| 主题 |
课程安排 |
| 模块一：AI赋能产品管理全景认知与能力边界 |
| 范式认知：从“流程驱动”到“数据+模型驱动” |
• 产品管理的三次范式跃迁：经验驱动→流程驱动→数据与模型驱动
• “AI原生产品管理”与“AI+产品管理”的本质区别：不是加一个工具，而是重新划分人与AI的分工
• AIGC与大模型能力图谱：2026年哪些能力已经真的可用，哪些还停留在演示阶段产品经理AI能力雷达：六个维度自评你的AI就绪度 |
| 能力边界：AI能做什么、不能做什么 |
• AIGC的定义与范围；
• 大模型底层逻辑通俗解读：它如何“读懂”上下文并生成内容
• 大模型训练三阶段：预训练→指令微调→对齐
• AI赋能黄金场景：高频重复、数据丰富、规则明确的环节 |
| AIGC工具应用场景与选型 |
• 文本、图片、视频、多模态四大生成场景在产品管理中的典型应用
• 国产 AI 大模型与工具三维对比：核心能力、擅长场景、短板限制
• 选型决策树：公有云、私有化与本地部署的合规与成本取舍
• 现场演练：为本企业挑一套“够用且合规”的 AI 工具组合 |
| Prompt 工程 |
• Prompt 是驱动 AI 工具的直接手段；
• RTGO 框架详解： Role 角色、 Task 任务、 Goal 目标、 Output 输出格式
• 现场编写某产品管理场景的 AI 指令，讲师即时点评
• 指令资产化：命名规范、版本管理、团队共享与复用
• 一条指令的三次迭代：从“能用”到“好用”再到“稳定输出” |
| 人机责任边界与 AI 输出采信分级 |
• “红绿灯” AI 赋能评估模型：红灯（禁用）、黄灯（慎用）、绿灯（适用）的判断标准
• AI 输出采信分级（ A/B/C 级）：可直接使用、须复核后使用、仅作灵感参考
• 人机分工四象限： AI 负责广度与速度，人负责判断与担责
• AI 幻觉防控“三查一验”法 ，
查来源、查逻辑、查数据，验常识
• 现场演练：对自己真实的 3 个产品管理场景做红绿灯分类并明确责任人 |
| AI 数据合规管理与隐私保护 |
• AI 应用中的数据脱敏原则；
•
个人信息保护法（ PIPL ）对 AI 应用的约束
•
企业内部数据投喂的合规红线与避坑指南 |
| 核心方法论 |
• AI 原生产品管理范式
• 产品经理 AI 能力雷达
• “红绿灯” AI 赋能评估模型
• AI 输出采信 A/B/C 分级
• 人机分工四象限
• RTGO Prompt 指令工程 |
| 解决工作痛点 |
• AI 万能论与 AI 恐惧症并存 / 指令不会写、写了不好用
• 不清楚 AI 的能力边界与责任归属 / 数据不敢投喂、合规有顾虑 |
| 课程交付物 |
• 《 AI 原生产品管理全景地图》
• 《 AI 工具选型红绿灯卡》
• 《人机责任矩阵与 AI 采信分级卡》
• 《 RTGO 指令资产包 v0.1 》（含 3 条可直接使用的指令） |
| 模块二：产品思维构建与产品创新管理体系 |
| 产品管理基本功：什么是产品与产品思维 |
• 什么是产品？什么是产品管理？
• ToB 与 ToC 产品的关键区别
• 产品思维与项目思维的关键差别：交付思维 vs 价值思维
• 产品管理之门径流程：阶段 - 关口法
• 产品管理工作中的四大痛点分析 |
| AI 辅助思维构建与体系梳理 |
• AI 辅助 ToB/ToC 产品差异对比：快速生成多维对比分析表
• AI 辅助门径流程关口评审：生成关口检查清单与评分卡初稿
• 【差异化】 AI 思维压力测试：让 AI 扮演反方，质询你的产品定位与价值主张 |
| 【差异化】 AI 使用边界：辅助不等于“思维外包” |
• AI 生成的门径评审材料仅为初稿，最终决策仍需产品经理与评审团队确认
• 产品思维的核心“价值导向”无法由 AI 替代—— AI 是加速器，方向盘仍在人手中
• AI 赋能成熟度自测：你的团队现在处在 L1 （个人提效）还是 L2 （团队协同）？ |
| 解决工作痛点 |
• 产品思维薄弱 / ToB 与 ToC 混淆 / 门径流程执行不到位
• 用了 AI 却丢了判断力，产出“看着专业、经不起推敲”的材料 |
| 课程交付物 |
• Prompt 《 ToB/ToC 产品多维对比生成指令》
• Prompt 《产品思维 vs 项目思维十维对比指令》
• Prompt 《门径关口评审检查清单生成指令》
• Prompt 《产品定位反方质询指令》 |
| 核心方法论 |
• 产品思维 vs 项目思维框架
• 门径流程（阶段 - 关口法）
• ToB/ToC 产品差异模型
• AI 思维压力测试法
• RTGO Prompt 指令工程 |
| 模块三 ：产品全生命周期的管理逻辑 + AI赋能 |
| 产品管理基本功：产品全生命周期管理逻辑 |
• 产品全生命周期管理内容分解：想清楚→做正确的事；做出来→把事做正确；推出去→产品商业化
• 门径流程各阶段详解与各关口评审要点
• 产品生命周期各阶段的管理要点与常犯错误（开发 / 引入 / 成长 / 成熟 / 衰退） |
| AI 辅助生命周期管理 |
• AI 辅助生命周期阶段判断：分析当前产品特征并给出阶段判断与特征分析
• AI 辅助关口评审材料生成：生成“必须满足”检查表与评分卡初稿
• AI 辅助各阶段策略建议：生成 4P 策略框架与关键指标监控清单
• 【差异化】 AI 辅助阶段切换预警：把历史数据与复盘记录喂给 AI ，自动输出阶段切换信号 |
| 【差异化】 AI 输出校准：从“ AI 结论”到“可采信结论” |
• AI 判断的生命周期阶段需结合行业经验校准—— AI 看数据，人看场域
• AI 生成的 4P 策略仅为参考框架，需结合实际调整
• AI 可整理显性数据，但隐性洞察仍需产品团队深度对话挖掘
• 现场演练：用采信分级给 AI 的阶段判断结论逐条“贴标签” |
| 解决工作痛点 |
• 生命周期阶段判断模糊 / 关口评审走过场 / 上市后缺乏复盘
• 把 AI 结论直接当结论用，导致阶段误判与策略照搬 |
| 课程交付物 |
• Prompt 《产品生命周期阶段判断指令》
• Prompt 《关口评审检查表生成指令》
• Prompt 《生命周期 4P 策略规划指令》
• Prompt 《生命周期阶段切换预警指令》 |
| 核心方法论 |
• 门径流程（阶段 - 关口法）
• 产品生命周期阶段理论
• 4P 营销策略模型
• AI 输出采信分级 |
| 模块四：产品的市场洞察与市场细分方法 + AI赋能 |
| 产品管理基本功：市场洞察与市场细分 |
• 市场洞察的核心逻辑：宏观→行业→企业层层递进
• STP 模型三步法详解
• PMF 模型详解与演练市场细分变量体系：地理 / 人口 / 心理 / 行为变量
• 通过多维尺度分析寻找空白市场的方法 |
| AI 辅助市场洞察与细分分析 |
• AI 辅助 STP 模型结构化分析：生成细分变量建议、目标市场评估矩阵与定位策略初稿
• AI 辅助 PMF 匹配度推演：推演产品与市场的匹配程度并生成评估分析
• 【差异化】用企业知识库（ RAG ）喂养 AI ：让洞察基于自有资料，而不是网络泛读 |
| 【差异化】防“ AI 市场结论幻觉”：一手数据不可外包 |
• AI 生成的 STP 分析结论需结合行业经验校准
• AI 推演的 PMF 匹配度仅为概率性建议，最终决策仍需市场验证（ MVP 测试、用户访谈）
• AI 无法自动采集一手市场数据——它只能整理你给它的，不会创造你没有的 |
| 解决工作痛点 |
• 市场洞察停留在表面 / STP 执行不落地 / PMF 验证缺失
• AI 结论看着专业，却经不起业务追问 |
| 课程交付物 |
• Prompt 《 STP 模型结构化分析指令》
• Prompt 《 PMF 产品与用户匹配度推演指令》
• 《企业产品知识库（ RAG ）搭建清单》 |
| 核心方法论 |
• STP 模型
• PMF 模型
• 市场细分变量体系
• 企业知识库（ RAG ） |
| 模块五：产品的创意生成与产品概念验证方法 |
| 产品管理基本功：创意生成与概念验证 |
• 重视模糊前端（ FFE ）：识别机会、生成概念、总体策划
• 发散思维与收敛思维；产生好创意的前提是做好移情
• 创意思维工具： SCAMPER 奔驰法、六顶思考帽、头脑风暴、棋盘创新法技术工具：用户体验地图、 TRIZ 技术、技术 S 曲线
• 产品概念可行性验证四问法与评估画布 |
| AI 辅助创意发散与概念验证 |
• AI 辅助 SCAMPER 创意发散：逐一运用七法生成创新变体方案
• AI 辅助六顶思考帽多视角分析：分别以六顶帽视角生成结构化分析结论 AI 辅助产品概念验证画布填充：自动生成评估画布初稿
• AI 多模态辅助概念可视化：用文生图工具生成产品概念草图，加速创意具象化
• 【差异化】创意“扩—筛—聚”三步法：用 AI 把候选创意从 10 个扩到 100 个，再收敛到 3 个 |
| 【差异化】 AI 是发散加速器，不是收敛决策者 |
• AI 生成的创意变体需产品经理筛选与深化
• AI 模拟的六顶帽分析缺少真实团队情感碰撞：建议 AI 预生成 + 团队现场深化
• AI 填充的概念验证画布仅为初稿，核心假设必须通过市场验证 |
| 解决工作痛点 |
• 创意匮乏收敛困难 / 概念验证不严谨 / FFE 阶段风险失控
• AI 给的创意“看着很多，没有一个能用” |
| 课程交付物 |
• Prompt 《 SCAMPER 创意发散生成指令》
• Prompt 《六顶思考帽多视角分析指令》
• Prompt 《概念验证画布填充指令》
• 《概念草图多模态生成提示词包》 |
| 核心方法论 |
• 模糊前端（ FFE ）理论
• SCAMPER 奔驰法
• 六顶思考帽
• 产品概念验证四问法
• 创意“扩—筛—聚”三步法 |
| 模块六：产品的需求调研、优先级评估与MVP构建方法 + AI赋能 |
| 产品管理基本功：需求调研、优先级与 MVP |
• 需求调研方法：客户之声（ VOC ）
• 产品需求调研的定性 / 定量工具
• 不是所有需求都是“真需求”： 5Why 挖掘法、拆解替换法
• 需求优先级： MoSCoW 模型与 Kano 模型
• 用户画像（ Personas ）构建方法精益创业方法论与 MVP 构建方法
• 种子用户的选择原则与选择策略 |
| AI 辅助需求洞察与 MVP 规划 |
• AI 辅助需求提取与分类：从访谈记录中提取需求关键词并进行 Kano 分类
• AI 辅助用户画像构建：根据用户特征数据快速生成结构化用户画像
• AI 辅助 MVP 功能清单与优先级建议：生成 MVP 功能清单初稿
• AI 辅助 MVP 原型生成：结合多模态 AI 工具，根据需求描述快速生成低保真原型线框图
• 【差异化】用 Agent 串起“需求流水线”：访谈整理→需求提取→分类→清单，多步自动执行 |
| 【差异化】人工复核是最后一道闸门 |
• AI 提取的需求关键词需结合业务场景二次筛选
• AI 生成的 MoSCoW 排序仅为参考，最终优先级需考虑战略方向与资源约束
• AI 生成的 MVP 功能清单需团队确认完整性， AI 可能遗漏“看似不重要但业务必需”的功能
• AI 生成的原型仅为视觉参考，交互逻辑与业务规则仍需人工精细化定义 |
| 解决工作痛点 |
• 需求调研不深入 / 优先级排序混乱 / MVP 功能膨胀
•
AI 漏掉关键业务点，或把“伪需求”排到前面 |
| 课程交付物 |
• Prompt 《访谈需求提取与 Kano 分类指令》
• Prompt 《用户画像一键构建指令》
• Prompt 《 MVP 功能清单与 MoSCoW 排序指令》
• 《需求流水线 Agent 编排模板》 |
| 核心方法论 |
• 客户之声（ VOC ）
• Kano 需求分类模型
• MoSCoW 优先级模型
• 用户画像构建方法
• 精益创业与 MVP 方法
• Agent 多步编排 |
| 模块七：产品的竞品分析流程与竞品分析方法 |
| 产品管理基本功：竞品分析六步法 |
• 竞品定义与分类：直接 / 间接 / 广义 / 参照竞品
• 逆向工程与竞品分析的区别：抄作业 vs 二次创新
• 竞品分析四问与六步法详解
• 竞品分析的信息整理与分析工具： MECE/ 四象限 /PEST/SWOT |
| AI 辅助竞品信息整理与分析 |
• AI 辅助竞品信息整理与 SWOT 分析：将已知竞品信息结构化整理，自动生成 SWOT 四象限分析初稿
• AI 辅助竞品分析报告生成：一键生成结构化竞品分析报告框架，含 PEST 宏观分析与对比矩阵
• 【差异化】竞品情报知识库化：把竞品资料沉淀为企业可持续更新的竞品库，而非一次性报告 |
| 补足隐性竞争劣势，AI只做信息整理，战略决策由人判断
|
• AI 整理的竞品信息基于已有数据输入—— AI 无法自动采集一手竞品信息，需人工提供
• 警惕 AI “编造参数”：用“数据溯源三问”核实 AI 给出的每一个关键数字
• AI 生成的 SWOT 可能遗漏“隐性劣势”——需产品经理补充定性判断
• 竞品分析的核心价值在于“下一步做什么”， AI 擅长“做得怎么样”，但前仍需人脑 |
| 解决工作痛点 |
• 竞品信息采集耗时 / 分析维度不全面 / 报告质量参差不齐
• AI 给出错误数据却难以识别，错误被写进决策材料 |
| 课程交付物 |
• Prompt 《竞品信息整理与 SWOT 分析指令》
• Prompt 《竞品分析报告生成指令》
• 《竞品情报库维护模板》
• 《 AI 输出数据溯源三问核对表》 |
| 核心方法论 |
• 竞品分析六步法
• MECE 分析法
• SWOT 分析法
• PEST 分析法
• 竞品情报知识库化 |
| 模块八：产品开发阶段的项目化工作逻辑与实践方法 |
| 产品管理基本功：开发阶段的项目化管理 |
• 项目管理的整合思维与落地方法
• 项目制约因素的平衡：“保”“争”“弃”的逻辑解读
• 项目管理之海沟模型（预测型）与海浪模型（敏捷型）结合应用
• 传统项目三重约束 vs 敏捷项目三重约束的差别分析
• 混合型项目管理方式是未来的大势所趋
• 项目管理者的核心能力与关键素质要求
• 基于“倒正排法”的项目进度计划制定方式解读
• 如何避免务虚式的项目风险管理 |
| AI 辅助项目进度估算与风险识别 |
• AI 辅助项目进度三点估算：基于任务描述生成乐观 / 最可能 / 悲观三点估算与预期工期建议
• AI 辅助项目风险识别与定级：扫描项目计划描述中的潜在风险点并给出风险等级与应对建议
• 【差异化】 AI 辅助项目复盘：把周报与变更记录喂给 AI ，自动生成偏差归因与改进项 |
| 【差异化】输入质量决定输出质量 |
• AI 的进度估算基于输入的任务描述质量，要避免垃圾进垃圾出
• AI 识别的风险以显性风险为主，隐性风险与组织政治风险仍需项目经理“人工嗅觉”
• AI 给出的工期建议须结合历史项目数据校准，不可直接用于对外承诺 |
| 解决工作痛点 |
进度预测不准 / 风险识别滞后 / 项目管理一刀切 / 复盘流于形式 |
| 课程交付物 |
• Prompt 《项目进度三点估算指令》
• Prompt 《项目风险识别与定级指令》
• Prompt 《项目复盘偏差归因指令》 |
| 核心方法论 |
• PMI 项目管理知识体系框架
• 预测型海沟模型
• 敏捷型海浪模型
• 项目进度三点估算方法
• 风险管理方法 |
| 模块九：产品的商业模式设计与上市阶段的营销规划方法 |
| 产品管理基本功：商业模式与上市营销 |
• 产品商业模式定义与构成：产品 + 用户 + 价值 + 获客方式的系统组合
• 产品盈利模式类型与构建方法：宏观维度与微观维度
• 产品生命周期各阶段 4P 管理要点与常犯错误
• 产品卖点提炼的 FAB 模型 |
| AI 辅助商业模式与营销内容生成 |
• AI 辅助提炼产品的核心卖点，生成产品卖点内容信息
• AI 辅助营销文案多版本生成：针对不同渠道与受众快速生成多版本营销文案
• 【差异化】 AI 辅助盈利模式推演：多方案定价对比与敏感性分析 |
| 【差异化】 AI 生成的每一句话，都要过“品牌 + 合规”这道关 |
• AI 生成营销文案需人工审核品牌调性与合规性
• 产品的核心卖点信息是否符合伦理和其他制约要求，需要人工审核确认
• AI 容易“过度承诺”：宣传边界必须由人来守 |
| 解决工作痛点 |
• 商业模式模糊 / 产品上市营销缺乏体系 / 各阶段策略混乱
• AI 文案踩合规红线，或与品牌调性不符 |
| 课程交付物 |
• Prompt 《产品核心卖点和营销文案生成指令》
• Prompt 《产品生命周期营销 4P 策略生成指令》
• Prompt 《定价与盈利模式推演指令》 |
| 核心方法论 |
• 商业模式画布
• 盈利模式体系
• 4P 营销策略
• FAB 卖点提炼模型 |
学习助手
