先别急着把三个 skill 串成一条流水线。你需要给 agent 的是:一段真实录音、一份“整理成什么样才算对”的样例输出,以及原型图或展示文件要回答谁的哪个问题。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
先定“整理对了”长什么样
语音转成需求点这一步,最容易出的错是 AI 替你下结论、把犹豫和前提抹平,最后只剩几条确定建议1。所以你要提供的不是“帮我整理成需求”,而是一份你认可的样例:同一段录音,你自己或让 AI 整理一版,标出哪些是原始诉求、哪些是推断、哪些还不确定。有了这个对照,agent 每次输出你才能判断是变好了还是只是变长了。Intake 那套做法值得借鉴的地方也在这里:录音、转录、Markdown 都留在自己目录里,可以搜索、修改、换模型继续加工2。
原型图要回答一个具体问题
AI推演“生成原型图或精美展示文件”这个目标太宽,会同时要求排版、信息取舍和判断,很难判断哪一步坏了。先选一个用途,比如“给三个人看,让他们决定先做哪个需求”,然后提供这个用途下的成功标准:看完能不能排出优先级、会不会追问同一个问题。立正提到,很多正确的决定在看到错误版本之前根本不存在,第一版的作用是让你发现原来的想法哪里不完整3。所以第一版原型不必精美,它的价值是暴露你没说清的地方。
分清哪些值得自己做
转录、文件保存、调用模型这些是通用基础设施,交给现成工具就行;真正体现你判断的是“什么算一条好需求”“优先级按什么排”这部分3。如果这个 agent 只有你自己用,先跑通一条录音到一份展示文件的链路就够了;如果以后别人要依赖它,就要考虑需求变了、录音格式变了时谁来维护3。先想清楚这一点,再决定要不要现在就把三个 skill 拼成完整系统。
现有材料讲的是 Intake、访谈整理和 demo 与产品的差距,没有专门讲如何把多个 skill 串成产品经理 agent 的工程做法。
出处
- 1用AI做访谈整理,且不加戏
说明访谈整理容易被 AI 写坏的具体症状,适合用来定“整理对了”的标准。
- 2Intake Skill:用好苹果设备,把上下文留在自己手里
讲 Intake 的取舍:上下文留在本地、可搜索可换模型继续加工。
- 3Don't build: 看清demo和production之间的鸿沟
讲第一版原型的作用和哪些部分值得长期自己做,适合判断这个 agent 该做到什么程度。
追问2026年10月22日
我觉得之前整理的信息很全,也有分类,但是很多没有优先级我也知道如何开始做,而且也不知道做了这些对于业务会有什么价值,原型图这个事情我只是要一个可视化的结果,不需要很多产品设计的东西,但是这只是我的一家之见,
整理得全不等于能开始:先挑一件做完后业务上看得见差别的事,用原型去验证它,而不是先补全分类和优先级。
优先级来自价值,不来自分类
立正讲过,工作量和价值不成比例,真正拉开差距的是少数做完成果明显、不做后果明显的事;与其被杂事填满,不如用这类高价值工作占住时间1,2。放到你整理的那堆信息上,判断顺序可以反过来:先问哪一条需求做完之后,业务上会有别人能看见的变化,哪一条不做也没人受影响。分类只是把东西摆整齐,它回答不了“先做哪个”。另外,找到一件有价值的事也不会立刻见效,立正提到通常还要经过多次推向市场、拿反馈、再调整,才会产生大的影响3。所以“不知道做了对业务有什么价值”很可能不是想得不够,而是还没把其中一条真的交到业务那边试过。
原型只用来验证一个判断
你说原型只要可视化结果、不要很多产品设计,这个定位本身没问题:立正写过,原型最擅长的是顺利的情况——需求清楚、数据简单、用户只有你自己,而真正的难点在别人会怎么用、数据出错、需求变化这些地方4,5。所以原型不必做得精致,但要能回答一个具体问题,比如业务方看到这个流程后,会不会说“这不是我们要的顺序”。立正也提到,很多正确的决定在看到错误版本之前根本不存在,第一版做出来才会发现原来的想法哪里不完整6。反过来说,如果原型只是把整理好的信息画得更好看,它验证不了任何东西,业务价值也就无从谈起。
先选一条需求,做出可被否定的东西
AI推演一个可以试的做法:从整理结果里挑一条你认为业务最可能在意、又最容易做错的需求,只做它的原型,然后拿给一个真正会用它的业务同事看,观察他第一反应是问“这个怎么用”还是“这不是我要的”。前者说明方向大致对,可以继续往下做;后者说明你对需求的理解还停在名词层面,需要先改判断再改图。这一步的价值不在产出物,而在让你知道哪条需求值得排到前面——这比先给全部信息排一遍优先级更快得到答案。
这些材料讲的是判断价值和原型定位的一般道理,没有针对你所在业务的具体信息,哪条需求真有价值仍需你拿实际反馈去验证。
出处
- 1第12课|10%的工作是有意义的 —— 工作如何抓主线?
讲高价值工作如何挤走低价值工作,适合核对“优先级该按什么排”。
- 2如何找到10%高价值工作,降维打击内卷?
可回到原文核对这部分判断
- 3高价值工作,如何发挥最大效果?|Go to market multiple times
说明有价值的事也要多次推向市场拿反馈才见效,对应你对业务价值的疑问。
- 4假学习的终结
区分原型擅长的情况和从原型到产品的难点,适合定位“只要可视化”的边界。
- 5AI替你做出来以后,你还会什么?|哥大客座课程回放
可回到原文核对这部分判断
- 6Don't build: 看清demo和production之间的鸿沟
讲第一版原型会暴露原来看不见的问题,适合判断原型该验证什么。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 这个课干啥的
这是一门教人真正把 AI 用进工作与项目的课,重点不是软件操作步骤,而是提需求、判断与动手做的能力;另有一门一小时小课供先试。
- 课代表在223年写的一篇文章里面有讲包括大语言模型是怎么来的呀?介绍这些背景资料的
按现有片段,无法确认“课代表”在2023年写过介绍大语言模型由来的文章;能确认的是立正在2023年有两份公开讲解,分别从生成模型原理和范式变化切入。
- 前辈想请我付费帮她做一档播客,我很愿意采访,但觉得采访完之后的剪辑和发布比较麻烦。一方面我觉得 AI 应该可以把后期做的不错,但实际上我自己的播客后期一直没有弄的很丝滑。我不太知道怎么判断这件事合适。我想的是,我可以收很低的费用,只负责采访。或者用相对高一些的费用,把采访和后期都接了。不太想接负责找外包剪辑同学以及和外包同学沟通,之前自己试过比较麻烦。
按你的约束,更稳的是低价只接采访,把后期排除在承诺之外;若想连后期一起接,就应把外包剪辑和沟通成本算进报价,而不是假设 AI 能替你消化。
- 如何做好 data agent?
做好 data agent 的关键不在模型多强,而在先把数据关系建模成图、在生成查询外加一层审计纠错,并把上线后的持续调优当成常态。
- 目前用了很多 agent,如果管理跨 agent 的 skill 更新和维护问题?
把 skill 当成需要持续运营的共享资产:统一存放、版本化、按环境适配,并给高风险改动加审批。多 agent 不是多份 skill,而是同一份 skill 被多处引用。
- 想赚钱,增加收入,普通人是不是做自媒体更好
不一定。对多数普通人,自媒体更该先当低成本试水的事业,而不是稳赚的副业;它前期大概率不赚钱,成功标准要先定清楚。