AI PM 进化路径
EVOLVE
从0到1做出AI精美应用：一个0CodingPM的实战复盘
02 · TODAY'S FRAMEWORK
拆解一个案例，走出你的能力地图。
A
手把手案例拆解
以一个真实的产品创作案例为主线，拆解如何把一个初级 Demo 逐步打磨成可上线的优质产品。
B
反直觉方法论 & 关键认知
复盘中提炼完全可上手和复用的方法论和关键认知，以及一人手搓 AI 产品的避坑指南。
C
如何重新训练能力
AI 时代，0 coding 背景的产品、运营、业务同学，应该如何重新训练自己的能力。
方法论不在书里，在一次次被打磨的 Demo 里。
03 · CORE QUESTIONS
我观察到的 AI 产品实践，
这三个困扰最普遍。
Q1
Demo 死局
已经做了一些 AI 产品，但止步于 Demo，用不了也没法上线。
Q2
工具焦虑
市面上 AI 工具太多，如何安排选择工具，形成自己的生产线流程？
Q3
体系缺位
培训太多，认知不成系统。如何形成自己独特的 AI PM 体系？
如果不去深入做一次，肯定不知道的东西 —— 今天我们就把这层窗户纸捅破。
PART I
实战复盘 / Case Study
A CASE
YOU CAN
COPY.
一个 0coding 同学完整跑通的 AI 塔罗产品 —— 从价值判断到上线迭代，每一步都可以复刻。
05 · CASE OVERVIEW · MEETTAROT.COM
一个 AI 塔罗产品的完整闭环。
产品介绍：
一款结合传统塔罗智慧与现代 AI 技术的在线占卜应用，核心亮点：
- 7 种经典牌阵，覆盖感情、事业、选择等多种场景
- AI 智能分析问题，自动推荐最适合的牌阵
- 沉浸式抽牌体验，圆形牌堆 + 滑动交互
- 深度 AI 解读，支持追问对话
- 精美毛玻璃 UI，神秘星空背景
AI 不是帮我完成某一个环节，而是让我第一次用很低成本，跑通了一个完整的产品闭环。
也让我意识到 AI 的边界在哪里。
STEP 01 · OPPORTUNITY MAP
第一步：把想法扔进格子，
再决定要不要做。
Two axes that decide everything
做 AI 产品，第一步不是写代码，
而是判断机会。
如果不走这一步，就会出现：
房贷计算器、婚礼请柬制作、AI 求职规划师这类从使用频次、价值和需求都无法被验证的产品。
刚需价值频次
用法 / How to use
把你脑子里所有"想做的 AI 想法"挨个扔进格子。落在 Q1 就 all-in，落在 Q3 就当副业练手，落在 Q2 / Q4 ——别浪费周末。
▲ AI 高适配
AI 低适配 ▼
◀ 高频 / 刚需
低频 / 兴趣 ▶
Q1
工作流痛点 × AI 能解决
每天发生的真痛点，模型当下就够用。
▶ ALL IN
Q3
兴趣 × AI 发烧友项目
长期被某事困扰，且 AI 当下能落地。
meettarot 在这里。
▶ 副业 / 练手甜蜜区
Q2
工作流痛点 × AI 还做不了
需求是真的，但模型能力还差一截。
▷ 等等再说
Q4
兴趣项目 × AI 帮不上
自嗨陷阱：做出来也没人用，AI 还只是顺带。
✕ 劝退
STEP 02 · DOMAIN KNOWLEDGE
第二步：先理解业务，再进入生产。
AI 越强，人越不能跳过理解业务。
常犯的错：
- 我想做一个塔罗牌工具，开始吧。
- 我想做一个塔罗牌抽卡产品，你列一下制作计划，然后开始吧。
实际上必须做，却总是忽略的：
1. 完整了解塔罗牌体系
RIDER WAITE TAROT 韦特塔罗 / 马赛塔罗 / 透特塔罗
78 张牌：22 张大牌 + 56 张小牌
22 张大阿卡那 Major Arcana：人生中的重要阶段、关键课题、命运转折与深层心理主题
56 张小阿卡那 Minor Arcana：日常生活、具体事件、情绪状态、人际互动和行动方式
2. 有几种牌阵？如何抽牌？
问题 + 牌阵 + 牌位 + 正逆位
单张牌 / 三张牌 / 六张牌 / 关系牌阵 / 事业牌阵 / 凯尔特十字牌阵
3. 用户想获得什么？
每日指引、快速建议、当下状态判断
过去 / 现在 / 未来，或现状 / 挑战 / 建议
感情、人际、合作关系分析；工作机会、职业方向、项目推进判断 ......
塔罗解读的底层结构 = 78 张牌义知识库 + 正逆位变化 + 不同牌阵逻辑 + 用户问题语境。
不要一上来就让 AI 开工。先让 AI 帮你搭知识框架，再用人的业务判断筛选，最后进入产品设计和执行。
STEP 03 · ENTER PRODUCTION
第三步：怎么开始？先想清楚，
再让AI动手。
思考先于执行
Boris · Claude Code
先想清楚再动手。
需求是否说清楚
结果如何被验收
哪些决策必须由人判断
Karpathy
定义目的与结果，
中间交给 AI。
人的价值不是亲手完成每一步，而是判断目标、筛选方案、确认质量。
0 coding 不等于不思考。
先对齐，再生产。
DECISION FLOW · 拿到一个想法之后
A
拿到一个想法 / 需求
↓
B
问自己：我会写代码吗？
YES · 我会
直接告诉 AI 你的需求，
动手开始干。
NO · 不会
用下面这段 Prompt，
让 AI 先跟你聊清楚。
必背
↓
PROMPT · 0coding 必背
"我跟你说需求，你跟我讨论。
有不清楚的先问我；清楚的话，你就列计划。
我确认没问题，再在本地动手。"
METHOD 02 · AI CODING TOOL LANDSCAPE
先搞懂 Agent / CLI / Chat 到底有什么区别。
行业共识：按"AI 放手程度"分四层 —— L1 当顾问 → L4 当包工头。0coding 同学从 L2 入门最稳。
L1 · 网页 Chat
AI = 顾问
在浏览器里聊。AI 给建议，你自己复制粘贴动手。
├── ChatGPT
├── Claude.ai
└── Gemini
L2 · 桌面/IDE Agent
AI = 实习生
坐你旁边的编辑器。AI 改一行你看一行，随时拒绝。
├── WorkBuddy
├── Cursor
├── Windsurf
└── Copilot
L3 · 终端 CLI
AI = 外包
你下任务，它自己读文件、跑测试、改 bug，干完汇报。
├── Claude Code
├── Codex CLI
└── Gemini CLI
L4 · 云端 Agent
AI = 包工头
一句话甩需求，云端自己起项目、写代码、出 PR。
├── Bolt / Lovable
├── v0
└── Devin
模型 × 产品 · 现阶段分这几个方向
| 需求 |
对应模型 / 产品 |
| 讨论需求 | ChatGPT / Claude / WorkBuddy / 你平时最顺手的工具 |
| 视觉 | GPT / Lovart / Claude Design |
| 开发 | Claude Code / Codex / WorkBuddy / 公司各种 CLI |
| 提效工具 | 自己做 Skill / 顺手做 Skill |
| 部署 / 迭代 / 报 bug | 司内工具 / AI 推荐 |
壳决定上下文，
模型决定智商，
组合决定生产力。
0coding 入门：从 L2（WorkBuddy / Cursor）起步 —— 看得见摸得着，再升 L3。
STEP 05 · CORE FLOW & VISUAL RULES
第五步：视觉设计+产品氛围。
Prompt · 卡牌正面内容层
请生成《{{CARD_NAME}}》的插画背景图，用于塔罗牌 App 的卡牌正面内容层（full-bleed 插画）。
【图片风格】
- 保留韦特塔罗的核心象征元素
- 画风更现代、更柔和、更适合年轻用户
- 插画风格统一，细腻线稿，柔和水彩，上色温暖
- 不要暗黑恐怖，不要过度宗教化
- 卡牌构图清晰，主体突出，适合小尺寸手机屏幕展示
- 竖版卡牌比例，圆角卡片视觉
- 色彩以暖金、浅棕、柔粉、橙色、低饱和蓝紫为主
【插画基本规则】
- 插画必须铺满整个画布（full-bleed），内容延伸至四个边缘
- 不允许出现任何边框、卡片外轮廓、相框、描边线、内框、装饰边或纸张留白
- 不允许出现“卡片放在纸上 / 桌上 / 画框中”的表现
- 画面中只能有一个场景与一个核心主体，不得拼图、不得多卡并列
- 主体居中，主体高度约占画面高度的 65%–75%
- 构图稳定、画面充实，不留大块空白区域
【内容限制】
- 绝对禁止任何文字、数字、标题、符号说明
- 绝对禁止任何边框、装饰线、留白纸张质感
- 不出现现代物品或现代服装
- 背景简洁但有层次，不空洞、不杂乱
视觉设计步骤：
- 先定下大风格：现代、氛围感、温暖
- 找几张感觉对的图，发给负责讨论需求的 AI
- 让负责讨论需求的 AI 写 Prompt
- 让负责设计的 AI 做图
STEP 06 · PRODUCT DEVELOPMENT
第六步：和AI一起完成开发。
和负责讨论需求的 AI 最后制定的流程为：
提问→选牌阵→抽牌→AI 解读→追问
开发过程中遇到的产品问题：
- 用户如果不知道提问什么怎么办？—— 设计问题库，星星代表热度
- 牌阵谁来选？
- 抽牌和解读，是直接给答案吗？
- 如何设置追问？
最关键的问题：
哪个模型来负责回答问题？给什么答案？
Claude Code 推荐了 GPT；在制作产品时，GPT 的回答确实更符合需求。
如何满足用户需求：
情绪安抚 / 现状分析 / 行动建议 / 建立信心
Tips：柔和、治愈，让产品更像人，更能留住用户。
Prompt · AI 塔罗解读输出
你是一位专业、温和、具有洞察力的塔罗牌解读师。
请根据用户抽到的塔罗牌，为用户生成一次结构化的塔罗解读。解读需要结合牌位含义、牌面正逆位，以及用户当前可能面临的现实处境，给出清晰、积极、可执行的建议。
请按照以下结构输出：
1. 问题核心
用一句话概括用户当前最主要的问题或处境。
2. 明确判断
给出一个清晰的总体判断。不要模棱两可，要告诉用户当前局势是偏有利、偏受阻，还是需要谨慎。
3. 隐藏的关键因素
指出用户当前没有完全意识到、但会影响结果的重要因素。
4. 下一步该怎么做
给出具体、可执行的行动建议。建议要积极、现实，不要空泛。
5. 牌位详细解读
分别解读三张牌，每张牌包含：关键指向、实际意义、倾向性判断、行动建议。
整体语气要求
温和但有判断力；鼓励用户行动；不要宿命论；不要制造焦虑；不要使用过度玄学或恐吓式表达；重点帮助用户理解现状，并找到下一步行动方向。请直接输出解读内容，不要解释你是如何分析的。
STEP 07 · EFFICIENCY & SKILLS
第七步：提效。找到工具，也造出工具。
产品闭环跑通之后，把重复劳动交给 AI：你保留判断，把机械动作做成可复用的能力。
PATH A · FIND THE TOOL
让AI帮你找到最顺手的工具——ChatGPT Atlas
遇到的问题：78张卡牌图，如何批量产出？
在制作 Meet Tarot 的过程中，需要反复读取素材、命名归类并批量处理图片。与其手工切换窗口，不如让 AI 帮你挑选并操控合适的工作台。
- 读取上下文：打开素材目录、图片站或设计页面，理解任务现场。
- 执行重复操作：下载、筛选、重命名与整理素材，高频视觉任务一次跑通。
- 沉淀批量流程：将 78 张卡牌资产统一归档，为产品上线准备好内容层。
Tips 现在更推荐 Codex：可直接连接 Chrome，让浏览、整理与执行在同一条工作流里完成。
PATH B · BUILD THE TOOL
让 AI 帮你做工具 —— Skill
当 Lovart 的产品限制影响进度时，让 AI 直接写一个图片处理工具：批量去透明背景、压缩与改尺寸，甚至直接产出前端页面。
从解决一个 Bug，到拥有一个可复用的生产工具。
STEP 08 · SHIP, STORE & TEST
第八步：上线 / 代码管理 / 数据存储 / 产品测试
AI 把对我来说完全陌生的工程链路，拆成可执行的选择。
01
上线部署 · Cloudflare
Claude Code 推荐部署方案，并陪我完成发布与域名接入。
02
代码管理 · GitHub
存储产品代码，自动上传和同步更新，保留每次迭代痕迹。
03
数据存储 · Supabase
补齐后端所需的用户与业务数据存储能力。
04
监控测试 · Sentry
真实使用出现 bug 时自动捕获错误，让修复有证据。
这些步骤中，我遇到的最大的问题
不是：开发
而是：工程外的阻力。
- 反复的视觉调试：必须不断看、改、再判断。
- 网络和账号限制：节点识别严格，风控频繁。
- API 充值路径：境外信用卡、虚拟卡与 USDT 充值的试错成本。
- 上线后的 bug 与报错：产品真正被使用后，问题才显形。
结论：AI 能帮你穿过技术门槛，但真正的产品判断与落地阻力，仍要自己负责。
PART II
反直觉方法论 / Methodology
METHODS
OVER
TOOLS.
五条工作里反复验证过的方法论 —— 比工具清单更值钱。
METHOD 03
重要方法论之二：
AI 决定下限，品味决定上限。
默认模板感能运行，但看不出产品自己的性格。
一眼 AI 风格霓虹、紫光与炫技质感迅速同质化。
DEFAULT OUTPUT ≠ YOUR TASTE
不要做“一眼 AI”的
“霓虹 + 紫光 + 电路板”风格。
不断积累你喜欢的风格，甚至创造自己的风格。
METHOD 04 · 05
重要方法论之三：
大部分事情都有答案。
毛玻璃效果
答案在 iOS：全世界最被验证过的视觉语言。
洗牌和选牌交互灵感
答案在 App Store：榜一产品已经替我们试错过。
METHOD 04 · PRACTICE × COLLECT
重要方法论之四：
用实践替代看视频，并保持日常“搜集”习惯，沉淀资产
PRACTICE · 实践
把一个想法走完一遍，
比想十遍更重要
举例：此演示文稿启发自CC工程师 Thariq Shihipar：把演示文稿当 HTML 写，模型可控、迭代快、版本可 diff。
- 1用 Claude Code 把零散想法压成一份 MDOutline
- 2让 Claude 先产文案框架Draft
- 3再研究怎么转化为HTMLSwitch
实际执行过程中：
第三步时，我发现了一款新产品，但需要收费 -> 查找到相关 Skill -> 试图用 WorkBuddy 制作 -> 因为无法直接在 HTML 上修改 -> 最后使用 Codex 完成 -> 制作过程中问题很多
工具不忠诚：哪个能完成当前这一步，就用哪个。走完整条链，比死守一个工具更值钱。
有资产的沉淀，随时都可以做产品。
可沉淀的资产：结构资产/内容资产/视觉资产
实际使用后才会发现产品的真实体验
COLLECT · 搜集STRUCTURE / CONTENT / VISUAL
KEY搜集过的工具和风格，是你在每一步都能有 Plan B 的底气。
PART III
能力重训 / Re-skilling
RESKILL
YOURSELF.
把视野抬一档 —— 过去 6 个月，全球最锋利的几个 AI 头脑，正在说什么。
SIGNAL 01 / 04.2026 · Sequoia AI Ascent
锯齿状智能：
能外包思考，但不能外包理解。
Andrej Karpathy · Sequoia AI Ascent 2026
ANDREJ
KARPATHY《Agentic Engineering & the Jagged Frontier》
AI 的能力是锯齿状的——某些事超人，某些事愚蠢得像幼儿园。
2025 年 12 月是转折点：从"Vibe Coding"过渡到"智能体工程（Agentic Engineering）"。
你可以外包思考，但不能外包理解——决定权和品味必须留在你手里。
WHY IT MATTERS / 为什么这跟你有关
别再迷信"AI 全能"，也别迷信"AI 不行"。
真正的高手在识别锯齿：哪些环节让 AI 全速跑（写代码、查资料、批量打标），哪些环节必须人来定（选题方向、品味判断、对外承诺）。
这一年的核心能力，是把任务切到合适的牙齿上。
放进你工作流
本周挑一个 AI 项目做"锯齿审计"：
列出 5 个步骤 → 标注哪几步 AI 已经超人、哪几步还在幼儿园、哪几步必须你亲自下判断。
—— 把人的精力压到最后一类上。
SIGNAL 02 / 01.2026 · Anthropic Engineering
Code is all
you need.
Anthropic · Equipping Agents for the Real World with Skills
AGENT
SKILLS通用 Agent + Skills 替代垂类 Agent
Skill 就是一个文件夹：一份 SKILL.md + 可选的脚本和参考资料。
渐进式披露——名字 50 token，正文 500 token，细节按需展开。
不要再为每个场景训一个垂直 Agent，让通用 Agent 自己挑工具。
WHY IT MATTERS / 为什么这跟你有关
你不需要懂训练，你需要懂"怎么把活攒成 Skill"。
每次你跟 AI 把一件复杂工作磨通——筛稿、复盘、做小结——那个"工作流本身"就是资产。
把它沉淀成一个 Skill，下一次（以及一年后的同事）就能 1 秒调起。0coding 也能做的工程化，就是这件事。
放进你工作流
盘点一下：你已经有几个 Skill？
把过去三个月反复让 AI 做的事数出来，每一件都该有一个 SKILL.md。
—— 你的 19 个产经 Skill 命名规范，本质就是在做这件事。
SIGNAL 03 / 09.2025 · Anthropic Engineering
Prompt 工程之后，
是上下文工程。
Anthropic · Effective Context Engineering for AI Agents
CONTEXT
ENGINEERING新范式：经营 LLM 的"注意力预算"
模型有"注意力预算"，每多一个 token 都在消耗它。
上下文越长，模型越走神（context rot）。
真正的本事，是用最少的高信号 token，逼出最准确的输出。
WHY IT MATTERS / 为什么这跟你有关
"我把所有资料都甩给 AI"是新型懒惰。
把 Notion 整本知识库、把全部往期文章一股脑塞进上下文 ≠ 它会更聪明。
真正高级的玩家在做策展：只放最关键的 1 张表、3 段摘要、5 条样例。
放进你工作流
下次"AI 输出又开始飘"，不是模型笨：
是你的上下文塞太多了。试着删掉 2/3 的"以防万一"资料，输出质量会立刻回升。
—— 上下文不是越多越好，是越准越好。
SIGNAL 04 / 10.2025 · DeepLearning.AI
Agentic 是形容词，
不是名词。
Andrew Ng · 《Agentic AI》课程
ANDREW NG"AI 之父"级老师：四种最值钱的设计模式
不要争论谁才是"真正的 Agent"。
把它当作一个光谱：Reflection（自审）· Tool Use（用工具）· Planning（拆任务）· Multi-Agent（多角色协作）。
同一个模型，加上这四件事，质量会翻倍。
WHY IT MATTERS / 为什么这跟你有关
给你的 4 个工作流升级动作。
· 每写完一稿，让 AI 反思一次再改 ——质量直接 +30%；
· 给它接 1 个真工具（搜索 / 表格 / 财报库），不要只让它"想"；
· 复杂任务先让它列计划，确认后再执行；
· 角色拆分：研究员 / 编辑 / 校对各自一个 Prompt，串起来。
放进你工作流
这周挑一个老 Skill 做升级：
选你最常用的一个 AI 工作流，先加 Reflection，再加 Planning。
—— 改造后你会发现：质量从"勉强能用"跳到"可以直接发"。
SIGNAL 05 / 反共识 · Addy Osmani · Google Chrome
AI 给你 70%，
剩下 30% 才见真章。
Addy Osmani · The 70% Problem
THE 70%
PROBLEM2024 末提出，2025 持续验证
AI 能在 5 分钟里给你一个看起来能跑的原型。
但最后 30%——边界情况、安全、上线、真实用户——和过去一样耗时。
"演示质量"和"生产质量"之间，隔着一条深沟。
更糟的是两步退回：你让它修一个 Bug，它又造出两个新 Bug。
WHY IT MATTERS / 为什么这跟你有关
"我做了 N 个 AI Demo"不是成绩。
真正的成绩是：有几个 Demo 进了真实工作流，被人持续使用。
原型阶段 vibe coding 没问题，但要落地，必须由懂业务的人补完最后 30%——这部分不会消失，只会更值钱。
放进你工作流
给你做的每个 AI 工具贴一个标签：
① 玩具（一次性）
② 工具（自己每天用）
③ 资产（团队也在用，且产生了数据）
—— 你今年的目标，是从 ① 升级到 ③。
FINAL · ASK YOURSELF
分享完，
问自己三个问题。
Q1
你最近一次说"AI 能做这个"，
是真的判断过，
还是怕落后？
Q2
你做过的 AI Demo 里，
有几个
还在被人用？
Q3
如果 AI 明天消失，
你这一年学到的
还剩什么？
END · ONE LINE TO TAKE HOME
EVOLVE
OR DEMO.
不要焦虑你不会写代码。
要焦虑 —— 你的品味够不够好，
能不能配得上现在这么便宜的执行力。
MeetTarot.com
AI Go! · 2026.05
产运经理 AI Skill 培养计划
电影感叙事
品牌冲击力
编辑感 / 历史质感
