我用AI Agent 20分钟造了一个全栈产品经理,覆盖前端+后端+AI大模型,产品从0到1全搞定!

我在使用AI Agent的情况之下, 仅仅花了20分钟的时间, 就构建出了一位全栈产品经理, 这位产品经理可以覆盖前端与后端以及AI大模型这样一些方面, 对于产品从零开始到最终完成这一整个流程, 都是能够提供全面的解决的。
当其他的做项目管理的同志还在用一个问题接一个问题的方式去提问的时候, 我已经吧整个产品经理所涉及到的知识体系打包制作成了一个属于人工智能的技能包, 这个技能包可以做到随时被调用。
前言
我一直都觉得有痛点, 因为我是属于技术这个行当的人呢, 所以说, 产品经理他们拥有的那些知识, 其实都是太碎片化了的这种情况。
我们在撰写产品需求文档的时候, 需要去查找相关的模板, 在开展竞争对手分析的过程中, 必须依靠对应的方法论作为指导, 在涉及技术选型的阶段时, 要去搜索那些进行对比的文章, 而在进行人工智能产品设计的环节里, 更是完全找不到任何现成的框架可以使用。
每当遇到全新的问题之时, 都必须要从头开始进行搜索, 这种做法使得工作效率变得非常低下。
直到我使用了 QClaw, 这是一个 AI Agent 平台, 然后我突然产生了这样一个想法, 就是为什么我们不把产品经理所拥有的全部能力打包成一个 Skill 呢? 这样一来, AI Agent 就变成了一个真正既懂技术、又懂业务、还精通 AI 的全栈产品经理。
结果, 这个东西就出现在大家面前了。
一、请问你具体指的是什么呢?
这个技能包是为使用人工智能程序来自主完成工作的人准备的, 它包括了作为一个全面的软件产品管理岗位人员所需要的所有本事。这所有的本事是把一个新产品从无到有地做出出来, 并且一直管到最后, 也就是把这个产品的从头到尾的发展过程都盖了进去了。
关于这个名称是怎么来的, 它是从Alpha一路演变到Yield, 然后到了一个空白的位置, 最后是为了。
它并不仅仅是一个简单地存放知识的仓库, 而是由一套可以被实际操作和执行的, 关于方法论的完整体系所构成的。
战略定位 → 市场调研 → 需求定义 → 产品设计 → 技术方案 → 研发管理 → 测试验收 → 上线发布 → 运营增长 → 迭代优化
各个步骤之中, 都存在决策框架、参考文档以及实操模板和自动化工具这些内容。
二、在这20分钟的时间段之内, 我们会经历从零点出发最终实现从无到有的诞生过程, 而这一全过程的第一步, 就是要给人工智能去发送一个提示词指令。
打开那个叫QClaw的, 我这里头啊, 也就仅仅是说了一句话:
帮我做一个产品经理skills,搜索下相关资料,一定要全面,
内容包含但不局限于前端,后端,ai,大模型,人工智能...,
要真正实现产品从研发到落地全流程

然后呢, 就是AI智能体这个玩意儿开始自动地去工作那个动作。
查找相关资料, 调用网络搜索的功能来获取最新的PM方法论的读取Skill规范, 自动加载的Skill创建指南能够保证格式是合规的, 设计文件架构要基于产品全生命周期来规划8大阶段, 同时创建多个参考文档还有模板文件叫做并行生成, 自动编写4个工具叫做脚本编写。
大概过了20分钟左右的样子, 所有的东西就全都生成完毕了。

在第二个步骤里面, 我们要给那个PM取一个名字。
给产品经理起个名字:Jayson,再加一个说明文档用于上传github

AI自动完成了:
三、究竟是究竟有什么东西的详细内容呢? 这里有一览表展示了共计3500行的干货信息供您参考。
最终的产物是19个文件, 其中内容总计为3508行。
目录结构
product-manager/
├── SKILL.md # 核心导航 (164行)
├── README.md # GitHub说明文档 (222行)
│
├── references/ # 深度方法论参考 (8个文档)
│ ├── market-research.md # 市场调研方法论
│ ├── requirements-and-prd.md # 需求定义与PRD撰写
│ ├── product-design.md # 产品设计方法论
│ ├── frontend-tech.md # 前端技术栈 PM决策指南
│ ├── backend-tech.md # 后端技术栈 PM决策指南
│ ├── ai-llm-tech.md # AI与大模型 PM决策指南
│ ├── project-management.md # 研发项目管理
│ ├── release-and-operations.md # 上线发布与运营
│ └── growth-and-analytics.md # 增长分析与数据驱动
│
├── assets/templates/ # 即取即用的模板 (5个)
│ ├── market-research-template.md # 市场调研报告模板
│ ├── prd-template.md # PRD模板
│ ├── tech-review-template.md # 技术方案评审模板
│ ├── release-plan-template.md # 发布计划模板
│ └── data-dashboard-template.md # 数据看板设计模板
│
└── scripts/ # 自动化工具 (4个)
├── competitor_analysis.py # 竞品分析
├── prd_quality_check.py # PRD质量自检
├── story_point_estimator.py # 故事点估算
└── api_design_checker.py # API设计规范检查
AI与大模型这一章节,它是最核心的那种差异化所在。
这一部分是我认为最具价值的, 市面上的大多数产品管理人员所掌握的技能组合都还停留在比较传统的产品方法论层面, 作者却专门抽出了四百一十八行内容来讲解人工智能产品相关的知识。
主题内容
模型选型
针对GPT-4o以及那些开源的模型, 我们来讨论一下关于决策树的情况, 然后再把话题延伸到多模型路由策略上来。
应用架构
/ RAG / Fine- / Agent 四大模式
RAG系统
把文档进行切分处理, 接着将其变成向量, 然后执行检索操作, 再做一次重排调整, 最后完成生成的工作, 这一连串从头到尾的完整流程的设计。
Agent设计
从ReAct模式开始, 到Plan-and模式跟进, 再发展到 Agent这种形式, 最终达成第四级的那种自主性程度。
工程
把角色任务上下文框架, 再加上思维链机制, 或者少样本学习手段, 又或者是结构化输出的要求, 都整合在一起。
成本控制
模型路由/语义缓存/上下文压缩 降本50-80%
安全合规
针对幻觉的情况, 针对越狱的风险, 针对数据可能泄露的隐患, 建立起来的是一个有多层防护作用的架构。
AI产品设计
这种模式是分阶段逐步推进人工智能的应用, 让人类一直参与其中的循环过程, 并且把可信程度的情况公开透明地展现出来。
举个例子说明一下, 当你要去挑选大模型的时候, 提供出来的是一个决策树, 而不是说那些不着边际的大道理:
需要私有化部署? ─是→ 开源模型 + 自部署
│否
核心场景是中文? ─是→ Qwen/DeepSeek/GPT-4o
│否
需要超长上下文(>128K)? ─是→ Gemini 1.5 Pro (2M)
│否
追求极致性价比?
─是→ GPT-4o-mini / DeepSeek
│否
需要最强推理能力? ─是→ GPT-4o / Claude Sonnet
│否
通用场景 → GPT-4o-mini (默认推荐)
前端技术和后端技术这两类技能, 都一并掌握。
在前端这一块, 我们进行了覆盖, 首先是框架选型的环节, 大家使用了像React或者是Vue这样的框架, 并且结合了决策矩阵来做选择;其次是渲染策略方面, 考虑了CSR、SSR、SSG以及ISR这些场景下的具体选择;再有就是跨端方案, 对比了RN、小程序和PWA这几者之间的情况;接着是Core Web相关的优化清单;最后还包含了微前端架构。
在后端方面, 我们进行的覆盖范围, 具体包括了架构的演进过程, 也就是从单体架构过渡到微服务架构, 再考虑到具体的实施路径。然后还涵盖了API的设计工作,这里面既提到了对gRPC进行选择的考量, 也制定了相关的规范。
接下来是数据库选型, 明确指出了七种不同类别的选择。此外, 还有高可用性的保障措施, 涉及到了限流处理、熔断机制以及降级策略等方面的工作。整个链路也被纳入考虑, 最后还包括了对可观测性三个基本支柱的全面涉及。
核心思路其实并不是在教你去写代码, 而是为了让项目管理人员能够和技术团队处在同一个频道上面进行对话, 从而最终做出正确的技术决策。
四、这里有4个自动化工具, 它们都直接能够使用, 我们可以用一句话来说明这些工具各自的主要功能。
.py
你只需要把那个产品需求文档给扔进去, 它就会自己进行打分, 分数会分为A、B、C或者D这几种等级, 它会去检查那十个模块是不是完整无缺, 并且还会给出一些用来改进的建议。
.py
用户这边是输入一些竞品数据, 这个数据的格式是JSON格式的, 通过这一操作之后, 系统就能够自动生成一个对比矩阵, 然后还会把那些差异化的发现情况给展现出来。
r.py
用户需要输入5个复杂度因子, 系统会自动估算故事点与人天, 同时还提供风险提示。
.py
8条规范自动检查,每条都有修复建议
比如说, 那个用来进行PRD自检的工具, 在跑起来以后, 会输出一些类似下面的内容。
# PRD质量检查报告
**综合评分**: 75/100 — B (良好)
## 模块检查
- 背景与目标 (权重: 10)
- 用户故事/场景 (权重: 10)
- 功能需求 (权重: 20)
- 验收标准 (权重: 15)
- 非功能需求 (权重: 10)
## ️ 问题
- 缺失模块: 验收标准, 非功能需求
- 验收标准未使用 Given-When-Then 格式
## 建议
- 建议补充非功能需求:性能指标(P99延迟)、安全要求
- 建议补充数据埋点方案,确保上线后可衡量效果
五、推送到,一键导入QClaw推送到
cd ~/.qclaw/skills/product-manager
git init
git add .
git commit -m "feat: Jayson - 全栈产品经理技能包"
git branch -M main
git remote add origin
git push -u origin main

推到也是一样的操作,国内访问更快:
git remote add atomgit https://atomgit.com/VON-/product-manager-skills.git
git push atomgit main
导入到QClaw
在QClaw的管理页面上进行选择, 点击“从导入”这个按钮,然后把仓库地址填写到输入框里面去就可以做到了。

当导入操作成功结束之后, 那个项目会立马自动去注册一下, 然后就直接变成能够使用的技能了。

六、实际使用效果
在把它导入完毕之后, 你直接就开启聊天模式, 系统会自动触发相应的反应:

几个典型场景:
帮我设计一个AI客服产品的RAG系统, 这会自动加载 ai-llm-tech.md, 给出模型选型建议, 加上RAG全链路设计, 还有向量数据库选型, 最后算一下成本估算。
"React和Vue怎么选?我们是个5人小团队"→ 自动加载 -tech.md,基于团队规模给出推荐:Vue(学习曲线低,官方全家桶,小团队效率高)
当用户发出帮我写个PRD这个指令之后, 系统就会自动去加载那个名为prd-.md的文件的内容, 然后按照事先设定好的模板里的结构来把相关的各个项目都填上去, 等到最后一步还能运行一下那个名为.py的自检程序以便进行自我检查。
七、这个设计方面, 因为它是用渐进式加载的方式来实现的, 所以很值得去说明一下具体的理由所在, 这样做的目的是为了不会让上下文的信息被浪费掉。
这是我觉得最用心的设计。SKILL.md只有164行,包含框架和导航;详细内容全在/里按需加载:
Layer 1: 元数据 (name + description) — 始终在上下文中 (~100 words)
Layer 2: SKILL.md 主体 — 触发时加载 (~5k words)
Layer 3: references/ + templates/ — 按需加载 (无限)
这个AI智能体只是在需要的时候, 才会去读取具体的参考文档内容, 之所以会这样做, 就是因为避免由于加载过多没有关联性的信息, 而导致最终输出的回答质量出现下降的情况。
每一个技术选型里面都有一个决策树, 这不是那种泛泛而谈的东西。
比如说就是渲染策略。
需要SEO? ─否→ CSR(后台系统)
│是
内容更新频率?
├─ 低 → SSG
├─ 中 → ISR
└─ 高 → SSR/Streaming SSR
产品经理完全没有必要非得去把那些所有的技术层面的细节都完完全全地记在心里, 大家只要照着那个决策树一步一步走下来也就够了。
现在的人能够通过自动化工具, 把相关的方法来执行操作出来。
方法论这个事儿, 最让人头疼的地方就在于它可能听起来特别有逻辑、特别正确, 可是到了实际操作的环节却又不知道具体该怎么去实施。这边一共弄出了四个脚本, 把这些抽象的方法论变成了可以直接运行来进行检查的工具。
当写好产品需求文档之后, 就可以直接让系统跑一遍自检程序, 这样就不需要再继续依靠个人的经验老道程度来盲目判断这份文档的质量到底是好还是坏了。
更多推荐




所有评论(0)