业务方给的往往是一句话：「我们要做个会员体系」。产品经理要自己补全目标、场景、角色、边界、异常流，再和研发对齐可行性。这个补全过程没有模板可循，全凭经验，新人容易漏掉异常分支，评审会上才被发现。
把一句话需求按固定框架展开：目标与成功指标、目标用户与场景、核心流程与分支、边界与不做什么、依赖与风险。AI 一次能产出完整骨架，产品经理在骨架上做取舍，而不是从空白页开始想。对已有相似功能的产品，还能让它先读历史 PRD 再展开，保证口径一致。
通用大模型加一套固定的拆解提示词就能起步；把公司过往 PRD、评审纪要、异常案例接进知识库效果会更好。关键是提示词里写死你们自己的框架，而不是用 AI 默认的结构，否则每次产出的格式都不一样，评审时反而增加沟通成本。
从零起笔到可评审初稿的时间通常能压缩过半，更重要的是异常分支的遗漏率明显下降——因为框架是固定的，AI 不会像人一样在深夜跳过某一节。
AI 补全的是结构不是判断。做不做、先做哪个、为什么这么做，仍然要产品经理拍板。把 AI 产出直接当 PRD 提交，评审会上一问就穿。
竞品分析最耗时的不是看，是整理。十个竞品逐个体验、截图、归类到同一张表里，一天就没了；等做完，结论往往已经被老板催过三轮。而且不同人做出来的维度不一样，前后两次分析没法对比。
把公开资料、产品文档、用户评价喂给 AI，让它按你指定的维度统一抽取：功能覆盖、定价策略、目标客群、差异点、公开的用户抱怨。输出的是同一套表结构，能直接和上一轮对比。配合联网检索还能补上最新的版本变化。
维度表要自己先定死，让 AI 填表而不是让它自由发挥。信息来源限定在官网、帮助中心、应用商店评价、公开报道这类可核实的渠道，并要求逐条标注来源链接，便于回查。
整理环节的人工耗时大幅下降，且因为维度固定，历次分析可以纵向对比，看得出竞品的动作节奏。
AI 会把营销话术当成事实。定价、用户量、市场份额这类数字必须回到原始来源核对，尤其是竞品自己宣传的数据。
用户反馈散在工单、社群、应用商店评价、销售转述里，量大且重复。人工归类耗时，且容易被最近看到的几条带偏，把个案当成普遍问题。
批量读入原始反馈，按问题类型聚类并统计分布，标出高频问题和情绪强烈的表述，同时保留原文出处。还能生成访谈提纲——基于已聚类的问题设计追问路径，而不是每次凭感觉列题目。
先把反馈渠道统一汇集成一份结构化清单（时间、来源、原文、用户类型），再交给 AI 聚类。要求输出必须附带每一类的原文样例，否则无法判断聚类是否合理。
反馈处理从「抽样看几条」变成「全量过一遍」，判断依据从印象变成分布。
聚类结果只说明「什么被提得多」，不等于「什么最该做」。频次高的常常是易发现的表层问题，真正的价值点往往藏在少数深度反馈里，这一层必须人来读。
PRD 写完只是开始。评审会上研发会追问异常态、测试会追问验收标准、运营会追问数据埋点，这些内容如果 PRD 里没有，会后又是几轮补充。
让 AI 扮演不同角色对着 PRD 提问——研发关心什么、测试关心什么、法务关心什么，把这些追问先在会前跑一遍，把答不上来的地方补进文档。这比自己回想要全面得多。
把历次评审会记录沉淀成一份「常见追问清单」，作为 AI 自检的基准。评审前跑一遍自检，把缺口补齐再上会。
评审一次通过的比例提升，会后补充轮次减少，需求进入研发的时间提前。
验收标准和埋点方案涉及和研发、数据团队的约定，AI 只能给建议稿，最终必须双方确认后写进文档。
每个人用不同的提示词、不同的模板，产出的 PRD 格式五花八门；有人把 AI 生成的内容直接提交没有核对，评审时暴露事实错误，团队反而对 AI 失去信任。
AI 能保证的是格式统一和覆盖完整，前提是团队用同一套提示词和同一个知识库。工具本身不产生规范，规范要人来定。
三件事定下来就能跑：统一的 PRD 框架提示词、共享的历史文档知识库、明确的人机分工（AI 出结构与初稿，人做判断与事实核验）。再配一次全员实战训练，让每个人在自己手头的真实需求上跑通一遍。
从「某个人用得好」变成「全组产出稳定」，新人上手周期明显缩短。
不要追求一步到位。先挑一两个高频场景（多数团队从需求拆解或竞品整理切入最稳）跑出样板，再横向扩展。
留下联系方式，顾问会结合你的岗位与真实业务场景，给出课程设计、周期与费用的完整建议。
关注公众号
领课程大纲
加助教微信
