AI 自动编写 B 端 PRD 实战复盘：工具迭代、问题与思考
B 端产品经理用 AI 写 PRD 的真实踩坑记录：工具链从 Trae+豆包双模型迭代到 Claude Code+Obsidian，暴露了 AI 生成 PRD 的三大硬伤——业务理解缺失导致错误率上升、审核模式从人工评审转向 AI 首检、Token 消耗远超预期，综合效率提升有限。
基本信息
- 来源类型：文章
- 原文位置：raw/articles/2026-06-09-220353-tg-5e4a96.md
- 原文 URL：https://www.woshipm.com/ai/6409469.html
- 作者：祺谈
- 发布平台：人人都是产品经理
- 发布日期：2026-06-08
- 消化日期：2026-06-08
核心观点
-
B 端 PRD 工具链经过多轮迭代才稳定：作者先后测试 Antigravity、国际版 Trae + 火山引擎 Doubao-seed-2.0-code/pro 双模型组合（单模型 200 万免费 Token），最终切换为 Claude Code + Obsidian + Axure + Mimo-v2.5-pro。核心结论：目前没有针对中文 B 端 PRD 场景深度优化的 AI 模型，工具链仍在动态迭代中。
-
Obsidian 是 B 端 PRD 场景的最优 MD 编辑器：作者对比 Trae 自带预览、VS Code+插件、Typora、Obsidian 四款工具后选定 Obsidian，核心优势是多标签页+灵活分屏（多模块多版本对照编写）和原生 Git 兼容（版本管理+规避 AI 操作风险）。Markdown 正在成为 PRD 主流格式。
-
AI 生成 PRD 的三大现实痛点：（1）文档错误率上升——AI 无法理解企业业务背景与隐性规则，基础格式标准化内容表现稳定，但业务流程/状态流转/核心逻辑出错率显著升高；（2）审核模式转变——团队全员接入 AI 后，PRD 上线前首先通过 AI 校验（Markdown 对机器解析友好），传统人工评审模式正在改变；（3）综合效率不及预期——AI 模型对代码生成的优化成熟度远高于 PRD 长文本场景，Token 消耗压力大，AI 仅简化了框架搭建和格式排版等重复工作。
-
Figma 通过 MCP 协议具备 AI 联动生成 PRD 的潜力，但当前落地条件不成熟：作者实测 Claude 通过 MCP 生成 Figma 页面效果差、可用性低、Token 损耗严重。“PRD 直转 HTML”功能尚未测试。短期仍以 Axure 为主，中期规划切换到 Figma。
-
语音输入法是下一个效率突破口：当前 AI 仅简化框架搭建和排版，业务细节仍依赖人工输入。作者计划用语音口述补足业务细节，配合 Claude Code 形成”语音输入业务逻辑 → AI 搭框架排版 → 人审核业务准确性”的协作闭环。
实操内容保留
（本文无实操代码/模板/步骤——文章以复盘反思为主，未给出可直接复用的 Prompt 模板或操作流程。）
工具链方案
当前稳定工具链：
- Claude Code（AI 文本生成）
- Obsidian（Markdown 编辑器，主力）
- Axure（原型设计）
- Mimo-v2.5-pro（图像解析）
下一阶段规划工具链：
- Claude Code + Obsidian + Figma + Mimo-v2.5-pro + 语音输入法
MD 编辑器对比结论
| 工具 | 评价 |
|---|---|
| Trae 自带预览 | 体验尚可，长期使用易视觉疲劳 |
| VS Code + 插件 | 未详细展开 |
| Typora | 未详细展开 |
| Obsidian | 最终选择：多标签页管理、灵活分屏、原生 Git 兼容 |
| 思源笔记 | Word 导出需求的补充方案，可一键 MD 转标准 Word |
关键概念
- AI产品PRD — AI 辅助撰写 B 端 PRD 的三大痛点：错误率上升、审核模式转变、Token 消耗
- Claude Code — 作者从 Trae 迁移后使用的主力 AI 工具，但适配中文 B 端 PRD 场景仍不顺利
- B端产品经理 — 作者深耕 B 端领域，文章核心受众
- Obsidian — 作者对比四款 MD 编辑器后的最终选择，优势为分屏和 Git 兼容
- Figma — 作者中期规划的原型工具，通过 MCP 协议与 AI 联动，但当前效果不佳
- Axure — 作者当前使用的原型工具，配合截图交给 AI 识别
- Mimo-v2.5-pro — 作者使用的图像解析模型，用于识别 Axure 原型截图
- 火山引擎 Doubao-seed-2.0 — 作者早期使用的双模型组合，单模型 200 万免费 Token
与其他素材的关联
- 与 2026-05-18-woshipm-ai-product-prd 的关系：同为 AI 辅助写 PRD 的实践者视角，但侧重点不同。前者聚焦”AI 产品 PRD 的方法论升级”（Bad Case 池、显式权衡、评测权重），本文聚焦”用 AI 写 B 端 PRD 的工具链选择和现实痛点”，形成互补
- 与 2026-06-02-woshipm-codex-agent-workbench 的关系：Junliu 用 Codex 做 PM × Agent 协作生成 PRD，本文作者用 Claude Code 做类似工作但更侧重 B 端场景痛点。两者共同说明：AI 辅助写 PRD 的工具链还在快速迭代期
- 与 2026-05-27-woshipm-ai-pm-three-core-capabilities 的关系：高阶 AI PM 核心三力中的”技术落地力”在本文体现为工具链选型和模型适配的实际试错过程
原文精彩摘录
AI 无法理解企业业务背景与隐性规则，现有模型逻辑能力有限。当输入信息不够完整、精准时，极易产生偏差。在基础元素、固定格式等标准化内容上，AI 表现稳定；但面对业务流程、状态流转、核心业务逻辑时，出错率显著升高。
当前 AI 模型对代码生成的优化成熟度，远高于 PRD 长文本撰写场景。目前使用免费模型为主，PRD 撰写推理过程会消耗大量 Token。AI 仅简化了框架搭建、格式排版等重复工作，综合效率提升有限。
以往 PRD 由开发、测试人工评审，如今团队全员接入 AI 工具，文档上线前首先需要通过 AI 校验。Markdown 格式对机器解析友好，流程图逻辑、字段定义、状态机异常等问题，都会被 AI 快速识别并反馈。传统的人工评审模式正在改变，对产品文档的严谨性提出了更高要求。