课程简介
在AI技术快速渗透产品管理领域的当下，产品经理的工作方式正在经历根本性变革。从需求分析到文档产出，从知识协作到数据驱动决策，AI不再是"可选的效率工具"，而是正在成为产品经理的核心工作方式。
本课程面向希望系统性掌握AI赋能产品管理方法论的产品经理群体。课程从AI能力边界的认知建立出发，帮助学员理解从"AI赋能"到"AI优先"的思维范式转变；通过需求分析、文档产出、原型设计等高频场景的实操演练，让学员掌握AI增强产品工作的核心方法；进而延伸至知识协作体系搭建、项目信息整合、数据分析与决策辅助等进阶领域，构建完整的AI-First产品经理能力与思维框架；
目标收益
在AI技术快速渗透产品管理领域的当下，产品经理的工作方式正在经历根本性变革。从需求分析到文档产出，从知识协作到数据驱动决策，AI不再是"可选的效率工具"，而是正在成为产品经理的核心工作方式。
本课程面向希望系统性掌握AI赋能产品管理方法论的产品经理群体。课程从AI能力边界的认知建立出发，帮助学员理解从"AI赋能"到"AI优先"的思维范式转变；通过需求分析、文档产出、原型设计等高频场景的实操演练，让学员掌握AI增强产品工作的核心方法；进而延伸至知识协作体系搭建、项目信息整合、数据分析与决策辅助等进阶领域，构建完整的AI-First产品经理能力与思维框架；
培训对象
想提高能力的产品经理，运营，研发，业务骨干等；
企业内部负责产品设计，客户服务设计相关的岗位；
需要具备产品思维的“广义产品经理”：技术、设计、市场运营人员等；
课程大纲
|
第一天 AI first 思维构建，产品经理的能力与认知提升 |
引言：AI时代，产品经理的生存与突围 目标：建立对AI能力的全景认知，理解PM角色的转变方向，完成从"AI赋能"到"AI优先"的思维范式切换。 1.AI 正在重塑商业世界，市场热点与行业信号； · Agent热潮，从聊天到干活：Hermes、龙虾、Claude Code等自主智能体的崛起； · Vibe Coding：不写代码也能构建产品，自然语言编程正在重新定义PM边界； · AI搜索、AI设计、AI写作：每个领域都在被重新颠覆； · 电商，金融，医疗等行业在AI时代下的变革； 2.AI时代所带来的信息平权与技术平权 · 黄仁勋对于AI技术壁垒破局的分享； · 技术门槛被打破的业技融合趋势； 3.传统PM所面临的挑战与困境； · 信息过载：需求、反馈、数据越来越多，PM的时间越来越不够用 · 决策速度要求更高：市场变化快，PM需要更快地从信息中提炼洞察； · AI带来的新焦虑：我会不会被AI所替代？ 4.从AI赋能到AI优先：产品经理的思维范式转变； · AI赋能：把AI当工具，在现有流程中借助AI提效； · AI优先：思考问题的模式变为先靠谱AI能不能做，怎么与AI协作构建解决方案； · 产品经理思维变革的必要性与迫切性； 5.AI时代产品经理：角色与能力的重新定义 · 传统PM的核心定位：信息中转站，从用户需求到技术方案再到业务成果； · AI时代PM的三个转变： 从信息中转站到判断中枢：AI写PRD、需求分析；PM判断做不做，谁先做； 从流程执行者到工作流的编排与监督者：设计AI的工作流，定义AI负责的节点与交付标准； 从功能设计者到体验架构师：PM的重心从写文档，画交互，转向定义AI的行为边界和用户体验标准； · 传统产品经理 VS AI产品经理能力与职责对照表； 课堂互动：我和我的业务可以怎么用AI 学员分组讨论：我的日常工作中，哪些环节可以用AI增强？ 我的产品/服务中，AI能扮演什么角色？ 各组分享，讲师点评并补充； 第二章：大模型时代，掌握识别AI的能力边界的思考认知 1.AI 的擅长与不擅长 · 擅长：模式识别、数据处理、重复性劳动、个性化推荐。 · 不擅长：创造性思维、情感理解、复杂决策、常识判断。 2.AI 能力边界的深度识别：机会与陷阱 · 识别AI的“甜蜜点”：规则明确、数据充足、重复性高的任务； · 警惕AI的“能力陷阱”：需要高度创造力、伦理判断或常识推理的场景； 总结：产品经理如何做到具体的识别，引导和控制。 第三章：AI赋能产品工作的核心场景： 目标：掌握AI在PM高频工作场景中的具体应用方法，建立AI时代工作流范式 一、AI赋能PM工作全景图：需求发现-定义-设计-研发-上线验证； 二、产品经理工作利用AI提效； 1.需求分析场景：AI 驱动用户调研 + 竞品分析 · 用户调研：AI辅助总结访谈录音、分析用户反馈中的高频诉求； · 竞品分析：AI自动生成功能对比矩阵、提炼竞品策略差异； 实操：用AI工具完成一次竞品分析与用户需求分析； 2.文档产出场景：AI 快速生成 PRD/Spec； · PRD撰写：AI辅助生成结构化初稿，PM补充业务判断和约束条件 · 需求拆解：AI将大需求拆解为用户故事和验收标准 · 多角色翻译：同一份文档，AI自动适配工程师、设计师的不同视角 · 实操：用AI生成一份PRD初稿； 3.AI辅助快速前端设计：Vibe Coding实践，快速设计产品的MVP · 工具实操：利用claude code+figma生成前端界面及可交互原型； · 核心价值：从描述需求的人变成直接展示需求的人； · 适用边界：AI打造产品的MVP，进行需求验证和种子用户的收集； · 实操演练：用自然语言描述一个功能，AI生成可交互原型 4.AI产出的质量控制：从AI生成到AI自检； · AI产出常见问题：细节错误、逻辑漏洞、业务场景遗漏 · 四大AI自检方法： Review 框架，多轮自检，多模型交叉验证，人机迭代 实操：通过AI自检方法找到AI生成的PRD的问题； 三、AI时代产品经理工作流的变化； · 传统产品经理的线性流程工作，到生成 - 验证循环； · 案例分析：腾讯的一个会议，可体验的的前端设计方案就出来了； 第四章：AI前沿趋势与全球大厂最佳实践 目标：建立对AI前沿趋势的全景认知，理解PM的进化路径 一、未来的AI产品形态； 1.一人独立公司：Multi Agent各司其职，协同完成复杂任务； 2.AI Native：从人定义目标到AI产出结果的原生AI功能结构； 3.对PM在未来工作中的启示： · 每个产品经理都可以单人成军； · 初级工作可交由AI完成，提升自己的决策能力； · 未来工作的核心：定义AI的理解方式与行为边界； 二、行业变革案例； · 案例一：Shopify CEO发全员备忘录要求"AI优先"，AI优先不是口号，而是招聘和资源审批的硬性要求； · 案例二：Vibe Coding重构产品经理工作流，一个会议的时间产出一个可交互原型； · 案例三：科技团队落地：AI 使用率提升后，流程变革关键步骤 三、PM的AI进化路径； · 现阶段：通过AI赋能自身，成为团队里最会用AI的那个人； · 中期：掌控Agent的能力边界，能在产品中合理引入AI能力； · 长期：具备AI原生思维，在新业务中能用新范式来设计产品； 最终总结：AI First思维对于产品经理的认知与能力提升 |
|
第二天 产品团队的知识协作与信息整合 |
第四章：知识协作，团队知识的沉淀与流转 目标：掌握知识库搭建的完整流程，建立知识是团队资产的核心认知； 4.1 PM的知识困境 · 知识散落：需求文档在Confluence、讨论在微信的工作群、决策在邮件、数据在BI，缺少上帝视角的全貌概览； · 知识流失：人走了知识就断了，新人接手项目要花大量时间阅读分散各处的文档 · 知识损耗：跨团队传递时信息失真，PM讲的和工程师理解的不一样； 核心认知建立：知识是团队资产，不是个人笔记 4.2 知识库搭建的完整流程 第一步：知识盘点：你的知识在哪里 · 梳理现有知识资产：产品文档、设计规范、会议纪要、邮件信息等； · AI辅助：自动扫描和归集散落信息，识别知识资产； 第二步：知识结构化，让知识可被检索 · 建立统一的分类体系：按产品线、按功能模块、按文档类型； · 标签与元数据：AI自动为文档打标签、建立关联，让知识形成网络； 第三步：知识增强索引：让知识能被AI理解 · 向量化的意义：从人搜索-人阅读，到AI理解-AI回答； · 技术科普：向量化索引、语义检索、RAG； · 对PM的意义：文档的标注，对业务的深挖； 第四步：知识的"翻译"与流转，让不同角色能用同一份知识 · 翻译机制：同一份文档的不同视角； · AI辅助：将一份文档翻译成多个角色视角的版本； · 跨部门检索：不同团队的知识库互通； 4.3 知识库的落地：工具与方案 常见工具方案对比： · Confluence/Notion类：文档协作，适合中小团队快速上手； · 企业知识库平台：结构化存储+权限管理，适合大中型企业； · RAG方案：基于现有文档的智能问答，适合有技术能力的团队； 案例分享：我的个人知识库搭建思路，Obsidian+Hermes Agent 4.4 互动讨论：我们的知识管理现状 学员自查：我的知识存在哪里？结构化程度如何？别人能找到吗？ 形成改进方向：从哪一步开始？如何搭建产品部门的知识库； 第五章：AI驱动的信息整合与数据驱动决策 目标：掌握AI在项目管理和需求收集场景下的信息整合方法，建立从信息到决策的完整链路。 引子：PM的传统决策链路； 1.PM的日常输入：零散+杂乱： · 定性的软信息：用户反馈、会议讨论、市场动态； · 定量的硬数据：数据变化； 2.传统做法 VS AI 的做法：效能上的差距 3.本章目标：建立从信息到决策的AI辅助链路 5.1 项目管理场景下的AI信息整合 · 场景一：会议管理的全链路AI增强； 核心价值：会议纪要自动生成，会议代办自动通知； · 场景二：项目沟通中的信息提取； 群聊/邮件/会议中夹杂着大量项目相关讨论； AI自动扫描并归类：变更类、风险类、确认类、待办类； 核心价值：PM一眼看到哪些信息需要处理 · 场景三：项目风险的AI预判； 核心价值：AI分析项目沟通记录和进度数据，自动识别风险信号并主动提醒PM关注 5.2 需求收集场景下的AI信息整合 · 场景一：用户反馈的持续追踪 产出：用户需求的反馈分析 · 场景二：竞品动态的AI监控 产出：自动生成竞品动态简报，标注与自己产品的关联点 · 场景三：需求池的AI整理与优先级建议 产出：AI自动将碎片需求归类、去重、合并相似项：给出优先级建议 5.3 数据分析的效率跃迁 · 场景一：产品指标的异常检测； AI自动监控关键指标，发现异常时主动告警并给出可能原因 · 场景二：基于数据埋点的自动分析，找到关键问题； AI辅助：日常分析数据、判断统计显著性、给出结论建议 · 场景三：基于数据分析后的产品迭代建议； AI可基于数据分析结果给出产品改进意见； 5.4 从信息到决策：AI作为PM的决策引擎 · 交叉验证：信息整合加数据佐证； · 优先级决策：整理适合版本节奏的需求优先级策略； · 数据决策辅助向上/团队共识： 综合实战 学员尝试用Coze平台的AI Agent搭建自己的知识库 各组展示决策过程，讲师点评 |
|
第一天 AI first 思维构建，产品经理的能力与认知提升 引言：AI时代，产品经理的生存与突围 目标：建立对AI能力的全景认知，理解PM角色的转变方向，完成从"AI赋能"到"AI优先"的思维范式切换。 1.AI 正在重塑商业世界，市场热点与行业信号； · Agent热潮，从聊天到干活：Hermes、龙虾、Claude Code等自主智能体的崛起； · Vibe Coding：不写代码也能构建产品，自然语言编程正在重新定义PM边界； · AI搜索、AI设计、AI写作：每个领域都在被重新颠覆； · 电商，金融，医疗等行业在AI时代下的变革； 2.AI时代所带来的信息平权与技术平权 · 黄仁勋对于AI技术壁垒破局的分享； · 技术门槛被打破的业技融合趋势； 3.传统PM所面临的挑战与困境； · 信息过载：需求、反馈、数据越来越多，PM的时间越来越不够用 · 决策速度要求更高：市场变化快，PM需要更快地从信息中提炼洞察； · AI带来的新焦虑：我会不会被AI所替代？ 4.从AI赋能到AI优先：产品经理的思维范式转变； · AI赋能：把AI当工具，在现有流程中借助AI提效； · AI优先：思考问题的模式变为先靠谱AI能不能做，怎么与AI协作构建解决方案； · 产品经理思维变革的必要性与迫切性； 5.AI时代产品经理：角色与能力的重新定义 · 传统PM的核心定位：信息中转站，从用户需求到技术方案再到业务成果； · AI时代PM的三个转变： 从信息中转站到判断中枢：AI写PRD、需求分析；PM判断做不做，谁先做； 从流程执行者到工作流的编排与监督者：设计AI的工作流，定义AI负责的节点与交付标准； 从功能设计者到体验架构师：PM的重心从写文档，画交互，转向定义AI的行为边界和用户体验标准； · 传统产品经理 VS AI产品经理能力与职责对照表； 课堂互动：我和我的业务可以怎么用AI 学员分组讨论：我的日常工作中，哪些环节可以用AI增强？ 我的产品/服务中，AI能扮演什么角色？ 各组分享，讲师点评并补充； 第二章：大模型时代，掌握识别AI的能力边界的思考认知 1.AI 的擅长与不擅长 · 擅长：模式识别、数据处理、重复性劳动、个性化推荐。 · 不擅长：创造性思维、情感理解、复杂决策、常识判断。 2.AI 能力边界的深度识别：机会与陷阱 · 识别AI的“甜蜜点”：规则明确、数据充足、重复性高的任务； · 警惕AI的“能力陷阱”：需要高度创造力、伦理判断或常识推理的场景； 总结：产品经理如何做到具体的识别，引导和控制。 第三章：AI赋能产品工作的核心场景： 目标：掌握AI在PM高频工作场景中的具体应用方法，建立AI时代工作流范式 一、AI赋能PM工作全景图：需求发现-定义-设计-研发-上线验证； 二、产品经理工作利用AI提效； 1.需求分析场景：AI 驱动用户调研 + 竞品分析 · 用户调研：AI辅助总结访谈录音、分析用户反馈中的高频诉求； · 竞品分析：AI自动生成功能对比矩阵、提炼竞品策略差异； 实操：用AI工具完成一次竞品分析与用户需求分析； 2.文档产出场景：AI 快速生成 PRD/Spec； · PRD撰写：AI辅助生成结构化初稿，PM补充业务判断和约束条件 · 需求拆解：AI将大需求拆解为用户故事和验收标准 · 多角色翻译：同一份文档，AI自动适配工程师、设计师的不同视角 · 实操：用AI生成一份PRD初稿； 3.AI辅助快速前端设计：Vibe Coding实践，快速设计产品的MVP · 工具实操：利用claude code+figma生成前端界面及可交互原型； · 核心价值：从描述需求的人变成直接展示需求的人； · 适用边界：AI打造产品的MVP，进行需求验证和种子用户的收集； · 实操演练：用自然语言描述一个功能，AI生成可交互原型 4.AI产出的质量控制：从AI生成到AI自检； · AI产出常见问题：细节错误、逻辑漏洞、业务场景遗漏 · 四大AI自检方法： Review 框架，多轮自检，多模型交叉验证，人机迭代 实操：通过AI自检方法找到AI生成的PRD的问题； 三、AI时代产品经理工作流的变化； · 传统产品经理的线性流程工作，到生成 - 验证循环； · 案例分析：腾讯的一个会议，可体验的的前端设计方案就出来了； 第四章：AI前沿趋势与全球大厂最佳实践 目标：建立对AI前沿趋势的全景认知，理解PM的进化路径 一、未来的AI产品形态； 1.一人独立公司：Multi Agent各司其职，协同完成复杂任务； 2.AI Native：从人定义目标到AI产出结果的原生AI功能结构； 3.对PM在未来工作中的启示： · 每个产品经理都可以单人成军； · 初级工作可交由AI完成，提升自己的决策能力； · 未来工作的核心：定义AI的理解方式与行为边界； 二、行业变革案例； · 案例一：Shopify CEO发全员备忘录要求"AI优先"，AI优先不是口号，而是招聘和资源审批的硬性要求； · 案例二：Vibe Coding重构产品经理工作流，一个会议的时间产出一个可交互原型； · 案例三：科技团队落地：AI 使用率提升后，流程变革关键步骤 三、PM的AI进化路径； · 现阶段：通过AI赋能自身，成为团队里最会用AI的那个人； · 中期：掌控Agent的能力边界，能在产品中合理引入AI能力； · 长期：具备AI原生思维，在新业务中能用新范式来设计产品； 最终总结：AI First思维对于产品经理的认知与能力提升 |
|
第二天 产品团队的知识协作与信息整合 第四章：知识协作，团队知识的沉淀与流转 目标：掌握知识库搭建的完整流程，建立知识是团队资产的核心认知； 4.1 PM的知识困境 · 知识散落：需求文档在Confluence、讨论在微信的工作群、决策在邮件、数据在BI，缺少上帝视角的全貌概览； · 知识流失：人走了知识就断了，新人接手项目要花大量时间阅读分散各处的文档 · 知识损耗：跨团队传递时信息失真，PM讲的和工程师理解的不一样； 核心认知建立：知识是团队资产，不是个人笔记 4.2 知识库搭建的完整流程 第一步：知识盘点：你的知识在哪里 · 梳理现有知识资产：产品文档、设计规范、会议纪要、邮件信息等； · AI辅助：自动扫描和归集散落信息，识别知识资产； 第二步：知识结构化，让知识可被检索 · 建立统一的分类体系：按产品线、按功能模块、按文档类型； · 标签与元数据：AI自动为文档打标签、建立关联，让知识形成网络； 第三步：知识增强索引：让知识能被AI理解 · 向量化的意义：从人搜索-人阅读，到AI理解-AI回答； · 技术科普：向量化索引、语义检索、RAG； · 对PM的意义：文档的标注，对业务的深挖； 第四步：知识的"翻译"与流转，让不同角色能用同一份知识 · 翻译机制：同一份文档的不同视角； · AI辅助：将一份文档翻译成多个角色视角的版本； · 跨部门检索：不同团队的知识库互通； 4.3 知识库的落地：工具与方案 常见工具方案对比： · Confluence/Notion类：文档协作，适合中小团队快速上手； · 企业知识库平台：结构化存储+权限管理，适合大中型企业； · RAG方案：基于现有文档的智能问答，适合有技术能力的团队； 案例分享：我的个人知识库搭建思路，Obsidian+Hermes Agent 4.4 互动讨论：我们的知识管理现状 学员自查：我的知识存在哪里？结构化程度如何？别人能找到吗？ 形成改进方向：从哪一步开始？如何搭建产品部门的知识库； 第五章：AI驱动的信息整合与数据驱动决策 目标：掌握AI在项目管理和需求收集场景下的信息整合方法，建立从信息到决策的完整链路。 引子：PM的传统决策链路； 1.PM的日常输入：零散+杂乱： · 定性的软信息：用户反馈、会议讨论、市场动态； · 定量的硬数据：数据变化； 2.传统做法 VS AI 的做法：效能上的差距 3.本章目标：建立从信息到决策的AI辅助链路 5.1 项目管理场景下的AI信息整合 · 场景一：会议管理的全链路AI增强； 核心价值：会议纪要自动生成，会议代办自动通知； · 场景二：项目沟通中的信息提取； 群聊/邮件/会议中夹杂着大量项目相关讨论； AI自动扫描并归类：变更类、风险类、确认类、待办类； 核心价值：PM一眼看到哪些信息需要处理 · 场景三：项目风险的AI预判； 核心价值：AI分析项目沟通记录和进度数据，自动识别风险信号并主动提醒PM关注 5.2 需求收集场景下的AI信息整合 · 场景一：用户反馈的持续追踪 产出：用户需求的反馈分析 · 场景二：竞品动态的AI监控 产出：自动生成竞品动态简报，标注与自己产品的关联点 · 场景三：需求池的AI整理与优先级建议 产出：AI自动将碎片需求归类、去重、合并相似项：给出优先级建议 5.3 数据分析的效率跃迁 · 场景一：产品指标的异常检测； AI自动监控关键指标，发现异常时主动告警并给出可能原因 · 场景二：基于数据埋点的自动分析，找到关键问题； AI辅助：日常分析数据、判断统计显著性、给出结论建议 · 场景三：基于数据分析后的产品迭代建议； AI可基于数据分析结果给出产品改进意见； 5.4 从信息到决策：AI作为PM的决策引擎 · 交叉验证：信息整合加数据佐证； · 优先级决策：整理适合版本节奏的需求优先级策略； · 数据决策辅助向上/团队共识： 综合实战 学员尝试用Coze平台的AI Agent搭建自己的知识库 各组展示决策过程，讲师点评 |
近期公开课推荐
