别再手动写需求文档了！阿里工程师开源的 PM-Skills 让 AI 助手秒变产品经理
为什么这个项目值得关注
在当今快节奏的产品开发环境中，产品经理每天需要处理大量重复性工作：撰写需求文档、分析用户反馈、制作竞品对比报告、编写 PRD 和 MRD。这些工作不仅耗时，还容易让人陷入机械化的泥潭。
今天要介绍的这个开源项目 pm-skills，由开发者 phuryn 精心打造，专门解决产品经理的效率痛点。它将 AI 大模型的能力与产品管理专业技能深度融合，提供了一套完整的提示词（Prompt）框架，让任何人都能借助 AI 快速完成高质量的产品工作产出。
这个项目的核心价值在于：不是简单地把 AI 当作搜索引擎，而是教会 AI 如何像资深产品经理一样思考、分析和产出。无论你是刚入行的产品新人，还是希望提升效率的资深 PM，这套工具都能给你带来质的飞跃。
项目概述与背景
pm-skills 是一个专注于产品经理场景的 AI 技能库。它收集、整理、优化了大量适用于各种产品管理场景的提示词模板，每个模板都经过实战验证，确保能够在主流 AI 大模型（如 GPT-4、Claude、文心一言、通义千问等）上稳定输出高质量结果。
项目采用模块化设计，将产品管理工作拆分为多个独立技能点，包括但不限于：需求分析、用户调研、竞品研究、PRD 撰写、数据分析、用户故事编写、A/B 测试方案设计等。每个技能点都配有详细的使用说明和最佳实践指南。
环境搭建与快速入门
在开始使用 pm-skills 之前，你需要准备以下环境：
前置要求
首先，你需要拥有一个可以访问的 AI 大模型账号。pm-skills 支持的主流模型包括：
- OpenAI GPT-4 / GPT-4 Turbo
- Anthropic Claude 3 系列
- 百度文心一言
- 阿里通义千问
- 其他兼容 OpenAI API 格式的模型
安装配置步骤
第一步，创建项目目录并克隆仓库。打开终端，执行以下命令：
mkdir pm-skills-tutorial
cd pm-skills-tutorial
git clone https://github.com/phuryn/pm-skills.git
克隆完成后，目录结构应该如下所示：
pm-skills/
├── prompts/ # 核心提示词文件夹
│ ├── requirements/ # 需求分析相关
│ ├── research/ # 用户研究相关
│ ├── documentation/ # 文档撰写相关
│ ├── analysis/ # 数据分析相关
│ └── design/ # 产品设计相关
├── examples/ # 使用示例
├── README.md # 项目说明
└── CONTRIBUTING.md # 贡献指南
第二步，根据你使用的 AI 接口，配置相应的 API 密钥。推荐创建一个配置文件来管理：
# config.py
import os
# OpenAI 配置
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY", "your-api-key-here")
OPENAI_BASE_URL = "https://api.openai.com/v1"
# Claude 配置（如果使用）
CLAUDE_API_KEY = os.getenv("CLAUDE_API_KEY", "")
# 默认使用的模型
DEFAULT_MODEL = "gpt-4"
# 语言设置（zh 表示中文输出）
DEFAULT_LANGUAGE = "zh"
第三步，安装必要的 Python 依赖：
pip install openai anthropic python-dotenv
核心功能详解
pm-skills 的设计理念是将产品经理的专业能力结构化、标准化，从而让 AI 能够精准理解并执行各类产品任务。下面详细介绍各个核心模块的功能和使用方法。
需求分析模块
需求分析是产品经理最核心的工作之一，也是 AI 最能发挥价值的地方。pm-skills 提供了多层次的提示词模板，涵盖从原始需求到可执行方案的全流程。
基础需求分析模板帮助快速评估一个需求的可行性和价值：
REQUIREMENTS_ANALYSIS_PROMPT = """
你是一位拥有10年经验的高级产品经理，擅长需求分析和产品规划。
当前任务：分析以下用户需求，输出结构化的需求分析报告。
用户需求描述：
{user_requirement}
请按照以下格式输出分析结果：
## 需求背景
（描述需求的来源和产生原因）
## 用户画像
（目标用户是谁，有什么特征）
## 核心痛点
（用户当前面临的主要问题）
## 需求价值评估
- 商业价值：高/中/低（说明理由）
- 用户价值：高/中/低（说明理由）
- 技术可行性：高/中/低（说明理由）
## 建议优先级
P0/P1/P2/P3（基于价值和技术可行性给出建议）
## 初步解决方案
（提出2-3个可能的解决思路）
使用这个模板时，只需要替换 {user_requirement} 为实际的需求描述：
def analyze_requirement(requirement_text: str, model_client):
prompt = REQUIREMENTS_ANALYSIS_PROMPT.format(
user_requirement=requirement_text
)
response = model_client.chat.completions.create(
model="gpt-4",
messages=[
{"role": "system", "content": "你是一个专业的产品经理助手。"},
{"role": "user", "content": prompt}
],
temperature=0.7,
max_tokens=2000
)
return response.choices[0].message.content
# 示例调用
requirement = """
用户反馈：在使用支付功能时，流程太复杂，需要跳转到第三方页面完成支付，
然后再跳转回我们的App，整个过程容易中断，用户体验很差。
用户希望能在一个页面内完成全部支付操作。
"""
result = analyze_requirement(requirement, openai_client)
print(result)
PRD 文档撰写模块
撰写产品需求文档（PRD）是 PM 日常工作的重头戏，也是最能体现专业能力的环节。pm-skills 提供了完整的 PRD 框架提示词：
PRD_WRITING_PROMPT = """
你是一位资深产品经理，擅长撰写清晰、专业、可执行的产品需求文档。
请根据以下信息，撰写一份完整的 PRD 文档。
产品基本信息：
- 产品名称：{product_name}
- 产品定位：{product_positioning}
- 目标用户：{target_users}
需求概述：
{requirement_overview}
用户故事：
{user_stories}
请按以下结构撰写 PRD：
一、产品概述
1.1 产品背景
1.2 产品目标
1.3 成功指标
二、用户需求分析
2.1 用户场景描述
2.2 用户痛点
2.3 用户期望
三、功能需求详述
3.1 功能列表
3.2 功能详细说明（每个功能包含：功能描述、前置条件、主流程、异常流程、交互说明）
四、非功能需求
4.1 性能要求
4.2 安全要求
4.3 兼容性要求
五、数据埋点需求
（列出需要埋点的关键事件）
六、上下游依赖
（标注与后端、设计、测试等团队的依赖关系）
七、上线计划
7.1 迭代计划
7.2 回滚方案
"""
一个完整的 PRD 撰写示例：
def generate_prd(product_info: dict, model_client) -> str:
prompt = PRD_WRITING_PROMPT.format(
product_name=product_info.get("name", ""),
product_positioning=product_info.get("positioning", ""),
target_users=product_info.get("target_users", ""),
requirement_overview=product_info.get("requirement", ""),
user_stories=product_info.get("user_stories", "")
)
response = model_client.chat.completions.create(
model="gpt-4",
messages=[
{"role": "system", "content": "你是一个专业的产品需求文档撰写专家。"},
{"role": "user", "content": prompt}
],
temperature=0.5,
max_tokens=4000
)
return response.choices[0].message.content
# 使用示例
product_info = {
"name": "智能推荐系统",
"positioning": "基于用户行为和偏好，提供个性化的内容推荐，提升用户粘性和转化率",
"target_users": "18-35岁的移动互联网用户，有明确的消费或内容消费需求",
"requirement": "实现实时推荐功能，支持基于用户浏览历史、收藏记录、搜索关键词的个性化推荐",
"user_stories": """
1. 作为用户，我希望系统能记住我的浏览历史，这样下次访问时能快速找到感兴趣的内容
2. 作为用户，我希望推荐内容能随着我的偏好变化而调整，不要一直推荐相同类型的内容
3. 作为用户，我希望能看到推荐理由，这样我能判断推荐是否真的适合我
"""
}
prd_content = generate_prd(product_info, openai_client)
print(prd_content)
竞品分析模块
了解竞品动态是产品策略制定的重要依据。pm-skills 的竞品分析模块能帮助你快速生成专业的竞品分析报告：
COMPETITOR_ANALYSIS_PROMPT = """
你是一位专业的行业分析师，擅长竞品分析和市场研究。
请对以下竞品进行深入分析：
目标竞品：{competitors}
分析维度：{analysis_dimensions}
产品所处阶段：{product_stage}
请输出以下格式的竞品分析报告：
## 竞品概览
（各竞品的基本信息、市场定位、核心用户群）
## 功能对比分析
（用表格形式对比各竞品的核心功能）
## 交互体验分析
（分析各竞品的 UI/UX 设计特点）
## 商业模式对比
（各竞品的盈利模式、定价策略）
## 优势与劣势
| 维度 | 目标产品 | 竞品A | 竞品B |
|------|----------|-------|-------|
| 功能完整性 | | | |
| 用户体验 | | | |
| 性能表现 | | | |
| 定价策略 | | | |
| 市场口碑 | | | |
## 市场机会分析
（基于竞品分析，发现哪些机会点尚未被满足）
## 建议策略
（基于分析结果，提出差异化竞争建议）
"""
用户调研模块
用户调研是产品决策的重要依据。pm-skills 提供了问卷设计、访谈大纲生成、调研报告撰写等全套工具：
SURVEY_DESIGN_PROMPT = """
你是一位用户体验研究员，擅长设计有效的用户调研方案。
请为以下调研目标设计一份问卷：
调研主题：{survey_topic}
目标用户：{target_users}
调研目的：{survey_objective}
预计回收量：{expected_responses}
请设计以下内容：
一、问卷结构说明
（问卷分为几个部分，每个部分的目的）
二、问卷题目清单
题目类型包括：封闭式问题、量表题、开放式问题
题目示例：
Q1：[筛选题]您是否使用过类似产品？
A. 是
B. 否
Q2：[量表题]请对以下功能的重要性进行评分（1-5分）
支付便捷性：[1][2][3][4][5]
界面美观度：[1][2][3][4][5]
加载速度： [1][2][3][4][5]
Q3：[开放式]您对产品有什么改进建议？
三、问卷使用说明
（投放渠道建议、回收后数据分析方法）
"""
实战教程：从零开始使用 pm-skills 完成产品需求分析
下面通过一个完整的实战案例，展示如何使用 pm-skills 完成一个真实的产品需求分析任务。
场景设定
假设你是一家电商公司的产品经理，公司计划开发一个”智能购物车”功能。用户可以通过语音或文字描述的方式向购物车添加商品，系统会自动识别商品并匹配到平台已有的商品池中。这个功能的主要目标是降低用户的购物决策成本，提升客单价。
第一步：初始化项目
首先，创建一个 Python 脚本来整合 pm-skills 的各项功能：
# pm_assistant.py
from openai import OpenAI
from config import OPENAI_API_KEY
class PMAssistant:
"""产品经理 AI 助手主类"""
def __init__(self, api_key: str = OPENAI_API_KEY):
self.client = OpenAI(api_key=api_key)
self.model = "gpt-4"
self.conversation_history = []
def ask(self, prompt: str, system_prompt: str = None) -> str:
"""
向 AI 助手提问的通用方法
参数:
prompt: 用户的提问内容
system_prompt: 系统提示词，定义 AI 的角色和能力
返回:
AI 的回复内容
"""
messages = []
# 添加系统提示词
if system_prompt:
messages.append({
"role": "system",
"content": system_prompt
})
else:
messages.append({
"role": "system",
"content": "你是一位专业的产品经理助手，擅长需求分析、PRD撰写、用户研究等工作。"
})
# 添加对话历史
messages.extend(self.conversation_history)
# 添加当前问题
messages.append({
"role": "user",
"content": prompt
})
response = self.client.chat.completions.create(
model=self.model,
messages=messages,
temperature=0.7,
max_tokens=3000
)
answer = response.choices[0].message.content
# 保存对话历史
self.conversation_history.append({
"role": "user",
"content": prompt
})
self.conversation_history.append({
"role": "assistant",
"content": answer
})
return answer
def clear_history(self):
"""清空对话历史"""
self.conversation_history = []
# 初始化助手实例
assistant = PMAssistant()
print("=== PM Assistant 初始化完成 ===")
第二步：需求初步分析
使用需求分析模块对”智能购物车”功能进行初步评估：
# 需求初步分析
initial_requirement = """
背景：我们的电商平台用户反馈，在浏览商品时需要频繁切换页面来添加商品到购物车，
操作路径过长，导致购物车弃置率较高。
新需求：开发一个"智能购物车"功能，用户可以在浏览商品的过程中，
通过语音或文字快速将商品加入购物车，系统自动识别商品信息并匹配到平台商品池。
"""
analysis_prompt = f"""
请分析以下产品需求，输出结构化的分析报告：
{initial_requirement}
要求：
1. 识别核心用户群体及其使用场景
2. 分析需求的价值（商业价值和用户价值）
3. 评估技术实现的复杂度和可行性
4. 给出优先级建议和理由
5. 提出初步的产品解决方案思路
"""
analysis_result = assistant.ask(analysis_prompt)
print("=== 需求初步分析结果 ===")
print(analysis_result)
AI 的回复可能包含类似以下内容：
=== 需求初步分析结果 ===
## 核心用户群体
1. 目的性购物用户：有明确购买目标，希望快速完成购物
2. 冲动购物用户：容易被社交内容种草，需要便捷的加购方式
3. 多任务购物用户：边看直播/内容边购物，需要不打断当前体验的加购方式
## 使用场景
- 场景1：用户在浏览商品详情页时，不满意当前商品，想找替代品
- 场景2：用户在观看带货直播时，被主播种草多款商品
- 场景3：用户在社交媒体看到他人分享的好物，需要快速加购
## 价值评估
商业价值：高
- 缩短购物路径，降低跳失率
- 提升购物车使用率，潜在提升GMV
- 差异化竞争点
用户价值：高
- 减少操作步骤，节省时间
- 降低购物决策成本
技术可行性：中等
- 语音识别技术成熟
- 商品识别和匹配需要较强的NLP能力
- 需要与商品系统深度整合
优先级建议：P1（建议在核心购物流程优化后进行）
第三步：用户故事梳理
基于初步分析结果，进一步细化用户故事：
user_stories_prompt = """
基于以下需求分析结果，请帮我梳理完整的用户故事列表：
需求：智能购物车功能
目标用户：电商平台购物用户
请按以下格式输出用户故事：
作为 [用户角色]，我希望 [功能描述]，以便 [价值收益]
每个用户故事需要包含：
1. 用户故事主体
2. 验收标准（Acceptance Criteria）
3. 优先级标记
用户故事应该覆盖：
- 正常流程
- 异常流程（识别失败、超时、无匹配商品等）
- 边界情况处理
"""
stories_result = assistant.ask(user_stories_prompt)
print("=== 用户故事梳理 ===")
print(stories_result)
第四步：撰写 PRD 文档
将所有分析结果整合，生成完整的 PRD 文档：
# 整合所有信息，生成完整 PRD
prd_generation_prompt = """
请根据以下信息，撰写一份完整的《智能购物车功能》PRD 文档：
## 产品基本信息
- 产品名称：智能购物车
- 产品定位：通过语音/文字快速添加商品，简化购物路径
- 目标用户：全平台购物用户，重点关注高频购物用户和直播场景用户
## 需求背景
当前用户在使用电商平台购物时，反馈购物路径过长，
从发现商品到加入购物车需要多次页面跳转，导致用户流失。
智能购物车旨在提供一个随时可唤起的快速加购入口。
## 核心功能需求
1. 语音输入：支持用户通过语音描述商品名称
2. 文字输入：支持用户输入商品关键词
3. 智能识别：自动解析用户输入，识别商品品类和特征
4. 商品匹配：从商品池中匹配最相似的商品
5. 确认加购：展示匹配结果，用户确认后加入购物车
## 用户故事（已梳理）
{user_stories}
请按照标准 PRD 格式撰写，确保包含以下章节：
1. 产品概述
2. 用户需求分析
3. 功能需求详述（包含每个功能的详细流程图描述）
4. 非功能需求
5. 数据埋点需求
6. 上线计划
""".format(user_stories=stories_result)
prd_result = assistant.ask(prd_generation_prompt)
print("=== PRD 文档 ===")
print(prd_result)
第五步：补充竞品分析和上线计划
PRD 完成后，进一步完善竞品分析和迭代计划：
# 竞品分析
competitor_prompt = """
请分析主流电商平台的"快速加购"功能，包括：
- 淘宝/天猫的加购功能
- 京东的购物车功能
- 拼多多的快速下单功能
- 小红书的内容种草加购
分析维度：
1. 各平台的加购入口位置和唤起方式
2. 功能完整度对比
3. 用户体验评分
4. 技术实现特点
请输出完整的竞品分析报告，用于指导我们的产品设计。
"""
competitor_result = assistant.ask(competitor_prompt)
print("=== 竞品分析报告 ===")
print(competitor_result)
# 迭代计划
roadmap_prompt = """
基于《智能购物车》的需求分析和 PRD，请制定产品迭代计划：
要求：
1. 分3个迭代周期规划
2. 每个迭代有明确的目标和交付物
3. 标注每个迭代的依赖关系和风险点
4. 给出总体的上线时间线预估
"""
roadmap_result = assistant.ask(roadmap_prompt)
print("=== 产品迭代计划 ===")
print(roadmap_result)
常见使用场景与案例
场景一：日常需求处理
产品经理每天会收到大量来自运营、客服、用户的反馈需求。使用 pm-skills 可以快速对这些需求进行分类和处理：
def process_daily_feedback(feedback_list: list) -> dict:
"""
处理日常反馈需求
参数:
feedback_list: 反馈列表，每项包含用户类型、反馈内容、来源渠道
返回:
处理后的需求分类和处理建议
"""
prompt = f"""
请分析以下用户反馈，识别其中的产品需求：
{chr(10).join([f"- [{i+1}] {fb}" for i, fb in enumerate(feedback_list)])}
请输出：
1. 需求分类（功能优化、Bug修复、新增功能、体验改进）
2. 需求优先级排序及理由
3. 每个需求的初步处理建议
4. 需要进一步调研的问题
"""
return assistant.ask(prompt)
# 示例反馈列表
feedbacks = [
"用户A反馈：希望能收藏商品后再一起下单，不用一个个加购物车",
"客服反馈：很多用户找不到订单查询入口",
"运营反馈：希望能在商品列表页直接看到库存数量",
"用户B反馈：支付流程太复杂了，每次都要输入密码",
"用户C反馈：希望能支持微信登录，现在只能用手机号"
]
processed = process_daily_feedback(feedbacks)
print("=== 反馈处理结果 ===")
print(processed)
场景二：会议准备与纪要
产品经理经常需要参加各种会议，使用 pm-skills 可以快速生成会议议程、会议纪要：
def generate_meeting_prep(topic: str, participants: list, goal: str) -> dict:
"""
生成会议准备材料
"""
agenda_prompt = f"""
请为以下会议生成准备材料：
会议主题：{topic}
参会人员：{', '.join(participants)}
会议目标：{goal}
请输出：
1. 建议的会议议程（包括时间分配）
2. 需要提前准备的资料清单
3. 会议中可能讨论的问题清单
4. 会议决策点预判
"""
return assistant.ask(agenda_prompt)
def generate_meeting_notes(raw_notes: str, decisions: list) -> str:
"""
将原始会议记录整理成规范的会议纪要
"""
summary_prompt = f"""
请将以下会议原始记录整理成规范的会议纪要：
原始记录：
{raw_notes}
已确认的决议：
{chr(10).join([f"- {d}" for d in decisions])}
会议纪要要求：
1. 结构清晰，分为：基本信息、讨论内容、决议事项、待跟进事项
2. 决议事项需要明确责任人和时间节点
3. 待跟进事项需要标注负责人
"""
return assistant.ask(summary_prompt)
场景三：数据分析与洞察
当产品上线新功能后，需要分析数据来评估效果。pm-skills 可以帮助你设计数据看板和分析思路：
def design_data_dashboard(feature: str, goals: list) -> str:
"""
设计数据监控看板
"""
prompt = f"""
请为"{feature}"功能设计数据监控方案：
产品目标：
{chr(10).join([f"- {g}" for g in goals])}
请输出：
1. 核心指标体系（北极星指标 + 辅助指标）
2. 每个指标的：定义、计算方式、数据来源
3. 建议的数据看板布局
4. 指标预警阈值建议
5. 数据分析周报模板
"""
return assistant.ask(prompt)
# 示例：为智能购物车功能设计数据看板
feature_analysis = design_data_dashboard(
feature="智能购物车",
goals=[
"提升购物车使用率",
"降低加购操作路径",
"提升整体转化率"
]
)
print("=== 数据监控方案 ===")
print(feature_analysis)
进阶使用技巧与最佳实践
技巧一：提示词模板定制
虽然 pm-skills 提供了丰富的预设模板，但实际使用中你可能需要根据自己产品的特点进行调整。以下是模板定制的方法：
def customize_prompt_template(
base_template: str,
product_context: dict,
user_preferences: dict
) -> str:
"""
根据产品特性和用户偏好定制提示词模板
"""
customized = base_template
# 注入产品背景信息
if "product_name" in product_context:
customized = customized.replace(
"{PRODUCT_NAME}",
product_context["product_name"]
)
# 注入用户偏好设置
if user_preferences.get("detailed_output"):
customized += "\n\n请输出详细且完整的内容。"
else:
customized += "\n\n请保持输出简洁明了，突出重点。"
# 添加产品特色要求
if product_context.get("tone"):
customized += f"\n\n产品调性：{product_context['tone']}"
return customized
# 使用示例
customized_requirement_prompt = customize_prompt_template(
base_template=REQUIREMENTS_ANALYSIS_PROMPT,
product_context={
"product_name": "生鲜配送App",
"tone": "年轻化、接地气、注重效率"
},
user_preferences={
"detailed_output": True,
"include_examples": True
}
)
技巧二：多轮对话式需求挖掘
很多需求一开始是模糊的，需要通过多轮对话来逐步明确。使用 pm-skills 的会话功能可以实现这一过程：
class RequirementDiscoverySession:
"""需求发现对话会话"""
def __init__(self, assistant: PMAssistant):
self.assistant = assistant
self.context = {
"original_request": "",
"clarified_requirements": [],
"identified_actors": [],
"defined_scenarios": [],
"final_requirements": ""
}
def start_session(self, initial_request: str):
"""启动需求发现会话"""
self.context["original_request"] = initial_request
# 第一轮：澄清基本问题
clarification_prompt = f"""
用户提出了以下初始需求，我们需要通过提问来明确需求细节：
初始需求：{initial_request}
请提出5-8个关键问题来帮助澄清需求，问题应该涵盖：
1. 目标用户是谁
2. 期望达到什么效果
3. 有什么约束条件
4. 优先级如何
"""
response = self.assistant.ask(clarification_prompt)
print("=== 需求澄清问题 ===")
print(response)
return response
def refine_with_answers(self, questions: str, answers: str):
"""根据用户回答细化需求"""
refine_prompt = f"""
基于以下问答记录，请进一步明确需求：
问题：
{questions}
用户回答：
{answers}
请输出：
1. 已明确的需求要点
2. 仍需进一步确认的问题
3. 初步的需求范围定义
"""
response = self.assistant.ask(refine_prompt)
print("=== 需求细化 ===")
print(response)
return response
# 使用示例
session = RequirementDiscoverySession(assistant)
session.start_session("我想要一个能提高团队效率的工具")
技巧三：批量处理提高效率
当需要处理大量相似任务时，可以使用批量处理模式：
def batch_analyze_requirements(
requirements: list,
assistant: PMAssistant,
batch_size: int = 3
) -> list:
"""
批量分析需求列表
每处理 batch_size 个需求后，清空历史以节省 token
"""
results = []
for i in range(0, len(requirements), batch_size):
batch = requirements[i:i + batch_size]
# 构建批量分析提示词
batch_prompt = "请依次分析以下" + str(len(batch)) + "个需求：\n\n"
for idx, req in enumerate(batch, 1):
batch_prompt += f"需求{idx}：{req}\n\n---\n\n"
batch_prompt += "请对每个需求给出简要分析，包括：优先级判断、核心价值点、建议方案。"
result = assistant.ask(batch_prompt)
results.append({
"batch_index": i // batch_size,
"requirements": batch,
"analysis": result
})
# 定期清空历史
if (i + batch_size) < len(requirements):
assistant.clear_history()
return results
# 使用示例
sample_requirements = [
"用户希望能在商品详情页直接加入购物车",
"希望增加商品收藏功能，方便用户管理想要的商品",
"用户反馈搜索结果不够准确，希望能优化搜索算法",
"希望能增加社交分享功能，用户可以分享商品到社交平台",
"希望增加商品对比功能，方便用户在多个商品间做选择",
"用户希望能查看历史浏览记录"
]
batch_results = batch_analyze_requirements(
sample_requirements,
assistant,
batch_size=3
)
for result in batch_results:
print(f"=== 批次 {result['batch_index'] + 1} 分析结果 ===")
print(result['analysis'])
print("\n")
技巧四：输出质量控制
为了确保 AI 输出的质量稳定，可以使用以下方法进行质量控制：
def validate_and_refine_output(
content: str,
content_type: str,
assistant: PMAssistant
) -> str:
"""
验证并优化 AI 输出内容
"""
validation_prompt = f"""
请检查以下{content_type}内容的问题：
{content}
检查要点：
1. 内容是否完整，包含所有必要章节
2. 逻辑是否清晰，表述是否准确
3. 是否存在明显的错误或遗漏
4. 格式是否规范
如果发现问题，请直接输出优化后的版本；
如果内容良好，请回复"内容检查通过，无需修改"。
"""
validation_result = assistant.ask(validation_prompt)
if "检查通过" in validation_result or "无需修改" in validation_result:
return content
else:
return validation_result
def format_output(content: str, template: str) -> str:
"""
按照指定模板格式化输出
"""
format_prompt = f"""
请将以下内容按照指定模板重新组织：
原始内容：
{content}
目标模板：
{template}
要求：
1. 严格按照模板结构组织内容
2. 保留所有关键信息
3. 使输出更加规范化
"""
return assistant.ask(format_prompt)
最佳实践总结
经过大量实战经验，总结出以下使用 pm-skills 的最佳实践：
实践一：角色设定要具体
在发送提示词时，给 AI 设定越具体的角色，效果往往越好。不要只说”你是一个产品经理”，而应该说”你是一位有10年经验、专注于电商领域的高级产品经理，擅长需求分析和 PRD 撰写，曾主导过多个DAU过千万的产品项目。”
实践二：提供足够的上下文
AI 输出质量很大程度上取决于输入信息的完整度。在提问时，尽量提供完整的背景信息，包括产品定位、目标用户、业务目标、技术约束等。上下文越丰富，输出越精准。
实践三：分步骤处理复杂任务
对于复杂的需求，不要期望一次对话就能得到完美结果。正确的做法是将大任务拆分为多个小步骤，每一步都进行验证和调整，最终组合成完整的交付物。
实践四：建立个人模板库
在使用过程中，逐步积累针对自己业务场景的专属模板。随着模板库越来越完善，你的使用效率会大幅提升。
实践五：始终保持批判性思维
AI 生成的内容可能存在事实错误、逻辑不严或不符合业务实际的情况。务必对每一条输出进行审核，不要盲目采纳。
项目扩展与生态
pm-skills 不仅是一个独立的工具，更是一个可以与现有工作流程深度集成的解决方案。
与 Notion 集成
如果你使用 Notion 管理产品文档，可以将 pm-skills 的输出直接同步到 Notion：
from notion_client import NotionClient
def sync_to_notion(content: str, page_title: str, parent_page_id: str):
"""
将 AI 生成的内容同步到 Notion
"""
notion = NotionClient()
# 创建新页面
new_page = notion.create_page(
parent={"page_id": parent_page_id},
title=page_title,
content=content
)
return new_page
与飞书/钉钉集成
团队协作时，可以将 pm-skills 与飞书或钉钉机器人集成：
def notify_feishu_webhook(content: str, webhook_url: str):
"""
通过飞书 Webhook 发送消息
"""
import requests
import json
payload = {
"msg_type": "text",
"content": {
"text": content
}
}
response = requests.post(
webhook_url,
headers={"Content-Type": "application/json"},
data=json.dumps(payload)
)
return response.status_code == 200
常见问题解答
问题一：pm-skills 支持哪些 AI 模型？
pm-skills 主要针对支持 OpenAI API 格式的模型进行了优化，包括 GPT-4、GPT-4 Turbo、Claude 3 系列等。对于文心一言、通义千问等国产模型，需要注意中文理解能力的差异，可能需要对提示词进行微调。
问题二：AI 生成的内容可以直接使用吗？
不建议直接使用。AI 生成的内容应该作为初稿或参考，需要结合业务实际情况进行调整和完善。特别是在涉及数据准确性、技术可行性等关键问题时，务必进行核实。
问题三：如何提升 AI 输出的稳定性？
可以采取以下措施：降低 temperature 参数值（推荐 0.5 以下）、提供更详细的示例、使用更精确的术语表达、以及建立输出验证机制。
问题四：如何处理涉及敏感信息的需求？
在处理涉及公司敏感信息的需求时，建议使用本地部署的模型或公司提供的内部 AI 服务，避免信息外泄风险。
总结与展望
pm-skills 为产品经理提供了一个强大的 AI 辅助工具箱，通过结构化的提示词模板和专业的产品管理方法论结合，大幅提升了产品工作的效率和质量。无论是需求分析、PRD 撰写，还是竞品研究、数据分析，这套工具都能提供有力支持。
当然，工具始终只是工具，真正的价值还在于使用工具的人。pm-skills 能帮你更快地产出初稿、更全面地考虑问题，但它无法替代你对业务的深入理解、对用户的真实洞察、对产品的独立判断。将 AI 视为得力助手而非替代品，才能真正发挥出这个工具的最大价值。
相关资源链接
- GitHub 仓库：https://github.com/phuryn/pm-skills
- 项目文档：https://github.com/phuryn/pm-skills/blob/main/README.md
- 提示词模板库：https://github.com/phuryn/pm-skills/tree/main/prompts
推荐阅读
如果你对 AI 辅助产品管理感兴趣，以下资源也值得一看：
- OpenAI 官方 Prompt Engineering 指南
- Anthropic 的 Claude 产品最佳实践
- LangChain 的 Agent 开发文档
- 阿里云产品经理 AI 应用案例集
通过本文的详细介绍，相信你已经掌握了 pm-skills 的核心使用方法。赶紧去 GitHub 克隆项目，开始你的 AI 辅助产品管理之旅吧！无论你是产品新人还是资深 PM，这套工具都能为你的工作带来实质性的效率提升。祝你使用愉快！
评论区