Repo
代码仓库与项目结构，知道 AI 在哪个项目里改东西。
01 / CORE THESIS
整个研究只围绕一个命题：
整个研究只围绕一个命题：
AI 正在把产品经理推向 Builder。
先说明这一身份为何成立，再说明 AI 如何进入本职工作，最后落到 AI Coding 的实操闭环。未来更强的 PM，不是更会写文档的人，而是能把问题定义、上下文组织、原型验证和系统构建连成一条闭环的人。
AI 不会自动替代产品经理，但会重新定义产品经理。
能力不是被取代，而是被上移。当 AI 已经能帮你写材料，它迟早会帮你把判断跑起来——研究的目标，是让这条迁移路径可被训练、可被验证。
WHY
为什么是原生 AI PM
职业入口已经和 AI 产品、流程治理、智能体平台、AI 评测绑定在一起，AI 化是默认工作方式，而非岗位名称。
HOW
AI 如何进入本职工作
PRD、原型、会议、评审都不再只是产出物，而是上下文的生产过程。
NEXT
为什么走向 AI Coding
当 AI 已经能帮你写材料，它迟早会帮你把判断跑起来，验证不再依赖他人实现。
DO
到底要练什么
不是学语法，而是练项目卡、任务卡、验收标准、验证步骤和复盘卡。
02 / RESEARCH
研究档案：被真实问题推动的构建痕迹
让研究可信的不是身份标签，而是这些真实的系统构建。以下是核心研究方向与成果索引，每一项都来自一线工作流中反复验证的问题。
James 超级助理：页面旁的上下文智能体
一个活在页面旁边的 Chrome 插件：读取当前页面，按 Skill 分析，支持追问与附件，把 AI 从聊天框拉回业务页面，让模型获得真实的第一现场。
ALT 智能评测平台：从实验工具到机审主链路
从 0.1 版本推进到 1.0：补齐机审场景，接入文件用印、公司治理、采购接收、诉讼收案、审计、基审等链路，把评测从工具变成可治理的产品能力。
idea lab agent：云端 Agent 的能力编排框架
围绕云端 Agent 层设计 19 个能力模块、92 个能力项，并规划 HITL 确认卡片、Canvas 双面板与 Skill 市场，建立监听、编排与上下文持续处理的产品框架。
流程资产 Skill 化：从归档到可编排
把流程资产从「梳理、归档、查阅」推进到「识别、提炼、封装、编排、评测、迭代」，让组织里的隐性流程成为可被 AI 连续执行的能力。
03 / CAPABILITIES
能力体系：让 AI 参与产品工作的每一个环节
原生 AI 研究的第一原则——先让 AI 干本职工作。重点不是「AI 帮我省时间」，而是「AI 参与了产品工作的每一个环节」，并能在边界内连续交付。
AI Workflow · AI 进入本职工作的五个环节
PRD
AI 写初稿
背景、目标、范围、流程、权限、指标先由 AI 生成，人来校准边界。
PROTOTYPE
AI 先画结构
不停留在静态页面，而是把场景、状态、异常与确认机制推出来。
MEETING
AI 整理现场
会议纪要不只是记录，而是保留任务、争议、风险与追问。
REVIEW
AI 准备材料
AI 先出版本，人负责判断优先级、验收、责任边界与风险。
RECAP
AI 参与复盘
把跑偏原因沉淀成方法卡，让下一次协作更稳。
Engineering Minimum · 做 AI Coding 至少要补的八个工程常识
Branch
分支、提交、合并，知道怎么保留可回退路径。
FE / BE
前端、后端、接口边界，知道问题发生在哪一层。
Data
数据模型、数据库、迁移，知道真实数据怎么流动。
Env
本地、测试、生产环境差异，知道为什么本地能跑线上不一定能跑。
Test
单测、冒烟、关键路径验证，不相信「看起来完成」。
Deploy
构建、发布、回滚，知道系统如何被别人访问。
Log
日志、错误、监控、定位，知道出问题时怎么追。
04 / PHILOSOPHY
研究信条：上下文是原材料，人是边界
很多 AI 不好用，不是模型弱，而是它没有第一现场。没有上下文，AI 只能猜；有了上下文，AI 才能参与产品工作。而要让产品被真正使用，研究还必须回答关于人的问题。
不要直接让 AI 写结论
需求材料一上来就让 AI 写 PRD，看似快，实际上会把缺失信息包装成确定结论。
AI 会补全，但补全不等于理解。模糊需求会被放大成更大的返工。
先让 AI 理解真实问题
录音、转写、纪要、争议、追问、反复解释，都是产品资产。
先提取角色、场景、痛点、矛盾、未说明事项，再进入 PRD 与原型。
Human Side · AI 产品经理也要研究人
信任
用户什么时候愿意让 AI 自动做？需要什么证据、解释与可追溯的过程？
控制感
用户什么时候觉得 AI 越界？哪些动作必须先确认，哪些可以默认执行？
责任
出了问题责任如何归属？系统怎样提示置信度、风险与人工兜底？
05 / APPROACH
能力上移：从使用者到 Builder 的五级路线
AI Coding 是产品经理能力边界的一次上移。优秀的 AI PM 会越来越接近 Builder，但不是用工程身份替代产品身份。
L0
传统 PM
自己写 PRD、画原型、组织评审。
L1
AI 辅助 PM
用 AI 写初稿、总结会议。
L2
AI 工作流 PM
需求、原型、评审、复盘嵌入 AI。
L3
AI 产品 PM
理解智能体、工具调用、评估与信任设计。
L4
AI Coding PM
把产品判断变成可运行原型与局部系统。
06 / LIVE LAB
实践方法：用三步把需求变成可执行上下文
准备真实需求材料，让 AI 先理解工作，再进入设计与实现。重点不是立刻写代码，而是把需求整理成 AI Coding 能连续执行的上下文。点击即可复制提示词。
PROMPT 01
只分析，不写代码
请阅读这份 PRD，先不要写代码。请分析： 1）目标用户是谁； 2）核心场景是什么； 3）需求里有哪些不清楚的边界； 4）如果要做成可运行原型，应该拆成哪些任务； 5）第一版最小闭环是什么。
PROMPT 02
整理项目卡与任务卡
请把上面的需求整理成：一张项目卡、3-5 张任务卡。 每张任务卡必须包含： 目标、输入、输出、执行边界、验收标准、风险点。 不要写泛泛建议，产出要能直接交给 AI Coding 执行。
PROMPT 03
先做低风险原型
基于项目卡和任务卡，请先生成一个低风险原型方案。要求： 不连接真实生产数据；用 mock 数据；优先完成主流程； 列出需要人工确认的风险；完成后给出本地验证步骤。