前言

7 月 18 日下午，我来到济南高新区齐鲁软件园，参加火山引擎 ADG 济南社区举办的线下实战沙龙。

这次活动的主题对刚接触 AI 的朋友来说非常友好。

小白也能轻松 Vibe Coding，从 0 到 1 做出自己的第一个 AI 作品。

活动开始前，我在门口看到立式海报时，第一感受是这个主题很符合当下很多人的真实状态。大家已经听说过大模型、智能体、Vibe Coding，也用过豆包、DeepSeek、ChatGPT、TRAE 等工具，但真正到了自己动手时，依然会遇到一连串问题。

该做什么产品，需求怎样表达，AI 能不能理解，项目如何拆分，代码生成之后怎样验证，做完以后又怎样交付。

这些问题表面上分别属于模型、产品和开发，实际连在一起，就是一个 AI 项目从想法走向成果的完整过程。

这次活动安排了三场主题分享。

我负责第一场《AI 通识课 从大模型到智能体时代》，潘俊杰老师分享《如何用 AI 定义好你的产品 PRD》，孙斌老师则通过《用 TraeWork × AgentPlan 打造你的自媒体工作流》，把前面的模型能力和需求定义进一步带入实际执行。

回头看这三个主题，它们刚好组成了一条相当完整的路线。

理解大模型与 Agent
        ↓
把模糊想法整理成 Mini PRD
        ↓
通过 Agent Plan 拆解任务
        ↓
交给 TraeWork 持续执行
        ↓
人工检查、修正并完成交付

这也是我在整场活动结束后，感受最深的一点。

Vibe Coding 的价值并不只在代码生成速度。它正在重新连接模型能力、产品定义、任务规划和工程执行，让更多人有机会参与完整的产品创造过程。

一、第一场分享，从会回答的大模型讲到能推进任务的智能体

作为当天第一位分享者，我承担的任务更偏向铺设背景。

在正式介绍 Seed 2.1 和 Agent 之前，我先向现场问了一个问题。

过去一周使用过豆包、DeepSeek、ChatGPT 或其他 AI 工具的朋友，可以举一下手。

现场大部分人都举起了手。

接下来我继续问，用 AI 写过文案、总结材料、生成图片的，继续举着。然后再问，真正让 AI 连续帮助自己完成一项任务，最后形成可以直接使用成果的，还有多少人。

到第三个问题时，现场举起的手明显少了一些。

这个变化很好地说明了当前 AI 应用的真实状态。

很多人已经进入了 AI 工具使用阶段，但主要使用方式仍然集中在单轮问答和内容生成。AI 帮我们写一段文字、总结一份文件或者生成一张图片，这些能力已经非常成熟。

当任务变成整理多份材料、调用不同工具、持续跟进状态并最终交付一个结果时，使用难度会迅速增加。

1. 大模型的能力边界正在向工作过程延伸

过去我们判断一个模型是否强大，经常关注知识问答、数学推理、代码生成和上下文长度。

这些能力依然重要，但已经无法完整解释一项真实工作能否完成。

例如，让 AI 写一份企业经营分析报告，第一版内容可能非常流畅。等业务人员检查时，却发现数据口径没有统一、部分数字已经过期、图表与正文之间存在矛盾。

这份报告具备较好的文本质量，却还没有达到交付标准。

因此，大模型进入真实工作以后，评价对象会继续扩大。

我们需要观察模型能够连接哪些文件和系统，任务执行过程中保存了哪些状态，工具调用失败以后能否恢复，结果由谁检查，完整任务花费了多少成本。

我在现场把这种变化总结为一句话。

过去我们关注 AI 会不会回答，现在更需要关注它能不能把事情继续往前推进。

2. Agent 的核心是持续推进机制

Agent 经常被描述成数字员工或者虚拟同事，这些说法容易让它显得过于抽象。

在我看来，更容易理解的方式，是把 Agent 看成一套由目标、状态、工具、反馈和验收组成的任务机制。

它需要知道最终要完成什么，能够把任务拆成若干步骤，保存已经做过的事情，在适当的时候调用工具，并根据执行结果继续调整。

以会议管理为例。

AI 生成会议纪要只是第一步。真实工作还包括提取决议、确认责任人、设置截止日期、创建任务、发送提醒和回收完成状态。

纪要属于内容，事项推进才进入工作流。

这也是大模型走向 Agent 后最明显的变化。

模型开始拥有更长的任务周期，也开始接触更多真实工具。工具连接范围越大，它能够承担的工作越完整，相应的权限、日志、审批和风险管理也会变得更加重要。

3. Seed 2.1 更接近真实生产力场景

在这一部分，我也介绍了豆包大模型 Seed 2.1。

Seed 2.1 将通用 Agent、Coding、多模态理解和企业接入放到了同一条能力链路中。

它可以处理长文档、图表、图片和视频，围绕目标拆解任务并调用工具，也能够在复杂工程任务中根据测试和反馈持续修改。

对于普通用户来说，这意味着 AI 可以处理更完整的材料和任务。

对于开发者来说，Coding 能力开始从生成代码片段，走向理解需求、修改项目、运行测试和修复问题。

对于企业来说，模型还需要通过火山方舟等平台，连接 API、知识库、MCP、权限、评测和业务系统，才能真正进入生产环境。

我也特别提醒现场的朋友，企业选择模型时，需要关注一次合格交付的完整成本。

模型调用费可能只有几元，但如果结果需要人工修改一个小时，真实成本依然很高。反过来，能力更强的模型虽然单次调用费用较高，只要完成率和结果质量明显提升，总成本可能更低。

技术参数决定模型的能力上限，工作流和组织方式决定这些能力最终能产生多少价值。

二、第二场分享，AI 降低了开发门槛，产品定义依然需要被认真对待

我的分享结束后，潘俊杰老师接着讲了《如何用 AI 定义好你的产品 PRD》。

这场分享与前面的内容衔接得非常自然。

前一场解决的是 AI 现在具备了哪些能力，第二场开始回答，面对一个具体想法，我们应该让 AI 做什么。

潘老师在分享中提出了一个很准确的判断。

AI 降低了开发门槛，但没有同步降低产品门槛。

现在让 AI 生成一个页面已经很容易。

输入一句帮我做一个个人网站，AI 很快就能给出首页、导航、卡片、按钮和联系方式。页面可能看起来很完整，代码也能运行。

真正使用时，问题才会慢慢暴露出来。

这个网站给谁看，访客进入以后要理解什么，最重要的行动是什么，哪些功能首版不需要，怎样判断页面已经完成。

这些问题没有定义清楚，AI 会根据常见模式自行补充假设。生成速度越快，错误方向上的返工速度也会越快。

1. PRD 正在成为人与 Agent 之间的协作协议

传统 PRD 主要写给产品、设计、研发和测试团队。

进入 AI 开发场景后，PRD 还要同时服务 Agent。

格式是否精美已经不再是核心，真正重要的是它能否直接指导下一步行动。

潘老师把 AI Mini PRD 拆成几个关键组成部分。

• 目标
• 用户
• 场景
• 主流程
• 功能与边界
• 验收标准

这几个部分看起来很基础，却能够直接影响后续结果。

以个人官网为例。

如果主要访客是招聘人员，页面会强调工作经历、岗位能力和项目贡献。

如果主要访客是潜在客户，页面则需要优先回答能够提供什么服务、做过哪些案例、如何建立联系。

同样是一份个人经历，因为目标用户不同，最终产品结构会完全不同。

2. 先明确目标，也要明确暂时不做什么

我很认同分享中关于非目标的部分。

很多 AI 项目做着做着会越来越大，一个简单网站很快增加登录、支付、CMS、预约、复杂动画和内容社区。

功能越来越多，最初需要解决的问题反而被埋住了。

Mini PRD 需要同时写清楚目标和非目标。

例如，一个个人官网的首版目标，可以是让潜在客户在三分钟内理解自己能够提供什么服务，并找到联系入口。

那么登录、在线支付、内容管理和复杂预约系统，都可以暂时排除在第一版之外。

这个过程实际是在保护项目边界。

AI 的执行能力越强，边界定义越重要。因为它会非常积极地补充内容，也会非常快速地把不必要的功能一起实现。

3. 验收标准是 Agent 的停止条件

传统项目中，验收经常被放在开发后期。

在 Agent 工作流里，验收条件应该更早进入需求。

例如使用 GIVEN、WHEN、THEN 描述一个案例展示功能。

GIVEN 访客已经进入首页
WHEN 点击查看案例或向下滚动
THEN 可以看到三个代表案例，并且关键信息完整

这样一来，完成就不再依赖个人感觉。

Agent 知道要执行到什么程度，人也能够判断结果是否合格。

潘老师还特别强调，AI 生成的 PRD 仍然是初稿。目标是否具体、用户是否明确、流程是否闭环、异常状态是否覆盖，都需要人工继续检查和收敛。

这也与我前面讲的 Agent 边界形成了呼应。

AI 可以承担越来越多的中间过程，人依然需要负责目标、规则和最终判断。

三、第三场分享，把定义好的任务真正交给 TraeWork 和 AgentPlan

经过模型能力和 PRD 定义两部分铺垫后，孙斌老师在第三场分享中，把任务正式交给了 Agent。

他的主题是《用 TraeWork × AgentPlan 打造你的自媒体工作流》。

这个案例选得很贴近现场。

现在很多开发者、产品经理、创业者和超级个体都在持续做内容。一次完整的自媒体创作，远远不只是写一篇文章。

从发现热点到最终发布，中间可能包含选题判断、资料收集、观点提炼、内容生成、图片制作、格式调整、事实核验和人工审阅。

1. 自媒体项目也需要工程化工作空间

孙老师在分享中提到，项目文件夹可以成为 AI 有意图的工作空间。

这句话给我留下了很深的印象。

很多人使用 AI 时，资料分散在聊天记录、桌面文件、微信收藏和临时网页里。每次开始任务，都要重新告诉 AI 自己是谁、要做什么、参考什么材料。

当项目进入一个固定工作空间后，PRD、素材、参考资料、生成结果和修改记录都可以持续保存。

Agent 才能知道当前任务做到哪里，哪些内容已经确认，哪些内容还需要修改。

自媒体工作流也可以形成相对稳定的目录。

project
├── PRD.md
├── research
├── materials
├── drafts
├── images
├── review
└── publish

这样的目录结构看起来很简单，却能够显著降低长任务中的上下文混乱。

2. Skill 让 AI 按照稳定方法工作

这次活动中，三场分享都不同程度地提到了 Skill。

在潘老师的分享里，Skill 被描述为 AI 的岗位说明书和标准作业流程。

在孙老师的案例中，Skill 进一步进入实际创作过程。

例如，一个热点分析 Skill，可以规定如何判断热点价值、怎样寻找来源、如何区分事实与观点，以及最终需要输出哪些内容。

一个文章写作 Skill，则可以规定文章结构、语言风格、目标读者、检查标准和禁用表达。

这样做的价值，是减少每次任务中的重复解释。

对超级个体来说，Skill 还意味着可以把自己的隐性经验逐渐沉淀为可复用规则。

过去依赖个人记忆和临场判断的方法，开始可以被整理、执行、检查和继续优化。

3. Agentic Loop 让任务在反馈中继续推进

孙老师也展示了 AI 编程和内容生产中的 Agentic Loop。

Agent 会先理解任务，形成计划，然后执行其中一个步骤，读取结果，再决定下一步做什么。

理解目标
   ↓
制定计划
   ↓
执行任务
   ↓
检查结果
   ↓
继续修改
   ↓
人工验收

当结果不符合要求时，最有效的做法通常不是简单说重新生成。

需要告诉 Agent 哪一部分不符合预期，正确标准是什么，应该从哪个节点重新开始。

这是一种更接近项目协作的方式。

人给出反馈，Agent 根据反馈继续执行。双方围绕同一个项目状态反复推进，直到达到验收标准。

四、三场分享串起来，形成了 AI 产品从想法到交付的完整闭环

活动结束后，我重新回看三场内容，发现它们分别回答了三个非常关键的问题。

我的分享回答了 AI 为什么开始从聊天走向任务执行。

潘俊杰老师回答了 怎样把模糊想法整理成 Agent 可以理解的需求。

孙斌老师回答了 需求明确以后，怎样通过 Agent Plan 和 TraeWork 持续执行。

把这三部分连接起来，可以形成一条较为完整的 Vibe Coding 路径。

第一步 理解模型能力

先知道模型擅长什么、能够读取什么材料、可以调用哪些工具，以及哪些地方仍然需要人工参与。

第二步 定义真实问题

明确目标用户、使用场景、核心需求和产品价值。

第三步 建立 Mini PRD

写清主流程、功能边界、非目标、异常状态和验收条件。

第四步 形成 Agent Plan

把完整目标拆成能够执行的步骤，确定依赖关系、输入材料和检查节点。

第五步 进入 TraeWork 执行

让 Agent 在项目空间里读取文件、生成内容、修改代码、运行工具，并持续记录任务状态。

第六步 人工验收和复盘

核对事实、检查边界、验证结果，将本次项目中的有效方法继续沉淀到模板和 Skill 中。

这条路线也让我重新思考了小白也能 Vibe Coding 的真正含义。

它并不意味着产品设计、工程规范和质量检查都可以省略。

它意味着更多没有完整开发背景的人，也可以借助模型、PRD、Skill 和 Agent 工作流参与产品创造。

开发门槛降低以后，问题定义、业务判断和结果验收会变得更加重要。

五、比内容更让我印象深刻的，是现场持续发生的交流

这次活动从下午签到开始，现场的交流就一直没有停下来。

在我的分享中，大家对大模型、Agent、企业应用和 Seed 2.1 表现出了很强的兴趣。几次现场举手互动，都能看到很多人已经在实际工作里使用 AI，只是使用深度和场景各不相同。

到了 PRD 和实操部分，问题开始变得更加具体。

如何避免 AI 自行补充需求，非技术人员怎样写出可执行 PRD，Skill 应该怎样安装和调用，个人网站首版需要做到什么程度，项目生成以后又怎样持续修改。

最后的自由提问环节，大家围绕模型选择、产品定义、内容工作流、企业安全和实际交付继续交流。正式流程结束后，仍然有不少朋友留在现场，与几位分享者讨论自己的项目和业务场景。

这种热情并没有给人刻意营造气氛的感觉。

大家愿意提问、愿意分享自己的困惑，也愿意把正在做的事情拿出来讨论，本身就说明这类活动确实回应了真实需求。

我也能感受到济南本地开发者和 AI 从业者对火山引擎 ADG 社区活动的支持。

这种支持更多体现在具体行动里。

大家愿意在周六下午来到现场，认真听完整场分享，也愿意围绕一个技术问题继续交流。对于一个开发者社区来说，这种稳定而具体的参与，比单纯的人数更有价值。

结语

这次济南之行，我是第一位分享者，同时也是整场活动的参与者和观察者。

从大模型能力，到 Mini PRD，再到 TraeWork 和 AgentPlan，三个主题共同呈现了一个越来越清晰的趋势。

AI 产品开发正在从单次生成走向连续协作。

模型负责理解材料、规划任务和执行过程，人负责定义目标、明确边界、处理例外并验收结果。

对于企业来说，接下来需要做的，是从真实业务中找到高频、重复、风险可控且结果可验收的任务。

对于开发者来说，代码生成只是起点，项目结构、任务状态、测试验证和工程规范仍然决定最终质量。

对于超级个体来说，AI 可以明显提高内容和产品的交付效率，但更长期的价值来自经验沉淀。把每一次交付中的方法、模板、反馈和验收标准整理成自己的 Skill 和工作流，个人能力才会逐渐形成稳定的生产系统。

从 0 到 1 做出第一个 AI 作品，起点也许只是一句话。

真正让它走到最后的，是清晰的问题、明确的边界、连续的执行和认真完成的最后一次检查。

这也是我从这次济南 ADG 活动中带走的最重要收获。

AI 让更多人拥有了创造产品的机会，而我们需要学习的，是怎样把这份能力转化为真正能够交付的成果。