AI产品经理特训营（包更新）

韩宁羽
61 阅读6分钟

标题：当程序员闯进「AI 产品经理特训营」——一行代码都不想删，却亲手把 AIGC 做成爆款

（一）前言：我写代码，也写 PRD
在老板眼里，我们是“成本中心”；在 Product Owner 眼里，我们是“资源池”。我一直以为把代码写漂亮就够了，直到去年公司大模型项目黄了——算法 92 分，用户却 0 增长。于是我带着“程序员的不甘”报名了《AI 产品经理特训营》，想看看所谓“产品思维”到底能不能被量化、被编译、被运行。结果 6 周下来，我不仅输出了人生第一份 PRD，还顺手用 200 行 Python 把用户调研全流程自动化，让导师惊呼“这届程序员太卷”。以下，是我的双重笔记：产品心路 + 可复现代码，全部开源，拿去就跑。

（二）课程拆解：把“玄学”拆成可运行模块
第 1 周：AIGC 产品画布 → 我直接写成 Pydantic 配置类，画布变“字典”，冲突项自动报错。
第 2 周：竞品差异度公式 → 把 5 维评分扔进余弦相似度，跑完才知道我们“像”竞品 83%，根本不及格。
第 3 周：用户洞察访谈 → 用 Whisper 转语音，LLM 抽“痛点标签”，12 小时访谈 30 分钟读完。
第 4 周：MVP 验证 → 灰度发布 + 埋点，我写了条“0 侵入”装饰器，老代码一行不改就能上报。
第 5 周：数据闭环 → 把用户点赞数据回流训练，做成每日 CRON，A/B 提升 18%。
第 6 周：路演 PPT → 用 Marp + Markdown 自动生成，导师 Focus 在故事，我 Focus 在 CI/CD。

（三）企业级实战：3 周把“AI 海报生成”从 0 到 1
背景：集团电商业务，日均 3 万 SKU，每个商品都要 5 张营销图。设计部 40 人通宵达旦。目标：AIGC 批量出图，点击率 ≥ 人工 90%。

  1. 需求量化
    代码片段 1：需求优先级自动打分器（篇幅所限只留核心函数，完整仓库见文末链接）
from pydantic import BaseModel, conint
from typing import List

class Need(BaseModel):
    name: str
    reach: conint(ge=1, le=10)      # 触达用户数
    intensity: conint(ge=1, le=10)  # 痛点强度
    freq: conint(ge=1, le=10)       # 频次
    tech_ready: conint(ge=1, le=10) # 技术就绪度

def score(n: Need) -> float:
    """简单线性加权，可换成机器学习模型"""
    w = [0.3, 0.3, 0.2, 0.2]
    return sum([n.reach, n.intensity, n.freq, n.tech_ready][i] * w[i] for i in range(4))

if __name__ == "__main__":
    needs = [
        Need(name="AI 批量海报", reach=9, intensity=9, freq=10, tech_ready=8),
        Need(name="3D 动画生成", reach=5, intensity=6, freq=3, tech_ready=4)
    ]
    print(sorted(needs, key=score, reverse=True))

跑分结果：AI 批量海报 8.8 分遥遥领先，立项通过。

  1. 用户调研自动化
    代码片段 2：语音访谈→结构化标签
import openai, whisper, json, srt, datetime

def transcribe_and_label(audio_path: str):
    # 1. 转录
    model = whisper.load_model("base")
    result = model.transcribe(audio_path, language="zh")
    srt_text = srt.compose([srt.Subtitle(
        index=i,
        start=datetime.timedelta(seconds=int(seg["start"])),
        end=datetime.timedelta(seconds=int(seg["end"])),
        content=seg["text"]
    ) for i, seg in enumerate(result["segments"])])
    # 2. 抽标签
    prompt = f"请从以下文本中抽出用户痛点、场景、期望功能，返回 JSON 列表：\n{srt_text}"
    openai.api_key = "sk-xxx"
    rsp = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.2
    )
    return json.loads(rsp.choices[0].message.content)

if __name__ == "__main__":
    print(transcribe_and_label("user1.wav"))

输出示例：

[
  {"type": "pain",   "desc": "模板单一，无法体现品牌调性"},
  {"type": "scene",  "desc": "大促前 3 天需求集中爆发"},
  {"type": "expect", "desc": "支持上传品牌 VI 自动换色"}
]

30 份访谈脚本跑完，已凌晨 2 点，我泡了碗面，电脑还在吭哧转录，心里却无比踏实——数据不会说谎。

  1. 提示工程 & 模型微调
    基础模型：Stable Diffusion 1.5 + LoRA
    训练数据：电商设计部 6 年历史 Banner，共 8.7 万张，按品牌-风格-节日打标签。
    代码片段 3：自动打标 + 清洗
from transformers import BlipProcessor, BlipForConditionalGeneration
from PIL import Image
import pandas as pd, os, torch

processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-base")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-base")
device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)

def caption(image_path: str) -> str:
    raw_image = Image.open(image_path).convert('RGB')
    inputs = processor(raw_image, return_tensors="pt").to(device)
    out = model.generate(**inputs, max_length=20, num_beams=3)
    return processor.decode(out[0], skip_special_tokens=True)

df = pd.DataFrame({"file": os.listdir("banners")})
df["caption"] = df["file"].map(lambda f: caption(f"banners/{f}"))
df.to_csv("auto_tags.csv", index=False)

人工复检 10% 后，标签准确率 94%，可直接喂给 LoRA。

  1. MVP 灰度发布
    代码片段 4：0 侵入埋点装饰器
import time, functools, requests, json, os
ENDPOINT = "https://metrics.company.com/v1/event"

def track(event: str, **kwargs):
    def decorator(func):
        @functools.wraps(func)
        def wrapper(*args, **kwargs_inner):
            t0 = time.time()
            try:
                ret = func(*args, **kwargs_inner)
                status = "ok"
                return ret
            except Exception as e:
                status = "err"
                raise e
            finally:
                requests.post(ENDPOINT, json={
                    "event": event,
                    "duration": time.time()-t0,
                    "status": status,
                    "user": kwargs_inner.get("user_id"),
                    **kwargs
                }, timeout=2)
        return wrapper
    return decorator

# 使用示例
@track(event="click_generate", channel="aigc_banner")
def generate_banner(prompt: str, user_id: str):
    ...

上线 3 天，累计 1.2 w 次生成，平均耗时 1.8 s，崩溃率 0.05%。

  1. 数据回流 & 自动微调
    用户有点击/无点击数据实时进 Kafka，凌晨 CRON 跑 A/B，胜率 >5% 自动触发微调。
    代码片段 5：LoRA 微调脚本（仅关键超参）
export MODEL_NAME="runwayml/stable-diffusion-v1-5"
export DATASET_NAME="banner_liked"
export OUTPUT_DIR="./lora_banner_v2"
export LR=1e-4
export BATCH_SIZE=4
export MAX_STEPS=800

accelerate launch train_text_to_image_lora.py \
  --pretrained_model_name_or_path=$MODEL_NAME \
  --dataset_name=$DATASET_NAME \
  --dataloader_num_workers=8 \
  --resolution=512 --center_crop --random_flip \
  --train_batch_size=$BATCH_SIZE --gradient_accumulation_steps=1 \
  --max_train_steps=$MAX_STEPS --learning_rate=$LR \
  --lr_scheduler="constant" --lr_warmup_steps=0 \
  --output_dir=$OUTPUT_DIR \
  --checkpointing_steps=200 \
  --validation_prompt="pink cyber style, mega sale" \
  --seed=1337

两周后，新模型 CTR 提升 18%，设计部从 40 人减到 12 人，释放预算 600 万/年。

（四）心得：程序员做产品的三点“代码式”反思

  1. 需求不是“写死”的，是“配置”出来的——用 Pydantic 让变更 diff 可见。
  2. 用户调研可以“脚本化”——Whisper + GPT 把 12 小时压缩成 30 分钟，低成本就愿意反复做。
  3. 上线不是终点，而是持续集成——把微调、A/B、埋点全部写进 CI，数据飞轮自己转。

（五）资源清单

  1. 完整代码仓库（MIT 协议）：github.com/yourname/ai…
  2. 数据集说明：banner_liked 已脱敏，仅留标签与向量，放心食用。
  3. 一键运行 Docker-Compose：docker-compose up -d（含 SD + LoRA + 埋点转发）

（六）结语
以前我以为，代码是目的；走完特训营才发现，代码只是产品经理的“高阶原型工具”。当程序员学会用产品语言提问，我们就能把“技术可能”翻译成“用户价值”，再把“用户反馈”编译成“下一轮模型权重”。
如果你也写过无数 CRUD，却想让堆过的代码被 100 万人点赞，不妨来当一次“会写代码的产品经理”。下一期特训营，我们班里见——我带电脑，你带故事，一起把 AIGC 做成爆款。

avatar
文章
阅读
粉丝