现状：风口来了，技术得用上
在 AI Agent 技术迅猛发展的当下，我亲历了行业客户和公司内部对新技术趋之若鹜的狂热，也深刻体会到 “为 AI 而设计 AI 功能” 带来的困局。
困局一：先跟进
市场上一旦有 AI Agent 相关的新概念或竞品推出 AI 功能，行业客户便会迅速掀起一阵 “必须跟进” 的热潮。我们不再花大量时间去研究用户的真实需求和痛点，而是将关注点聚焦在 “如何将 AI Agent 技术融入产品，让产品‘高大上’”。
比如，知识竞赛的场景中，仅仅因为看到 GPT-4 具有复杂题目的解题能力，客户与公司便匆忙决定我们的产品也需要有类似的 AI 竞赛解题功能。但实际上，我们对用户真实竞赛场景进行深入调研后，才发现竞赛通常是离线断网环境，无法通过 API 方式接入模型能力，可用的硬件 GPU 远远达不到本地部署能在竞赛场景下拥有解题能力的 LLM，在这个场景下，用户能实现且有实际价值的其实对竞赛中相似题目与答案的搜索。
困局二：必须得用 AI 技术实现
由于过度追求技术的新颖性，功能设计脱离了产品本身的定位和用户使用场景。
以知识检索场景为例，LLM + RAG 技术相较于传统的模糊检索在技术上确实具有语意级的搜索特性，在设计 AI 功能时，团队花费了大量精力开发一个基于 10w+ 数据的知识检索助手，试图让它能够检索出更准确的知识内容。但在实际开发过程中，由于缺乏对元数据的处理经验和 LLM 对行业术语的理解偏差，AI 助手检索出的答案常常相关度不高，同时检索召回的数量也覆盖不全。而且，经过用户调研，其实更习惯于传统的关键词多条件符合检索。此外，为了实现这个功能，投入了大量的开发资源，最终上线的效果不佳，客户还产生了消极情绪，反而降低了产品的整体竞争力。
以上困境，完全是一场设计的 “自嗨”，虽然紧跟了技术潮流，但却忽略了产品的本质 —— 为用户创造价值。
产品思维锚定产品初心
产品设计过程中，必须以用户需求为核心，深入调研用户场景，谨慎评估 AI Agent 技术的适用性和可行性，确保每一个 AI 功能的设计都能真正解决用户问题，为用户带来实实在在的价值，而不是打造华而不实的 “空中楼阁”。
用户思维
以用户为中心的产品设计与决策逻辑，核心是从用户的需求、场景、体验出发，贯穿产品全生命周期，解决用户真实问题并创造价值。
用户思维不是“讨好用户”，而是通过理性分析+感性共情，找到用户需求、商业价值、技术可行性的平衡点。产品经理需像“用户的代言人”，让产品成为“用户问题的最优解”——不是为了做功能而做功能，而是让每个功能都精准击中用户的“痒点”“痛点”甚至“爽点”，最终实现用户依赖与产品增长的双赢。
场景思维
从用户的具体使用场景出发，分析需求产生的环境、触发条件和行为逻辑，从而设计出更贴合实际需求的产品功能或解决方案。它强调“脱离场景谈需求毫无意义”，核心是将抽象的需求还原到真实的时间、空间、人物关系中，让产品真正“可用、易用、有用”。
场景思维是让产品成为“用户生活的上下文感知工具”——不是机械地堆砌功能，而是像“贴心的助手”一样，在用户需要时主动适配环境，甚至预判需求。
产品经理需具备“场景敏感度”，能从日常观察中捕捉到“未被满足的场景细节”，并通过设计让产品自然融入用户的生活流，最终实现“需求触发即产品可用”的无缝体验。
数据思维
在产品设计、迭代和运营过程中，以数据为核心驱动力，通过收集、分析、解读数据来指导决策、验证假设、优化产品的思维方式，即用客观数据替代主观判断，提升产品策略的科学性和有效性。
数据思维是产品经理避免“拍脑袋决策”的关键能力，本质是通过数据建立对用户、产品、市场的客观认知，让每一个决策都“有迹可循”，最终实现用户价值与商业价值的平衡。
粤ICP备14082021号
免费POC，
零成本试错
