夜雨聆风
AI深度赋能软件研发与产品设计
本文目录
#10倍加速的未来：AI深度赋能软件研发的全流程畅想
#除了当销售，AI如何掀起产品研发革命？
# 如何用AI提升“产品研究”的效率？
一、10倍加速的未来：AI深度赋能软件研发的全流程畅想
（原创 欣醒 欣醒）
在日益复杂的市场环境和高要求的交付节奏中，单靠人力加班“硬扛”已不再可行。如今的研发团队需要寻找新的效率增长点，而人工智能（AI）正迅速崛起，成为变革游戏规则的强力武器。本文将从需求、设计、开发、测试四大环节出发，结合当下“已经落地”的实用工具与一些“尚在未来”的前瞻性设想，帮你勾勒出下一代软件研发的全景图。让我们一起探讨如何在现实与未来之间找到平衡，让研发人员重新定位自己的价值。
一、需求分析与调研：让思维与视野更开阔
1. 当前主流：多语言场景的智能助理
-
ChatGPT（基于GPT-4）
-
场景：从零到一地梳理需求、协助头脑风暴、撰写需求初稿 -
价值：可根据技术栈、用户画像快速生成功能清单，并对边界情况提出补充建议 -
优势：在多语种和跨文化背景的团队中，能为需求沟通、文档翻译提供极大便利 -
通义千问（国内场景）
-
场景：国内特色业务、中文需求沟通场景 -
价值：对法规、政策等本土化要求有更敏锐的解析 -
优势：在中文环境下的准确度更高，能够减少翻译带来的信息误差
实用提示：如果你所在团队需要快节奏地完成需求收集或竞品调研，可先用上述AI助理工具生成初稿，再由产品经理或核心研发“人机协同”校对与完善。这能节省30%～50%的文档撰写和要点归纳时间。
2. 未来畅想：一体化市场洞察+需求决策系统
AI MarketLens（假想工具）
功能前瞻：联动全网的大数据动态（社交网络、搜索引擎、竞品更新等），实现自动化的市场洞察和“可行性评分”。 核心理念：在需求被正式提出之前，就能通过对用户反馈及行业趋势的实时分析，预测哪些需求更具价值或更具风险，并为团队提供“需求热度指数”。 对研发的意义：让团队从被动“看竞品、看用户吐槽”进化到主动捕捉潜在需求，做到“市场先行”，抢占先机。
二、系统设计：把复杂变简单，把风险消灭在早期
1. 当前主流：自动绘制架构图 + 数据建模
-
Lucidchart AI
-
场景：系统模块多、微服务分割复杂时 -
价值：通过简单描述，即可自动绘制初版架构图，并给出模块间解耦与性能建议 -
优势：视觉化程度高，适合在研讨会或远程会议中快速达成共识 -
阿里云DataWorks
-
场景：数据驱动型业务、大数据中台 -
价值：自动化的数据流设计和ETL流程搭建，适合处理多来源、多目标的复杂数据场景 -
优势：减少人工建模失误，一旦需求或数据源有变动，也能快速迭代
2. 未来畅想：自动“生成并验证”式架构设计
AI ArchiSense（假想工具）
功能前瞻：基于需求文档、团队技术栈和性能指标，自动生成多种可选架构蓝图。工具随后能进行模拟测试，如压力测试、安全防护、可扩展性评估等，并用可视化的方式呈现每种方案的优劣势。 核心理念：将“架构设计+验证”一体化，从初步构想到性能评估一次完成。 对研发的意义：避免团队在初期做出脱离实际的架构决策，直到系统成型后才发现隐患。让架构风险“零时差”暴露。
三、开发阶段：从人肉写代码到“AI产出+人类打磨”
1. 当前主流：智能补全与知识搜索
-
GitHub Copilot
-
场景：多语言、多框架项目的快速落地 -
价值：能根据上下文自动生成常见业务逻辑、单元测试、注释等，节省重复劳动 -
优势：与VS Code、JetBrains等IDE深度整合，使用门槛低 -
CodeGeeX
-
场景：偏国内技术栈或中文注释较多的项目 -
价值：对中文语义有更好支持，可在一定程度上理解并生成中文注释或文档 -
优势：能适配国内常见的框架、库，减少文档查阅时间
实用提示：在日常开发中，如果项目中大量存在“CRUD”或“标准化接口”，不妨让AI先行产出，资深工程师再进行高阶设计和优化。这种“人机协作”模型在多家公司验证过，可提高项目速度30%以上。
2. 未来畅想：对接业务逻辑的“自动编译并部署”平台
AI DevFlow（假想工具）
功能前瞻：既懂业务，也懂技术，可根据高层业务描述（如“需要一个秒杀活动模块，支持100万级并发”），自动生成可运行的服务骨架或函数；并在云端完成编译、部署及基础测试。 核心理念：从“代码级”智能走向“业务级”智能，让AI能真正理解产品意图，并一次性完成从需求到部署的基础流程。 对研发的意义：研发人员专注更高层次的战略规划、复杂逻辑或创新功能，不再被日常的环境配置、依赖管理、基础部署等琐事牵绊。
四、测试阶段：由事后补漏升级为全程“AI护航”
1. 当前主流：自动化测试与实时安全审计
-
Testim
-
场景：前端UI自动化测试、回归测试 -
价值：录制或脚本方式快速生成测试用例，每次迭代后可智能更新测试脚本 -
优势：显著减轻手动测试工作量，保持较高覆盖度 -
Snyk AI
-
场景：代码安全扫描、漏洞提示 -
价值：在代码提交或合并请求时自动扫描依赖库与业务逻辑的漏洞，给出修复建议 -
优势：覆盖主流语言和框架，让安全问题“早发现、早处理”
2. 未来畅想：主动式预测和防御的“AI测试大脑”
AI TestBrain（假想工具）
功能前瞻：通过分析系统设计、日志和用户行为数据，自动预测可能的异常场景和潜在Bug；并在开发阶段就生成测试用例和建议修复方案。 核心理念：把被动测试转变为主动预判，让系统在还没上线或尚未触发错误之前，就能根据模型预测来规避问题。 对研发的意义：彻底改变“先写完再测试、再修复”的模式，将测试环节全程插入到研发周期，大大缩短迭代周期。
研发人员的新定位：从“代码搬运工”到“创意与管理核心”
面对AI在需求、设计、开发、测试各环节的深度渗透，很多研发人员可能会担心“那我是不是要失业了？”。事实上，AI赋能的终极目标并不是取代开发者，而是让他们从繁琐、重复、机械的工作中解放出来，去从事更具价值、更具创意的工作。
-
需求与用户体验
-
未来研发人员将更多参与产品需求的定义、用户反馈的深度洞察，把握软件的创新方向。 -
AI能提供辅助分析和实现，但无法替代与用户之间的“共情”能力。 -
架构与安全
-
随着系统复杂度不断提升，高级研发人员在架构的鲁棒性、可扩展性、安全策略等方面依然拥有无可替代的经验和判断力。 -
AI可以帮助“预测和验证”，但最终决策需要人承担。 -
协调与管理
-
研发人员在团队管理、跨部门沟通、对外合作等场景下依旧是不可或缺的“人性化桥梁”。 -
AI无法完全掌握组织政治、文化与商业策略背后错综复杂的要素。 -
前瞻性创新
-
当基础逻辑与模板化实现大都由AI完成时，真正具备“想象力与创造力”的研发人员才能提出更具颠覆性的技术或产品方案。 -
这将是衡量研发人员核心价值的关键维度。
如何真正迈向10倍加速的未来？
-
全面拥抱AI：工具、流程、思维模式三位一体
-
在需求、设计、开发、测试所有环节都主动融入AI，构建一体化的“人机协作”流程，避免只是零星使用。 -
同时更新团队思维，让“先让AI给出初稿”成为习惯，并建立相应的评审、纠错机制。 -
加强知识管理与持续集成
-
在CI/CD流程中嵌入更多AI检测、自动化测试与性能分析；在企业内部建立统一的知识库，对每次AI决策或产出进行沉淀。 -
长此以往，可形成“自学习、自进化”的研发生态。 -
推动团队角色升级
-
鼓励研发人员向需求管理、架构设计、创新实验等更高价值领域转型，成为“AI驱动”的决策者与创意者。 -
培养跨学科能力，如数据分析、产品管理等，为个人发展打开新可能。 -
保持对前瞻性技术的敏感度
-
市场与技术的更迭日新月异，对于那些仍在实验室阶段的“AI新物种”，不妨多加关注和探索。 -
尝试在小范围试点，或与外部机构联合研发，提前为团队建立“未来竞争力”。
结语：让AI与研发“强强联手”，拥抱真正的创新时代
从“帮写需求文档”到“自动编译并部署”，再到“全程测试预测与修复”，AI正逐步渗透并改变软件研发的每一个细分场景。但正如前文所言，研发人员的地位并不会因此被削弱，相反，他们将扮演更富创造性与决策力的角色，让整个行业迈入一个更高效、更具活力的时代。
如今，一些工具已经投入实际应用，而另外一些设想或许在不远的将来就会逐渐浮出水面。相信在不久的将来，“10倍加速”不再是梦想，而是一批先行者们不断创造与迭代的全新现实。让我们共同见证这一变革！
二、除了当销售，AI如何掀起产品研发革命？
（原创 适道AI组 适道）
有句话说，初创公司只做两件事：拥有“产品”，把“产品”卖出去。
在“卖产品”阶段，AI+销售、AI+SDR已经成为了“香饽饽”赛道——例如11x，其“数字员工”Alice能够自动搜集客户List，然后通过电子邮件、LinkedIn消息挖掘潜在客户。据悉，11x的ARR已达到1000万美元，刚刚完成a16z领投的5000万美元B轮融资。另一家销售线索挖掘工具Clay，则整合了超过 75 家数据丰富的提供商，并结合Agent对网页信息进行爬取、判断比对、总结处理。目前，Clay的估值高达5亿美元，由红杉连投两轮。
在“造产品”阶段，AI同样被寄予“降本增效”的厚望。
一方面，研发支出金额庞大。英国最新统计数据显示，2022年研发支出达到710亿英镑，其中500亿英镑来自商业领域；在美国，这一数字约为8860亿美元，其中6900亿美元来自企业投资。
另一方面，庞大的研发支出必不可少。2023年，麦肯锡报告指出，预计未来5年内，包括汽车、电信、消费品等大型行业将有1/3的销售额（总值约30万亿美元）归功于新产品。
《哈佛商业评论》曾指出：如果一家公司将70%的资源用于核心项目创新，将20%用于邻近创新，将10%用于颠覆性创新，就能跑赢同行。同时，也有研究表明，技术公司应该在后两类创新上增加投资。
那么，AI将在产品研发中起到何种作用？近日，FT发布了一篇研究《AI and the R&D revolution》，探讨AI如何在产品研发的各个阶段大显身手。在不影响其原意的前提下，适道对文章进行了编译和适度改写。
1
-
所有企业的本质都是技术公司
创新的核心在于思维方式。卡内基梅隆大学的创业学（Entrepreneurship）教授Sean Ammirati表示，在研发部门营造一种创业文化有助于推动创新，大企业亦然。拥有这种思维模式的团队更有可能提出颠覆性，而非渐进式的产品开发方案。
他本人曾创立过多家机器学习初创公司，并认为许多企业未能在“邻近创新”和“颠覆性创新”上投入足够的资源。而在技术普及的当下，每一家企业在规划研发预算时都应将自己视为一家技术公司。
-
明确你的目标和目标客户
如果你是一家门窗制造商，请问你的目标客户是谁？
在爱荷华州，一家名为Pella的门窗制造商没有将房屋业主视为主要用户，而是将目光瞄准了门窗安装人员。他们开发了一种能够在室内安装的窗户产品，减少施工人员在高层建筑作业的风险。
目标对于研发流程同样重要，包括明确你的目标到底是——降低材料成本、工程成本，或是加快上市时间，还是三者兼有。牢记目标有助于设定KPI来评估流程。
-
可获取的数据越多，越容易把握客户需求
客户需求始终是产品开发的灵感来源。
打个比方，淘宝运营人员能够清晰地掌握——每天晚上九点半，25—30岁女性喜欢搜索的商品品类；然而，淘宝卖家却无法获取这些数据。
相较之下，品牌独立站（Brands hosting their own websites）的主要价值出现了，体现在其能保留并解读客户数据。这种即时洞察可以帮助企业优化、扩展产品线。
例如，内衣品牌Lively发现许多女性在搜索无肩带文胸，随即将其加入产品线；Tommy John观察到女性喜欢买男士内衣，随后推出适合女性的“贴身短裤”、T恤和裤装。
在数据收集和整理过程中，确保数据的准确性至关重要。尤其在部署AI系统时，其本质是基于数据的统计模型。一旦数据输入不够严谨，就会导致后续问题不断。
随着技术进步，越来越多的产品能够为“单一用户群”量身定制。例如，Rihanna创立的Fenty Beauty借助图像识别和机器学习，根据客户肤色提供相应的化妆品。耐克的 “Nike By You” 服务则允许客户从多种风格、颜色和设计中自由搭配，设计专属于自己的运动鞋。
“共创产品”超越了个性化服务的范畴。在这一过程中，客户不仅能够根据预设的选项提出修改意见，还可以直接告诉企业自己真正的需求，就像宜家做的那样。
在一场由网络营销服务商Bloomreach主办的AI峰会上，英伟达副总裁兼零售与快消品 AI 业务总经理 Azita Martin指出，对于许多公司而言，未来的挑战在于——如何快速满足高度个性化的订单需求——本质是为“单一用户市场”服务。从准确的需求预测，到提升分发中心效率，再到最后一公里的配送，AI都可以赋予零售商极大的灵活性。
2
即便拿不到数据，你仍然可以独立构思产品创意。
然而，如果借助AI，你可以从一个创意，甚至一个模糊的概念出发进行头脑风暴，完善产品构思；进行市场调研，看看是否有类似产品存在；分析竞争对手，获得实现差异化的建议。
AI还可以为产品提供多种版本和改进方案，以满足特定市场需求——有些可能是人类设计师未曾想过的细分领域。
当产品概念逐步完善后，AI能够协助制定市场测试策略，加速产品设计与测试流程，提供材料和采购，制造工艺方面的建议。这对于初创企业，以及小型企业特别有帮助。例如，滑雪手套装饰套制造商Skittenz的创始人通过AI探索适合的材料和制造工艺，并将其创意产品推向市场。
以下是研发中常用的工具：
1、市场调研：数字化分发的市场调查工具（如SurveyMonkey、Google Forms和Typeform）拥有广泛的覆盖范围和增强分析功能。
2、产品设计：用于工程、建筑和制造领域的CAD-CAM软件（如Autodesk、Siemens和Trimble）正在引入AI功能。生成式设计技术利用机器学习算法，依据不同参数（如材料经济性或结构强度）提出优化设计方案。只需工程师设定基本要求和约束条件（如制造工艺、承载能力和灵活性），系统就能提供多种设计变体，其中一些或具独创性。通过AI与上述工具的结合，研发团队能够以前所未有的速度和效率推动创新发展。
3、数字化原型：纯数字原型设计大幅降低了研发成本。企业可以借助云计算支持的机器学习模型，进行更多的数字化实验。同时，云计算意味着企业不再需要花大钱买内部服务器。该技术带来了真正的重大创新——提供了民主化的技术，小创业团队也能使用。
4、模拟测试：从市场策略到产品性能
模拟技术广泛用于测试营销策略（如A/B测试），帮助企业确定最佳的客户沟通方式。同时，它还可用于产品开发，测试材料与设计的不同变体。例如，Ansys、Matlab等工程软件可以帮助设计师创建虚拟对象，并在各种环境中测试其性能，包括流体和热动力学表现。这类软件的价值在于，即便没有物理原型也能进行测试。
市场接受度分析也是模拟测试的一个重要用途。与市场营销策略测试不同，它关注产品的可行性。例如，对比产品定价和性能，评估不同经济环境、竞争对手的影响。虽然模拟对处理能力要求较高，但云计算可提供支持。
5、3D打印：降低生产门槛
当模拟和测试成功后，企业可以利用3D打印推进产品开发，无需立即投资生产实际产品。过去，原型设计需要从图纸到粘土建模，进行多个步骤；如今，数字化大大降低了生产门槛。
生成式AI与3D打印的结合将进一步提升设计的灵活性。例如，设计者可以要求AI生成多种改进版本。博世开发的AI支持3D打印技术甚至可以实时调整材料输入、温度和压力，使原型质量与最终产品相媲美。该技术支持小批量生产，降低了大规模设施投资的风险。此外，博世的陶瓷3D打印技术还能准确模拟陶瓷在烧制过程中发生的不同收缩现象，确保高精度制造。
6、数字孪生：从理论到全生命周期管理
数字孪生能够在产品全生命周期中动态更新，提出改进建议。这一技术广泛应用于供应链、发电厂等设施的管理，有助于预测产品在长期使用中的表现。
根据Fortune Business Insights的预测，2030年，数字孪生将推动计算机辅助设计和产品生命周期管理市场规模达到264亿美元，其中北美市场将占约三分之一。尽管仍处于早期阶段，但安永（EY）强调“工业元宇宙”是数字孪生技术的下一个阶段。“工业元宇宙”包含对机器、工厂、城市等高度复杂系统的映射和模拟，为现实世界中的难题提供最优解，推动产业的数字化、智能化发展进入全新阶段。
7、协作软件：推动团队创新
基础工具如Slack可以支持团队讨论；更专业的创新管理软件（如Miro、Braineet和Ideanote）则能帮助企业记录想法与数据。这些工具虽然不能直接生成概念，但可以通过知识记录和分享，帮助团队更快地汲取失败经验并改进产品。
创新的关键不在于成功，而是能够快速失败，在实验中学习。企业保留失败实验的记录，同样能避免不必要的逆转决策，并确保数据准确性。此外，AI还可以帮助企业排查自身是否涉及侵权、违规。
8、未来展望：AI+量子计算
未来，量子计算有望在材料和药物研发中大显身手，模拟化学反应过程、优化现有材料。量子传感器也开始落地商业化应用，比如跟踪脑电波，或通过重力传感器分析地层结构。电池研究人员也已使用量子传感器分析微电流，提升生产效率。
尽管量子技术的广泛应用还面临诸多挑战，如环境敏感性高、能耗大和技术复杂性，但在未来2—5年内，随着相关技术的进步，其商业潜力将被逐步释放。通过AI和量子技术的融合，研发将迎来全新突破，推动创新的速度、深度达到新境界。
结语
今年7月，麦肯锡指出，分析式AI和生成式AI有望显著提升创新成果。其中包括：市场契合度提高至多50%，产品性能将改善15%—60%，工作效率提高至多50%，产品上市时间则缩短至多40%。
不难看出，产品研发的未来将是“人类与AI协作”。为避免AI的“幻觉”干扰，一条正确的思路是：将AI视为联合创始人，或是Human plus AI。AI更像是你的头脑风暴伙伴，而非帮助你完成所有工作的“克隆人”。
想要赢得未来，企业必须迎接AI革命。毕竟，我们已经处于“技术拐点”，而当年拒绝互联网的企业，如今大多已经烟消云散了。
三、如何用AI提升“产品研究”的效率？
（原创 三白有话说 三白有话说）
1.文章摘要
本篇文章三白将基于个人过去的实践和经验，重点向大家分享我是如何快速的构建一个产品研究的分析框架，并综合利用各种AI创作工具、AI搜索工具、知识和数据平台等，再结合个人观点原创，从0到1高效的撰写一篇相对有深度的产品研究分析；同时我也将分享，三白又是如何在总结经验和方法后，通过自研一个AI效率工具将整个流程产品化，以进一步加速研究输出的效率；
2.适合什么人群？
-
产品经理和市场研究人员，应用于竞品研究和竞品分析场景；
-
知识付费内容创作者，应用于高质量的产品研究分析内容的输出；
-
求职群体，包括办公白领和大学生群体，应用于求职某之前的面试准备；
-
金融研究人员，应用于金融场景下的产品研究与分析;
3.你将收获什么?
-
一套输出产品研究分析的标准流程和思路；
-
几个有效提高研究效率的AI工具和资料检索平台汇总；
-
三白对将整个研究的工作流通过AI产品化的思考历程和实践；
一.输出一个产品研究报告的过程
-
明确研究产品和研究目标；
-
构建产品研究的思路框架和研究大纲；
-
检索研究资料，建立产品研究的知识库；
-
资料阅读和信息整理，输出初步研究报告
-
细钻分析，信息校验，去伪存真；
-
融合个人原创和一手研究，形成深度分析报告；
接下来，我尝试以”ChatGPT产品研究分析“这个研究主题为例，具体讨论以上每个环节怎么做，以及可以使用到哪些效率工具，因为第一步确定研究产品和研究目标通常是一个前置条件，所以我们直接从第二步开始；
二.构建产品研究的思路框架和研究大纲
1.产品研究大纲框架总结
三白结合过往个人的工作经验，以及参考学习鹅厂大部分产品经理撰写竞品研究分析的的思路和习惯，总结输出了产品研究分析报告中最常见的十二个研究主题，并将其构建为一个通用的产品研究框架，具体见如下脑图，对于大部分初级的产品研究人员，基本上可以通过如下的框架快速的建立一个产品研究思路，三白目前针对所有产品的研究思路，也基本是参照这个框架来，分享出来供大家一起参考讨论；
2.如何快速的输出一个新产品的研究大纲框架？
个性化大纲输出的痛点
即使上面已经有一个现成的研究框架，但是三白发现，每当研究一个新的产品，套用上面的研究框架输出一个有个性化的研究大纲（而不是泛化的通用框架），差不多也要3~4个小时左右，也挺让人头疼的，效率也没有见得提高起来；
自己做一个AI生成产品研究大纲的产品
鉴于此，三白自己想了个办法把上面的研究框架产品化，并将整个大纲撰写的规则和知识沉淀出来，然后结合AI大模型的技术能力，自己开发了一个AI快速生成产品研究大纲的工具产品”AI快研侠“，并且历经将近一个多月的时间持续打磨和调教，目前快研侠可以基本在3~5分钟左右，快速的撰写出一个和我自己写的基本一致的研究大纲，这个极大的提高了我的效率，让我平均写一篇产品分析至少缩短了3~4个小时的创作时间；
跑一个具体的案例试试
接下来，我们以”ChatGPT产品研究分析“这个研究主题为例，尝试用AI快研侠生成一个对标上述研究框架的研究大纲：
以下示例图为AI实际生成的大纲内容，可以看到，该提纲基本按照我整理的框架输出，并且提纲还细化到了第三级提纲，且提纲的内容并不适合一个通用泛化的内容，而是围绕着ChatGPT这个产品的个性化内容；目前三白对于模型生成的大纲基本相对比较满意，只需要稍微调整一下即可直接使用，AI快研侠基本上成了我经常使用的工具；
三.检索研究资料，建立产品研究的知识库
工具推荐：Kimi、秘塔搜索、人人都是产品经理、研报平台、数据平台等；
避免重复造轮子
建立好研究大纲之后，接下来就是要围绕着大纲输出具体的内容，通常研究大纲里面有比较多的内容其实已经是已经有研究结果的话题，所以首先我们并不需要重复造轮子，而更多的是发挥知识梳理和汇总的作用，将初步的研究信息梳理出来，这个过程首先我们需要围绕着研究主题尽可能多的收集研究资料，包括研究报告、产品分析、用户研究报告等等；
常见的参考资料的检索工具
参考资料的检索，其实也是一个不容易的过程，找到一个高质量的参考资料通常也会消耗用户不少的时间和精力，因此三白结合自己的习惯和经验，整理了一个快速检索参考资料的平台合集，方便大家快速收集参考资料，具体如下：
-
AI搜索工具：最近三白用的比较多的搜索工具是kimi、秘塔搜索、天工等搜索工具，在减少广告和直达搜索结果方面，这几个产品确实比百度、谷歌等传统搜索引擎要好用一些，但是也存在着检索结果不全面、时效性低等问题；可以快速的获取一些参考资料，个人比较喜欢秘塔搜索，其检索索引的结果相对比较丰富；
-
产品经理社区：其次是从产品经理社区里面获取，不得不说人人都是产品经理社区里贡献了还是比较多质量比较高的产品研究分析，可以在里面搜索相应的产品研究物料；
-
研报平台、券商、证券公司、咨询机构：这些公开研报检索平台，通常会提供很多研究报告，有收费的也有免费的，也可以在这些平台试试看；
-
数据统计平台：可以在国家统计网等平台获取国家统计局公开的数据，这些一般可信度会高一些，然后第三方的数据服务平台里面，个人比较认可Questmobile上的数据，在准确度方面比较高；
-
公司财报平台：可直接在雪球、同花顺等平台下载指定公司的财报，一般如果公司已经上市，我基本都会优先找公司的财报，因为财报资料是非常优质的参考资料；
各个类型的检索工具详细列表如下：
| 分类 | 产品名称 | 使用链接 | 获取内容 |
| AI搜索工具 | 1.Kimi 2.秘塔搜索 3.天工 |
1.kimi： 2.秘塔搜索： |
精准检索网页、资讯、文档 |
| 产品经理社区 | 1.人人都是产品经理 2.PMCAFF 3.知乎 |
1.人人都是产品经理 https://www.woshipm.com/u/1554 2.PMCAFF： 3.知乎：www.zhihu.com |
产品研究、产品分析 |
| 研究报告平台 | 1.发现报告 2.艾瑞咨询 3.艾媒咨询 4.洞见研报 5.199IT 6.未来智库 7.烽火研报 |
1.发现报告： https://www.fxbaogao.com/ 2.艾瑞咨询： |
行业研究报告、公司研究报告、用研报告 |
| 数据统计网站 | 1.中国统计信息网 2.国家统计网 3.Questmobile 4.Similarweb 5.中国产业信息网 |
1.http://www.tjcn.org/ 2.stats.gov.cn 3.https://www.questmobile.com.cn/ 4.https://secure.similarweb.com/ 5.chyxx.com/data |
市场数据、用户规模数据、产品数据、行业数据等 |
| 券商和证券公司 | 1.东方财富网 | https://www.eastmoney.com/ | 券商报告 |
| 权威咨询机构 | 1.麦肯锡 2.贝恩 3.波士顿咨询 4.德勤 5.毕马威 6.IDC |
搜索官方网站 |
产品调研 用户调研 |
| 公司财报 | 1.同花顺、雪球 | 下载APP或打开官方网站 | 企业财报 |
4.资料阅读和信息整理，输出初步研究报告
大量的阅读参考资料需要消耗很长的时间
通过上一步，或许我们可以检索到比如十几份相关的参考资料，但是详细的阅读每一份材料并从中收集和汇总研究提纲范围内的信息并不容易，这个环节通常会遇到如下几个问题：
-
你并不清楚某一个研究提纲相关的内容会在哪份报告里面，这就意味着，你需要遍历所有的文档；
-
阅读大量的文档本身就会消耗你大量的时间，阅读后的你还需要记录笔记整理信息，这里也要费很大的功夫；
-
基于你的笔记，汇总整理出一篇基础研究报告，重新的撰写也需要时间；
以创作《深度剖析国民办公软件WPS》这篇产品分析为例，基本在这个环节里面，三白花费了将近一周左右的时间，有大量的时间基本都耗费在这里，所以输出一篇相对优质的分析报告是非常耗费时间的；这也是为什么三白每次内容输出的迭代速度非常慢的主要原因；
尝试用ChatGPT和Kimi等AI工具解决
为了提升在这个环节的效率，一开始三白尝试了使用ChatGPT，kimi等产品通过将多为文档上传然后通过多次对话问答的方式逐一的提问，让AI帮我提取参考文献中的资料，但是结果并不让人满意，主要存在的问题如下：
-
ChatGPT和Kimi等产品不支持批量问答，不支持一次性回答很多的问题，一旦问题过多，就会导致生成的内容质量下降，或者拿不到想要的结果，那就意味着如果我按照示例的提纲去一次一个子问题去提问，至少要经过数百次的对话问答，才能整理整个研究大纲，这个非常低效；
-
其次，即使我真的对话了数百次问答，我依然需要将这些碎片化的结果做信息整合，然后才能形成一篇研究初稿，整个过程并没有节约多少时间，依然是个费劲的体力活；
因此，用市面上通用的AI产品，并不能解决很好的解决前面提到的问题。
让AI帮忙阅读参考资料并整理生成研究报告
难受的一段时间之后，三白也决定接着前面AI生成研究大纲的流程，进一步支持通过AI完成批量对话阅读和信息整理的工作，把人工执行的东西通过AI做自动化的处理，因为本质上，我只要想办法让模型一次性的批量完成数百次的对话问答，并通过模型整理对话问答的结果，就可以完成以上人工操作的事情，看起来也并不是不能实现，因此我拉着我的研发团队们评估并着手实现；
经过2个多月的打磨和调教，中间攻克了各种异常问题，终于实现了让AI帮我根据研究大纲，从参考资料中批量提取相关信息，并以自然语言的方式整理输出成文档的能力；此外为了方便查找数据出处，我还增加了一个功能，能支持追溯AI生成的内容的参考信息来源，精准的定位出来AI生成的片段具体参考了哪个文档，这样我就不需要把所有文档都看完一遍才找到某个关键信息；
跑一个具体的案例试试
接着我们同样以”ChatGPT产品研究分析“为例，看看AI基于参考文档生成研究报告的效果如何？
首先我们基于前面已经建立好的研究大纲，明确好研究的内容范围，然后开始上传与该产品相关的参考资料，这就意味着，我将让模型参考和学习这几个文档，获取一定的知识认知；
然后，点击”智能生成报告“开始基于参考文献创作，经过3~5分钟左右的时间，大模型即可生成一篇数万字的研究报告，参考如下案例，AI生成了一篇字数长达9.6万字的研究报告，至此一篇初步的研究报告基本就完成了；
我们可以检验一下其生成的质量如何？抽取其中部分片段，比如关于chatgpt的产品介绍，包括产品的类型、上线时间、公司估值等信息，以及技术基础，其描述基本都是准确且真实的，因为有相对比较完整的参考资料，所以大模型可以创作出相对比较准确、真实、高质量的内容；
当然，对于一些参考文档没有覆盖或者模型暂时还没有学习到的话题，大模型会尝试自己创作，但有的时候它创作的内容不一定真实，只能作为参考，但是我们相信，随着模型的知识库和数据语料不断地更新，模型能力不断增强，这种情况未来会大大降低，短期你提供的资料越丰富，质量越高，也能相应的降低这种情况；
五.细钻分析，信息校验，去伪存真
接下来，对于AI生成的内容我们当然也不能完全相信其真实性，因为大模型的幻觉现象，有时候它写的东西可能是胡诌的，所以我们要尽可能的想办法识别出来，基于这个问题，我想到了如下几个办法：
1.支持AI生成内容参考出处溯源
对于AI生成的每一个片段，我们都明确的标记其生成内容的参考来源，给每个有参考来源的段落打上红色的索引标记，点击索引标记，可以查看原文片段的总结并且定位具体参考了哪篇文档，甚至后续我还会支持定位到页面；
2.区分模型基于参考资料创作的内容和模型自己发挥创作的内容
有索引标记的段落意味着该段内容是模型基于你真实的参考资料创作的，可能在真实性和准确性上会更高，而没有索引的则是模型自己发挥创作的内容，我们没有办法保证模型自己创作的内容一定是真实可靠的，但是我们首先可以想办法让用户区分出来哪些是模型自己写的。
3.细钻分析，深入研究
基本到这一步的时候，你需要细钻和深入研究的内容已经相对比较少了，这时候可以考虑用kimi和chatgpt做碎片化的对话问答，这个过程，你不需要繁琐的使用，只需要抽查确认几个关键的问题即可，其对话量远远低于前面执行一个完整大纲内容的对话量；
六.融合个人原创和一手研究，形成深度分析报告
前面生成的内容，基本只能说先快速完成了一个基础研究，虽然已经可以输入一个相对不错的研究成果，但是存在的问题是大部分是现成的或者别人的研究成果；缺乏个人一手的研究输出和原创内容，所以接下来需要做的事情，就是补充个人的思考和见解，这部分是需要依赖个人的专业度和视野的，目前这部分需要自己亲自下手，AI也没有办法替代你，但是只有补充上自己一手的研究和原创的观点，才能算形成一篇有态度、有观点、且有深度的分析报告。
至此，经过前面6个步骤，基本一篇相对成熟、有深度的产品研究报告就基本完成了，接下来让大家看一下我按照上面的步骤输出的“ChatGPT产品研究分析”的案例原文内容效果见下方文档链接（点击可直接查看），因为个人原创内容融入的比较少，目前输出这版内容比较粗糙，但是基本上已经能够给自己足够多的信息量，对于一个初步了解chatgpt这个产品的人来说，基本也够用了；
七.AI工具的结合帮我节省了多少时间
三白花了将近半年左右的时间，给自己打磨了一个提升自己创作和研究效率的AI工具，以前输出一篇分析，需要2周~1个月的时间，现在基本上，有了工具的支持，我基本可以在1~2个小时内快速形成一篇数万字的初步研究，预计2~3天内输出一篇相对有深度的产品分析出来，不仅让我的输出效率提升了7~10倍，也让我可以输出的内容更多；而我输出的这些分析结果，也帮助我能够给我的客户和用户们提供高质量的研究成果和服务；
当然，三白时刻谨记一点，AI本身是一个效率工具，我并不赞同拿AI作为偷懒的工具，输出一些粗制滥造的内容污染知识付费的环境，内容创作者应该保持输出高质量内容的初心，把AI仅仅当做一个提效工具，而不是替代自己的身体和大脑，个人的原创观点和输出，依然是最重要的，未来，三白也坚决不会用AI工具做批量洗稿生产水文的事情，OK，本次的分享就先到这。
1、如您转载本公众号原创内容必须注明出处。
2、本公众号转载的内容是出于传递更多信息之目的，若有来源标注错误或侵犯了您的合法权益，请作者或发布单位与我们联系，我们将及时进行修改或删除处理。
3、本公众号文中部分图片来源于网络，版权归原作者所有，如果侵犯到您的权益，请联系我们删除。
4、本公众号发布的所有内容，并不意味着本公众号赞同其观点或证实其描述。其原创性以及文中陈述文字和内容未经本公众号证实，对本文全部或者部分内容的真实性、完整性、及时性我们不作任何保证或承诺，请浏览者仅作参考，并请自行核实。