当我跟它聊大概5-8篇文章后，可能就会达到它的对话上限，我被迫只能单独重开一个会话。而这类问题，YourMind 就通过项目制和知识库的方式解决了。虽然它唯一的“缺点”是需要付费（200元/年或20美刀一个月），但为了连续的记忆体验，这笔投入是值得的。

2. 专有信息比通用信息更重要

它也有两层含义：

第一层：个人使用层面

有价值的专有信息远超所有市面上的公开信息，而这种专有信息只有你真正实践后才能获取。如果这些信息属于你知道而别人不知道的信息，那这就是你自己的独特价值所在。

比如，我知道哪个AI产品适合于哪个场景的信息，比天天关注谁家模型能力又升级、哪个企业又上市、AI市场环境有多大，我觉得前者更有价值，哪怕它不一定是独特价值。

再比如，我用专有AI平台写对应的插件，解决客户真实场景的认知，远比我用通用型AI产品（比如百度秘搭、Cursor等）做一个个人官网或小程序，更能让我感知到它的价值，也更能加深我对AI和插件的理解。

第二层：企业建设层面

目前大模型把市面上的开放信息都几乎学完后，每家企业在AI产品的建设与应用上，可能唯一的就是在自身专有信息上（如企业的私有数据、行业Know-How）做文章。

比如 AiPPT 就是企业在原有PPT素材模版方面的累积，最终凭借这个独特优势，成为AI领域做PPT的优秀企业。

再比如SaaS领域，对应Agent产品的建设逻辑，大概率分三个阶段：

第一阶段：先是基于操作手册、常见问题、规章制度、政策文件等的简单知识库构建，属于“AI+问题清单”的模式；

第二阶段：围绕专有信息和数据的主线，开始进入行业Know-How和企业数据洞察类的Agent，属于“AI+数据+知识库”的模式；

第三阶段：如果要真正实现企业级应用Agent，则需要类似用友BIP的“本体智能体”，真正构建融合“AI+业务+数据”为一体的智能体。

首先是通过本体建模，将企业内复杂的概念（如“合格供应商”、“紧急采购订单”）、实体（如客户、产品）、关系（如“订单包含产品”、“员工隶属部门”）以及规则（如“订单金额超过10万需总监审批”）进行形式化、结构化的定义，将服务企业37年来积累的行业知识、业务know-how沉淀为可计算、可推理的知识模型；

再关联和打通企业内部原本孤立的各类数据系统（如财务、供应链、人力等），构建一个动态的知识图谱，实现跨系统数据关联的可解释性，让每一次智能推荐都有据可循；

最后基于对业务语义的深刻理解和全局数据的掌握，赋予智能体预测、推理和自主响应的能力，让智能体能够主动发现问题（如预测到某物料即将缺货）、分析原因（关联分析供应商发货延迟和生产计划变更）、生成多种解决方案（如建议向备用供应商采购或调整生产批次），甚至在获得授权后自主执行操作（如下达采购订单、更新生产任务），形成业务问题的完整处理闭环，推动企业智能体从“被动执行”向“主动决策”进化，实现业务流程的高度自动化与智能化。

3. 思维模式转变是核心，而不在于用什么AI工具

比如我儿子他们学校组织设计一个学校形象代言人。开始我是直接用自然语言跟各类AI生图产品沟通，发现效果总不理想，原因就在于提示词不精准。

后面我就换个方式：我先跟它聊需求，让它先给我写对应的提示词以及推荐合适生图工具，然后再把对应提示词给到文生图效果更好的产品（比如免费的Stable Diffusion）。 如果效果不理想时，我就再微调它的提示词即可。

让AI写提示词

再比如开始时，我用AI来写需求文档、用户手册、上线公告等，属于在原有思维方式上叠加AI的逻辑；后面尝试直接用专用AI写插件代码，自研自测，这也是一种思维模式的转变。

这些认知就是我在“学中干，干中学”所得，而它的前提就是“事上练，难上得”。