游戏研发PM如何用AI工具重构排期流程？这篇文章揭秘了一个从Excel手动排期到AI自动化工具的蜕变过程。作者将痛点拆解为规则逻辑，通过CodeBuddy实现了甘特图自动生成，试排效率提升20倍，更将PM从重复劳动中解放出来聚焦团队协调。文中不仅展示了工具原型设计思路，更分享了AI时代产品经理如何精准定义边界、拒绝功能蔓延的实战经验。

我用 AI 做了一个排期计算工具。这篇文章不是分享 AI 工具教程，是我作为游戏研发 PM，把一个真实排期痛点拆成规则、做成工具、再验证边界的过程记录。

真正磨人的不是排期结果

如果做过 PM，应该都知道，排期落到 TAPD 上的时候，往往已经是一版基本共识好的结论了（尽管后续过程中还会有微调，但大家要先按这版排期跑起来）。真正耗精力的，是形成这个结论之前要尝试很多轮试排：顺排一版，倒排一版，原画最晚什么时候得开始，验收环节时间必须压缩等等。期间还得同步了解人力情况，搜集足够多的信息排出 ABC 方案，再拉着大家一轮一轮对齐实际情况、质量风险和上线预期。尤其是长周期需求，这个环节都是必不可少的。

不可否认这些准备工作非常有价值，能不能一轮就对齐、会上讨论高不高效，全看 PM 这些准备工作有没有做到位。但问题是，准备工作也真的很磨人。尤其当你明明知道自己每次都在重复做类似的判断，却还是得在 Excel 里手动挪来挪去的时候，我在脑子里无数次想过：早晚我得把这个环节干掉。

我想解决的问题很明确：把排期准备过程中重复做的、Excel 里操作不便捷的部分给解决掉，这样我能把更多精力放在团队协调和推动共识上。

先把排期规则拆出来

一开始我并不知道这个问题适不适合 AI 来做，只是因为这个痛点足够痛，我脑子里已经想过无数次“如果能怎样怎样就好了”，所以我非常清楚我想要什么结果，以及要得到这个结果需要哪些条件、信息。

于是我先把排期这个工作给拆散、拆细来看，这里面都写了些什么。

我是游戏研发 PM，一般来说，我们会基于历史需求或其他管线的参考，先建立一个“标校”（也就是排期基准，我们团队的叫法——它能完整体现做一类需求大概要几周、每个环节之间怎么依赖、工期多久，一般以甘特图形式制作）。每次需求排期都是按照标校排，再结合需求实际情况进行微调，最终形成试排方案去和各方沟通。之后每个需求就是无尽地重复这个过程。

（标校也是在过程中不断迭代的。如果实际过程中发现总是超出标校或远低于标校，就该考虑修正基准了。）

这么拆细来看就很清楚了：

1、有标校，这是排期规则，里面有开始和结束时间、环节、工期。

2、现在是我按标校来试排方案，很磨人，我不想自己排，我希望有个东西能帮我把结果算出来。

3、算出来的结果最好是甘特图的形式，方便看，最好也配上表格文本，方便复制粘贴。

想清楚这些后，我就直接拿着我的需求去找 AI 聊了。

让 AI 先跑出一个原型

AI 工具我用的是 CodeBuddy。我规划的大致步骤是，先让 AI 读懂标校规则，再按规则输出结果，最后检验结果、优化调整。

我先给 AI 描述了我的需求，并截图了一张标校，先让 AI 搞清楚我要做个什么事情、规则是什么。

让我比较惊喜的是，AI 对这类规则信息的识别和整理效果比我预期要好很多，比如它能明确梳理出流程环节、关键规则（就是工期和一些表格里的特殊要求）以及时间节点，还会补充提问要我澄清。

就这轮会话，AI 就已经能输出一个大差不差的原型，天知道我看到这版 demo 的时候有多兴奋，我终于可以解脱了！

〔初版原型〕

后面的过程就是在这个基础上多轮来回调整，需要更关注是否有逻辑错误、结果是否符合预期，以及交互 UX 上的细化完善。这就是一个不断迭代验收的过程，没什么特殊要说的，看到初版原型之后，后面环节就自动都跑起来了，一边体验验收，一边提优化反馈直到符合我的预期。

demo 跑起来后，先别急着做大

当 demo 跑起来之后，我在想怎么分享给其他 PM 用。我很明确，这属于 PM 的个人工具，就像一个计算器，每个 PM 手里都有一个，但 PM 之间不需要知道其他人用这个计算器做了什么，能查看自己近期做过的计算就行。我作为这个工具的维护者，搜集大家的建议更新迭代，其他 PM 手里的计算器只要能同步更新就行。

为什么我会觉得这个工具更像个人计算器呢？因为实际工作场景中，每个 PM 都有自己负责的管线业务，每个管线之间的业务情况不一样，标校基准也不一样，每次排期的需求也不一样，试排方案、沟通对齐都是拉自己业务范围内的人。这个计算信息的共享对其他人来说没有参考意义，属实没必要。

所以往下推就很清楚这个工具的边界取舍要怎么做了：数据存在本地、暂时不做账号登录、目前不做多人协作、产品迭代更新要同步、小范围试用迭代。

这么做的好处是，第一版就专注解决当前阶段最核心的问题：试排计算。

当然，PM 做完排期方案后还有一步是风险识别，排期结果只是其中一部分，比如压缩了验收测试时间，可能就会有质量风险等等，这些目前还是 PM 人工分析，这个工具暂时做不到这一步；还有把确定好的排期方案一键同步到 TAPD 上，省得 PM 再一步步刷。但风险识别、TAPD 同步这些都不是当前最痛的点——而且我判断，风险识别高度依赖业务经验，规则不像排期那么明确，还得 PM 人工把关；TAPD 同步又涉及系统对接，复杂度会显著提升。这些都不是当前重点。

实际效果怎么样

到这里是时候看下这个工具的效果了，我贴了几张截图，大家可以感受下：

没做过 PM 的同学可能没有感知，我想说的是，之前我做这样的试排，在 Excel 上捣鼓完要 30-40 分钟，尽管已经做好了一个空的甘特图模版，每次有需求再往里填，也省不了一两分钟，尤其是节假日、单双休，得挪不知多少表格，中间一个操作错了就得从头再来。你看视频时长也就 2 分钟，我已经操作两遍排期了。

这个工具我自己用下来是挺好的，可以把标校基准模版先录入保存好，以后每个需求只用加载对应模版直接微调就行，后续重复使用成本会低很多。如果标校基准有迭代，工具里同步更新就行。就算没有标校，用这个工具来排也能节省很多时间。

我跑下来结果都符合预期，顺排、倒排、节假日、单双休，怎么交叉结合都没问题。我也用之前 Excel 上排过的需求结果对比过，都能对上。有个小小不足是甘特图导出 Excel，表格中不是填充好颜色的格子，而是二色格子占位符，不过我试过可以搜索后快速修改。但本来这个工具就是解决 Excel 手动操作的问题，咱不能用着用着又回 Excel 上操作了吧。

还有依赖关系这里，我其实尝试过用流程图手拖动来建立依赖关系，但实际操作起来非常不方便。因为页面空间有限，环节很多的需求在这里就不好展示了，鼠标拖动的手感也不好，我尝试优化了几版都不太行，就还是回滚旧版的形式了。

如果想体验工具，可以看这里：https://lanthe7.github.io/game-schedule-calculator/。

目前它更适合单人试排和规则验证，不涉及多人协作、账号权限和 TAPD 同步，尤其适合长周期制作需求。

做完之后，我的一些思考

真的，想一万遍不如实打实做一遍出来。这个问题我真的在脑海里想过很多次——“要是有个什么东西能直接帮我算出来就好了”“这每一步都是重复，要是有个东西直接给它做就好了”。

如果我走内部开发提需，这个过程会非常长，而且这属于个人工具，在那么多业务需求下优先级不会高，排期不知道要排到猴年马月。而 AI 能帮我把这个一直停留在脑子里的想法快速变出一个 demo，全流程都能跑一遍，小工具需求甚至可以直接进入日常使用。

抛开 AI 的能力，我自己最大的体会是：作为使用 AI 工具的人，你得明确你要解决的问题是什么、核心功能是什么、哪些功能暂时不用做、结果怎么验证。如果你不能想明白这些，只要你一直提需，AI 就会一直干，最后很容易做成一个越来越臃肿的东西。

还有一点我想强调：像这个排期工具一样，规则清楚、重复劳动、输入输出明确、小范围使用风险可控、还能快速验证对错的场景，非常适合借助 AI 来改进——可以是用 AI 辅助开发一个工具，也可以是让 AI 按固定规则处理的流程。