从需求到原型：用 Claude Code 搭建产品经理 AI 工作流
从需求分析、文档撰写到系统原型生成，一套可复用的产品经理 AI 协作方案。
一、为什么产品经理需要一个 AI 搭档
做产品经理，日常工作中大量时间消耗在几件事上：
•
信息整合：需求来自会议纪要、业务方口头描述、竞品截图、现有系统截图……要把这些零散信息拼成完整的系统设计，费时费力
•
文档撰写：PRD 写了几十页，但大量内容是结构化重复（字段定义、状态说明、操作规则），真正需要思考的部分反被淹没
•
原型制作：B 端系统页面多、结构重复，用 Axure 或 Figma 一个个搭效率很低
这些工作有个共同特点：不需要创造性思考，但需要严谨和完整。
这正是 AI 最擅长的——只要你把思考的框架和规则给到它，它能帮你把 80% 的"体力活"干掉，让你把精力集中在真正需要判断和决策的 20% 上。
🤖
但问题是：怎么让 AI 真正"懂你"，而不是每次都要从零开始解释背景、纠正风格、反复调整？
答案就是：搭建一套专属的 AI 工作流。
二、Claude Code 是什么，为什么选它
Claude Code 是 Anthropic 推出的命令行 AI 工具，你可以理解为"一个能直接操作你电脑文件的 AI 助手"。
相比 ChatGPT、通义千问这类对话式 AI，它的核心区别在于：
#rvXwslOflDcP text { white-space: pre; }#rvXwslOflDcP .fb0 { stroke: var(--N900-FG, 0.15); }#rvXwslOflDcP .fb0 {stroke: rgba(31,35,41, 0.15)}#rvXwslOflDcP .fx0 { stroke-miterlimit: 10; }#rvXwslOflDcP .fx0 {stroke-miterlimit: 10}#rvXwslOflDcP .fa1 { fill: rgb(187, 191, 196); }#rvXwslOflDcP .fa1 {fill: rgb(187, 191, 196)}#rvXwslOflDcP .fx1 { font: 400 12px MonospacedNumber, LarkHackSafariFont, LarkEmojiFont, LarkChineseQuote, -apple-system, BlinkMacSystemFont, "Helvetica Neue", Tahoma, "PingFang SC", "Microsoft Yahei", Arial, "Hiragino Sans GB", sans-serif, "Apple Color Emoji", "Segoe UI Emoji", "Segoe UI Symbol", "Noto Color Emoji"; }#rvXwslOflDcP .fx1 {font-style: normal}#rvXwslOflDcP .fx2 { text-anchor: middle; }#rvXwslOflDcP .fx2 {text-anchor: middle}#rvXwslOflDcP .fx3 { dominant-baseline: central; }#rvXwslOflDcP .fx3 {dominant-baseline: central}#rvXwslOflDcP .fx4 { stroke: none; }#rvXwslOflDcP .fx4 {stroke: none}#rvXwslOflDcP .fc0 { fill: var(--text-caption); }#rvXwslOflDcP .fc0 {fill: #646a73}#rvXwslOflDcP .fa2 { fill: var(--text-link-disabled); }#rvXwslOflDcP .fa2 {fill: rgb(187, 191, 196)}#rvXwslOflDcP .fa3 { fill: rgb(225, 234, 255); }#rvXwslOflDcP .fa3 {fill: rgb(225, 234, 255)}#rvXwslOflDcP .fx5 { font: 700 16px MonospacedNumber, LarkHackSafariFont, LarkEmojiFont, LarkChineseQuote, -apple-system, BlinkMacSystemFont, "Helvetica Neue", Tahoma, "PingFang SC", "Microsoft Yahei", Arial, "Hiragino Sans GB", sans-serif, "Apple Color Emoji", "Segoe UI Emoji", "Segoe UI Symbol", "Noto Color Emoji"; }#rvXwslOflDcP .fx5 {font-style: normal}#rvXwslOflDcP .fx6 { text-anchor: start; }#rvXwslOflDcP .fx6 {text-anchor: start}#rvXwslOflDcP .fx7 { dominant-baseline: alphabetic; }#rvXwslOflDcP .fx7 {dominant-baseline: alphabetic}#rvXwslOflDcP .fc1 { fill: rgb(31, 35, 41); }#rvXwslOflDcP .fc1 {fill: rgb(31, 35, 41)}#rvXwslOflDcP .fx8 { font: 400 14px MonospacedNumber, LarkHackSafariFont, LarkEmojiFont, LarkChineseQuote, -apple-system, BlinkMacSystemFont, "Helvetica Neue", Tahoma, "PingFang SC", "Microsoft Yahei", Arial, "Hiragino Sans GB", sans-serif, "Apple Color Emoji", "Segoe UI Emoji", "Segoe UI Symbol", "Noto Color Emoji"; }#rvXwslOflDcP .fx8 {font-style: normal}#rvXwslOflDcP .fc2 { fill: rgb(0, 0, 0); }#rvXwslOflDcP .fc2 {fill: rgb(0, 0, 0)}#rvXwslOflDcP .fb1 { fill: var(--N900-FG, 0.15); }#rvXwslOflDcP .fb1 {fill: rgba(31,35,41, 0.15)}#rvXwslOflDcP .fb2 { fill: rgb(229, 229, 229); }#rvXwslOflDcP .fb2 {fill: rgb(229, 229, 229)}#rvXwslOflDcP .fa4 { fill: var(--bg-body); }#rvXwslOflDcP .fa4 {fill: #fff}ABC123456能力普通对话式 AIClaude Code读写本地文件上下文记忆代码生成项目级理解规则定制不行，需要手动复制粘贴每次对话从零开始能写但不能直接运行只能看到你粘贴的内容每次都要重复说明直接读取、创建、编辑本地文件通过规则文件持久化你的偏好直接生成可运行的文件（HTML 原型等）可以浏览整个项目文件夹全局规则一次配置，永久生效
简单说，普通 AI 是"一次性助手"，Claude Code 更像"长期搭档"——它记得你的偏好、熟悉你的项目结构、遵守你定下的规则。
顺便提一下访问方式：我实际使用的是 Claude Code 配合 GLM 大模型来开展所有工作，在国内即可直接使用，不需要任何特殊网络配置。如果你还没有安装和配置 Claude Code，可以直接参考数字生命卡兹克的保姆级教程。
下面我会完整分享我是怎么搭建这套工作流的。
三、第一步：让 AI 懂你——建立全局规则
3.1 CLAUDE.md：你的 AI 人设卡
Claude Code 的工作方式是：在用户目录下有一个 CLAUDE.md 文件，每次对话启动时，它会自动读取这个文件，作为全局的行为准则。
这就像给新入职的同事发了一份"跟我共事的指南"——你不需要每次都重复交代，它自动遵守。
3.2 我的全局规则包含什么
我把自己全局规则分成了几个关键模块：
关于我：告诉 AI 我的角色、工作内容和目标。比如"xx公司xx类产品经理"，“把任何重复的事 AI 化或自动化”。
思维原则：定义 AI 的思考方式。我写了两条核心原则：
•
遵从第一性原理，不因"惯例如此"照搬
•
不要谄媚，方案有问题直接指出来
沟通方式：规定 AI 怎么跟我说话。比如"默认中文、结论先行、优先结构化格式"。
红线边界：明确哪些操作必须停下来问我，比如删除文件、修改密钥配置、git push 等。
需求分析流程：告诉 AI 在辅助需求分析时的完整工作规范。我把这块内容单独放在一个文件中（claude assist.md），全局规则里只写一行引用。这样做的好处是：需求分析的规则比较长且会频繁迭代，独立文件方便维护，不会让全局规则文件变得臃肿。
我的全局规则参考了 AI 博主数字生命卡兹克关于 Claude Code 的使用分享，他写过一篇保姆级教程：《从0开始，在国内用上Claude Code的终极保姆教程来了。》，如果你还没有安装和配置 Claude Code，建议先阅读这篇教程。
3.3 关键经验
规则越具体，AI 输出越贴合你的风格。
比如我写了"不要说’这是个很好的问题’“之后，AI 再也没出现过这种客套话。我写了"结论先行，再给理由”，它的回复结构就真的变成了先说结论再说原因。
✍️
这套规则不需要一次写完，可以在实际使用中不断补充。每次发现 AI 的输出不符合预期，就把期望的行为加到规则里——这就是一个持续优化的过程。
四、第二步：搭建需求分析工作流
4.1 整体流程
我把需求分析拆成了 6 个明确的阶段，每个阶段有明确的输入、输出和责任划分：
这个流程的核心原则是：不要跳步。
为什么要这么强调？因为 AI 的优势是快速生成内容，但如果你还没想清楚就让它开始写，产出的东西大概率要大改。不如每一步都确认清楚再往下走，最终反而更快。
4.2 每个阶段做什么
阶段一：理解
我把项目相关的资料（会议纪要、业务文档、竞品截图等）统一放在一个文件夹里，告诉 AI 项目名称，它会自动去浏览这些资料。
浏览完后，AI 会输出三样东西：
•
系统菜单框架
•
关键信息提炼
•
待确认问题列表
有时候我自己已经把菜单框架列好了，那 AI 就基于我的框架提炼关键信息，直接进入讨论。
阶段二：讨论
这是最核心的阶段。AI 的价值不只是回答问题，更在于主动质疑——它会指出需求中不合理的地方、补充遗漏的边界条件、追问异常流程怎么处理。
这个阶段的产出不是文档，而是思考的完整性。通过和 AI 反复讨论，需求的细节会越来越清晰。
阶段三：框架确认
讨论充分后，AI 输出最终的菜单框架和系统整体结构，我来确认。如果前面我已经给过菜单框架，这一步可以跳过，直接进入下一步。
阶段四：大纲确认
在动笔写文档之前，先让 AI 给出需求文档的大纲——包括章节计划和每章大致要写的内容。
这一步看似多余，实际上非常关键。因为大纲是"骨架"，在大纲层面做调整，成本远低于写完文档再改。
阶段五：输出
大纲确认后，AI 开始生成需求文档。系统原型则是在文档定稿后，我让 AI 生成时才生成。
所有生成的文件统一放在项目文件夹下的"需求文档与原型"目录中。
阶段六：纠偏迭代
AI 生成的初版不会完美，我会指出问题，它修正，反复几轮。关键是：AI 会记住每次纠偏的原因，持续学习我的思维方式和写作风格，后续的偏差会越来越小。
4.3 资料管理方式
我把所有项目资料按这个结构组织：
这样做的好处是：
•
AI 每次都能快速定位到正确的项目资料
•
模板统一管理，保证所有项目的文档风格一致
•
产出物和原始资料分离，结构清晰
4.4 语音驱动的工作方式
在整套工作流中，还有一个贯穿始终的底层习惯：我几乎不打字了。
会议纪要全部由 AI 生成。我使用飞书妙记来完成，分两种场景：
•
与业务方开会时：打开飞书妙记实时录制，会后自动生成会议纪要，AI 提炼关键信息和待办事项
•
整理自己的产品思路时：我直接口述对产品的想法、思路和规划，让 AI 总结成结构化的纪要
与 Claude 的所有对话也通过语音输入完成。我使用微信自带的语音转文字功能，通过快捷键随时语音输入。无论是讨论需求、确认方案还是提出修改意见，都是说出来而不是打出来。
👓
语音输入还带来了一个意外收获：表达能力的持续提升。因为要让语音识别准确理解你的意思，你会自然地减少语气词、提高表达的逻辑性和准确度。长期下来，不只是与 AI 协作更高效，日常沟通也会更清晰。
五、第三步：需求文档协作
5.1 以模板为准
需求文档的格式、风格、内容排版必须和模板文件保持一致。我事先准备好了一份标准的 PRD 模板（Markdown 格式），AI 每次都基于这个模板来生成。
这不是限制 AI 的发挥，而是确保输出的文档在团队内部有一致性——不管是哪个项目，看文档的人都不需要重新适应格式。
5.2 讨论即写作
传统写 PRD 的方式是：先想清楚，再打开文档，从头写到尾。
但在 AI 辅助下，流程变成了：边讨论边写作。我在对话中做决策、补充细节、确认规则，AI 在后台记录我的思考逻辑和判断依据。讨论充分后，AI 基于这些记录直接生成完整文档。
我的角色从"写作者"变成了"决策者"——我只管思考和判断，文字组织交给 AI。
5.3 菜单框架 = 文档结构
一个关键的规则：需求文档中功能模块章节的层级和标题，必须与确认的菜单框架完全一致。
这样做的好处是：
•
文档结构和系统结构一一对应，开发看文档时能直接定位到对应功能
•
原型页面的组织也和文档章节对齐，三方（文档、原型、系统）保持统一
•
后续维护时，改了菜单只需要同步改对应章节，不会遗漏
六、第四步：系统原型一键生成
6.1 单 HTML 文件方案
B 端系统原型的生成方案是：单 HTML 文件，内联 CSS + JS，无任何外部依赖，浏览器直接打开即可使用。
为什么不用 Axure 或 Figma？因为：
•
B 端系统页面结构高度重复（列表页、详情页、表单），用工具一个个搭效率低
•
AI 生成代码比手动拖拽组件快得多
•
HTML 原型可以包含真实的交互逻辑（标签页切换、表单联动、状态切换），比静态原型体验更好
•
一个文件就能发给任何人预览，不依赖特定软件
6.2 生成规则
不是所有菜单都需要生成页面。我定义了明确的规则：
需要生成页面的：需求文档中有详细字段定义和业务规则的功能模块，生成完整页面（列表 + 详情）。
只展示菜单的：用户管理、操作留痕等通用模块，只在侧边栏展示菜单，点击不跳转。这些是各系统都有的标配模块，不需要每次重复生成。
原型的基本布局统一采用：侧边栏（可折叠菜单）+ 顶部栏 + 内容区，样式参考模板文件。
6.3 样式模板复用
我事先准备好了一个 HTML 原型的样式模板，定义了筛选区、表格、详情卡片、标签、按钮等组件的样式。
AI 每次生成原型时，直接复用这套样式，保证所有项目的原型视觉风格一致。如果某个项目有特殊的 UI 风格要求，只需要提供对应的样式截图，AI 就能模仿生成。
七、实战演示：从零到产出的完整过程
以一个 CRM 客户关系管理系统的需求为例，展示完整的工作流。这个系统用于管理企业的客户信息、销售商机、合同订单和售后服务。
7.1 第一步：理解——AI 输出菜单框架和关键问题
我告诉 AI："帮我做一个 CRM 客户关系管理系统的需求分析。"AI 基于通用的 CRM 业务经验，直接输出了系统菜单框架草案、关键信息提炼和待确认问题列表。
菜单框架包含客户管理、商机管理、销售管理、售后服务、数据中心等五大业务模块，以及基础信息维护、用户管理、操作留痕三个通用模块。
同时，AI 提出了 9 个待确认问题，比如：客户分配机制是自动还是手动？权限范围怎么划分？商机阶段是自定义还是固定？合同是否需要审批？等等。
7.2 第二步：讨论——快速决策
针对 AI 提出的问题，我按通用方案逐一回复。比如客户采用公海机制、销售只看自己的数据、商机阶段固定、合同需要单级审批等。
这个阶段非常快——因为 AI 提的问题都踩在关键决策点上，我只需要做选择题，不需要自己想"还有什么遗漏"。
7.3 第三步：框架确认
讨论完直接确认菜单框架，八大模块，层级清晰。
7.4 第四步：大纲确认
AI 给出了需求文档的完整大纲，包含需求概述、系统总览、功能模块（每个二级菜单对应一个三级章节）、非功能性需求、附录。我确认后 AI 开始动笔。
7.5 第五步：输出——需求文档 + 系统原型
AI 生成了完整的需求文档（Markdown 格式），涵盖所有功能模块的字段定义表格、筛选项、业务规则和状态枚举。
随后 AI 基于需求文档生成了系统原型——一个单 HTML 文件，浏览器直接打开即可交互。原型包含 11 个页面：客户列表、客户详情、联系人管理、线索管理、商机列表、商机详情、报价管理、合同管理、订单管理、工单管理、回访记录、销售漏斗、业绩报表，每个页面都带有模拟数据。
下图是 AI 生成的需求文档和系统原型的效果：
需求文档截图
原型截图
7.6 第六步：纠偏迭代
我审阅后提出了几个调整：侧边栏不需要折叠功能、部分字段描述需要补充。AI 修正后定稿。
7.7 整体复盘
整个过程中，我实际做的事情是：
•
回答了 9 个业务决策问题（选择题）
•
确认了菜单框架和文档大纲（确认题）
•
审阅并指出 2 处需要调整的地方（纠偏）
其余所有工作——信息整合、字段定义、业务规则梳理、文档排版、原型页面编码——全部由 AI 完成。从开始讨论到拿到需求文档和可交互原型，整个过程非常高效。
八、踩过的坑和积累的经验
8.1 规则要具体，不要模糊
一开始我的规则写得很泛，比如"注意风格"。结果 AI 的理解和我完全不一样。后来改成具体的指令：“不要说’这是个很好的问题’”“结论先行，再给理由”，效果立刻好起来。
8.2 AI 的文档风格需要纠偏训练
第一次让 AI 写 PRD 时，它的风格偏向技术文档——太多技术术语，缺少业务视角的描述。我反复纠正了几次后，它学会了用"业务人员"“操作”“权限"这些产品经理的语境来写，而不是用"用户”“接口”"字段"这种开发视角。
这个过程就像带新人——前几次需要多花点时间纠偏，后面越来越顺手。
8.3 不要让 AI 自由发挥
AI 的能力很强，如果你不给约束，它会自作主张加很多"自认为合理"的内容。这些内容往往和你的实际需求有偏差。
所以我的工作流里有"大纲确认"这一步——在大纲层面就把 AI 的创作范围锁死，它只需要在大纲框架内填充内容，不要自己发明新的章节和结构。
8.4 哪些环节必须人工把关
•
需求优先级判断：AI 可以帮你列出所有功能，但哪些先做、哪些后做，必须你自己决定
•
业务规则最终确认：AI 会根据资料推断规则，但涉及合规、风控等敏感领域，必须人工复核
•
用户体验设计：AI 能生成可用的页面，但交互的细节打磨仍需要产品经理的判断
九、总结
回顾这套工作流，核心理念就一句话：AI 是你的思维放大器，不是替代品。
它不能帮你做决策，但能帮你把决策快速转化为产出物。它不能帮你思考，但能在你思考的过程中提供质疑和补充。
搭建这套工作流的成本并不高——一份全局规则文件、一份 PRD 模板、一个原型样式模板，加上几轮纠偏训练。但长期收益非常显著：
•
需求文档的产出效率提升数倍
•
原型从"需要专门花时间做"变成"确认后一键生成"
•
你的思考方式和工作偏好被固化在规则中，AI 越用越懂你
💪
如果你也是产品经理，强烈建议从自己的工作场景出发，搭一套专属的 AI 工作流。可以参考，但不需要照搬我的方案——每个人的工作方式和思维习惯不同，最好的工作流是你自己定义的那一套。
开始的第一步很简单：安装并打开 Claude Code，写一份你自己的 CLAUDE.md，告诉它你是谁、你怎么工作、你希望它怎么配合你。
然后，就开始你的第一个项目吧。
本文也是通过 Claude Code 对话式写作辅助完成的——我口述想法和要点，Claude 帮我组织成文，我再审阅调整，几轮下来文章就成型了。