大多数 PM 还在把 Claude 当 ChatGPT 用：打开对话，粘贴一个混乱的问题，得到一个看起来合理的答案，改一改，可能再粘贴一份文档，下次重新开始。
2024 年这已经感觉很厉害了。现在这正在快速变成 AI 产品工作的"初学者版本"。真正领先的人不是更会写提示词，而是围绕模型构建一套操作系统层。
提示词从来不是瓶颈
"提示词工程"这个词本身就误导了方向。它让人以为工作就是找到正确的句子：更好的动词、更好的角色、更好的指令、更好的输出。
提示词有时有用，但越用这些工具，越会觉得提示词很少是主要瓶颈。
真正的瓶颈是提示词周围的一切：
- 模型拥有什么上下文
- 它知道哪些约束
- 它以为自己在什么工作流里
- 什么例子定义了好的输出
- 它有什么证据可引用
- 第一次回答之后发生了什么
如果这些都缺失，模型仍然会给你流畅的内容。这是最危险的地方。它听起来像产品工作，你可能误以为它就是产品工作。
它不知道你的 CTO 本季度要迁移平台。不知道你最大的客户上周威胁要流失。不知道你的团队到九月前只有两个高级工程师。不知道 CEO 半年前毙掉了一个类似的想法。
所以它给你的是自信格式包装的通用战略——这是大多数 PM 低估的差距。
上下文文件：五个就够了
模型需要知道你的公司做什么、当前目标是什么、你拥有什么产品、谁在团队里、什么约束在塑造决策。
你不需要 40 页的战略文档、每一份路线图或整个知识库。五个干净的文件通常就足够起步：
- COMPANY.md
- GOALS.md
- TEAM.md
- PRODUCTS.md
- CONSTRAINTS.md
重点不是记录所有东西，而是记录一个合格 PM 在提建议之前应该知道的东西。
这就是大多数 AI 战略工作失败的地方：人们让 Claude 做路线图推荐，却不给它任何让路线图推荐真正有效的上下文。
输出不好，不是因为 Claude 笨。是因为 PM 给它的是一个"假的工作版本"。
PM 工作不是文档生成
这是 AI 产品工作最大的陷阱。表面产物是一份文档，所以人们把工作当成文档生成。但实际负担是：重构上下文、选正确的框架、知道什么证据重要、判断输出是否足够好能放在别人面前。
"写 PRD"不是一项任务。它包含问题框架、证据收集、假设映射、方案塑造、权衡分析、干系人翻译、验收标准、上线风险，还有其他几件你直到被人问到才想起来的事。
"做战略"更糟。如果你让 AI"做一个战略"，它必须猜工作流。它猜的是互联网上海量的那种战略文档的样子。它不知道你实际卡在哪一步。
工作流是编码过的知识
第一次让 AI 审查 PRD，你解释了什么是好的。第十次如果你还在解释，你就在浪费机器。
正确的做法：把审查逻辑编码一次——
- 要检查什么
- 什么失败模式重要
- 需要什么证据
- 什么输出格式能帮助行动
- 模型应该拒绝什么
然后这个技能每次都跑。这就是复合的起点。你不再是在"用 AI"，你是在把判断碎片移动到可复用的执行里。
这就是职业焦虑变得具体的地方
两个 PM 之间的差距不会在"一个用 AI，一个不用"。这个框架已经过时了。
真正的差距是：
- 一个 PM 从空白对话框开始每项任务
- 另一个 PM 有一整套已经知道他怎么思考的工作流库
这两个人做的不是同一份工作。
最难的部分：输出听起来比实际更好
微软研究院发现了一个不舒服的现象：知识工作者使用 GenAI 时，对 AI 越自信的人critical thinking 越少；对自己越自信的人critical thinking 越多。
因为当答案流畅时，你的大脑就放松了。对 PM 工作来说这很危险——产品决策不编译，代码有测试，产品只有判断、证据、客户、约束和后果。
所以操作系统层需要证据回路：
- 模型在做什么声明？
- 哪些实际有支撑？
- 什么来源支持每个声明？
- 什么假设会改变决策？
- 模型不知道什么？
- 人类应该做决定的那个点在哪里？
存储 vs 记忆
PM 积累了大量的知识，但几乎从来不检索。用户研究、战略笔记、文章、定价文档、客户电话、决策日志、干系人反馈、从 Slack 里复制的东西、读过一次就忘的框架。大多数放在文件夹里，直到你模模糊糊地想起"六个月前读过这个"。
AI 让这种浪费更明显了。如果模型能访问你的笔记，但你的笔记是一堆废料，模型继承的就是那堆废料。
操作系统层需要某种知识结构：索引、概念摘要、笔记之间的链接、源感知的答案、把有用输出归档回系统的方式。
存储是笔记去哪，记忆是工作需要时什么会回来。
AI-Native PM 的有用定义
一个 AI-native PM 已经把自己的上下文、工作流、技能、证据回路和知识结构化，让模型可以反复在他的判断上运行。
这听起来不如"10x PM"那么性感。但它更接近真正的优势。
因为 PM 工作从来就充满了隐性知识。你在脑子里装着产品战略、团队约束、客户历史、干系人政治和奇怪的公司传说。在 AI 之前这没问题——很多工作就是做那个"记得所有连接组织"的人。
现在这些连接组织必须变得可读。
如果它困在你脑子里，模型就用不了它。如果它变成文件、工作流、技能和证据规则，模型就能在上面运行。
怎么开始
不要从一个巨大的系统开始。从一个已经让你痛苦的重复性 PM 任务开始：
- 战略评审准备
- PRD 审查
- 路线图权衡分析
- 客户访谈综合
- 干系人更新写作
- 决策前的证据检查
围绕它构建最小的操作系统层：写一个上下文文件、一个工作流、一个技能。定义输出 artifact，决定结果保存到哪里，加一个证据检查。跑这个循环三次。每次输出不对的时候，问：系统不知道什么？跳过了哪一步？什么判断还只在你脑子里？然后把缺失的编码进去。
系统变好是因为你让工作对模型变得可读，不是因为模型神奇地学会了你的工作。