AI产品经理的日常工作中，你是否也陷入了「每次都在教AI认识你」的低效循环？本文作者从个人实战经验出发，揭秘如何通过构建结构化知识库实现AI与人的高效协作。从底层知识基础设施搭建到上层应用场景闭环，一套让AI真正适配你的工作流正在重塑生产力边界。

平淡的工作日，老板给了你一个客户的需求，你打开Claude，想让它帮你直接梳理出来并且写一个prd。

于是你开始输入：

你是一个有5年经验的AI产品经理，擅长B端SaaS产品设计。我们公司是做智能客服的，目前有一个新需求，背景是这样的……

花了10分钟把角色设定和背景信息塞进去，终于开始对话了。写到一半发现效果不错，但你还想让它参考上周写的竞品分析，于是又打开另一个文档，复制粘贴了2000字进去。

第二天，你想让AI帮你整理一份周报。打开新对话——又得重新来一遍：你是一个AI产品经理……

一周后回过头看，你发现自己花在教AI认识我上的时间，可能比AI真正帮你省下的时间还多。

这个场景是不是很熟悉？

我观察了很多产品经理用AI的方式，发现大部分人都陷在同一个循环里：每次对话都在从零开始，拼命给AI塞上下文，用完即弃，下次再来一遍。

但我自己的工作方式已经完全不是这样了。现在我打开Claude，它知道我是做什么的、我的写作风格是什么、我的知识库里沉淀了哪些方法论、甚至我上周刚写完的那篇竞品分析的核心结论。我不需要教它，因为它已经认识我了。

这个变化不是因为我用了什么神奇的工具，而是因为我想明白了一件事：

大多数人用AI的方式是反的。他们在适配AI，而不是让AI适配自己。

真正高效的做法，不是学会写更好的prompt，而是先建好你自己的知识基础设施——让AI来接入你。

这篇文章，我会完整拆解我作为AI产品经理的日常工作流，告诉你我是怎么从每次都在教AI认识我变成AI已经认识我的。核心不是工具推荐，而是一个底层思路的转变：你的知识库是地基，信息获取、日常产出、学习提效都是建立在这个地基之上的上层建筑。

由AI梳理并生成

为什么你用AI总觉得也就那样

在我做AI产品经理课程的过程中，接触了大量想转行或正在做AI PM的同学。我发现一个很有意思的现象：几乎每个人都在用AI，但大部分人用完的感受都差不多——有点用，但没有想象中那么有用。

为什么？我总结下来，大部分人卡在三个典型的低效模式里。

低效模式一：每次都在教AI认识你

这个我们开头已经说了。你每开一个新对话，都得把自己的角色、背景、需求从头说一遍。本质上你在做一件很荒谬的事：你是AI的产品经理，但你每天花最多时间的工作是给AI写需求文档。

上下文是一次性的、不可复用的。今天你花20分钟给AI铺了完美的背景，明天它全忘了。你以为你在用AI，其实你在伺候AI。

低效模式二：到处找资料投喂

想让AI帮你写竞品分析，你得先去飞书找到上次的调研文档，再去浏览器翻出三篇行业报告，再从微信收藏里扒出那篇不知道谁转发的文章，复制粘贴到对话框里。

一通操作下来，光是找资料给AI这件事就花了半小时。你的知识散落在十几个平台、几十个文件夹里，每次要用的时候都在大海捞针。AI倒是挺快的，但你给它准备素材的速度拖了后腿。

低效模式三：用完即弃，经验不沉淀

这是最隐蔽也最致命的一个。

你跟AI对话了一个小时，产出了一份不错的方案。然后呢？对话关掉，下次想找都找不到。那些在对话过程中你跟AI一起推导出来的思路、踩过的坑、优化过的框架，全部蒸发了。

你有没有过这种感觉：这个问题我之前好像跟AI聊过，但我忘了在哪个对话里了。

这三个模式的根源其实是同一个问题：你和AI之间没有一个持久的、结构化的共享记忆。

每次对话都是一座孤岛。你的知识是碎片化的，AI的记忆是一次性的，两边都在做重复劳动。

拿我自己的真实数据来说。在构建知识库之前，我跟AI探讨一个需求往往要花2个小时，大量时间花在反复补充背景资料、调整角色设定、纠正AI的理解偏差上。现在呢？20分钟就能构建一个完整的AI Skill，后续持续迭代优化就行了。同样一件事，效率差了6倍，差别就在于AI是否已经认识我。

所以答案不是学会写更好的prompt，不是找到更强的模型，而是解决这个根本问题：

你需要建一个AI可以持续读取的你。

这个你，就是你的个人知识库。它不是一个收藏夹，不是一个网盘，而是一个结构化的、持续更新的、AI可以直接接入的知识基础设施。

接下来我会先给你看我的AI工作流全景图，然后重点拆解这个知识库是怎么搭的，以及它如何让我的信息获取、日常产出和学习效率都发生了质变。

我的AI工作流全景

在拆解细节之前，我想先给你看一张全景图，让你理解这套工作流的整体逻辑。

我把自己的AI工作流分成三层。

底层是个人知识库。这是整个系统的地基。我所有的方法论、项目经验、学习笔记、课程素材、写作框架都沉淀在这里。它不是一个静态的文档仓库，而是一个持续生长的知识网络。我用的是Obsidian，但工具不重要，重要的是结构化和可检索。

中间层是AI接入管道。知识库建好了，AI怎么读取它？靠的是Claude的Skills系统和记忆机制。我把自己常用的工作场景封装成了一个个Skill——写PRD有PRD的Skill，写文章有文章的Skill，做产品拆解有拆解的Skill。每个Skill里都内置了我的方法论、偏好、质量标准。AI不需要我每次重新教它，它读取Skill就知道该怎么配合我。

上层是具体的应用场景。建立在前两层之上，我日常的工作场景大概分三类：

1. 信息获取：快速抓取和筛选行业资讯，减少信息差
2. 日常产出：写PRD、做PPT、写文章、各种文档的AI协作
3. 学习提效：用交互式学习、加速学习等方法快速掌握新领域

这三个场景不是独立的，它们之间有一个闭环：我从信息获取中发现有价值的内容，在日常产出中把它用起来，在学习过程中深化理解，最终沉淀回知识库，让下一次的信息获取和产出效率更高。

一句话总结这套工作流的核心逻辑：不是我去适配AI，而是我先把自己的知识结构化，让AI来适配我。

接下来我会从地基开始，重点讲知识库怎么搭，然后再讲上层的三个应用场景。

地基：如何构建你的个人知识库

这是整篇文章最核心的部分。前面说了，知识库是地基，上面所有的效率提升都建立在它之上。但我发现很多人对知识库的理解还停留在收藏夹或者云笔记的层面，所以我想先说清楚一个前提。

知识库不是收藏夹

你一定有过这种经历：看到一篇好文章，收藏。看到一个好工具，收藏。看到一段好观点，截图。然后呢？再也没打开过。

收藏夹的问题不是你懒，而是它的设计就不对。它只解决了存的问题，没解决用的问题。你存了500篇文章，想找的时候根本不知道在哪里。就算找到了，里面的信息也是别人的原始表达，不是你自己消化后的结论。

知识库和收藏夹的本质区别：收藏夹存的是别人的内容，知识库存的是你自己的理解。

我对知识库的定义很简单：一个结构化的、可检索的、持续更新的地方，里面存的是经过你消化加工后的知识，而且AI可以直接读取和使用。

满足这四个条件，用什么工具都行。我用的是Obsidian，但这不重要，重要的是背后的思路。

我的知识库长什么样

我的Obsidian知识库目前有9个一级目录，覆盖我工作和生活的主要领域：

AI产品经理：AI技术、产品拆解、方法论、评测、面试求职

课程体系：课程设计、线下实战课、学生辅导

个人成长：价值观、学习方法论、生活感悟

内容创作：小红书运营、视频脚本、干货长文、参考资料库

工作与事业：公司业务、复盘规划、作品集

学习笔记：AI技术笔记、Skills研究

项目与灵感：产品Ideas、Side Projects

个人生活：理财、旅行

学习榜样：人物信息收集

你不需要一开始就搭这么多。我是花了2个月慢慢长出来的。重要的是理解这个结构背后的设计逻辑。

结构设计的三个原则

原则一：按领域分，不按工具分

很多人习惯按来源分类——微信收藏一个文件夹，网页收藏一个文件夹，PDF一个文件夹。这是最低效的分法，因为你想找东西的时候不会想我这个是从微信看到的还是网页看到的，你想的是这个跟AI产品相关还是跟课程设计相关。

按领域分类，你的知识就能自然聚合。所有关于Agent的内容都在一个地方，不管它最初来自论文、博客还是跟同事的聊天记录。

原则二：每条笔记都是你自己的话

这一点很多人做不到，但它是知识库能不能真正发挥作用的关键。

你看了一篇关于RAG的好文章，不要把原文复制进来。用你自己的话写下：这篇文章的核心观点是什么，我同意什么不同意什么，它跟我已有的认知有什么不同，我可以怎么用在自己的工作里。

这个过程就是费曼学习法：你能用自己的话说清楚，才说明你真的懂了。而且AI读取你的知识库时，读到的是你的思考方式和判断标准，不是别人的原文。这就是为什么AI能越来越像你。

原则三：保持连接，而不是孤立

Obsidian有一个核心功能叫双向链接。当我写一篇关于Graph RAG的笔记时，我会链接到之前写的传统RAG笔记、知识图谱笔记、工厂根因分析项目笔记。这些链接让知识形成网络，而不是一个个孤立的文件。

这个网络效应很重要。当你的笔记量到达一定规模后，你会发现看似不相关的知识之间开始产生化学反应。上周学的一个技术概念，跟上个月做的一个产品决策，突然在某一刻连起来了。

从发现到沉淀的具体流程

说了这么多原则，我来讲一下我实际是怎么操作的。当我从任何渠道发现一个有价值的内容时，我的流程是这样的：

第一步：快速捕获。我的信息源很杂——公众号文章、Twitter帖子、论文、视频、同行分享。看到有价值的内容，我会先丢进NotebookLM或者用Get笔记做快速收集。这些工具负责帮我把原始内容存下来，不丢失。

第二步：消化加工。这是最关键的一步。我会在Claude里调取这些素材，跟它讨论核心观点，让它帮我梳理结构。但最终的判断和总结是我自己写的。哪些我认同，哪些我质疑，哪些能用在我的场景里。

第三步：结构化存储。加工完成后，调用我的Obsidian知识沉淀Skill，它会自动帮我归类到对应目录、打上标签、建立双向链接，然后写入知识库。我只需要确认一下分类是否准确。

第四步：持续回流。知识库不是写完就完了。每次我在新的项目中用到某个知识点，都会回去更新那条笔记，补充实践经验。这样知识就不是静态的，而是在不断生长。

让知识库变成AI的入口

知识库搭好了，接下来的关键问题是：AI怎么读取它？

这就是Claude Skills的作用。你可以把它理解成一份份预设好的工作指南。每个Skill里包含了你的方法论、质量标准、输出格式要求、甚至你的语言风格偏好。

举个具体的例子。我有一个写文章的Skill，里面沉淀了我的写作风格DNA：开头一定要有锚定场景、喜欢用排除法引出观点、偏好短句不喜欢长句、引用块用于补充说明。当我跟Claude说帮我写一篇关于XX的文章，它读取这个Skill后，产出的内容从第一稿开始就是我的风格，而不是通用的AI腔。

再比如我有一个产品拆解的Skill，里面内置了我的六层拆解框架——从市场层、商业层、用户层、技术层、模型层到基础层。我只需要给一个产品名字，它就知道按照我的框架来拆，不需要我每次重新解释一遍。

一句话总结：知识库是你的大脑外挂，Skills是你教AI读取这个大脑的方式。两者结合，AI就不再是一个通用的对话机器人，而是一个认识你、理解你、配合你的专属搭档。

上层建筑：知识库之上的三个应用场景

有了知识库这个地基，上面的应用场景就变得顺畅很多。我日常的AI协作主要集中在三个方向：信息获取、日常产出、学习提效。它们不是独立的，而是一个闭环——获取的信息经过加工变成产出，产出过程中的思考沉淀为知识，知识又反哺下一次的获取和产出。

4.1 信息获取：如何快速抓取资讯，减少信息差

做AI产品经理，最怕的就是信息差。这个行业三个月一个样，你不知道最新的模型能力边界在哪里，就没法做出正确的产品决策。

但信息获取的难点不是信息太少，而是信息太多。每天公众号、Twitter、论文、行业报告铺天盖地，你根本看不完。大多数人的做法是刷到什么看什么，看到好的就收藏，收藏完就再也不看。

我的做法是搭一个半自动化的信息管线：

第一层：源头筛选。我不追求信息量大，追求信息质量高。我固定关注的信息源不超过20个，包括几个核心的AI技术博客、几个行业KOL的Twitter。数量少但质量高，这比订阅100个公众号有用得多。

第二层：AI辅助筛选和摘要。我会用AI帮我做初步的信息筛选和摘要。比如我有一个AI资讯Skill，它能帮我从中英文信息源里抓取当天最重要的资讯，按照产品应用、商业模式、技术突破几个维度做分类整理，我只需要花10分钟扫一眼就知道今天有没有值得深读的内容。

第三层：深度消化入库。对于真正有价值的内容，我会用第三章讲的流程做深度消化，最终沉淀到知识库里。这样下次再遇到相关话题，我不需要重新搜索，知识库里已经有我自己加工过的版本了。

核心逻辑就一句话：不要做信息的搬运工，要做信息的加工厂。搬运工每天很忙但什么都没留下，加工厂每天把原材料变成自己的产品。

4.2 日常产出：PRD、PPT、文章的AI协作

这是大多数人最关心的部分——怎么用AI帮我干活？

我先说一个反直觉的结论：AI协作效率最高的方式，不是让AI代写，而是让AI在你的框架里填充。

什么意思？拿写PRD举例。如果你直接跟AI说帮我写一个智能客服的PRD，它会给你一份看起来很完整但跟你实际业务毫无关系的模板。但如果你有一个PRD Skill，里面内置了你的PRD方法论、你的需求分析框架、你对这个行业的理解，AI的产出从第一稿开始就是在你的框架内工作，你只需要在它的基础上调整和补充，而不是推翻重来。

我目前常用的几个产出类Skill：

• PRD写作Skill：内置了我的AI Agent PRD方法论，支持从需求模糊到需求清晰的全流程，包括本地文件管理和版本控制
• 文章共创Skill：内置了我的写作风格DNA，从选题、大纲到逐章节共创，分步推进而不是一次性产出。你现在看到的这篇文章就是用它写的
• 演示文稿Skill：内置了公司的品牌VI和模板规范，生成的PPT直接符合品牌标准，不需要再手动调格式
• 产品拆解Skill：六层逆向工程框架，从市场层拆到基础数据层，给一个产品名字就能按我的方法论来拆

这些Skill的共同特点是：它们不是通用工具，而是我的工作方式的数字化表达。AI不是在替我思考，而是在用我的方式思考。

一个关键的效率对比：以前写一份PRD，我需要花2小时跟AI反复沟通背景信息。现在20分钟搭好一个Skill，后续每次产出都能复用这个Skill，越用越快。前期投入时间搭建，后期指数级回收。

要实现这个非常简单，跟AI讨论完2小时的需求产出一份优质PRD后，告诉它让它帮你沉淀为Skill（推荐使用Claude）。

4.3 学习提效：用AI做你的一对一私教

产品经理需要不断学习新领域的知识。上个月可能在研究RAG，这个月就得搞懂知识图谱，下个月可能要看多模态。传统的学习方式：看文章、看视频、做笔记，太慢了。

我现在的学习方式完全变了，核心是两个方法：

方法一：交互式学习。我有一个基于Bloom 2 Sigma理论的学习Skill。

Bloom 2 Sigma是教育心理学家Benjamin Bloom在1984年提出的研究结论：接受一对一辅导的学生，成绩比传统课堂教学的学生高出两个标准差。换句话说，一对一辅导能让一个普通学生的表现超过98%的传统课堂学生。这个效果在过去因为成本太高几乎不可能规模化，但AI改变了这件事。

当我想学一个新领域时，这个Skill会扮演一个有耐心的私教，先了解我的知识起点，然后一步步引导我理解核心概念，过程中不断检测我是否真的懂了，而不是一股脑把知识倒给我。

跟传统看文章的区别在于：看文章是被动接收，交互式学习是主动建构。AI会追问你——你觉得这个概念跟你之前学的XX有什么关系？你能用自己的话解释一下吗？这种追问逼着你真正思考，而不是假装看懂了。

方法二：48小时加速学习。当我需要在极短时间内建立对一个领域的全景认知时，我会用另一个Skill。它基于关键问题驱动的方法论，帮我快速建立领域知识地图——不求精通，但求能跟这个领域的专家对上话。

这两个方法有一个共同点：学完之后，知识不是留在对话框里，而是沉淀到我的Obsidian知识库。下次再遇到相关话题，我的起点不是零，而是上次学到的地方。这就是知识库作为地基的价值——它让你的学习是累积的，而不是每次从头开始。

从工具到系统：给产品经理的实操建议

看到这里，你可能会觉得这套系统很复杂——Obsidian、Claude Skills、NotebookLM、各种Skill……我是不是得花几个月才能搭起来？

不需要。我自己也不是一天建成的，而是从一个最小的切入点开始，慢慢长出来的。

这里给你三个阶段的建议，不管你现在处于哪个阶段都能直接开始。

阶段一：先让AI认识你（1天）

不需要搭知识库，不需要学Obsidian。你只要做一件事：打开Claude的记忆功能，花30分钟跟它聊聊你是谁。

告诉它你的职业、你负责的业务、你的工作习惯、你写东西的风格偏好。就这么简单。下次你再开新对话，它就不再是一个陌生人了。

这一步的价值在于让你立刻体验到从每次教AI认识我到AI已经认识我的效率差异。一旦你尝到这个甜头，你就会自然想要更进一步。

阶段二：建一个最小知识库（1周）

挑你工作中最高频的一个场景，比如写周报、写竞品分析、回答客户问题，把这个场景相关的知识整理成几篇笔记，存到一个固定的地方。

不需要用Obsidian，用你最顺手的笔记工具就行。关键是养成一个习惯：每次在AI对话中产出了有价值的内容，花2分钟把核心结论提炼出来存进去。

这一步解决的是知识沉淀的问题。你会发现一个月后，你在这个场景上的AI协作效率比别人高出一大截，因为你有积累而别人每次都从零开始。

阶段三：构建你的Skill体系（1个月）

当你积累了足够多的笔记和方法论后，可以开始把它们封装成Skill了。

从你最痛的场景开始。哪个场景你每次都要跟AI重复解释一遍背景？那就是你第一个Skill的候选。

你不需要一次做到完美。我的每一个Skill都是在实际使用中不断迭代出来的。先做一个能用的版本，用两周，发现哪里不好再改。这个迭代过程本身就是在深化你对自己工作方式的理解。

一个心态上的建议：不要把搭建知识库和Skill体系当成一个额外的任务。它就是你日常工作的一部分。你每天都在写文档、做分析、学新东西，只是多了一步把成果存下来而已。

总结

回到开头的那个场景。

你打开Claude想写一份PRD，不再需要花10分钟教它你是谁、你在做什么、你的方法论是什么。它读取你的Skill，就已经知道了。你不需要到处找参考资料粘贴进对话框，因为你的知识库里已经有你消化过的版本。你写完的PRD不会消失在某个对话记录里，而是沉淀回知识库，让下一次产出更快。

这就是从每次教AI认识我到AI已经认识我的转变。

这篇文章的核心其实就一句话：不要花时间适配AI，花时间构建你自己的知识基础设施，让AI来适配你。

知识库是地基，Skills是管道，信息获取、日常产出、学习提效是上层建筑。地基打好了，上面想盖什么都快。

如果你看完只想做一件事，那就从阶段一开始：今天花30分钟，让AI认识你。