新手/程序员必备：收藏！用AI技能高效完成需求分析大模型实战指南

本文介绍了如何利用PM Skills Marketplace中的AI技能辅助产品经理进行需求分析，将需求分析拆分为问题澄清、证据收集、范围收敛、风险审查和指标设计五个环节，并提供具体的AI技能应用方法和操作示例。通过使用这些技能，产品经理可以更高效、更全面地进行需求分析，避免陷入仅关注PRD格式而忽略需求本质的误区。建议收藏本文，作为入门AI辅助需求分析的实用指南。

那篇更像是看全貌。这个项目把产品发现、战略、PRD、数据分析、增长、上线检查这些工作，拆成了一组组可以交给 AI 执行的 Skill 和 workflow。它最有意思的地方，不是“AI 可以帮产品经理写更多文档”，而是把很多过去藏在经验里的判断动作拆了出来。

这篇往下走一步，不再铺开讲整个项目，只聚焦一个产品经理最高频的场景：需求分析。

如果你想用 Skill 辅助需求分析，我不建议一上来就找一个“万能 PRD Skill”。因为产品经理真正难的，通常不是不知道 PRD 格式，而是不知道这个需求该不该做、问题有没有证据、第一版范围怎么收、评审前还有哪些风险没暴露。

所以更实用的方式，是按需求分析的过程，把 Skill 放到不同环节里用。一个负责澄清问题，一个负责整理证据，一个负责收敛范围，一个负责审查风险，最后一个负责设计指标。这样比“帮我写一份 PRD”更接近产品经理真实工作。

先把安装方式说清楚。这个项目不是只能复制提示词，它提供的是一组插件包和命令式工作流。Claude Code 可以先添加 marketplace，再安装插件：

claude plugin marketplace add phuryn/pm-skillsclaude plugin install pm-product-discovery@pm-skillsclaude plugin install pm-market-research@pm-skillsclaude plugin install pm-execution@pm-skillsclaude plugin install pm-data-analytics@pm-skills

如果用的是 Codex CLI，也可以用同一个 marketplace：

codex plugin marketplace add phuryn/pm-skillscodex plugin add pm-product-discovery@pm-skillscodex plugin add pm-market-research@pm-skillscodex plugin add pm-execution@pm-skillscodex plugin add pm-data-analytics@pm-skills

这篇只围绕需求分析，先看这四个包就够了：pm-product-discovery 负责问题和假设，pm-market-research 负责用户和市场证据，pm-execution 负责 PRD、用户故事和验收标准，pm-data-analytics 负责指标和验证。项目里还有战略、增长、GTM、AI 交付等包，后面再给大家剖析。

一、先用需求澄清 Skill：别太快进入方案

需求刚出现时，最容易犯的错是直接写方案。

比如业务方说：“我们也做个会员体系吧，竞品都有。”

普通 AI 很容易顺手写出会员等级、积分商城、权益中心、任务系统、后台配置。看起来很完整，但这时候最关键的问题还没回答：我们为什么要做会员？是留存下降，还是付费转化低？用户真的需要会员权益，还是团队只是看到竞品有？

这时候应该先用 pm-product-discovery 里的需求澄清类能力。对应到 PM Skills Marketplace 的思路，就是 problem framing、assumption mapping、prioritize assumptions、experiment design 这一类 Skill。

它们解决的不是“怎么写 PRD”，而是先问清楚：

• 这个需求背后可能是什么用户问题？
• 哪些判断只是团队假设？
• 哪个假设一旦错了，整个需求就不该继续？
• 有没有比直接开发更便宜的验证方式？

如果在 Claude Code 里，项目里的 /discover 工作流就接近这个思路：先提出方向，再识别假设、给假设排序、设计验证实验。换成 普通对话，也可以直接这样说：

请先不要写 PRD。
基于下面这个需求，帮我做一次需求澄清：1. 这个需求背后可能有哪些用户问题？2. 哪些判断目前只是我们的假设？3. 请按“影响大 + 不确定性高”的标准，找出最应该优先验证的 3 个假设。4. 给出每个假设的低成本验证方式。
需求：我们也做个会员体系吧，竞品都有。背景：目前产品主要靠内容和工具留住用户，最近 30 日留存下降，运营希望增加用户粘性。

这一组 Skill 的价值，是让团队先停一下。别把“有人提出一个功能”误当成“已经确认了一个需求”。

二、再用用户证据 Skill：别靠脑补写需求

需求分析不能只靠推理，还要把用户证据拉进来。

这一步可以用 pm-market-research 里的用户访谈、用户反馈、需求归类、洞察提炼相关 Skill。它们适合处理客服记录、用户访谈、问卷开放题、App 评论、销售反馈、社群聊天、竞品用户评论。

产品经理平时经常会说一句话：“用户希望我们做这个。”

但评审时一被追问，就容易变成几条零散印象。这个用户是谁？在哪个场景下说的？出现过几次？是明确需求，还是我们自己的推断？这些问题如果没有整理清楚，后面 PRD 写得再完整，也可能只是把脑补包装成文档。

这类 Skill 可以按两个方向用。

访谈前，让它把需求假设翻译成访谈问题。比如你怀疑“用户愿意为会员权益付费”，不要直接问“你愿意买会员吗”，而应该问用户现在怎么解决这个问题、有没有为类似能力付费、什么情况下会觉得权益有价值。

访谈后，让它做反馈归类，但必须要求引用原文。否则 AI 很容易把反馈整理成一套看起来很合理的通用结论。

可以这样用：

请把下面的用户反馈整理成需求洞察。
要求：1. 每个结论都必须引用至少 2 条原始反馈。2. 区分“用户明确说了什么”和“我们推断出来的需求”。3. 按痛点强度、出现频率、商业价值，给出需求机会排序。4. 不要直接输出功能方案，先输出问题分类和证据。
材料：【粘贴用户反馈 / 访谈纪要 / 客服记录】

这组 Skill 能帮产品经理完成一个很重要的动作：把“我感觉用户需要”变成“这些用户在这些场景下反复遇到这个问题”。

三、再用 PRD 拆解 Skill：只写 MVP，不写大而全

等问题和证据稍微清楚之后，才轮到 PRD、用户故事、功能拆解这类 Skill 上场。

这类能力主要看 pm-execution。对应的是 write PRD、user stories、job stories、acceptance criteria、requirements breakdown 这一类 Skill。它们适合把前面的发现材料转成研发和设计能讨论的东西：目标用户、核心场景、功能范围、主流程、边界场景、验收标准。

但这里有一个前提：不要让它凭空写。

如果输入只有一句“做会员体系”，AI 只能靠常识补全，最后很容易生成一份看起来完整但没有业务判断的 PRD。正确做法是把前两步的结果作为输入：已确认的问题、关键假设、用户证据、MVP 范围、暂不做的内容。

可以这样接：

请基于以下需求发现结论，输出一份 PRD 初稿。
要求：1. 只围绕 MVP 范围写，不要扩展积分商城、等级成长、任务系统等未确认能力。2. 明确“本期必须做 / 本期不做 / 后续再看”。3. 每个核心功能都写清用户场景和验收标准。4. 对所有假设信息标注“待确认”。
已确认问题：【粘贴前面产出的用户问题】
用户证据：【粘贴反馈归类和引用】
MVP 范围：【粘贴已收敛范围】

这一组 Skill 最重要的输出，不是“本期要做什么”，而是“本期不做什么”。

很多 PRD 失败不是因为写少了，而是因为默认什么都可以顺手加一点。会员体系写着写着就变成积分体系，积分体系写着写着又长出任务系统、商城、等级、勋章。Skill 如果不帮你收边界，只会把需求写得越来越大。

四、评审前用红队 Skill：让 AI 专门反对你

我最推荐产品经理长期保留的一组，是红队评审类 Skill。

上一篇也提过，PM Skills Marketplace 里不只有写 PRD 的能力，还有类似 /red-team-prd 的工作流。这类能力也在 pm-execution 这条线上。它的任务不是帮你润色，而是站在反方检查：这个方案最脆弱的假设是什么？如果失败，最可能失败在哪里？哪个前提没有证据？哪些边界会让研发实现时出问题？

这类 Skill 很适合在需求评审前用。你可以把 PRD 初稿丢进去，让它只做审查，不做改写：

请对下面这份 PRD 做红队评审。
要求：1. 不要润色文案，只找问题。2. 找出最危险的 5 个假设，并说明为什么危险。3. 找出缺少证据支撑的判断。4. 找出可能被研发、设计、运营挑战的问题。5. 给出评审前必须补充的材料清单。
PRD：【粘贴 PRD 初稿】

这组 Skill 对产品经理特别有用，因为它模拟的是评审会上最有价值的那部分压力。真正好的评审不是把文档措辞改得更专业，而是提前发现“这个方案可能根本不成立”的地方。

五、最后用指标 Skill：别让需求停在“提升体验”

很多需求分析写到最后，会落在一句很虚的话上：提升用户体验、增强用户粘性、提高转化效率。

这些话不是不能写，但如果没有指标，就很难判断需求是否真的有效。所以最后可以接 pm-data-analytics 里的指标设计 Skill，对应 metrics、north star metric、funnel、A/B test、cohort、retention 这一类能力。

它适合在 PRD 初稿出来后补一轮：这个需求到底看什么指标？核心指标和辅助指标是什么？有没有反指标？上线后观察多久？如果指标没变化，是需求没价值、功能没触达，还是样本不够？

可以这样用：

请基于下面的需求方案，设计指标和验证方式。
要求：1. 给出 1 个核心指标、3 个辅助指标、2 个反指标。2. 说明每个指标为什么能反映需求目标。3. 给出上线后 7 天、14 天、30 天分别要看的内容。4. 如果数据没有改善，请列出可能原因和下一步排查路径。
需求方案：【粘贴 PRD 或 MVP 范围】

这组 Skill 会把需求分析从“方案讨论”拉回“结果验证”。产品经理最需要防的，不是需求做不出来，而是做出来以后没人知道它到底有没有用。

这几组 Skill 怎么串起来

如果只解决“需求分析”这件事，我会把它拆成五步：

这条链路不追求一次把产品经理的所有工作都自动化。它只解决一个闭环：从一句模糊需求，到一份更可信、更可评审的需求方案。

它也保留了人的位置。AI 可以帮你提出假设、整理材料、补充边界、找风险、设计指标，但哪些需求值得做、哪些风险可以接受、哪些范围必须砍掉，最后仍然要由产品经理判断。

这也是我觉得 PM Skills Marketplace 值得继续拆的地方。上一篇我们看的是全貌：产品经理的工作正在被拆成 Skill 和 workflow。这一篇只看其中一小段：需求分析。后面其实还可以继续拆竞品分析、路线图、增长实验、上线检查、AI 产品交付。

不用贪多，先把需求分析这条线跑通，就已经能解决很多产品经理最日常、也最容易出问题的工作。

写在最后

产品经理用 Skill，最容易走偏的方式，是把它当成“更聪明的模板库”。输入一句需求，输出一份文档，格式齐全，看起来专业，但真正困难的问题仍然没被解决。

更好的方式，是把 Skill 当成一组产品判断动作。一个 Skill 帮你澄清问题，一个 Skill 帮你整理证据，一个 Skill 帮你收敛范围，一个 Skill 帮你审查风险，一个 Skill 帮你设计指标。它们加在一起，才像一条真正能跑起来的需求分析流程。

所以，如果你想开始给产品经理配置 Skill，我不建议从“万能 PRD 助手”开始。先从一个真实需求开始，把它拆成五段：问题、证据、范围、风险、指标。然后给每一段配一个 Skill。

你会发现，AI 真正帮上的忙，不是替你把 PRD 写长，而是让你更早发现：这个需求到底有没有想清楚。

最后

2026年技术圈的分化愈发明显：降薪裁员潮持续蔓延，传统开发、测试等岗位大批缩水，不少从业者陷入职业焦虑；与之形成鲜明对比的是，AI大模型相关岗位迎来疯狂扩招，薪资逆势飙升150%，大厂更是直接开出70-100W年薪，疯抢具备实战能力的大模型人才，甚至放宽年龄限制，只求能快速落地技术、创造价值！

很多程序员、职场新人纷纷入局大模型领域，绝非盲目跟风，而是实实在在看到了不可替代的价值优势，这也是2026年最值得抓住的职业风口：

1、窗口期红利，入门门槛友好：不同于成熟赛道的“内卷式招聘”，2026年大模型人才缺口巨大，简历只要达标（掌握基础AI应用+具备简单项目经验），年龄、学历均非硬性要求，小白可快速入门，转行程序员也能无缝衔接；

2、技术可复用，上手速度翻倍：如果你有前后端开发、测试、数据分析等基础，在大模型落地、系统部署、Prompt工程等环节会更具优势，无需从零开始，复用原有技术能力就能快速进阶；

3、懂业务更吃香，竞争力翻倍：单纯懂技术已不够，2026年大厂更看重“技术+业务”的复合型人才，有垂直领域（金融、医疗、工业等）经验者，能精准定位模型落地痛点，薪资比纯技术岗高出30%以上；

更重要的是，即便没有转型需求，用AI大模型工具为工作赋能、提升效率，也已经成为80%企业的硬性要求——不会用大模型提效，未来很可能被行业淘汰！

那么2026年，小白/程序员该如何高效学习大模型？

很多人想入门大模型，却陷入两大困境：要么到处搜集零散资料，不成体系，越学越懵；要么被收费高昂的课程割韭菜，花了钱却学不到实战技能，白白浪费时间走弯路。

今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包，覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程，所有资料均已整理归档，无需拼凑，直接领取就能上手学习，小白可照做，程序员可进阶！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

这份学习路线结合2026年行业趋势和新手学习规律，由行业专家精心设计，从零基础到精通，每一步都有明确指引，帮你节省80%的无效学习时间，少走弯路、高效进阶，避免踩坑。

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、大模型学习书籍&电子文档

涵盖2026年最新技术要点，包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容

4、AI大模型最新行业报告

报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容，还有2026年中文大模型基准测评报告、AI Agent行业研究报告等，帮你站在行业前沿，把握技术风口。

5、大模型项目实战&配套源码

项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向，还有视频配套代码，手把手教你从0到1完成项目开发，既能练手提升技术，又能丰富简历，为求职和职业发展加分。

6、2026大模型大厂面试真题

2026年大模型面试已全面升级，不再单纯考察基础原理，而是转向侧重技术落地和业务结合的综合考察，很多程序员和新手因为缺乏针对性准备，明明技术不错，却在面试中失利。

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

👇👇扫码免费领取全部内容👇👇

7、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】