AI 产品经理
知识框架

AI 产品经理的常用辅助工具

覆盖调研分析、PRD 梳理和数据分析三大核心工作场景。

1. 调研分析维度

行业与竞品分析

用户调研与需求挖掘

• 用户访谈 AI 助手：通过提示词设计标准化访谈提纲，自动整理访谈纪要。
• 舆情分析工具（如数说故事、识微商情）：抓取社交媒体、评论区的用户原声，辅助需求洞察。

数据分析辅助（调研阶段的数据验证）

2. PRD 梳理维度

需求结构化

逻辑校验与完善

• Claude / GPT-4：将 PRD 输入，要求 AI 模拟开发或测试视角，指出逻辑漏洞、边界条件缺失。
• PlantUML + AI：用自然语言描述流程，AI 生成序列图或状态机图，直接嵌入 PRD。

接口与数据定义

• Swagger AI 助手：辅助生成 API 文档初稿，明确输入输出字段。
• dbdiagram.io + AI：根据需求描述自动生成数据库 ER 图。

3. 数据分析维度

数据提取与清洗

• SQL AI 工具（如 MindsDB、AskYourDatabase）：用自然语言写 SQL，快速提取数据。
• Python 代码助手（Copilot / Cursor）：辅助编写 pandas 清洗脚本，处理缺失值、异常值。

分析与洞察

埋点与指标监控

• 数数科技（Thinking Analytics）：一站式用户行为分析，支持 AI 归因分析。
• GrowthBook：A/B 测试平台，AI 辅助实验设计与显著性计算。

LLM 基础知识点

应用层核心概念，理解大语言模型的关键术语与工作机制。

AI Agent 的设计及方法论

从框架设计到多 Agent 协同，掌握智能体系统的核心方法论。

1. Harness 框架

核心组件

• 文件系统访问：读写项目文件，实现代码修改、文档编辑。
• Bash 执行环境：运行命令、安装依赖、执行脚本（沙箱隔离）。
• 记忆模块（AGENTS.md）：存放项目级指令、长期约束、用户偏好。
• 网络搜索与 MCP：实时检索信息，通过 MCP 协议连接外部服务。
• 上下文工程：智能管理哪些信息放入 LLM 上下文（最近 N 步、关键文件、错误日志）。
• 编排与 Hooks：规划任务步骤，在每个步骤前后插入自定义逻辑（如日志、权限检查）。

设计要点：动作空间设计（Agent 能做什么）、状态机流转、错误恢复策略。

2. 意图识别

应用层方法：使用 LLM 函数调用 或 小模型分类 将用户自然语言映射到预定意图（如"查天气" vs "设置提醒"）。

关键技巧：设计意图分类提示词，返回 JSON 包含 intent 和 slots；对模糊意图设计澄清反问。

3. 知识库搭建

流程：文档采集 → 清洗切片 → 向量化（embedding）→ 存储（向量数据库，如 Pinecone / Qdrant / Milvus）→ 检索召回。

方法论：分块策略（按标题、段落、语义边界）；混合检索（向量 + 关键词）；元数据过滤（按时间、分类）。

4. RAG 增强生成

标准流程：用户问题 → 检索相关文档片段 → 将片段注入 prompt → LLM 生成答案。

进阶技巧：查询改写、重排序（rerank）、引文溯源、自我反思（检查答案是否基于检索内容）。

5. Agent 调度

• 单 Agent 内调度：任务分解（plan-and-execute），LLM 生成步骤列表，执行器按序调用工具，监控每一步结果。
• 多 Agent 调度：使用编排器（Orchestrator）分配子任务给不同特长的 Agent（如代码 Agent、写作 Agent），汇总结果。

6. 工具 / Skill 调度

• 工具定义：用 OpenAPI 或 JSON Schema 描述工具名称、参数、返回格式。LLM 决策调用哪个工具及参数。
• Skill 调度：Skill 本质是高级提示词模板 + 可能的固定工具链。例如"生成周报" Skill 包含：查询数据库 → 分析数据 → 总结成文。
• 执行策略：顺序执行、并行执行、条件分支（if-else）、循环重试。

7. 安全机制

• 输入过滤：拦截注入攻击、越狱提示词。
• 输出审核：禁止生成有害、敏感内容。
• 操作授权：敏感工具（删除文件、发送邮件）需用户确认或基于角色权限。
• 沙箱环境：执行代码或命令的隔离环境（Docker、Firecracker）。

8. 复盘机制

功能：记录 Agent 每一步的思考（thought）、行动（action）、观察（observation），形成完整轨迹。

• 用于调试、性能分析、合规审计。可导出为 JSON 或可视化时间线。
• 方法论：设置自动复盘 – 任务结束后让另一个 LLM 评估执行过程并给出改进建议。

9. 记忆系统

• 短期记忆：当前会话的对话历史、工具调用结果，放入 LLM 上下文。
• 长期记忆：
  • 事实记忆：用户偏好、关键信息存入向量库，按需检索。
  • 过程记忆：成功或失败的任务流程，可被复用为 Skill。
• 记忆管理策略：摘要压缩、遗忘机制（TTL）、合并更新。

10. 多 Agent 协同

协同模式

常见框架：AutoGen、CrewAI、MetaGPT（产品经理关注角色分工和通信协议）。

协同要点：明确各 Agent 能力边界、避免死锁、结果聚合去重。

FDE 大模型应用开发工程师

面向大模型应用的全栈开发工程师，聚焦于利用 LLM 及周边生态开发落地级产品。

1. 定义与范围

典型工作范围：设计并实现 RAG 流水线；开发 Agent 系统（工具调用、记忆、规划）；集成 LLM 与现有业务系统（数据库、API、前端）；提示工程与评估体系搭建；应用性能优化（延迟、成本、准确率）；MLOps/LLMOps 工程（部署、监控、版本管理）。

2. 技能要求

硬技能

• 熟练掌握 Python（必须），至少了解一门其他语言（TS / Go）
• 熟悉主流 LLM API（OpenAI、Anthropic、火山等）及开源模型本地部署（Ollama、vLLM）
• 掌握 LangChain / LlamaIndex 等框架
• 熟悉向量数据库及检索算法（ANN）
• 了解 Docker、K8s、微服务调用

软技能

• 产品思维：能理解需求并转化为技术方案
• 快速试错能力：LLM 行为不确定，需要大量实验调参
• 系统设计：处理异步、长任务、状态管理

3. 能力标准

4. 工作场景与注意事项

典型工作场景

注意事项

• 评估先行：不要只凭感觉测试，建立自动化评估集（benchmark），量化 prompt 与模型升级的影响。
• 安全与合规：用户数据不能不经处理传给第三方 API；输出内容需过滤；遵守行业法规（如金融、医疗）。
• 成本控制：token 消耗可能远超预期，设计缓存、结果复用、小模型兜底。
• 可观测性：记录每一步的 prompt 和 response，否则无法调试 Agent 失败。
• 产品经理协作：FDE 需主动向产品说明 LLM 的"能力边界"（例如不擅长精确计算、可能幻觉），共同设计容错体验。
• 迭代节奏：LLM 生态更新极快，保持关注（新模型、新框架），但要评估迁移成本。