菜单
English articles本文暂无译文
积墨AI

积墨AI

从31个Skill到自动化实验Agent:一位产品经理的AI工作流全拆解

很多产品经理都在用AI,但大多数人的用法停留在偶尔对话和写文案上。一位增长方向的产品经理最近公开了自己每天真实运转的AI工作流:31个日常Skill、2个负责测试与实验的Agent,外加一个极速写作助手。这套体系不是炫技,而是从自己最不想做、最容易忘记的工作出发,一步步长出来的。看完他的实践,你会发现个人AI工作流的核心不是工具多强,而是把重复劳动系统性地交出去。

小模型补足实时响应短板

这套体系的起点很朴素:先把自己做得最差、经常忘记做的事交给AI。比如每次发布新功能前通知客服团队、写会议记录,这些事AI不需要做得多好,只要每次都记得做、不让同事干等就足够了。这些零散的自动化后来被整理成一个叫PM OS的仓库,里面有31个Skill,如今团队里每个产品经理都在用。它的定位是产品经理的幕僚长,每次会话先读取使用者是谁、和谁协作,再读取一份记忆文件。

PM OS的工程实现非常克制:一份agents.md规定工作方式,一批Skill规定触发时机和动作,再加几个启动hook检查版本更新,让六七十个产品经理用的版本大致一致。安装时基础模板放在隐藏文件夹里,首次使用会复制一份生成个人子仓库,个人内容只存在自己的仓库里。这实际上是父仓库加子仓库的双Git结构,让从没用过GitHub的产品经理也能无痛上手。Skill一度多达上千个,经过线下集中活动共同筛选,最终收敛到31个。

AI工作流的成败,不在模型多强、不在工具多新,而在你是否把每一个重复的瞬间都交了出去。

“行业观察”
积墨 AI 核心产品

积墨 AI 智能体开发平台

快速搭建具备商业价值的 AI 智能体,支持复杂工作流编排、50+ 主流模型接入与私有化部署。

从多年产业实践经验来看,这套工作流真正值得复用的不是某个具体Skill,而是它的演进路径。第一步是自动化自己的短板,第二步是沉淀成可共享的仓库,第三步才是让Agent接管完整流程。AutoXP就是第三步的产物:它由三个自动化任务组成,由Slack消息触发,收到一句“去设置页找一个可以做的实验,放开做”,就会先调用数据科学Agent分析漏斗、定位流失环节,再调用UX文案Agent产出方案,最后由工程Agent提交代码上线实验。人只在实验上线前做一次全面检查,之后不再中途干预,等结果出来时它已经在做下一轮迭代。这条规则很关键:把人的介入压缩到一次,才能让实验节奏快到覆盖过去根本舍不得花流量的场景。

价值不止于效率数字。AutoXP的第一个实验就发现了显著提升,如今线上同时跑着5个连主人都没看过的实验;一位工程师负责运行,整个流程几乎无人值守。另一个方向是速度型小模型的应用:顶级模型再强,延迟决定了它无法像同事一样即时回应。于是他用一个极快、极便宜的小模型做了写作助手原型,每次停下打字就调用一次,自动标出文中留空的想法和缺证据的说法,并实时从资料库中检索访谈原话补上。这类小模型同样适用于搜索和文档检索场景。此外,浏览器操作能力的成熟也打开了新空间:从自动订工位,到让Agent拿着测试账号在浏览器里按白板说明逐场景执行上线前的bug bash,做得比人更严格、更完整。

这套实践给所有知识工作者一个清晰的启示:不要从最宏大的目标开始,先把自己最不愿做的小事交给AI,再逐步沉淀、共享、升级为Agent闭环。工具会不断更替,但把重复劳动系统性交出去的思路,才是个人AI工作流真正的护城河。

#Claude Code#Skill#工作流编排#MCP
分享文章

相关文章推荐

试用咨询
企业微信二维码

扫码添加企业微信