从一张白纸到交付PRD：我的全自动 AI 产品工作流
一位 8 年 AI/数据独角兽高级 PM 的实战复盘：新需求启动时先不写 PRD，而是先和 AI 把问题聊透（拆解问题而非生成答案），再让 AI 训练成”像你一样思考”，最后把方法沉淀为工作流。PRD 不再是起点，而是逻辑与结构讨论清晰后的交付物。
基本信息
- 来源：人人都是产品经理
- 作者：冰冰酱（8 年 AI 及数据独角兽高级产品经理，公众号”冰冰酱啊”）
- 原文链接：https://www.woshipm.com/ai/6422053.html
- 发布日期：2026-06-29
- 素材类型：方法论 + 工作流实战
- 阅读时长：约 21 分钟
核心观点
-
新需求启动先不写 PRD，而是先与 AI 拆解问题：作者最先打开的不是 Figma 或文档，而是与 AI 深度对话。目标不是让 AI 立刻”写一份 PRD”，而是先把问题聊透——需求到底在解决什么？真正的约束在哪里？哪些看似是页面设计的问题，本质却是权限、数据口径、状态流转或版本边界的问题？这一步的产出不是答案，而是一张”问题地图”（待决策问题列表 + 潜在争议方案列表 + 直接动笔最易出错点预警）。
-
从”生成答案”到”拆解问题”是决定成败的第一步：把 AI 当高效文字生成器有两个致命伤——文字像样但逻辑不一定扎实；文档写完了真正需要讨论的核心问题才刚浮现。作者用一款 SaaS 订阅制的 XX Agent 产品举例：表面是”站点切换器 + 成员邀请”的小功能，与 AI 深入讨论后问题被指向更底层（角色绑定在账号层还是站点层？共享站点里成员分析消耗谁的额度？新用户登录进空站点还是预置示例站点？）。这些不预先厘清，研发实现过半才发现权限判断、额度归属、默认路由、空状态、示例数据早已盘根错节。
-
训练 AI”像你一样思考”要打包喂过往优质产出，而非每次重讲规则：关键不再是 prompt 写得多华丽，而是 AI 是否真正学到你的做事方式——不止文风像，更要结构像、拆解方式像、改稿逻辑像（既要写得像，也要改得像）。训练素材价值排序：历史 PRD（价值最高，同时含业务拆解 + 文档结构 + 表达习惯）> 真实原型图（教会组织页面布局/状态/交互区）> 流程图与逻辑图（学抽象粒度和叙事逻辑）> 变更记录（最易被忽略却是精髓）。
-
“变更记录”是让 AI 从模仿走向理解的关键：只喂最终稿，AI 学到的是结果；喂从初稿到终稿的演变过程，它才能学到判断力。看到”点击后跳转”被反复改成包含”目标页面、参数保留、异常处理、成功反馈”的详尽描述，AI 才能真正理解什么叫”研发能直接执行的需求粒度”。详见 变更记录训练法。
-
PRD 不再是起点，而是逻辑与结构讨论清晰后的交付物：成熟的自动化链路是”上下文读取 → 逻辑梳理（必要时生成流程图/状态图）→ 原型构建（不急于填细节）→ 文档撰写（原型结构确认后再写详细 PRD）→ 版本维护（在原文档上维护变更记录）“。这个顺序把 PRD 从”最先动笔”改成”讨论清晰后的产物”。
-
一套支撑链路的工具流：入口用 Claude Code CLI / Codex CLI（能在项目目录里读取 skill、上下文、历史 PRD 和版本库，实现真正的”情景感知”）；原型用 Figma + MCP（Claude Talk to Figma，自然语言画图，但建议先用 markdown 在本地画好确认后再上 Figma 省 token）；流程图从 Mermaid 切到 draw.io（更贴近人类 PM 绘图习惯、风格更稳）；文档管理用 GitLab（Markdown 纳入版本控制，AI 自动 diff 生成变更记录、与研发 AI Coding 流程直连、断上下文后靠 git 记录快速找回）。
-
让系统稳定运转的四个（+1）tips：①让 AI 反复自检而非一次性生成（以研发/测试/老板视角 review 3 轮左右）；②每发现一次规律就回写一次规则（升级为 skill 或模板中的永久规则，个人经验”产品化”）；③用 GitLab 管版本告别附件满天飞；④大任务分阶段，完成后及时
/compact压缩上下文；⑤复杂连接直接写进 Claude Code 的 Skill（输入/就能调用仓库连接 Skill，自动拉取最新几条 commit，省去反复配置）。 -
真正决定产出质量的不是工具，而是”提高思考密度”：Claude Code、Figma 插件、GitLab 固然重要，但把 AI 当代笔价值有限。真正的变革是 AI 学会你的风格、融入你的上下文、参与真实迭代后，产品工作从”单人兜底所有问题”转变为”先把问题彻底谈深，再把方案精准落地”。核心是把繁重体力活交给 AI，人聚焦在更高价值的追问、判断与选择。
实操内容保留
起手提示词：拆解问题（不写 PRD）
先不要写 PRD。
你的任务是拆解这个需求，重点审视三件事：
业务规则可能绑在哪一层，哪些定义尚不清晰。
页面上每个动作背后依赖什么权限、状态或数据条件。
哪些边界场景若现在不讨论，未来一定会返工。
最后，请输出三份清单：
一份"待决策问题列表"。
一份"潜在争议方案列表"。
一份"直接动笔最易出错点"的预警。
训练 AI 的三步流程（像带新人，不像写指令）
- 喂养样本：让 AI 总结结构、词汇和风格偏好。
- 验收测试：让它生成某一具体业务模块的文档或原型（如”邀请成员弹窗”）来检验学习成果。好用例能轻易暴露理解水平——只写”填写邮箱后发送邀请”说明只学皮毛；能把弹窗触发条件、角色边界、字段校验、多重反馈一一拆清才算”上道”。
- 规则沉淀：将测试中发现的偏差回写为具体规则，固化到 skill 和模板中。最有价值的一步是”让 AI 自己复述它理解的规则”——能用自己的语言清晰阐述，就证明它真正内化了你的方法。
成熟自动化链路（五步）
上下文读取（加载产品上下文：当前版本、术语、历史约束、目标）
→ 逻辑梳理（梳理核心业务逻辑，必要时生成流程图/状态图）
→ 原型构建（生成页面原型，此时不急于填充细节）
→ 文档撰写（原型结构确认后，再撰写详细 PRD）
→ 版本维护（后续所有修订，直接在原文档上维护变更记录）
GitLab 管理 PRD 的三大收益
- 清晰的变更记录（diff），无需口头解释修改点——AI 自己 diff 后生成变更记录。
- 与研发现有工作流打通，能直接通过链接访问文档做 AI Coding——不用再导出 PDF 丢给 AI。
- 连续的工作上下文——上下文断了/切模型后，靠 git 记录和变更记录让新会话快速找到准确上下文。
仓库结构：全局 Claude.md（全局规范说明）+ Skills（含一个写 PRD 的 skill）+ Products（产品迭代内容全放这里）。
原文精彩摘录
“这里的目标并非让它立刻’写一份 PRD’，而是先把问题聊透：需求到底在解决什么？真正的约束在哪里？哪些看似是页面设计的问题，其本质却是权限、数据口径、状态流转或版本边界的问题？”
“只喂最终稿，AI 学到的是结果；而喂给它从初稿到终稿的演变过程，它才能学到判断力。比如，看到’点击后跳转’被反复修改为包含’目标页面、参数保留、异常处理、成功反馈’的详尽描述，AI 才能真正理解，什么叫’研发能直接执行的需求粒度’。”
“这个流程有个关键变化：PRD 不再是起点，而是逻辑和结构讨论清晰后的交付物。”
“先将自己的产品方法论教会 AI，让它代替你完成繁重的体力活；而你，则应将全部精力，聚焦在更高价值的追问、判断与选择之上。“
两个真实案例的启示
- 案例一：从”导航组件”到”账户体系重构”——“多角色、多站点”需求几天内从 v0.1 迭代到 v0.9。表面是优化站点切换器，实则是账户体系/权限/路由/新用户引导的全面重构。最初没把底层实体结构想清楚导致大量返工，后来和 AI 反复 review 才找出最可扩展稳定的结构。
- 案例二：从”接入引导”到”定义 Aha Moment”——通过和 AI 迭代 16 个版本，共同探讨出关键分界线：数据接入成功 ≠ 用户感知到价值时刻；真正的价值点在于用户看到首份报告后还想再生成第二份。流程被拆为”三态验证过程”（没检测到/等待数据/数据流入），报告分两层——轻量级 Quick Win（数据匮乏期先看到局部效果）与完整版 Deep Dive。
关键概念
与其他素材的关联
- 与 2026-05-18-woshipm-ai-product-prd 互补：那篇讲 AI 产品 PRD 的 7 条心法（流动 PRD、显式权衡、Bad Case 池、评测权重、HITL），本文讲”PRD 生成前”的完整工作流（先拆解问题 → 训练 AI 像你 → 沉淀工作流），两者构成”怎么想清楚”和”怎么写清楚”的完整闭环。
- 与 2026-06-26-anthropic-kat-woo-24-advice 呼应：“大任务分阶段 + 及时 compact”和”模型会吃掉 harness”同源，都强调 AI 产品/工作流要持续做减法、管理上下文预算。
- 与 2026-07-01-woshipm-multi-agent-coding-pipeline 对照：都强调”复杂连接写进 Skill / 规则沉淀”，但本文面向 PM 的 PRD 工作流，那篇面向 Coding Agent 的受控流水线。
- 案例二”定义 Aha Moment”与 魔法时刻 直接相关——用户价值时刻的产品化定义。