产品经理 AI 编程实战 · 第 2 篇（共 8 篇），上一篇你用 30 分钟做了第一个产品原型。

PM AI编程实战①·装好工具，先做什么？

这一篇解决你接下来一定会遇到的问题：做着做着AI就乱了，越改越崩，改了半天的东西不能用。

答案是——你想一步到位了。

读完这篇，你能带走：

四层递进法（功能→能力→交互→视觉）

五种 Prompt 模式速查

三种项目类型的选择指南

辅助工具箱（Preview / Design Skill / Code Review / GitHub 搜索）

管理 AI 的关键动作 + 70/30 法则

防漂移检查清单

第一大坑：一次给 AI 太大的任务

产品经理有一个职业本能——拿到需求，脑子里自动展开完整画面。功能、交互、视觉、边界情况，全想到了。

这个本能在传统工作中是优势。在 AI 编程中，它是最大的坑。

你会把"完整画面"一股脑丢给 AI。AI确实会试着一次做完——但它会在过程中做大量你没要求的假设，遇到问题就推翻之前的结构，引发连锁 bug，越改越乱。

Product Talk 的创始人Teresa Torres 把这个现象叫做“死亡循环”——你遇到 bug，AI 说修好了但没修好，怎么说都修不好。通常是因为需求不清晰、中途反复改主意、或者AI中途换了技术方案。

怎么判断你的任务是不是太大了？

简单功能1个prompt搞定。中等功能3-5 个 prompt。复杂功能10 个以上。如果你一个 prompt 里描述的内容超过了"中等"范围，就需要拆。

好坏 prompt 的区别一眼就能看出来：

❌ "帮我做一个数据看板"

AI 用默认指标、默认布局、默认配色——做出来跟你想的完全不一样。

✅ "帮我做一个自由设计师用的项目收入看板，显示月度收入、按客户分类的活跃项目、按截止日期排序的待付款发票"

指定了用户、指标、排序逻辑。出来直接可用。

判断标准：如果你的 prompt 可以描述一千个不同的产品，那就太模糊了。

四层递进法

破解死亡循环的方法：一次只做一层，做完再上一层。

图里已经列清了每层的目标、时间和检查标准。补充两个关键点：

第一步的隐藏步骤：先描述数据模型。vibecoding.app把"不提供数据模型"列为排名第3的常见错误。在做第一层之前，先花 30 秒写清楚数据关系：

数据关系：- 用户有多个项目- 项目有多个任务- 任务包含：标题、描述、截止日期、状态（待办/进行中/已完成）、负责人- 一个用户可以参与多个项目

AI 不说就会自己发明一个数据模型，大概率跟你业务对不上。后期改数据模型的成本远大于一开始花 30 秒说清楚。

为什么这个顺序重要？ 每一层都在上一层稳定的基础上叠加。如果第一层就同时做功能和视觉，AI 修功能 bug 会把视觉改乱，修视觉会破坏功能逻辑。一次只处理一层复杂度，AI 犯错概率大幅降低。

这不是个人经验——Observe的产品 VP、Google Chrome 团队的 Addy Osmani、Product Talk 的 Teresa Torres，三个不同背景的人得出同一个结论：拆开来做，分层验证，别一次性给 AI 太大的任务。

五种 Prompt 模式

四层递进法告诉你做事的节奏，五种 Prompt 模式告诉你每一步怎么跟 AI 说话。

"橡皮鸭调试法"是程序员圈子的叫法——把问题说清楚的过程本身就是解决问题。用在 AI 编程里就是：想不清楚的时候，先跟 AI 聊，不让它动手。

PM 日常最常用的组合是 ③增量构建 + ②约束先行——跟四层递进法天然匹配。

五种模式不是孤立的，它们配合四层递进法一起用。下面是一个完整示例，标注了每一步用的模式：

第一层·功能 → ③增量构建 + ②约束先行

一次只做一个核心功能，明确说"不要"做什么。

先不管样式。帮我把任务看板的核心逻辑跑通：- 三列布局：待办、进行中、已完成- 每列显示对应状态的任务卡片- 不要加拖拽，不要加筛选，不要改样式

第二层·能力 → ③增量构建 + ②约束先行

在上一步的基础上增量叠加一个功能，约束不动已有的部分。

把新增任务的功能接上：- 点击"新增"弹出表单- 填写标题和选择状态后，任务出现在对应列- 不要动现有的列布局和卡片样式

第三层·交互 → ③增量构建 + ①上下文先行

给 AI 当前系统的上下文，再增量补充交互细节。

当前系统已经有三列看板和新增任务功能。在此基础上优化交互：1. 任务卡片支持拖拽切换状态2. 空列显示"暂无任务"3. 新增表单标题为空时给出提示不要改配色和布局

第四层·视觉 → ④示例驱动 + ②约束先行

用截图作为设计参考，让 AI 照着做，而不是自由发挥。

参考这张截图的风格优化整体视觉：- 统一圆角、间距、阴影- 主色调蓝色，状态用颜色区分- 卡片 hover 有轻微抬起效果- 不要改功能逻辑和交互行为

先不要写代码。我想给看板加一个任务优先级功能，帮我分析一下加在哪个位置合理、交互上怎么设计比较好、有什么坑。

每一步都有"不要"——约束先行防止 AI 越界。

三种项目类型

开始之前还要搞清楚一件事：你要做的是什么类型的项目？ 类型不同，难度和做法差别很大。

纯前端 Demo：

只有界面和交互，数据是模拟的。适合方案演示、原型评审、客户展示。

上一篇你做的产品原型就是这种。四层递进法完全适用，重心在交互和视觉。

纯后端系统

只有逻辑和数据处理，没有界面。跑在命令行或作为 API 服务运行。适合数据处理、自动化、监控工具。

对 AI 来说，纯后端反而最简单：

没有视觉和交互的复杂度，就是纯代码逻辑——AI 最擅长的领域。

举个真实案例：Universal-SciAgent是我做的一个多智能体科研助手，四个 Agent 串联工作——文献综述 Agent 检索论文，假设生成 Agent 提炼研究方向，实验设计 Agent 规划实验方案，论文撰写 Agent 输出初稿。接了 arXiv、Semantic Scholar、PubMed 三个学术数据源。

整个项目没有一行前端代码，纯 Python 后端 + API 接口。这种项目对 AI 来说就是最舒适的领域——逻辑清晰、结构可拆、每个模块独立可测。

项目开源地址：github.com/wanghui2323/Universal-SciAgent

关于这个项目的完整构建过程，可以看这篇文章 👇

【AI科研】Vibe Working从0-1构建科研智能体开源项目

GitHub 上有大量类似的开源项目。做纯后端系统不要从零开始——先搜索类似仓库，让 AI 基于现有方案改造：

参考这个 GitHub 仓库的实现方式：[仓库地址]帮我做一个类似的 [你的需求]，但要根据我的场景做以下调整：[调整点]

站在开源社区的肩膀上，比让 AI 凭空发明快得多。

前后端完整系统：

既有界面，又有后端逻辑和数据存储。适合内部工具、数据看板、项目管理系统。

这种最复杂，但价值也最大。四层递进法在这里最关键——如果一上来就想做完整系统，死亡循环概率最高。

同一个需求可以做成不同形态。拿我之前做的 AgentGuard（AI Agent 安全监控工具）来举例：

纯前端版：可视化监控面板，数据手动输入或模拟数据，用于演示和汇报。单个 HTML 文件，浏览器直接打开。

纯后端版：命令行工具，自动扫描 AI Agent 安全风险、追踪 Token 使用、生成报告。无界面，纯脚本运行。

完整版：Web Dashboard + 桌面悬浮球 + 后端自动采集 + SQLite 数据库。实时监控 12 个 AI 工具的安全状态和成本，打开就能看到数据。

三种都有价值。第一次做选纯前端 Demo，有了信心再挑战完整系统。

AgentGuard开源代码：https://github.com/wanghui2323/agentguard

辅助工具箱 + 管理 AI

辅助工具

四层递进法的每一层都有成熟的工具辅助。不需要一次全装，用到哪层装哪个。

Preview——Cursor 和 Trae 都内置了浏览器预览，不需要额外安装。改完代码直接在工具里看效果。养成习惯：改完就预览，预览发现问题就改。

Frontend Design Skill——让 AI 生成的 UI 告别模板风格。第四层做视觉打磨时装上。👉安装地址：cursor.com/marketplace/skills/frontend-design

Code Review Skill——每一层完成后让 AI 审阅代码质量，用多个视角检查问题。👉安装地址：cursor.com/marketplace/skills/cereview

GitHub 仓库搜索——做纯后端项目时，先去 GitHub 搜类似功能的开源项目，把仓库地址给 AI 让它基于现有方案改造。👉直接在 github.com 搜索你要做的功能关键词

Skill 不是越多越好。装太多会占用上下文窗口，让 AI 变慢。只装当前需要的。

管理 AI 的关键动作

图里已经列清了启动前、执行中、完成后的三个关键动作和 70/30 法则。这里直接给对应的 Prompt 模板：

启动前——让 AI 确认理解

请先确认你理解的需求，列出执行步骤。确认后再开始，不要直接写代码。

执行中——防止越界

只修改我提到的部分，不要改动其他文件。修改完告诉我改了哪些文件、每个改了什么。

完成后——Bug 排查

不要直接改。先列出可能的原因和可能性。我确认方向后再修复。

阶段性总结

总结目前完成了什么、还剩什么。列出已确认的决策和待确认的问题。

知识点 + 防漂移

理解 LLM 的三个核心机制

AI 有记忆容量上限。 对话太长，早期内容会被挤出去。AI 不会告诉你它忘了。所以长对话要定期总结，一个任务做完就新开对话。

你说的每句话都在消耗容量。 "帮我做个好看的页面"消耗了容量但没传递有效信息。"列表页，深蓝主色调，参考飞书风格"信息密度高 10 倍。

给的信息越精准，输出越好。 这就是为什么上一篇强调"把截图发给 AI"——一张截图传递的上下文比 500 字描述还多。

防漂移检查清单

最后这张图打印出来贴在桌上：

最后的话

这篇给了你一套方法（四层递进法）、五种跟 AI 说话的方式、一箱辅助工具、一份防翻车清单。

东西不少，但核心就一句话：

一次只做一件事，做完再做下一件。

听起来简单，但这恰好是 AI 编程里最反直觉的事——因为 AI 让你觉得什么都能一步到位。能不能抵抗住这个诱惑，决定了你是在死亡循环里转圈，还是一条直线走到终点。

下一篇我们开始做具体的东西。

下一篇预告

方法和工具都有了。下一篇进入第一个具体场景：20 分钟做一个 AI 需求评审工具——你的 PRD 写完后，让 AI 从技术、产品、业务三个视角帮你查漏洞。

评论区回复「实操手册」，获取全系列配套工具包，飞书文档，随时查阅。