ai-shaped-readiness-advisor

目的

评估你的产品工作是**“AI 优先”（利用 AI 更快地自动化现有任务），还是“AI 重塑”**（围绕 AI 能力，从根本上重新设计产品团队的运作方式）。借此评估你在 2026 年 5 项关键 PM 能力方面的准备程度，找出差距，并获得关于应优先培养哪项能力的具体建议。

**关键区别：**AI 优先很可爱（用 Copilot 更快地编写 PRD）。AI 重塑关乎生存（打造持久的“现实层”，让人和 AI 都信任它；统筹 AI 工作流；缩短学习周期）。

这不是在讨论 AI 工具，而是在讨论围绕 AI 作为协同智能进行组织重塑。这项交互式技能会引导你完成成熟度评估，然后推荐你的下一步行动。

输入

**最适合提供：**描述团队目前如何在产品工作中使用 AI——即使答案是“几乎不用”也完全可以。 **也可以提供：**团队规模、产品领域，以及你认为最薄弱的 5 项能力中的哪一项。

随调用一并提供的任何内容——技能名称后面的文本、粘贴的上下文，或附加的 ARGUMENTS: 行——都视为已回答的问题。请使用这些信息，并跳过其中已涵盖的问题；不要重复询问。

**如果没有提供任何信息，也没关系。**顾问会先询问 AI 目前如何融入团队日常的产品工作。

调用示例：评估我的团队：有 6 名 PM，我们用 ChatGPT 起草 PRD 和总结会议，但探索或交付流程都没有任何改变。

核心概念

AI 优先与 AI 重塑

维度	AI 优先（可爱）	AI 重塑（关乎生存）
思维模式	自动化现有任务	重新设计工作方式
目标	加快产出文档	缩短学习周期
AI 角色	任务助手	战略协同智能
优势	暂时提升效率	可防御的竞争护城河
示例	“Copilot 编写 PRD 的速度快 2 倍”	“AI Agent 在 48 小时内验证假设，而不是耗时 3 周”

**关键洞察：**如果竞争对手只需投入人力就能复制你的 AI 用法，那就不是差异化优势，而只是效率提升（几个月内就会成为行业基本要求）。

---

5 项关键 PM 能力（2026 年）

这些能力定义了 AI 重塑型产品工作。你将评估自己在每项能力上的成熟度。

1. 上下文设计

构建持久的**“现实层”**，让人类和 AI 都能信赖——将 AI 的注意力视为稀缺资源，并有意识地分配。

包括内容：

• 记录哪些是事实，哪些是假设
• 不可变的约束（技术、法规、战略）
• 操作术语表（共享定义）
• 证据标准（什么算作验证）
• 上下文边界（哪些内容应持久保存，哪些应检索）
• 记忆架构（短期对话记忆 + 长期持久记忆）
• 检索策略（语义搜索、上下文检索）

关键原则：“如果你无法指出证据、约束和定义，那你就没有上下文，只有感觉。”

关键区别：上下文填塞与上下文工程

• **上下文填塞（AI 优先）：**不考虑意图地塞入大量内容（“粘贴整份 PRD”）
• **上下文工程（AI 塑造）：**围绕注意力塑造结构（限定领域、有目的地检索）

5 个诊断问题：

1. 这能支持哪项具体决策？
2. 检索能否取代持久保存？
3. 谁负责划定上下文边界？
4. 排除这项内容会造成什么问题？
5. 我们是在修正结构，还是在回避它？

**AI 优先版本：**将 PRD 粘贴到 ChatGPT；没有上下文边界；奉行“越多越好” **AI 塑造版本：**由 AI Agent 参考的 CLAUDE.md 文件、证据数据库和约束登记表；双层记忆架构；采用研究→规划→重置→实施循环，防止上下文腐化

**深入了解：**关于诊断上下文填塞和实施记忆架构的详细指导，请参阅 context-engineering-advisor。

---

2. Agent 编排

创建可重复、可追溯的 AI 工作流（而非一次性提示词）。

包括内容：

• 定义工作流循环：研究 → 综合 → 批判 → 决策 → 记录理由
• 每个步骤都展示其工作过程（推理可追溯）
• 工作流保持一致地运行（相同输入 = 可预测的流程）
• 对提示词和 Agent 进行版本控制

**关键原则：**一次性提示词是战术手段。编排后的工作流是战略手段。

AI 优先版本：“让 ChatGPT 分析这份用户反馈” **AI 塑造版本：**自动化工作流接收反馈、标记主题、生成假设、标出矛盾并记录决策

---

3. 加速成果

利用 AI 压缩学习周期（而不仅仅是加快任务速度）。

包括内容：

• 消除验证滞后（PoL 探测在几天内完成，而非几周）
• 消除审批延迟（AI 根据约束预先验证）
• 减少会议开销（由 AI 异步综合信息，取代状态会议）

**关键原则：**有目的地少做。AI 消除瓶颈，而不是制造更多工作。

AI 优先版本：“AI 更快地撰写用户故事” AI 塑造版本：“AI 在夜间运行可行性检查，省去 2 周的技术探索”

---

4. 团队与 AI 协作

重新设计团队系统，让 AI 作为协同智能发挥作用，而不是成为逃避问责的挡箭牌。

包括内容：

• 审核规范（谁检查 AI 输出、何时检查、如何检查）
• 证据标准（AI 必须引用来源，而非产生幻觉）
• 决策权限（AI 提出建议，人类做出决策——明确划分边界）
• 心理安全（团队可以质疑 AI，而不会觉得自己“很蠢”）

**关键原则：**AI 增强判断力，但不会取代问责。

**AI 优先版本：**以“我用了 AI”为糟糕输出辩解 **AI 塑造版本：**明确的审核流程；将 AI 输出视为需要人工验证的草稿

---

5. 战略差异化

超越效率提升，创造可防御的竞争优势。

包括以下内容：

• 全新的客户能力（用户现在能做哪些以前做不到的事？）
• 工作流重塑（竞争对手若不彻底重新设计，就无法复制的流程）
• 竞争对手无法匹敌的经济效益（借助 AI 实现 10 倍成本优势）

核心原则： “如果竞争对手只要多招些人就能复制，那就不算差异化。”

AI 优先版：“我们用 AI 写出更好的文档” AI 重塑版：“我们能在 2 天内验证产品假设，而行业标准是 3 周——每季度推出的已验证功能数量是原来的 6 倍”

---

反模式（不包括什么）

• **不是关于 AI 工具：**用 Claude 还是 ChatGPT 并不重要，重塑工作流才重要。
• **不是关于速度：**如果 PRD 并非瓶颈，那么把 PRD 写作速度提高 2 倍就没有战略意义。
• **不是关于自动化：**自动化糟糕的流程只会扩大糟糕的影响。
• **不是关于取代人类：**AI 重塑型组织会增强判断力，而非消除判断力。

---

何时使用此技能

✅ 适用于以下情况：

• 你在使用 AI 工具，但尚未看到战略优势
• 你怀疑自己是“AI 优先型”（提升效率），但希望转变为“AI 重塑型”（推动转型）
• 你需要确定下一步应构建哪项 AI 能力
• 领导层问“我们如何使用 AI？”，而你不确定该如何从战略层面回答
• 你想评估团队是否已准备好开展 AI 驱动的产品工作

❌ 不适用于以下情况：

• 你还没开始使用 AI（先从基础工具开始）
• 你在寻找工具推荐（本技能关注组织设计，而非工具）
• 你需要“如何编写提示词”这类实操指导（请使用相应技能）

---

引导流程的事实依据

默认将 workshop-facilitation 作为本技能的交互流程规范。

其中定义了：

• 会话预告 + 进入模式（引导式、上下文倾倒、最佳猜测）
• 每轮一个问题，并使用通俗易懂的提示
• 进度标签（例如，Context Qx/8 和 Scoring Qx/5）
• 中断处理及暂停／恢复行为
• 在决策节点提供编号建议
• 为常规问题提供编号快捷选项（适用时包含 Other (specify)）

本文件定义了特定领域的评估内容。如有冲突，请遵循本文件的领域逻辑。

应用

此交互式技能通过自适应提问评估你在 5 项能力上的成熟度，然后建议应优先提升哪些能力。

引导流程（必须遵守）

1. 每轮只问一个问题。
2. 等待用户回答后再问下一个问题。
3. 使用通俗易懂的问题（不要将简写标签作为主要问题）。如有需要，可提供示例回答格式。
4. 每轮都使用面向用户的标签显示进度：
   • 收集背景信息时使用 Context Qx/8
   • 评估成熟度时使用 Scoring Qx/5
   • 在方便的情况下注明“剩余问题数”。
5. 不要在面向用户的提示中使用内部阶段标签（例如“步骤 0”），除非用户询问内部结构详情。
6. 对于成熟度评分问题，先简要列出 1-4 的选项；仅在用户要求时提供完整的评分标准详情。
7. 对于背景信息问题，在适当时提供简洁的编号快捷选项，并提供 Other (specify) 供开放式回答。接受多选回复，例如 1,3 或 1 and 3。
8. 仅在决策节点给出编号建议，不要在每次回答后都给建议。
9. 决策节点包括：
   • 完整背景摘要之后
   • 五个维度的成熟度概况之后
   • 选择优先事项和行动计划路径时
10. 提供建议时，清晰地编号（1.、2.、3.），并接受 #1、1、1 and 3、1,3 或自定义文本等选择。
11. 如果用户选择了多个选项，请综合形成一条路径并继续。
12. 如果用户提供了自定义文本，请将其对应到最接近的有效路径并继续，无需要求用户重新输入。
13. 必须处理打断：如果用户提出元问题（“还剩几个问题？”“为什么用这个标签？”“暂停”），先直接回答，然后重申当前进度并继续待回答的问题。
14. 如果用户要求停止或暂停，请立即停止评估并等待用户明确表示恢复。
15. 如果用户要求“一次只问一个问题”，在本次会话剩余部分始终保持这种模式，除非用户明确表示不再需要。
16. 在提出任何评估问题之前，先简要说明所需时间和问题数量，并让用户选择参与方式。

---

会话开始：事先说明 + 选择参与方式（必须遵守）

Agent 开场提示（首先使用此提示）：

“开始前简单说明：整个流程通常需要 7-10 分钟，最多会有 13 个问题（8 个背景信息问题 + 5 个评分问题）。

你想如何进行？

1. 引导模式：我每次问一个问题。
2. 背景信息汇总：你粘贴已知信息，我会跳过重复的问题。
3. 最佳猜测模式：对于缺失的信息，我会做出合理假设、标明假设内容并继续。”

接受 #1、1、1 and 3、1,3 或自定义文本等选择。

模式行为：

• 如果选择引导模式： 按照原样执行步骤 0，然后进行评分。
• 如果选择背景信息汇总： 只询问一次，请用户粘贴背景信息，然后进行总结并找出信息缺口；同时：
  • 跳过已回答的背景信息问题。
  • 仅询问最少量的必要缺失信息（0-2 个澄清问题）。
  • 背景信息充足后立即进入评分。
• 如果选择最佳猜测模式： 询问最少量的起始信息（角色/团队 + 主要目标），然后：
  • 使用合理的默认值推断缺失信息。
  • 将每项推断标记为 Assumption。
  • 为每项假设标注置信度（High、Medium、Low）。
  • 不因未知信息而停下来，继续流程。

在最终总结中，如果使用了背景信息汇总模式或最佳猜测模式，请加入 Assumptions to Validate 部分。

步骤 0：收集背景信息

Agent 提问：

严格按照以下顺序逐一提问，收集背景信息：

1. “你目前在使用哪些 AI 工具？”
2. “你的团队目前通常如何使用 AI：一次性提示词、可复用模板，还是多步骤工作流？”
3. “目前有哪些人会持续使用 AI：只有你、产品经理，还是跨职能团队？”
4. “你的团队大约有多少名产品经理、工程师和设计师？”
5. “你们处于哪个阶段：初创期、增长期，还是企业阶段？”
6. “你们如何做决策：集中式、分布式，还是共识驱动？”
7. “你希望通过 AI 建立什么竞争优势？”
8. “目前阻碍学习和迭代的最大瓶颈是什么？”

提问 8 后，用 4 行进行总结：

• 当前 AI 使用模式
• 团队背景
• 战略意图
• 主要瓶颈

---

步骤 1：上下文设计成熟度

Agent 提问：

让我们评估你的上下文设计能力——你构建的“现实层”是否值得人类和 AI 信赖，以及你是在进行上下文堆砌（只有数量，没有意图），还是在进行上下文工程（围绕注意力进行结构化）。

以下哪项最能描述你当前的状态？

1. 等级 1（AI 优先／上下文堆砌）：“每次需要信息时，我都会把整份文档粘贴到 ChatGPT 中。没有共享知识库，也没有上下文边界。”

   • 现实情况：一次性提示，不具备持久性；抱着“越多越好”的心态
   • 问题：AI 没有记忆；你不断重复相同内容；上下文堆砌会分散注意力
   • **上下文工程差距：**无法回答 5 个诊断问题；为了“以防万一”而保存所有内容

2. 等级 2（初步发展／早期结构化）：“我们有一些文档（PRD、战略备忘录），但分散在各处。没有统一的格式。开始注意到上下文堆砌的问题（回答含糊、重试逐渐成为常态）。”

   • 现实情况：上下文确实存在，但没有针对 AI 使用进行结构化；没有检索策略
   • 问题：AI 无法可靠地找到或信任信息；混淆了始终需要的上下文和临时上下文
   • **上下文工程差距：**没有负责上下文边界的人；没有区分持久化与检索

3. 等级 3（过渡阶段／上下文工程初步形成）：“我们已经开始使用 CLAUDE.md 文件和项目说明。已有约束注册表。正在确定哪些内容应持久化、哪些应检索。正在试验‘研究→规划→重置→实施’循环。”

   • 现实情况：结构化上下文开始形成，但还不全面；已定义上下文边界，但尚未完全落实
   • 问题：覆盖不均；有些领域文档完善，另一些领域则依赖直觉；检索实践不一致
   • **上下文工程进展：**可以回答 5 个诊断问题中的 3 至 4 个；已指定上下文边界负责人；开始使用双层记忆

4. 等级 4（AI 塑造型／精通上下文工程）：“我们维护着一个持久的现实层：约束注册表（20 多条）、证据数据库、操作术语表（30 多个术语）。采用双层记忆架构（短期对话记忆 + 通过向量数据库实现的长期持久记忆）。已定义上下文边界并指定负责人。AI Agent 会自动参考这些内容。我们使用‘研究→规划→重置→实施’流程来防止上下文腐化。”

   • 现实情况：全面且受版本控制的上下文，值得人类和 AI 信赖；带着明确意图进行检索（而非追求完整）
   • 成果：AI 能够高置信度地运行；减少幻觉和返工；优化令牌使用；不再堆砌上下文
   • **精通上下文工程：**能够回答全部 5 个诊断问题；每季度审计上下文边界；量化追踪效率：（准确性 × 连贯性）/（令牌数 × 延迟）

选择你的等级：[1、2、3 或 4]

**注意：**如果你选择了等级 1 至 2，且正受上下文堆砌困扰，可以考虑使用 context-engineering-advisor，在继续之前诊断并解决上下文囤积障碍。

用户回答：[选择]

**Agent 记录：**上下文设计成熟度 = [等级 X]

---

第 2 步：Agent 编排成熟度

Agent 提问：

现在，我们来评估 Agent 编排——你是否拥有可重复执行的 AI 工作流，还是只有一次性的提示词。

以下哪项最能描述你目前的状态？

1. Level 1（AI 优先）：“我需要时就会在 ChatGPT 中输入提示词。没有保存的工作流或模板。”

   • 现状：战术性、临时性的使用
   • 问题：结果不一致；无法扩展或审计

2. Level 2（初步阶段）：“我保存了一些会重复使用的提示词。可能还创建了几个自定义 GPT 或 Claude Projects。”

   • 现状：提示词可以重复使用，但还不是完整的工作流
   • 问题：每个步骤都需要手动操作；没有编排

3. Level 3（转型阶段）：“我们构建了一些多步骤工作流（研究 → 综合 → 评估），并用 Notion 或 Linear 等工具进行跟踪。”

   • 现状：工作流已建立，但需要手动交接
   • 问题：每个步骤仍需要人工参与；尚未完全自动化

4. Level 4（AI 塑造）：“我们拥有经过编排、可自主运行的 AI 工作流：研究 → 综合 → 评估 → 决策 → 记录依据。每个步骤都可追溯并进行版本控制。”

   • 现状：工作流稳定运行；每个步骤都展示其执行过程
   • 成果：可靠、可审计、可扩展的 AI 流程

选择你的级别： [1、2、3 或 4]

用户回答： [选择结果]

Agent 记录： Agent 编排成熟度 = [Level X]

---

第 3 步：成果加速成熟度

Agent 提问：

接下来是 成果加速——你是在利用 AI 缩短学习周期，还是仅仅加快任务执行？

以下哪项最能描述你目前的状态？

1. Level 1（AI 优先）：“AI 帮我更快地撰写文档（PRD、用户故事）。每周能节省几个小时。”

   • 现状：提升了产出文档的效率
   • 问题：文档并不是瓶颈；学习周期没有变化

2. Level 2（初步阶段）：“AI 帮助我进行研究和综合（总结用户反馈、分析竞争对手），节省研究时间。”

   • 现状：学习加速效果有限
   • 问题：流程仍是顺序执行；AI 没有消除验证延迟

3. Level 3（转型阶段）：“我们使用 AI 更快地开展实验（PoL 探测、可行性检查），将验证时间从几周缩短到几天。”

   • 现状：学习周期正在缩短
   • 问题：尚未形成系统化做法；只应用于部分实验

4. Level 4（AI 塑造）：“AI 系统性地消除了瓶颈：一夜之间完成可行性检查，用异步综合取代会议，并根据约束条件自动验证。学习周期加快 5–10 倍。”

   • 现状：从根本上重新设计了学习方式
   • 成果：比竞争对手快 6 倍交付经过验证的功能

选择你的级别： [1、2、3 或 4]

用户回答： [选择结果]

Agent 记录： 成果加速成熟度 = [Level X]

---

第 4 步：团队与 AI 协作成熟度

Agent 提问：

现在评估团队与 AI 协作——你们为将 AI 作为协同智能，重新设计团队系统的成效如何？

以下哪项最能描述你们目前的状态？

1. Level 1（AI 优先）：“我私下使用 AI。团队不知道，或者没有使用。没有共同规范。”

   • 实际情况：个人使用工具，未融入团队
   • 问题：质量参差不齐；没有人对 AI 输出负责

2. Level 2（初步形成）：“团队会使用 AI，但没有正式的审核流程。大家只是随口提一句‘我用了 AI’。”

   • 实际情况：有所认知，但没有结构
   • 问题：AI 输出被当作最终结果；错误未能及时发现

3. Level 3（转型中）：“我们逐渐形成了审核规范（AI 输出是草稿，而非最终结果）。讨论过证据标准，但尚未正式确定。”

   • 实际情况：文化转变正在进行
   • 问题：规范尚未正式确立；并非所有人都会遵循

4. Level 4（AI 塑造）：“我们有明确的协议：AI 输出须经人工验证，证据标准已正式确定，决策权责也很明确（AI 提出建议，人来决策）。团队将 AI 视为协同智能。”

   • 实际情况：AI 已融入团队的运营体系
   • 成果：高质量输出；同时维持心理安全感

选择你的级别：[1、2、3 或 4]

用户回复：[选择]

**Agent 记录：**团队与 AI 协作成熟度 = [Level X]

---

第 5 步：战略差异化成熟度

Agent 提问：

最后，评估战略差异化——你们是在创造可防御的竞争优势，还是只提升了效率？

以下哪项最能描述你们目前的状态？

1. Level 1（AI 优先）：“我们用 AI 提高工作速度（写出更好的文档、更快地回复客户）。只有效率提升。”

   • 实际情况：行业标配式改进
   • 问题：竞争对手几个月内就能照搬

2. Level 2（初步形成）：“AI 让我们能做到以前做不到的事（分析多 10 倍的数据、测试更多假设）。能力有所提升，但竞争对手也能复制。”

   • 实际情况：能力有所扩展，但无法形成防御优势
   • 问题：没有护城河；竞争对手可以通过增加人手追赶

3. Level 3（转型中）：“我们围绕 AI 重新设计了部分工作流（例如，用 2 天而不是 3 周验证假设）。开始形成差距。”

   • 实际情况：工作流优势逐渐显现
   • 问题：尚未形成系统性做法；只在部分领域应用

4. Level 4（AI 塑造）：“我们彻底重塑了运营方式：客户能获得其他地方无法提供的能力，我们的学习周期比行业标准快 10 倍，经济效益好 5 倍。竞争对手若不彻底重组，便无法复制。”

   • 实际情况：可防御的竞争护城河
   • 成果：随时间不断累积的战略优势

选择你的级别：[1、2、3 或 4]

用户回复：[选择]

**Agent 记录：**战略差异化成熟度 = [Level X]

---

第 6 步：评估成熟度概况

Agent 综合分析：

以下是你的 AI 塑造型准备度概况：

┌─────────────────────────────┬───────┬──────────┐
│ Competency                  │ Level │ Maturity │
├─────────────────────────────┼───────┼──────────┤
│ 1. Context Design           │   X   │ [Label]  │
│ 2. Agent Orchestration      │   X   │ [Label]  │
│ 3. Outcome Acceleration     │   X   │ [Label]  │
│ 4. Team-AI Facilitation     │   X   │ [Label]  │
│ 5. Strategic Differentiation│   X   │ [Label]  │
└─────────────────────────────┴───────┴──────────┘

Overall Assessment: [AI-First / Emerging / Transitioning / AI-Shaped]

成熟度标签：

• **Level 1：**AI 优先（仅提升效率）
• **Level 2：**初步形成（能力初步发展）
• **Level 3：**转型中（正在重新设计）
• **Level 4：**AI 塑造（战略转型）

总体评估逻辑：

• **AI 优先：**平均级别为 1–1.5（大多数为 Level 1）
• **初步形成：**平均级别为 2–2.5（大多数为 Level 2）
• **转型中：**平均级别为 3–3.5（大多数为 Level 3）
• **AI 塑造：**平均级别为 3.5–4（大多数为 Level 4）

---

步骤 7：确定优先弥补的差距

Agent 询问：

根据你的成熟度概况，你应该优先提升哪项能力？

Agent 分析依赖关系：

依赖逻辑：

1. 上下文设计是基础 — 如果处于第 1 至 2 级，则必须将其列为首要优先事项（Agent 编排和成果加速都依赖于此）
2. Agent 编排推动成果加速 — 如果上下文设计达到第 3 级或更高，但 Agent 编排处于第 1 至 2 级，则优先提升编排能力
3. 团队与 AI 协作可并行推进 — 可以与其他能力同步发展，但实现规模化必不可少
4. 战略差异化要求其他能力达到第 3 级或更高 — 在打好基础之前，不要将重点放在这里

Agent 建议：

根据你的概况，我建议先重点提升**[能力名称]**，原因如下：

选项 1：上下文设计（如果处于第 1 至 2 级）

• 原因： 没有持久的上下文，AI 就只能凭感觉行事。每个工作流都会很脆弱。
• 影响： 解锁 Agent 编排和成果加速
• 后续步骤： 构建 CLAUDE.md 文件，开始创建约束注册表，建立运营术语表

选项 2：Agent 编排（如果上下文设计达到第 3 级或更高，但编排处于第 1 至 2 级）

• 原因： 你已有上下文，但没有可重复的工作流。要实现规模化，就需要编排。
• 影响： 将一次性提示词转变为可靠、可追踪的工作流
• 后续步骤： 记录你最常用的 AI 工作流，对提示词进行版本控制，添加可追踪性

选项 3：成果加速（如果上下文设计和 Agent 编排都达到第 3 级或更高）

• 原因： 你已具备基础设施，现在要缩短学习周期
• 影响： 快速学习将带来战略优势
• 后续步骤： 找出学习周期中的最大瓶颈，设计 AI 工作流来消除它

选项 4：团队与 AI 协作（如果 AI 仅供个人使用，而非团队共同使用）

• 原因： 如果只有你一个人围绕 AI 调整工作方式，就无法实现规模化；整个团队都必须采用 AI
• 影响： 推动组织转型，而不只是提升个人生产力
• 后续步骤： 建立评审规范，明确证据标准，制定决策权限框架

选项 5：战略差异化（如果其他能力都达到第 3 级或更高）

• 原因： 你已经打好基础，现在要建立竞争护城河
• 影响： 打造可持续的竞争优势
• 后续步骤： 找出竞争对手无法复制的工作流，设计 AI 赋能的客户能力

你想重点提升哪项能力？

选项：

1. 接受建议 — [Agent 提供详细行动计划]
2. 选择其他优先事项 — [Agent 提醒依赖关系，但允许你覆盖建议]
3. 同时重点提升多项能力 — [如果可行，Agent 建议并行推进]

用户回复： [选择]

---

步骤 8：生成行动计划

Agent 根据所选优先事项提供定制行动计划：

---

如果优先级 = 上下文设计

目标： 构建一个持久的“现实层”，让人类和 AI 都能信任——从上下文填充转向上下文工程。

预备阶段：诊断上下文填充（如有需要） 如果你处于 1–2 级，先诊断上下文填充的症状：

1. 完成 5 个诊断问题（参见 context-engineering-advisor）
2. 确定哪些内容被持久化了，但实际上应通过检索获取
3. 指定上下文边界负责人
4. 创建上下文清单（哪些内容始终需要，哪些是阶段性的）

阶段 1：记录约束（第 1 周）

1. 创建约束注册表：
   • 技术约束（API、数据模型、性能限制）
   • 法规约束（GDPR、HIPAA 等）
   • 战略约束（我们会／不会构建 X）
2. 对每项约束应用诊断问题 #4：“如果排除这项，会有什么失败？”
3. 格式：AI Agent 可解析的结构化文件（YAML、JSON 或带 frontmatter 的 Markdown）
4. 在 Git 中进行版本控制

阶段 2：构建运营术语表（第 2 周）

1. 列出团队常用的 20–30 个术语（例如“用户”“客户”“激活”“流失”）
2. 明确定义每个术语（避免“视情况而定”）
3. 纳入边缘情况和例外情形
4. 添加到 CLAUDE.md 或项目说明中
5. 这将成为你的长期持久记忆（陈述性记忆）

阶段 3：制定证据标准和上下文边界（第 3 周）

1. 定义哪些内容可视为验证依据：
   • 用户反馈：“X 位用户表示 Y”（附上引述）
   • 分析数据：“指标 Z 变化了 N%”（附上仪表板链接）
   • 竞争情报：“竞争对手 A 发布了 B”（附上来源）
2. 不接受：“我认为”“我们觉得”“似乎”
3. 使用 5 个诊断问题定义上下文边界：
   • 每条上下文具体支持什么决策？
   • 能否用检索替代持久化？
   • 谁负责上下文边界？
4. 创建上下文清单文档
5. 在团队文档中明确记录

阶段 4：实施记忆架构和工作流（第 4 周）

1. 设置双层记忆：
   • 短期（对话式）： 总结／截断较早的对话内容
   • 长期（持久）： 约束注册表 + 运营术语表（考虑使用向量数据库进行检索）
2. 实施研究→规划→重置→实施循环：
   • 研究：允许混乱地收集上下文
   • 规划：综合整理成高密度的 SPEC.md 或 PLAN.md
   • 重置：清空上下文窗口
   • 实施：仅以规划文档作为上下文
3. 更新 AI 提示词，使其引用约束注册表和术语表
4. 测试：要求 AI 在提出建议时引用约束
5. 衡量：引用证据而非产生幻觉的 AI 输出占比；Token 使用效率

成功标准：

• ✅ 约束注册表包含 20 项以上
• ✅ 运营术语表包含 20–30 个术语
• ✅ 证据标准已有文档记录并已共享
• ✅ 已创建上下文清单（始终需要的内容与阶段性内容）
• ✅ 已指定上下文边界负责人
• ✅ 已实施双层记忆架构
• ✅ 已在 1 个工作流中测试研究→规划→重置→实施循环
• ✅ AI Agent 会自动引用这些内容
• ✅ Token 使用量降低 30% 以上（减少上下文填充）
• ✅ 输出一致性提高（减少重试）

相关技能：

• context-engineering-advisor（交互式）——深入了解如何诊断上下文填充并实施记忆架构
• problem-statement.md — 在定义问题之前明确约束
• epic-hypothesis.md — 撰写基于证据的假设

如果优先事项 = Agent 编排

目标： 将一次性提示词转化为可重复、可追溯的 AI 工作流。

阶段 1：梳理当前工作流（第 1 周）

1. 选择最常见的 AI 用例（例如“分析用户反馈”）
2. 记录你当前执行的每个步骤：
   • 将反馈复制并粘贴到 ChatGPT
   • 请求归纳主题
   • 手动分类
   • 撰写摘要
3. 找出痛点（手动交接、结果不一致）

阶段 2：设计编排工作流（第 2 周）

1. 定义工作流循环：
   • 研究： AI 阅读所有反馈（结构化输入）
   • 综合： AI 识别主题（附带证据）
   • 审查： AI 标记矛盾或微弱信号
   • 决策： 人工审查并决定后续步骤
   • 记录： AI 记录理由和来源
2. 每个步骤都必须可追溯（展示来源和推理过程）

阶段 3：构建和测试（第 3 周）

1. 使用以下方式实现工作流：
   • Claude Projects（如果较简单）
   • Custom GPTs（如果复杂程度中等）
   • API 编排（如果较复杂）
2. 使用 3 个过往示例运行工作流；与手动流程进行比较
3. 衡量：节省的时间、一致性的提升、可追溯性的增强

阶段 4：记录和扩展（第 4 周）

1. 对提示词进行版本控制（Git）
2. 为团队记录工作流步骤
3. 培训 2 位队友；观察结果
4. 根据反馈迭代

成功标准：

• ✅ 至少有 1 个工作流能够稳定运行（相同输入 → 可预测的流程）
• ✅ 每个步骤都可追溯（AI 标注来源）
• ✅ 团队无需你参与也能复现该工作流

相关技能：

• pol-probe-advisor.md — 使用编排工作流开展验证实验

---

如果优先事项 = 加速成果

目标： 利用 AI 压缩学习周期，而不只是加快任务完成速度。

阶段 1：找出瓶颈（第 1 周）

1. 梳理当前的学习周期（例如：假设 → 实验 → 分析 → 决策）
2. 记录每个步骤的耗时
3. 找出最慢的步骤（通常是：验证滞后、审批延迟或会议开销）

阶段 2：设计 AI 干预方案（第 2 周）

1. 思考：“如果这一步能在一夜之间完成，会怎样？”
   • 可行性检查：AI 用 2 小时而非 2 天进行初步探索
   • 用户研究综合：AI 用 1 小时而非 1 周进行分析
   • 审批预检：AI 在会议前根据约束条件进行验证
2. 设计最精简的 AI 工作流，以消除瓶颈

阶段 3：开展试点（第 3 周）

1. 在 1 项真实计划中测试 AI 干预方案
2. 衡量周期时间：前后对比
3. 验证质量：AI 是否保持了严谨性，还是走了捷径？

阶段 4：扩展（第 4 周）

1. 如果效果良好（周期时间缩短 50% 以上且质量保持不变），应用到另外 3 项计划中
2. 记录工作流
3. 培训团队

成功标准：

• ✅ 至少 1 项计划的学习周期缩短 50% 以上
• ✅ 质量保持不变（没有损害严谨性的捷径）
• ✅ 团队采用加速后的工作流

相关技能：

• pol-probe.md — 使用 AI 更快地运行 PoL 探测
• discovery-process.md — 使用 AI 压缩探索周期

---

如果优先事项 = 团队与 AI 协同

目标： 重新设计团队系统，让 AI 成为协同智能，而不是推卸责任的挡箭牌。

阶段 1：建立评审规范（第 1 周）

1. 明确规则：“AI 输出是草稿，不是最终版本”
2. 制定评审流程：
   • 谁来评审 AI 输出？（同级成员、产品经理负责人、跨职能合作伙伴）
   • 何时评审？（对外分享前、做出决策前）
   • 检查什么？（准确性、完整性、证据引用）
3. 与团队分享并取得认同

阶段 2：制定证据标准（第 2 周）

1. AI 必须引用来源（不得出现幻觉）
2. 拒绝使用“I think”或“it seems”这类表述的输出
3. 要求采用以下格式：“根据 [source]，[fact]”
4. 将其纳入团队运作文档

阶段 3：明确决策权限（第 3 周）

1. 明确：AI 提出建议，人类做出决策
2. 记录谁有权推翻 AI 的建议（产品经理、团队负责人、跨职能共识）
3. 创建升级路径（如果 AI 和人类意见不一致，该怎么办？）

阶段 4：营造心理安全感（第 4 周）

1. 团队练习：分享一个你发现的 AI 错误（让发现错误成为常态）
2. 鼓励批判性思维（“发现了那个 AI 幻觉，做得好！”）
3. 避免说：“你为什么不直接用 AI？”（羞辱他人）

成功标准：

• ✅ 已记录评审规范，且团队遵照执行
• ✅ 已明确证据标准
• ✅ 决策权限清晰
• ✅ 团队乐于质疑 AI 输出

相关技能：

• problem-statement.md — 基于证据的问题界定
• epic-hypothesis.md — 可测试、有证据支撑的假设

---

如果优先事项 = 战略差异化

目标： 打造可捍卫的竞争优势，而不只是提升效率。

阶段 1：寻找护城河机会（第 1 周）

1. 提问：“哪些事情可以借助 AI 实现，而竞争对手即使增加人手也无法复制？”
   • 新的客户能力（例如：“AI 顾问提出个性化路线图建议”）
   • 重构工作流（例如：“2 天内验证产品创意，而不是 3 周”）
   • 经济模式转变（例如：“通过 AI 自动化，以中小企业价格提供企业级功能”）
2. 列出 5 个候选方案
3. 根据可捍卫性排序（复制起来有多难？）

阶段 2：设计 AI 赋能能力（第 2 周）

1. 选出首选方案
2. 设计端到端工作流：
   • 客户会体验到什么？
   • AI 会在幕后做什么？
   • 需要哪些人工判断？
3. 勾勒 MVP（最小可行护城河）

阶段 3：构建并测试（第 3–4 周）

1. 构建原型（可以是 PoL 探索，不必达到生产级）
2. 与 5 位客户测试
3. 衡量：这是否创造了竞争对手无法匹敌的价值？

阶段 4：验证护城河（第 5 周）

1. 提问：“竞争对手会如何复制这一能力？”
   • 如果答案是“雇用更多人”，那就不是护城河
   • 如果答案是“重新设计整个组织”，那你就有了护城河
2. 记录竞争分析
3. 决定：构建完整版本、调整方向或终止项目

成功标准：

• ✅ 至少发现 1 项竞争对手难以复制的 AI 赋能能力
• ✅ 已与客户验证（客户认可其价值）
• ✅ 已确认其可捍卫性（竞争对手分析）

相关技能：

• positioning-statement.md — 阐明 AI 驱动的差异化优势
• jobs-to-be-done.md — 了解客户希望借助你的 AI 能力完成什么任务

---

第 9 步：跟踪进展（可选）

Agent 提供：

你希望我为这项 AI 转型创建进度跟踪表吗？

跟踪表包含：

• 当前成熟度等级（基线）
• 目标成熟度等级（目标状态）
• 行动计划里程碑（来自第 8 步）
• 评审频率（每周、每月）

选项：

1. 是，创建跟踪表 — [Agent 生成 Markdown 检查清单]
2. 否，我会单独跟踪 — [Agent 提供摘要]

---

示例

示例 1：早期初创公司（AI 优先 → 初步发展）

背景：

• 团队：2 名产品经理、5 名工程师
• AI 使用情况：使用 ChatGPT 撰写 PRD，偶尔使用 Copilot
• 目标：比大型竞争对手更快

评估结果：

• 上下文设计：第 1 级（没有结构化上下文）
• Agent 编排：第 1 级（一次性提示词）
• 成果加速：第 1 级（文档撰写更快，但学习周期没有变化）
• 团队与 AI 协作：第 2 级（团队使用 AI，但没有规范）
• 战略差异化：第 1 级（只有效率提升）

建议： 首先聚焦于上下文设计。

行动计划（第 1-4 周）：

• 第 1 周：创建约束注册表（10 项技术约束）
• 第 2 周：构建业务术语表（15 个术语）
• 第 3 周：制定证据标准
• 第 4 周：将上下文添加到 CLAUDE.md 文件中

结果： 4 周后，上下文设计提升至第 3 级。下一季度即可推进 Agent 编排。

---

示例 2：成长阶段公司（转型中 → AI 塑造型）

背景：

• 团队：10 名产品经理、50 名工程师、5 名设计师
• AI 使用情况：使用 Claude Projects 开展研究，自定义工作流开始涌现
• 目标：IPO 前建立可防御的 AI 优势

评估结果：

• 上下文设计：第 3 级（上下文结构化，但不全面）
• Agent 编排：第 3 级（已有一些工作流，但交接仍需手动完成）
• 成果加速：第 2 级（提升有限，尚未形成系统）
• 团队与 AI 协作：第 3 级（开始形成规范，但尚未成文）
• 战略差异化：第 2 级（出现新能力，但容易被复制）

建议： 聚焦于成果加速（基础扎实；现在要压缩学习周期）。

行动计划（第 1-4 周）：

• 第 1 周：找出瓶颈（探索周期需要 3 周）
• 第 2 周：设计 AI 工作流，在夜间运行可行性检查
• 第 3 周：在 1 项计划中试点（将周期缩短至 5 天）
• 第 4 周：推广至 3 项计划

结果： 学习周期加快 5 倍 → 与竞争对手拉开战略差距 → 成果加速达到第 4 级，战略差异化达到第 3 级。

---

示例 3：大型企业（AI 优先，但使用分散）

背景：

• 团队：50 名产品经理、300 名工程师
• AI 使用情况：产品经理各自使用不同工具，缺乏一致性
• 目标：规范 AI 使用，创建跨职能工作流

评估结果：

• 上下文设计：第 2 级（已有文档，但未针对 AI 进行结构化）
• Agent 编排：第 1 级（没有共享工作流）
• 成果加速：第 1 级（只有效率提升）
• 团队与 AI 协作：第 1 级（个人私下使用，没有规范）
• 战略差异化：第 1 级（没有优势）

建议： 首先聚焦于团队与 AI 协作（分布式团队需要先建立共享规范，再构建基础设施）。

行动计划（第 1-4 周）：

• 第 1 周：制定评审规范（AI 输出属于草稿）
• 第 2 周：设定证据标准（AI 必须引用来源）
• 第 3 周：明确决策权限（AI 提出建议，由负责人决策）
• 第 4 周：在 3 个团队中试点并收集反馈

结果： 团队与 AI 协作提升至第 3 级，为后续开展上下文设计和 Agent 编排奠定基础。

---

常见误区

1. 将效率提升误认为差异化

失败模式：“我们用 AI 将 PRD 撰写速度提高了 2 倍——我们已经是 AI 塑造型了！”

后果： 竞争对手会在 3 个月内复制，无法形成持久优势。

改进方法： 问问自己：“如果竞争对手多投入 2 倍人力，他们能赶上我们吗？”如果能，这只是效率提升（入场门槛），而不是差异化。

---

2. 跳过上下文设计

失败模式： 在没有持久上下文的情况下构建 Agent 编排工作流。

后果： AI 工作流非常脆弱（上下文一变，所有环节都会出问题）。

改进方法： 上下文设计是基础，不要跳过。先构建约束注册表、术语表和证据标准。

---

3. 个人使用，而非团队转型

失败模式：“我已经是 AI 塑造型了，但我的团队还不是。”

后果： 无法规模化；你休假时，工作流就会停摆。

改进方法： 优先推进团队与 AI 协作。共享规范 > 个人生产力。

---

4. 关注工具，而非工作流

失败模式：“我们应该使用 Claude 还是 ChatGPT？”

**后果：**围绕工具的争论会分散大家对组织重新设计的注意力。

**解决方法：**工具并不重要，工作流才重要。重点应放在重新设计工作方式上，而不是选择使用哪种 AI。

---

5. 速度优先于学习

失败模式：“AI 帮我们更快地交付！”

**后果：**更快地交付错误的东西（如果你没有缩短学习周期）。

**解决方法：**成果加速的重点是更快地学习，而不是更快地构建。在几天内验证假设，而不是几周。

---

参考资料

相关技能

• context-engineering-advisor（交互式）— **深入探讨上下文设计能力：**诊断上下文填塞、实施记忆架构、运用 Research→Plan→Reset→Implement 循环
• problem-statement（组件）— 基于证据的问题界定（上下文设计）
• epic-hypothesis（组件）— 符合证据标准的可测试假设
• pol-probe-advisor（交互式）— 使用 AI 缩短验证周期（成果加速）
• discovery-process（工作流）— 将 AI 赋能原则应用于发现
• positioning-statement（组件）— 阐明 AI 驱动的差异化优势（战略差异化）

外部框架

• Dean Peters — AI-First Is Cute. AI-Shaped Is Survival.（Dean Peters 的 Substack，2026 年）
• Dean Peters — Context Stuffing Is Not Context Engineering（Dean Peters 的 Substack，2026 年）— 深入探讨能力 #1（上下文设计）

延伸阅读

• Ethan Mollick — Co-Intelligence（探讨 AI 如何成为协同智能，而非替代品）
• Shreyas Doshi — 关于借助 AI 增强产品经理判断力的 Twitter 讨论串
• Lenny Rachitsky — 访谈 AI 先锋产品经理的 Newsletter