01 · Context

一个人同时做产品、设计、开发时,瓶颈是机制,不是聊天窗口。

独立构建地图帮产品矩阵时,我需要把模糊问题推进成可运行软件。临时把需求丢给对话框,第二天仍会在同一处翻车;真正有用的是让 Agent 进入有规格、有规范、有验收的闭环。

AI 时代,产品经理的价值不应只等于“把需求写清楚交给别人”。更关键的是让判断尽快碰到实现。

02 · Problem framing

传统链路太长,临时提示词又太脆。

常见路径重新定义的问题目标
长文档 → 等待实现 → 晚验证如何让判断更早遇到真实界面?缩短验证闭环
一次性超长 prompt质量如何不依赖单次对话?规范与清单化
Agent 输出即视为完成谁对用户结果负责?强制人工验收
AI 只写文案/注释能否进入需求到上线主链?工作流重构
03 · Key decisions

速度必须配得上 review。

DECISION 01

人保留取舍与验收

冲突需求、长期边界与成本由产品经理判断;真实页面与失败路径必须人工核对。

DECISION 02

Spec 先于 Agent

先明确对象、状态、主流程、异常与验收口径,再交给实现代理,避免“更快地产生错误”。

DECISION 03

用规范代替堆 prompt

产品术语、UI 规范、组件策略、文档版本与回滚路径,是协作质量的基础设施。

DECISION 04

UI Review 固定入环

截图级走查与整改记录成为交付步骤,而不是上线后的补丁情绪。

04 · Product model

需求 → Agent → Code → Review → Production

Problem
Spec
Prototype
Agent build
UI review

这条链路与 Map Studio 附录中的 Delivery model 一致:Agent 是其中一环。内容生产与教程沉淀也可以接入同一机制,但对外不把“会用 AI”当成岗位标签表演。

角色分工

研究归纳、候选方案、约束内实现、对照验收——Agent 可承担明确角色;取舍与最终对用户负责的人仍是产品经理。

05 · Business impact

对团队的意义,不是个人效率神话。

L1 用户价值
问题定义到可体验版本的时间变短,反馈更早进入产品。
减少“做完才发现做错”的浪费。
L2 产品价值
规格与验收口径成为资产,可在多模块复用。
独立开发也能维持一致性。
L3 平台价值
同一套地理能力可被 Agent 工作流调度(自然语言触发任务)。
为 AI Skills 预留接口,而非临时脚本。
L4 组织效率
新人/代理按规范接任务,review 有清单。
速度上升时质量不靠运气。
06 · Evidence

用可阅读的机制证明,而不是用无法核对的百分比。

公开写作

《一个人的产品团队,AI 应该是同事》描述角色分工与必须保留给人的动作。

与产品案例同源

Map Studio 附录中的 Spec → Agent → UI review 与本页模型一致,说明已进入真实产品生产。

边界声明

不声称已上线“大模型 API 网关”;AI 首先是交付与调度方式。

指标红线

不写未测量的人天节省或收入归因。若补充,将给出定义、样本与区间。

07 · Reflection

更快,只在有边界时才是优势。

AI-native 让我更清楚产品经理的不可替代点:问题定义、取舍、体验标准与验收。Agent 放大的是执行,也会放大错误——所以流程里必须有锋利的 review。

下一步是把首次成功时间、返工率、验收缺陷类型做成团队可见指标,让机制本身可迭代。