一个前几天，我写了一篇关于我作为产品经理每天使用的 9 大 AI 工具的文章。

它炸了！不是因为它是工具的大师班（尽管我喜欢认为它是），而是因为世界各地的项目经理都渴望实际的人工智能应用。工具只是表面。当你确切地知道该问他们什么时，真正的魔力就会发生。

这就是提示的用武之地。

将人工智能提示视为工具的方向盘。你可以拥有世界上最快的汽车，但如果你不知道如何转动它，你要么撞车，要么停在车上。

在过去的几个月里，我微调了一组提示，这些提示为我节省了时间，解锁了更好的产品决策，甚至帮助我应对棘手的利益相关者对话。这些不是“给我写一个路线图”的毛茸茸的噱头。这些是经过测试的、经过改进的、战斗准备的提示，我在日常生活中实际使用，并且它们有效。

在本文中，我将分享永远改变我产品管理游戏的 5 个 AI 提示，其中包含真实的用例、示例和经验教训，您可以直接将其带入下一个冲刺。

提示 1：战略指南针

在以下情况下使用此选项：您要将功能、赌注或季度计划与任务/NSM 保持一致，并且需要从目标→输入→工作→测量中清晰的贯穿线。

另请阅读我的文章： 北极星剧本：顶级产品领导者如何推动持久的影响

为什么有效：它迫使模型从你的北极星和业务约束中推理，而不是从空白页中推理。它还为您提供了领导层和跨职能合作伙伴的清晰叙述。

模板（复制/粘贴）：

角色：您是我的 PM 战略合作伙伴。

背景：
– 公司/任务：[1–2 行]
– 北极星（和关键输入）：[NSM + 3 个输入]
– 当前目标/OKR：[目标]
– 客户/细分市场：[ICP + 著名队列]
– 限制：[团队规模、时间表、法律、技术债务]

任务：

绘制 3-5 个战略选项以达到目标;对于每个，阐明用户价值论点、它移动的主要输入指标以及反指标风险。

推荐一条具有 6 周计划的路径（里程碑、所有者、要验证的假设）。

起草一个我可以在领导力审查中分享的一段叙述。
输出格式：选项表→推荐的计划→叙述。

专业提示：要求模型显示其假设并标记未知数。这反映了高级领导者的想法，并让您在风险上保持诚实。

在实践中：当 Notion 将人工智能深入到他们的产品中时，他们不仅添加了功能，还添加了功能。他们将这项工作与他们的模块化“乐高”理念和生产力工作流程保持一致。您的指南针提示可以帮助您做同样的事情，将想法与价值创造联系起来，而不是新奇事物。（来源：一触即发)

提示 2：客户信号合成器

在以下情况下使用它：您淹没在采访、NPS 逐字记录、门票、Looms 和社区帖子中，并且需要清晰的见解，而不是一堵引言墙。

为什么有效：你告诉模型你如何综合要完成的工作、痛点、触发器、片段、严重性和大小。你会得到一张堆栈排名的地图，上面写着要关注的地方以及要建造（或杀死）什么。

模板（复制/粘贴）：

角色：你是一名用户体验研究综合器。

输入：粘贴 20-100 个原始片段（工单、采访项目符号），并在可能的情况下用 [片段、计划、设备、日期] 标记每个片段。

任务：
– 集群主题（将每个主题命名为“工作”或“痛苦”）。
– 提取具有代表性的引言，不重复。
– 对于每个主题：估计严重性、频率、可能的用户细分和可疑的根本原因（信息气味、能力差距、政策？
– 提出 2-3 个可检验的假设和快速实验（原型、文案调整、定位），并有一个值得关注的领先指标。

护栏：删除重复;指出不明确或冲突的信号。

输出：表格（主题/待完成工作/证据/假设/快速测试/反指标）。

为什么我相信这一点：大多数 PM 已经手工完成了这一点。该模型压缩了周期，因此您可以更快地迭代并花费更多时间进行验证。Productboard 和其他公司公开分享了提示模式，帮助项目经理从原始反馈转变→结构化洞察→行动。

友情链接：10 AI Prompts to Level Up Your Product Work

提示 3：红队珠三角

在以下情况下使用此选项：您有一份 PRD/简报草案，并希望在花费利益相关者卡路里之前进行快速的高级批评。

为什么有效：它应用结构化的怀疑论：可行性、采用、风险、分析和“陷阱”，如果没有安排五次单独审查的日历税，你就没有想到。

模板（复制/粘贴）：

角色：你是一名参谋级 PM，像友好的红队一样批评我的珠三角。

输入：粘贴 PRD（问题、用户、范围、成功标准、启动计划、分析）。

任务：
– 识别不清楚的问题陈述、缺失的约束和作用域陷阱。
– 对成功指标进行压力测试并定义护栏（不得倒退）。
– 指出采用风险（入职、消息传递、可发现性）。
– 提出更精简的 v1/v0 版本和带有功能标志的分阶段推出。
– 提出实验计划（领先指标、队列、决策规则）。

输出：两个部分：“船舶阻碍者”和“强有力的建议”，然后是一张幻灯片的执行摘要。

⚠️在执行此提示之前，请检查您的公司政策。

案例研究并行：像这样的团队 Booking.com/Netflix 制度化的系统实验设计和护栏，以降低风险并加快学习速度。你在文档时通过红队提示来锻炼同样的肌肉。（即使您的组织不是 Booking.com 规模，该模式也适用。

提示 4：具有期望值的决策备忘录

在以下情况下使用此选项：您有 2-3 条可行的路径，并且需要在不确定性下选择一条，同时保持利益相关者的一致性。

为什么有效：它将人工智能变成决策质量副驾驶：澄清假设，量化上/下，并留下审计跟踪。你不是在外包判断，而是在升级它。

模板（复制/粘贴）：

角色：你是我的决策分析师。

背景：选项 A/B/C，其中包含简要说明、成本和风险。

任务：
– 为每个选项构建一个简单的期望值模型（假设→范围→ EV）。
– 确定 驱动最大方差的 3 个假设（“价值驱动因素”）。
– 推荐现在要追求的选项，原型的选项，以及哪些证据会颠覆选择。
– 起草一份包含 6 个项目的利益相关者备忘录：决定、原因、风险、监测计划、杀戮标准和下一个里程碑。
输出：EV 比较表 + 6 弹备忘录。

为什么这很重要：人工智能不会为你做决定，但它会迫使你明确权衡。使用人工智能的组织报告说，知识工作者的周期更快，注意力更集中，这反映了生成式人工智能研究中关于生产力提升的结果。

提示 5：实验设计器（从“想法”到“决策规则”）

在以下情况下使用此选项：您希望在构建之前从想法→可测试切片，并具有护栏和明确的“开始/停止”调用。

为什么有效：它用简单的 PM 英语对科学方法进行了编码：假设、受众、测量、反指标和决策规则。

模板（复制/粘贴）：

角色：你是我的实验伙伴。

想法：【用一句话描述变化。

用户：[细分/群组;流量现实。

任务：
– 起草精益测试设计（变体定义、受众、持续时间假设）。
– 定义成功指标和 2-3 个护栏（例如，支持票、取消订阅、任务成功）。
– 提出分析计划（包括要切片的片段）。
– 编写提交前决策规则（如果结果是积极的、持平的、混合的，我们怎么做）。
– 如果结果不明确，建议进行后续迭代。

输出：一页的测试计划 + 推出计划（如果我们看到早期积极信号）。

注意：这里的目标是清晰和快速，而不是完美。实施低成本、高学习实验的团队可以获得更多的代表、更快地学习并交付更好的结果。（了解 Duolingo 如何通过不断验证真正的学习者价值来迭代人工智能驱动的功能，例如“解释我的答案”和“角色扮演”。（链接：Duolingo)

请记住，这不是要取代思维;这是为了减少开销，以便思考有空间。

现实世界的锚点：这些提示已经获胜的地方

你知道一些人工智能建议感觉像是在真空中写的吗？“都是”看看这个提示！“，但零证据它确实在博客文章之外有效？
是的，我不这样做。

如果我要推荐一个提示，我希望看到它在与现实的接触中幸存下来。我想知道它是否在真实团队、真实产品上经过了实战测试，并取得了可衡量的结果。

因为我知道我们都不想要没有收据的“人工智能氛围”，所以这里有四个例子让我加倍努力这些提示：

GitHub Copilot 和生产力

GitHub 自己的研究表明，开发人员在使用 AI 结对编程时可以更快地完成任务，并且精神疲劳更少。当然，这是一个纸面上的工程故事，但这种模式完美地转移到了 PM 生活中：人工智能不是你的决策者;它是您的认知负载平衡器。就像 Copilot 减少编码人员的精神摩擦一样，正确的提示可以减少我们的认知障碍。（来源：GitHub 博客)

2. Duolingo 和 AI 功能验证

还记得 Duolingo 放弃了由 GPT-4 驱动的“解释我的答案”和“角色扮演”吗？他们不只是为了炒作而抨击人工智能。他们针对实际的学习者工作对其进行了测试，并将其作为“Duolingo Max”推出。这基本上是野外的 Strategy Compass 和 Experiment Designer 提示。测试、学习、打包。（来源：Duolingo 博客)

3. Notion 的模块化 AI

Notion 之所以“人工智能无处不在”，并不是因为他们可以。他们将人工智能放在模块化工作发生的地方：笔记、文档、数据库。它是嵌入工作流程的力量倍增器，而不是事后才想到的。提示的范围应相同。（来源：一触即发)

4. 提示最佳实践

OpenAI 和谷歌都说了同样的话（我发现这是令人痛苦的事实）：清晰的角色、丰富的上下文、明确的任务和结构化的输出每次都会获胜。然后你迭代。聪明被高估了。

常见陷阱（以及如何避免它们）

如果你用错了，即使是最好的提示也可能会失败。

我了解到（有时是艰难的）大多数 AI 在 PM 工作中的失火并不是因为模型“没有理解”，而是因为我们设置了它失败。

好消息？如果您知道要寻找什么，几乎所有这些错误都可以在一分钟内修复。

• 模糊的上下文→模糊的输出。修复：粘贴实际约束、段和定义。
• 一次性提示。修复：像对待合作伙伴一样对待它。询问假设，迭代两次。
• 非结构化输出。修复：始终请求可以放入文档中的表格/项目符号/部分。
• 超越。修复：使用AI求婚;你用数据和客户进行验证。（Productboard/Glean 提示集是很好的灵感，但你真正的优势是根据你的产品和遥测定制它们。

奖励：两个“元提示”使上述五个更加强大

将这些视为即时的能量提升。它们不会取代您现有的提示，而是位于顶部，使它们更清晰、更干净，并且在实际的 PM 工作中更可用。

• 评论家→然后创造
  不要只接受模型吐出的第一件事。首先，要求它批评输出（“缺少什么？什么弱？“），然后让它使用自己的反馈重写。
  为什么有效：这利用了模型自我评估和迭代 OpenAI 实际称之为最佳实践的能力。
• 格式优先提示在开始
  之前，请准确地告诉模型您希望输出的结构如何，无论是表格、要点还是 JSON。
  为什么有效： 您将能够将其直接放入 Notion、Confluence 或您的 PRD 中，而无需 15 分钟的清理时间。OpenAI 和 Google 都建议这样做，以获得一致、即用型的输出。

这不是什么？

• 用真实用户替代发现
• 停止与工程/设计/数据科学合作的许可证
• 策略的魔杖

这是一种压缩“思考→调整→决定→测试”循环的方法，而不会让您的团队筋疲力尽。

最后的想法

大多数人工智能文章要么承诺过高，要么交付不足。然而，本文旨在第三种方式：实用杠杆。窃取这五个提示。让它们成为你自己的。将它们与您的使命、客户和护栏联系起来。然后做伟大的 PM 所做的事情：

运行比赛。量。学习。重复。