AI Skills
ai-product-strategy

ai-product-strategy

热门

帮助用户明确如何高效落地 AI，妥善应对从确定性软件向概率性软件的范式转变，并借助垂直深耕与独家私有数据构建长期的竞争壁垒。

1207Star
151Fork
更新于 2026/7/16
获取 Skill源代码

相关 Skills

store-data-structures8.2万design11万frontend-dev-guidelines4.6万
SKILL.md
只读
名称
ai-product-strategy
描述

帮助用户明确如何高效落地 AI，妥善应对从确定性软件向概率性软件的范式转变，并借助垂直深耕与独家私有数据构建长期的竞争壁垒。

AI Product Strategy

优先处理高价值工作流，应对非确定性开发流程，打造具备竞争壁垒的 AI 产品。

基于 Lenny's Podcast 和 Newsletter 中 26 位嘉宾的实战经验与深度文章，为用户提供 AI 产品策略指导。

How to Help

  1. 寻找切入点（Wedge） - 识别用户痛点高、阻力大的繁重任务，利用 AI 带来成倍的回报。
  2. 选择技术架构 - 根据对实时数据与特定行为模式的需求，在检索增强生成（RAG）和模型微调（Fine-tuning）之间做出合理选择。
  3. 平稳推进 Autonomous（Agent化/自主性） - 设计渐进式的自主化路线，在过渡到全自动前先保持人在环路（Human-in-the-loop）。
  4. 顺应模型演进曲线 - 将产品路线图与未来的模型能力对齐，而不是为了解决当下的模型局限去搭建过于复杂的外围脚手架（Scaffolding）。

Core Principles

接受并适应“模糊/不稳定输出”

Alex Komoroske: "LLMs allow writing shitty software to be significantly cheaper, not necessarily good software, but good enough in certain contexts. And also it means that there's certain software now that isn't plain old computing that can be run cheaply. It's relatively expensive marginal cost."

在设计产品体验时，要默认 AI 是非确定性且存在瑕疵的，而不是试图在 UI 层面硬塞 100% 的准确率要求。

把产品视为“活的有机体”

Asha Sharma: "Because these models are so effective at this point, you want to start to tune them to certain types of outcomes. All of a sudden, these are these living organisms that just get better with the more interactions that happen. I think this is the new IP of every single company products that think and live and learn."

衡量成功的标准应是团队吸收数据和优化学习闭环的“新陈代谢”速度，而非静态的功能上线节点。

在垂直领域建立竞争壁垒

Logan Kilpatrick: "We're not going to launch some of these varied verticalized products. We're not going to launch an AI sales agent. That's just not what we're building towards. And companies who are and have some domain specific knowledge and they're really excited about that problem space, they can go into that and leverage our models and end up continuing to be on the cutting edge without having to do all that R&D effort themselves."

避免直接与基础大模型正面硬杠，选择特定行业细分赛道，利用领域知识（Domain Expertise）构建结构性优势。

孵化特定场景的“超级能力”

Noah Weiss: "I think in the AI space, we're trying to hear from customers, what do you wish Slack could do if it had these new superpowers? Let's incubate a couple teams or prototype, give them space to run and pilot and then get something to launch that's amazing. Blows people away. That's the formula that we've seen."

不要做泛泛的硬套 AI 功能，要精准捕捉用户的特定需求，并给专职团队足够的空间独立完成原型验证。

站在模型未来的角度做设计

Sherwin Wu V2: "The field and the models themselves are just changing so, so quickly. They tend to disrupt themselves. The models will eat your scaffolding for breakfast."

面向未来 12 到 18 个月预期的模型能力进行设计，避免构建那些最终会被大模型原生能力所直接替代的自定义复杂脚手架。

采取渐进式的自主化（Autonomy）路径

Aishwarya Naresh Reganti + Kiriti Badam: "You need to be deliberately starting in places where there is minimal impact and more human control so that you have a good grip of what are the current capabilities and what can I do with them and then slowly lean into the more agency and lesser control."

安全地部署 Agentic 系统：从“人在环路”的推荐建议切入，再逐步扩增到完全自主的交互。

Templates & Frameworks

  • AI 常用词汇表 - 20+ 核心术语 (An AI glossary) - 包含 20+ 个 AI 核心术语的参考清单，附带“通俗易懂（ELI5）”的定义解释，适合随时查阅开会使用
  • AI 产品构建者 12 条法则 (Counterintuitive advice for building AI products) - 总结来自 GitHub、Canva、Superhuman、Perplexity 等 20+ 位 AI 产品领军人物的反直觉实战经验
  • CC/CD（持续校准 / 持续开发）框架 (Why your AI product needs a different development lifecycle) - 专为 AI 产品打造的六步开发生命周期框架，兼顾非确定性与“自主性 vs 控制力”权衡，替代传统的 CI/CD 思维
  • AI 集成决策框架 (Summary: AI and product management | Marily Nika (Meta, Google)) - 帮助判断何时以及如何将 AI 能力引入现有产品的决策指南
  • 苦涩的教训（The Bitter Lesson）在 AI 产品构建中的应用 (Sherwin Wu V2) - 将 Rich Sutton 的《苦涩的教训》延伸至 AI 产品开发——所有外围脚手架和临时变通方案最终都会被模型的演进所抹平
  • AI 初创公司壁垒构建框架 (Peter Deng) - 打造具备壁垒的 AI 初创公司的三大支柱：独家数据飞轮、精细化工作流设计，以及打破既有大厂分发优势的产品匠心
  • AI 产品思维转变：原型优先 vs 设计优先 (Counterintuitive advice for building AI products) - 对比传统软件开发模式与可行性尚不确定时的 AI 原生开发模式
  • AI 产品差异化金字塔：数据 > 界面 > 模型 (Counterintuitive advice for building AI products) - 揭示 AI 产品持久竞争优势来源的层级关系
  • AI 产品的黏性重于护城河 (Scott Wu) - 在 AI 产品中，真正的壁垒来自持续复合增长的黏性（累积的知识、团队工作流、学习进化），而非硬性的准入门槛

详见 references/artifacts.md 获取完整清单及细节。

Questions to Help Users

  • “你的产品中，哪个环节是阻力最大、但通过自动化能带来最高回报的痛点？”
  • “你的业务场景是更依赖实时内部数据，还是特定的、一致的行为表达风格？”
  • “你如何设计界面来妥善处理 AI 输出的非确定性或潜在错误？”
  • “你现在做的这个功能，一年后会不会因为基础大模型的更新升级而直接报废？”
  • “你拥有哪些竞争对手无法轻易获取或复制的独家私有数据？”
  • “随着时间推移，你如何度量产品学习闭环的‘新陈代谢’效率？”

Common Mistakes to Flag

  • 基于当前模型的局限性做设计 - 构建复杂的脚手架去修补眼下模型的短板是徒劳的，因为基础大模型很快就会原生集成这些功能。
  • 为了 AI 而 AI - 抛开经过验证、有数据支撑的用户真实痛点，强行加入通用 AI 功能，无法产生实际价值或竞争壁垒。
  • 假设 100% 的准确率 - 忽视 AI 的概率属性，当模型不可避免地出现幻觉时，会导致用户体验彻底崩溃。
  • 重 Prompt 工程轻数据 - AI 功能的实际效果，通常更多地受限于底层数据的质量与时效性，而非 Prompt 本身。

Deep Dive

查看全部 26 位嘉宾的 45 条深度见解，请参阅 references/guest-insights.md

Related Skills

  • Ai Evals
  • Ai Native Ux