ai-product-manager

name	ai-product-manager
description	产品调研分析、需求挖掘、PRD撰写、原型设计、能力边界定义、人机协同流程、效果评估体系、数据飞轮迭代的AI产品全生命周期管理（触发场景：市场调研、产品规划、需求分析、功能设计、评估优化）

AI产品经理

任务目标

本 Skill 用于辅助AI产品经理在Agent产品全生命周期中进行产品调研分析、需求挖掘、PRD撰写、原型设计、能力边界定义、人机协同流程构建、效果评估体系优化以及数据驱动的迭代规划。

能力包含：

• 竞品分析与市场趋势洞察
• 用户痛点识别与需求挖掘
• 撰写结构化的产品需求文档（PRD）
• 设计可落地的产品原型
• 定义Agent的能力边界与职责范围
• 设计高效的人机协同工作流程
• 构建可量化的效果评估体系
• 规划数据收集与反馈迭代机制

触发条件：

• 规划新的AI产品或功能
• 进行产品调研和竞品分析
• 分析市场趋势和用户痛点
• 进行需求分析和用户调研
• 撰写产品需求文档（PRD）
• 设计产品原型和交互流程
• 定义Agent能力边界
• 优化人机协同流程
• 建立或优化效果评估指标
• 规划数据收集与迭代策略

前置准备

建议准备以下工具以提高效率：

• 市场调研：艾瑞咨询、易观分析、QuestMobile
• 竞品分析：竞品官网、应用商店、社交媒体
• PRD撰写：飞书文档、Google Docs、Notion
• 原型设计：墨刀、Figma、Axure
• 需求管理：飞书多维表格、Notion表格、Jira
• 流程设计：Draw.io、XMind、ProcessOn

具体工具使用指南见 references/tools-guide.md

操作步骤

1. 产品调研分析

目标：深入了解竞品和市场，识别机会和痛点，为产品决策提供依据。

执行要点：

1. 竞品分析：
   • 竞品选择：直接竞品、间接竞品、潜在竞品
   • 调研方法：功能对比、体验评估、用户评价分析
   • 分析维度：产品定位、核心功能、商业模式、用户体验
2. 市场趋势分析：
   • 市场规模：市场规模、增长率、细分市场
   • 发展趋势：技术趋势、用户需求变化、政策环境
   • 竞争格局：市场集中度、头部玩家、竞争态势
3. 用户痛点识别：
   • 痛点来源：用户访谈、竞品差评、社交媒体、数据分析
   • 分析方法：痛点分类、影响度评估、原因分析
   • 机会识别：痛点聚类、机会排序、差异化定位

参考文档：references/product-research.md

2. 需求挖掘

目标：深度挖掘用户真实需求，洞察业务痛点，明确产品定位和价值主张。

执行要点：

1. 用户场景分析：识别目标用户及其核心使用场景
   • 用户画像：角色、特征、行为模式
   • 使用场景：高频场景、痛点场景、机会场景
2. 需求收集：多渠道收集需求信息
   • 用户访谈：定性深度访谈、用户观察
   • 数据分析：用户行为数据、使用日志
3. 需求优先级排序：
   • 影响度评估：用户价值、商业价值
   • 实现难度评估：技术可行性、资源需求
   • ROI分析：价值与成本比
4. 需求输出：形成结构化需求文档
   • 用户故事
   • 需求优先级矩阵
   • MVP功能清单

参考文档：references/requirement-mining.md

3. 撰写PRD

目标：产出清晰、完整、可执行的产品需求文档。

执行要点：

1. 文档结构：按照标准PRD框架组织内容
   • 项目背景与目标
   • 用户画像与场景
   • 功能需求描述
   • 非功能需求（性能、安全、兼容性）
   • 数据需求（数据结构、埋点）
   • 验收标准
2. 需求描述规范：
   • 使用清晰的语言描述功能
   • 包含输入输出、交互流程
   • 明确异常处理和边界条件
3. 可视化辅助：
   • 流程图（业务流程、数据流程）
   • 原型图（页面结构、交互设计）
   • 数据字典（字段定义、关联关系）

参考文档：references/prd-template.md

4. 设计产品原型

目标：设计可落地的产品原型，验证交互设计和用户体验。

执行要点：

1. 信息架构设计：
   • 功能模块划分
   • 页面层级结构
   • 导航路径设计
2. 交互设计：
   • 用户操作流程
   • 交互反馈机制
   • 异常状态处理
3. 界面设计：
   • 页面布局
   • 元素样式
   • 视觉层次
4. 原型验证：
   • 可用性测试
   • 用户反馈收集
   • 迭代优化

参考文档：references/prototype-design.md

5. 定义Agent能力边界

目标：明确Agent能够可靠完成的任务范围，避免过度承诺和用户预期偏差。

执行要点：

1. 识别核心能力：基于产品定位，列举Agent应具备的核心能力（如文本理解、推理分析、创意生成等）
2. 评估技术可行性：对照当前AI技术边界，区分：
   • 可靠实现（准确率>90%）
   • 辅助实现（需要人工审核）
   • 暂不支持（技术未成熟）
3. 定义边界条件：明确能力的约束条件（如输入长度、领域范围、复杂度限制）
4. 设计拒绝机制：对于超出边界的需求，设计友好的拒绝话术和降级方案

参考文档：references/agent-boundary.md

6. 构建人机协同流程

目标：设计合理的任务分工与协作机制，最大化人机协同效率。

执行要点：

1. 任务分类：按照以下维度分类任务
   • 自动化任务（Agent独立完成）
   • 半自动化任务（Agent草稿+人工确认）
   • 人工主导任务（Agent辅助决策）
2. 流程设计：绘制协作流程图，明确：
   • 任务启动方式
   • 人机交接节点
   • 异常处理机制
   • 反馈收集方式
3. 交互优化：设计清晰的用户引导和操作提示

参考文档：references/human-ai-workflow.md

7. 优化效果评估体系

目标：建立多维度、可量化的评估指标体系，客观衡量Agent表现。

执行要点：

1. 维度设计：从以下维度设计指标
   • 准确性（如任务完成率、错误率）
   • 效率（如响应时间、处理速度）
   • 用户体验（如满意度、NPS）
   • 业务价值（如转化率、成本降低）
2. 指标定义：为每个指标定义
   • 计算方式
   • 数据来源
   • 基准值和目标值
3. 评估方法：选择合适的评估方法
   • 自动化评估（如规则匹配、对比模型）
   • 人工评估（如专家打分、A/B测试）
   • 用户反馈（如问卷、评分）

参考文档：references/evaluation-system.md

8. 驱动数据飞轮迭代

目标：建立数据收集、分析、优化的闭环机制，持续提升产品表现。

执行要点：

1. 数据收集：设计数据收集方案
   • 关键事件埋点（如任务启动、完成、失败）
   • 用户行为追踪（如点击、编辑、反馈）
   • 质量标签标注（如正确、错误、需改进）
2. 分析机制：建立数据分析流程
   • 定期数据看板（日报/周报/月报）
   • 问题根因分析（如错误聚类、失败路径分析）
   • 机会识别（如高频需求、痛点场景）
3. 迭代规划：基于数据分析制定迭代计划
   • 优先级排序（影响度×频度）
   • 实验设计（如A/B测试、灰度发布）
   • 效果验证（如指标对比、用户反馈）

参考文档：references/evaluation-system.md（迭代部分）

分支处理

当产品处于0-1阶段：

• 优先产品调研和需求挖掘，明确产品定位
• 快速设计MVP原型，验证核心假设
• 定义Agent核心能力边界
• 采用轻量级评估指标（如任务完成率、用户满意度）
• 重点收集定性反馈（如用户访谈、使用场景观察）

当产品处于1-10阶段：

• 优化人机协同流程，降低人工干预成本
• 完善原型设计，提升用户体验
• 构建完整的评估体系，关注业务指标（如转化率、留存率）
• 建立自动化数据分析和迭代机制

当产品处于10-100阶段：

• 基于数据挖掘深层需求，规划新产品功能
• 优化产品架构和性能
• 建立产品矩阵和生态体系

资源索引

• 领域参考：references/product-research.md（何时读取：进行产品调研和竞品分析时）
• 领域参考：references/requirement-mining.md（何时读取：进行需求挖掘和分析时）
• 领域参考：references/prd-template.md（何时读取：撰写PRD文档时）
• 领域参考：references/prototype-design.md（何时读取：设计产品原型时）
• 领域参考：references/tools-guide.md（何时读取：选择和使用工具时）
• 领域参考：references/agent-boundary.md（何时读取：定义Agent能力边界时）
• 领域参考：references/human-ai-workflow.md（何时读取：设计人机协同流程时）
• 领域参考：references/evaluation-system.md（何时读取：构建评估体系或规划数据迭代时）

注意事项

• 产品调研要深入，不仅要看表面功能，更要理解背后的逻辑和策略
• 竞品分析要客观，既要学习优点，也要发现不足和机会
• 需求挖掘要深入理解用户痛点，避免表面需求
• PRD撰写要结构清晰、描述完整，确保开发可执行
• 原型设计要注重用户体验，验证交互逻辑
• 工具选择要结合团队协作习惯和项目需求，详见tools-guide.md
• 充分利用智能体的分析推理能力，将复杂问题拆解为可执行的步骤
• 在设计评估指标时，确保指标的可测量性和可操作性
• 人机协同流程应以用户为中心，简化操作复杂度
• 数据收集应遵循隐私保护原则，确保数据合规性
• 迭代规划应采用小步快跑的方式，避免过度设计

使用示例

示例1：智能客服产品调研与需求挖掘

场景：规划一个智能客服Agent产品。

执行方式：智能体主导，参考product-research.md和requirement-mining.md

关键要点：

1. 产品调研：
   • 竞品分析：分析云问、智齿、网易七鱼等竞品
   • 市场趋势：智能客服市场年增长率30%，大模型驱动的智能客服成为趋势
   • 用户痛点：人工成本高、响应慢、服务质量不稳定、7x24小时服务难实现
2. 需求挖掘：
   • 目标用户：电商客服团队、C端用户
   • 核心痛点：FAQ咨询、订单查询、投诉处理、产品推荐
3. PRD撰写：
   • 产品定位：AI驱动的智能客服系统，提升客服效率和服务质量
   • 功能需求：FAQ自动回答、订单查询、投诉处理、知识库管理
   • 非功能需求：响应时间<3秒、可用性>99.5%、支持并发1000+

输出：一份包含竞品分析、市场趋势、用户痛点、需求分析、功能描述的完整调研报告和PRD文档

示例2：代码助手竞品分析与产品规划

场景：设计一个AI代码助手，需要进行竞品分析和产品规划。

执行方式：智能体主导，参考product-research.md和agent-boundary.md

关键要点：

1. 竞品分析：
   • 直接竞品：GitHub Copilot、Cursor、CodeLlama
   • 功能对比：
     • Copilot：VSCode插件、上下文感知、多语言支持
     • Cursor：内置编辑器、自然语言编辑、长上下文
     • CodeLlama：开源模型、本地部署、成本优势
   • 竞品劣势：理解业务场景能力弱、学习成本高
2. 市场趋势：
   • 开发者工具市场持续增长
   • AI辅助编程成为标配
   • 企业级需求：私有化部署、安全可控
3. 差异化定位：
   • 更强的业务理解能力
   • 更友好的人机协同体验
   • 支持企业级私有化部署
4. 能力边界：
   • 核心能力：代码生成、代码补全、代码解释、Bug修复建议
   • 可靠实现：代码补全（准确率>95%）、代码解释
   • 辅助实现：代码生成（需人工Review）、Bug修复（需验证）

输出：一份包含竞品分析报告、市场趋势分析、差异化定位、能力边界的设计文档

示例3：内容生成平台原型设计与评估体系构建

场景：构建一个AI内容生成平台，需要设计原型和评估体系。

执行方式：智能体主导，参考prototype-design.md和evaluation-system.md

关键要点：

1. 原型设计：
   • 信息架构：首页、创作页、内容管理、模板库、个人中心
   • 交互流程：用户选择类型 → 输入参数 → Agent生成 → 用户编辑 → 导出
   • 界面设计：左侧工具栏、中间编辑区、右侧预览区
2. 评估体系：
   • 准确性：事实错误率<2%、内容相关性>90%
   • 用户体验：满意度>4.2、采纳率>75%
   • 业务价值：内容生成效率提升>50%、用户留存>30%

输出：一份包含原型图（流程图、页面结构）和评估指标体系的设计文档