ARTICLE · 1317773

把 AI 当孩子养(一个产品经理的 AI 开发手记)

发布时间：2026-11-06 04:48:51 最近访问：2026-11-06 04:48:51

这是一场从美股聊起的对话，最后落在一个问题上：我们到底要做一个什么样的产品。
说话的人是做了多年产品经理的张建伟，带过二十多个开发，做过会员、做过交易平台周边的事。过去半年，他把产品从头重做了一遍，也把"怎么做产品"这件事重新想了一遍。下面是他的口述整理，保留了原来的说话方式，只去掉了重复和啰嗦。

Q1 后面美股你怎么看？

政治事件只会影响短期的预期和判断，不至于真的影响做事情。也不是打仗那种，喊停就停了。你说搞 AI、搞发展，谁也没有理由把它关掉、停下来。

竞选之前可能就是争取一下民意，真的上台了、执政以后，该干嘛还得干嘛。我觉得都一样。

Q2 那你今天动手了？

加了点期权，看多的，两个月之后的，小玩一玩。

感觉今天是最恐慌的一天。还有没有更恐慌的？也说不准，或者它就是一直阴跌，阴跌一阵也有可能。所以不敢大买，小买一买。

Q3 你说你最近又"上头"了，这次和半年前有什么不一样？

先说我自己的体感。去年 12 月，编程能力出来的时候特别好玩，紧接着那个"龙虾"发布，我从 12 月到 4 月一直处于非常狂热的状态，基本不睡觉，就来做这个量化系统。

但五六月份以后我发现一个问题：AI 其实啥也干不了。编程编一堆有什么用？一时爽，爽了半年，后来不知道用来干嘛，也不知道它能解决什么问题。

比如量化炒股，弄来弄去很复杂，不如自己看准一个赛道、看好一个公司，长期拿着。我发现自己折腾没有意义，不用搞什么量化，就是很简单的事情，不要搞复杂，所以我就停下来了。

然后 6、7、8、9 月一直到 10 月底，10 月二十几号开始，我又开始上头了。这次有几个变化。

第一个变化：现在的编程能力和半年前比，天差地别。半年前一大堆幻觉，跟你吹牛一样说很多，最后接口都没写出来，或者只有声明没有实现，你还得自己去看。现在上了很多补丁，工程上做了很多事，它会把 AI 经常犯的错误做检查，还有定时任务不停地在检查，AI 常犯的错误被这种系统手段弥补掉了。

所以编程起来非常顺利，可以说不需要是程序员了，你真的是一个产品经理就够了。

Q4 过去做产品经理，最难的是什么？

我们之前做产品经理，我在安全做会员的时候大概有 20 多个开发。在阿里、在淘宝，我算是开发多的、富得流油的那种类型。但我特别缺交互和前端，这是第一个。

第二个，我提一个产品想法，这帮开发就会说：你出个文档，你捋得细一点，考虑得周全一点，他才能开始做。你不能提一嘴，他没法做，中间有很多未知的东西。

对我一个产品经理来讲，出个文档也还好。但我没有交互帮我画原型，淘宝的产品经理会画原型的很少，就卡在 UI 上。那最后就算了吧，这个需求不做了。很多时候我就不做了，因为我不是非得求着开发做这件事，我还有别的事情要做，不一定非得迭代这个产品。

所以过去研发产品有两个瓶颈：第一，压根没有开发人员，大部分产品经理面临的都没有开发；第二，哪怕有了开发，你的需求是不是足够细、足够完整，你得是个项目。短平快的迭代很麻烦，开发会说"聊了半天，你就改这么几个字"，觉得特别扯淡。尤其是复杂系统开发，看不上这种"完了改个文案"。

Q5 然后呢，产品经理会变成什么样？

开发会提一个别人家的产品理念，跟产品经理说：你看乔布斯说了，这个产品得这么做。你很难说服他，因为网络上有大量这种产品经理的经验，开发拿着这一套过来跟你扯。

我们自己其实也很纠结：这个是不是不能这么搞，得这么搞，因为资源有限，我们要尽量吸取前人的经验，装得自己是一个逼格比较高的产品经理，不能傻不愣登上来就说一些特别低级、初级的需求。

最后导致很多所谓的理念都是道听途说，别人说的并不是真的，也不是自己踩了坑总结出来的。这就导致产品经理的知识都是假的，都是空中楼阁，都是道听途说，不是自己实践出来的。

现在 AI 开发这么爽，以后我们自己迭代起来就很爽。我灵光一现，就让 AI 去搞，搞出来不行再回撤，反正蹂躏 AI，AI 又不嫌弃我们。

那我们就可以把之前所谓"不应该这么设计"的想法改掉。今天我就不这么想了：哎，要不试试看嘛。以前从来没这么乱搞过，搞一把，不行再改回来，我可以去试错，真的去感受搞错了会怎么样。

这个时候我觉得产品经理才真正打开了做产品的正确之路：有想法就去迭代，有想法就去迭代，最终找到一个自己觉得比较满意的产品状态。

Q6 AI 这么强了，还需要做互联网产品吗？

我之前也有这个疑惑：AI 这么牛逼了，还要编程开发什么互联网产品？是不是将来都不用这种形态的东西了？

但我记起产品经理的一个理念：你要给用户一个确定性，产品要给用户一个预期，相对结果是确定的。

你不能买了一个沙发以后，发现这个沙发可以当床、还可以按摩，又没写在说明手册里，这沙发还会变成机器人，满家在那里扫地，那是不行的。用户所要的沙发跟他理解的沙发应该是一致的，你最多搞个沙发床了不起了，不能变成万能的沙发。

所以我觉得 AI 目前回复内容的确定性是不够的，用户最终还是会在他固有的认知里面。要有一个确定性的产品，要有边界感。

那么过去这种产品形态应该还会在，但可以做得更好：

产品层面：我们可以真的做好产品。
技术实现层面：整个架构都要调整。
- 安全性：以前的代码里全是漏洞，现在的漏洞是根本代码的漏洞，挖是挖不完的，修也是修不完的。可以说过去的基础设施就废了，需要重新来造。
- 架构融合：过去的技术架构没有 AI 大模型参与，未来有了之后，完全可以把它运用进来，产品设计上会更灵活，设计得更体贴用户。

Q7 能举个具体例子吗？

我们过去在淘宝的时候，用户买个东西，这个东西在商品库里面，专门有一堆技术在维护这个商品；用户下个单，就有个订单数据库，交易平台的这帮人维护这个订单。

每一个业务背后的数据量都很庞大，从技术上讲，就有一个很大的技术团队在维护，然后又配了一堆产品经理。

用户在"我的订单中心"想搞个什么东西的时候，就会发现他的任何一个需求都要去调度很多数据中心，每个数据中心都是几十亿条数据。不可能一个开发团队、一个产品经理把这个事情全兜下来，就会导致要做很大的跨部门协同，才能把一个用户很小的需求做出来。因为用户会觉得这个事情很简单：我每天逛淘宝最多逛一次，一年也就 300 多次，看过的商品有限，买过的东西也有限。对一个人来讲，理论上一个文档就可以把这个人在淘宝上的所有信息全保存起来。

但我们现在的架构不是这样，而是分布在多个很大的数据中心里去捞数据，跨部门协同做个东西很费劲。

如果把用户所有产生的行为都存在一个文档里——有可能看了个商品，有可能下了个订单，有可能退了个货，这些结构是不一样的。以前结构不一样，就得存在不同结构的数据库里。现在没关系，都能存在一个文档里，这个文档就可以交给 AI 去做推理。

用户要实现什么，产品经理说基于这个文档给他推理一下，把 UI 的内容生成并填上去就可以了。产品经理只需要把 UI 做得让用户有比较确定的预期，背后的计算逻辑全部交给一个推理引擎，基于用户的个人文档去做推理。

当然，老的那个架构还在，但它不直接服务用户，那是内部的事情。

Q8 你打这么多字，是手打的吗？

不是手打，是微信的输入法。

手打解放不了生产力，打字太累，把思维都打断了。直接说的话，思维不会乱。

因为我最近搞 AI 开发，发现你要跟 AI 多说几句话，哪怕是废话也行，一定要用语音输入法跟它讲。打字的话容易只说几个字，AI 也理解不了。

而且我在三四月份就发现，我其实不需要 Claude 的 API，国产这些大模型随便给我一个都行，只要免费就行。为什么呢？我就觉得它们编程能力是一样的。

Q9 现在用的哪个模型？

我现在哪个便宜用哪个。按我这个方法，我发现编出来都一样的。

Claude 牛逼的地方在于，它自己会激活自己的神经单元，激活得比较好。像我这个，哪怕给我一个笨一点的、不会自己激活的，我也能帮它激活。

因为大模型的数据结构，模型本身差不多就是一个神经网络，看你到底激活哪些位置是很关键的。激活以后，它产出的东西基本上是一样的，就很流畅。你激活不了这个区域，比如只激活了一小片，那它产出就很不全面；你想办法激活一大片，它产出的就差不多了。

国内模型唯一有一个问题：现在 DeepSeek 他们搞的那个专家模型，什么 24 个专家，它不会给你全部激活，只给你 3 个专家去激活，就是为了省算力。这个就很操蛋——你激活不了全部，不管下什么指令，它给你分配的专家都是有限的，出来效果就会差一点意思。

现在国产的编程专家是给够了，编程相关的专家肯定一次性给齐全，但其他领域的专家在编程的过程中就不一定能激活。

所以碰到其他业务问题，你要单独开一个对话，让它去问业务层面的问题，去激活其他专家，这个地方就会有点慢、有点卡。

你一会儿要让它分析方案、激活业务思维，一会儿要让它写代码，要分开来，不要一次性干。一次性干，它激活不了那么多，就会干得很错。

所以要多思考，让多个专家先探讨，方案过上几轮，接着再去开发。多个专家有一个层次感的配合，虽然效率低，需要来来回回问几次，但最终拿出来的结果是一样的。

像 Claude 一次性就可以激活所有专家，相当于帮你去思考了，出的结果就非常牛逼。所以从这个角度讲，Claude 这种高毛利的 API，其实是最省钱的，因为你一次性就搞定了；DeepSeek 这种你得问很多次最后才搞定，反倒要多掏钱。

Q10 那你是怎么"帮它激活"的？

我磨合之后，觉得我跟 AI 编程有这么几个阶段。

一开始就是下命令：你这么干那么干，我靠，你不会干我教你干。我本身就是程序员，也是产品经理，我会教 AI 怎么做，就会下这样的命令。

但它做出来总有偏差，就跟你当老板给员工下命令一样，你让他这么做，他总是做得不尽人意。因为他不是你，他没办法像你那样思考。你脑子里这个脑神经可能激活了 10 万个单元，你最后就说了 10 个字；这个程序员基于这 10 个字也要激活 10 万个单元，所以中间必然有偏差。这就是"下命令式"的问题。

后来就不下命令了：提出一个目标，让它给你几个方案，我们再挑一个方案让它去做。再升级一点，两个方案你都做，然后对比一下——这就是诱导式。给目标，诱导它去想方案，然后去落地。这是第二个阶段，一个很聪明的 leader，引导 AI 去实现目标。

这个阶段又会遇到问题：AI 会给我大量方案，Plan A、Plan B、Plan C，老板你来确认走哪个。当我们有多个 AI 同时干活、同时给出方案性选择的时候，就会发现根本不想看那些 Plan A、Plan B，太累了，看不过来。

那怎么办呢？就到了后面这个阶段：你要相信 AI。不能像初级那样很暴力地命令它做，也不能商量着来做。它跟个孩子一样，长大后你就应该让它独立去做。如果能独立去做，那就完全自迭代了。但现在还实现不了，相当于它还没有真正进入一个完全智能的时代，我们中间还是要想办法扶一下这个孩子。

我现在是这样的：跟 AI 提需求，我会用语音输入法跟它说："哎，你看我有这么一个需求，大概是这样的。"

讲完之后，这就是给它指了一个方向，一个 A。对计算机来讲，这就是一个向量，一个箭头。我输入了一堆字，它最后理解成了一个箭头。

如果我到此为止，这个向量到了它的神经网络里，它就会把这个向量算出来，跟整个知识库的空间做一个交叉运算，然后"砰砰砰"就开始干活了。这就是过去的"下命令模式"。

后来我觉得这样不行：给了它一个方向之后，马上给它第二个方向——反方向。我马上否决刚才提的想法，说："哎，我觉得这个需求不对，好像不能这么搞。"反过来看这件事，就是我给它第二个向量，这个向量跟刚才那个是反着的。神经网络收到这两个箭头以后，它会朝前看也会朝后看。因为这两个正好反着，它至少会激活两个空间，它会发现："哦，老板给的命令其实是矛盾的、不够清晰的，我要自己算一下，到底是往 A 走靠谱还是往 B 走靠谱。"

它自己会去算。

好，这个阶段还不够。因为这之后它不是选 A 就是选 B，或者做个 AB 混合方案给我。

所以这个时候我要再给它一个箭头，我说："其实我刚才提的这两个都不对。我其实不太懂这个玩意儿，你来全盘分析一下。可能既不是 A 也不是 B，也不能是 AB 叠加，而是有新的想象空间，到底是什么我不知道。"

你看，到此就结束了：第一个让它往前走，第二个让它往后走，给了一个矛和一个盾；然后打乱它——我说的这些都是错的，你自己看着办。这个时候，AI 除了激活向前的箭头、向后的箭头并重新计算以外，我给了它第三个选项：其实这两个箭头都不重要，它要在计算的过程中去寻求一个最优解。

那个箭头也可能指向其他地方，它要自己去算。所以最后它会给出一个 Plan C 或者 Plan D，可能跟 A、B 方案都没有关系。

在这个过程中我们给了它三个指令：第一个是向前走，第二个是向后走，它就开始纠结；第三个是都错了，也可能朝别的方向走，它就开始探索。这样就会激活它大量的神经网络单元，脑细胞就点亮了，它就开始很全方位地思考这个问题。

不像之前给它一个箭头，它就完全服从我们的指引去做事情。当我们的指引其实又不够，它又没有经过严肃的推理和计算，那它做出来的东西肯定不符合预期。

像我刚才这么一顿操作出来之后，它做的东西反倒会让我觉得眼前一亮，它还会把原因和分析过程告诉我。我长时间看完以后发现，其实不用看它这个原因，只要这样操作下来的，基本都是及格了。

所以我现在整个人进入一个 250 的状态，跟 AI 提任何问题都是先说往东，再说往西，再否定往东和往西，然后让它自己搞，搞完我也不看。最后我就是测试一下真机，跑一下看看效果，有啥不满意的，就继续用这样的方式跟 AI 沟通。

所以我在 AI 面前应该是一个什么状态的老板呢？一会儿说往东，一会儿说往西，一会儿又很不负责任、啥也不管。我觉得这样的孩子才能长大。