AI产物司理的日常使命中，你是否也堕入了「每次皆在教AI意识你」的低效轮回？本文作家从个东谈主实战训导启航，揭秘如何通过构建结构化常识库终了AI与东谈主的高效妥洽。从底层常识基础才气搭建到表层诳骗场景闭环，一套让AI信得过适配你的使命流正在重塑坐蓐力范畴。
庸俗的使命日，雇主给了你一个客户的需求，你大开Claude，想让它帮你径直梳理出来况且写一个prd。
于是你初始输入：
你是一个有5年训导的AI产物司理，擅长B端SaaS产物筹算。咱们公司是作念智能客服的，目下有一个新需求，布景是这样的……
花了10分钟把变装设定和布景信息塞进去，终于初始对话了。写到一半发现效果可以，但你还想让它参考上周写的竞品分析，于是又大开另一个文档，复制粘贴了2000字进去。
第二天，你想让AI帮你整理一份周报。大开新对话——又得从新来一遍：你是一个AI产物司理……
一周后回过火看，你发现我方花在教AI意识我上的时辰，可能比AI信得过帮你省下的时辰还多。
这个场景是不是很熟识？
我不雅察了好多产物司理用AI的形状，发现大部分东谈主皆陷在兼并个轮回里：每次对话皆在从零初始，拚命给AI塞高下文，用完即弃，下次再来一遍。
但我我方的使命形状仍是全皆不是这样了。当今我大开Claude，它知谈我是作念什么的、我的写稿作风是什么、我的常识库里千里淀了哪些要领论、甚而我上周刚写完的那篇竞品分析的中枢论断。我不需要教它，因为它仍是意识我了。
这个变化不是因为我用了什么神奇的器具，而是因为我想光显了一件事：
大多数东谈主用AI的形状是反的。他们在适配AI，而不是让AI适配我方。
信得过高效的作念法，不是学会写更好的prompt，而是先建好你我方的常识基础才气——让AI来接入你。
这篇著作，我会完整拆解我手脚AI产物司理的日常使命流，告诉你我是若何从每次皆在教AI意识我变成AI仍是意识我的。中枢不是器具保举，而是一个底层想路的转化：你的常识库是地基，信息获得、日常产出、学习提效皆是缔造在这个地基之上的表层建筑。
由AI梳理并生成
为什么你用AI总合计也就那样
在我作念AI产物司理课程的过程中，讲和了多数想转行或正在作念AI PM的同学。我发现一个很有敬爱的步地：险些每个东谈主皆在用AI，但大部分东谈主用完的感受皆差未几——有点用，但莫得设想中那么灵验。
为什么？我回首下来，大部分东谈主卡在三个典型的低效模式里。
低效模式一：每次皆在教AI意识你
这个咱们来源仍是说了。你每开一个新对话，皆得把我方的变装、布景、需求重新说一遍。本色上你在作念一件很不实的事：你是AI的产物司理，但你每天花最多时辰的使命是给AI写需求文档。
高下文是一次性的、不可复用的。今天你花20分钟给AI铺了完整的布景，未来它全忘了。你以为你在用AI，其实你在伺候AI。
低效模式二：到处找汉典投喂
想让AI帮你写竞品分析，你得先去飞书找到前次的调研文档，再去浏览器翻出三篇行业阐发，再从微信储藏里扒出那篇不知谈谁转发的著作，复制粘贴到对话框里。
一通操作下来，光是找汉典给AI这件事就花了半小时。你的常识洒落在十几个平台、几十个文献夹里，每次要用的时候皆在大海捞针。AI倒是挺快的，但你给它准备素材的速率拖了后腿。
低效模式三：用完即弃，训导不千里淀
这是最心事也最致命的一个。
你跟AI对话了一个小时，产出了一份可以的决策。然后呢？对话关掉，下次想找皆找不到。那些在对话过程中你跟AI沿途推导出来的想路、踩过的坑、优化过的框架，全部挥发了。
你有莫得过这种嗅觉：这个问题我之前好像跟AI聊过，但我忘了在哪个对话里了。
这三个模式的根源其实是兼并个问题：你和AI之间莫得一个经久的、结构化的分享追忆。
每次对话皆是一座孤岛。你的常识是碎屑化的，AI的追忆是一次性的，双方皆在作念重迭劳动。
拿我我方的实在数据来说。在构建常识库之前，我跟AI探讨一个需求时常要花2个小时，多数时辰花在反复补充布景汉典、转变变装设定、调动AI的一语气偏差上。当今呢？20分钟就能构建一个完整的AI Skill，后续延续迭代优化就行了。相似一件事，服从差了6倍，远离就在于AI是否仍是意识我。
是以谜底不是学会写更好的prompt，不是找到更强的模子，而是治理这个根底问题：
你需要建一个AI可以延续读取的你。
这个你，即是你的个东谈主常识库。它不是一个储藏夹，不是一个网盘，而是一个结构化的、延续更新的、AI可以径直接入的常识基础才气。
接下来我会先给你看我的AI使命流全景图，然后要点拆解这个常识库是若何搭的，以及它如何让我的信息获得、日常产出和学习服从皆发生了质变。
我的AI使命流全景在拆解细节之前，我想先给你看一张全景图，让你一语气这套使命流的举座逻辑。
我把我方的AI使命流分红三层。
底层是个东谈主常识库。这是通盘这个词系统的地基。我通盘的要领论、花式训导、学习札记、课程素材、写稿框架皆千里淀在这里。它不是一个静态的文档仓库，而是一个延续滋长的常识集聚。我用的是Obsidian，但器具不进犯，进犯的是结构化和可检索。
中间层是AI接入管谈。常识库建好了，AI若何读取它？靠的是Claude的Skills系统和追忆机制。我把我方常用的使命场景封装成了一个个Skill——写PRD有PRD的Skill，写著作有著作的Skill，作念产物拆解有拆解的Skill。每个Skill里皆内置了我的要领论、偏好、质料范例。AI不需要我每次从新教它，它读取Skill就知谈该若何配合我。
表层是具体的诳骗场景。缔造在前两层之上，我日常的使命场景约略分三类：
信息获得：快速抓取和筛选行业资讯，减少信息差日常产出：写PRD、作念PPT、写著作、各式文档的AI妥洽学习提效：用交互式学习、加快学习等要领快速掌持新领域这三个场景不是空闲的，它们之间有一个闭环：我从信息获得中发现存价值的内容，在日常产出中把它用起来，在学习过程中深切一语气，最终千里淀回常识库，让下一次的信息获得和产出服从更高。
一句话回首这套使命流的中枢逻辑：不是我去适配AI，而是我先把我方的常识结构化，让AI来适配我。
接下来我会从地基初始，要点讲常识库若何搭，然后再讲表层的三个诳骗场景。
地基：如何构建你的个东谈主常识库这是整篇著作最中枢的部分。前边说了，常识库是地基，上头通盘的服从晋升皆缔造在它之上。但我发现好多东谈主对常识库的一语气还停留在储藏夹或者云札记的层面，是以我想先说明晰一个前提。
常识库不是储藏夹你一定有过这种资格：看到一篇好著作，储藏。看到一个好器具，储藏。看到一段好不雅点，截图。然后呢？再也没大开过。
储藏夹的问题不是你懒，而是它的筹算就分歧。它只治理了存的问题，没治理用的问题。你存了500篇著作，想找的时候根底不知谈在何处。就算找到了，内部的信息亦然别东谈主的原始抒发，不是你我方消化后的论断。
常识库和储藏夹的本色区别：储藏夹存的是别东谈主的内容，常识库存的是你我方的一语气。
我对常识库的界说很浅近：一个结构化的、可检索的、延续更新的方位，内部存的是经过你消化加工后的常识，而且AI可以径直读取和使用。
得志这四个条目，用什么器具皆行。我用的是Obsidian，但这不进犯，进犯的是背后的想路。
我的常识库长什么样我的Obsidian常识库目下有9个一级目次，覆盖我使命和活命的主要领域：
AI产物司理：AI期间、产物拆解、要领论、评测、口试求职
课程体系：课程筹算、线下实战课、学生教导
个东谈主成长：价值不雅、学习要领论、活命感悟
内容创作：小红书运营、视频剧本、干货长文、参考汉典库
使命与劳动：公司业务、复盘辩论、作品集
学习札记：AI期间札记、Skills磋商
花式与灵感：产物Ideas、Side Projects
个东谈主活命：搭理、旅行
学习榜样：东谈主物信息网罗
你不需要一初始就搭这样多。我是花了2个月冉冉长出来的。进犯的是一语气这个结构背后的筹算逻辑。
结构筹算的三个原则原则一：按领域分，不按器具分
好多东谈主风气按来源分类——微信储藏一个文献夹，网页储藏一个文献夹，PDF一个文献夹。这是最低效的分法，因为你想找东西的时候不会想我这个是从微信看到的如故网页看到的，你想的是这个跟AI产物相干如故跟课程筹算相干。
按领域分类，你的常识就能当然团员。所探求于Agent的内容皆在一个方位，岂论它领先来自论文、博客如故跟共事的聊天纪录。
原则二：每条札记皆是你我方的话
这少量好多东谈主作念不到，但它是常识库能不可信得过施展作用的要道。
你看了一篇对于RAG的好著作，不要把原文复制进来。用你我方的话写下：这篇著作的中枢不雅点是什么，我应允什么不应允什么，它跟我已有的领路有什么不同，我可以若何用在我方的使命里。
这个过程即是费曼学习法：你能用我方的话说明晰，才说明你确实懂了。而且AI读取你的常识库时，读到的是你的想考形状和判断范例，不是别东谈主的原文。这即是为什么AI能越来越像你。
原则三：保持结合，而不是一身
Obsidian有一个中枢功能叫双向链接。当我写一篇对于Graph RAG的札记时，我会链接到之前写的传统RAG札记、常识图谱札记、工场根因分析花式札记。这些链接让常识变成集聚，而不是一个个一身的文献。
这个集聚效应很进犯。当你的札记量到达一定例模后，你会发现看似不相干的常识之间初始产生化学反馈。上周学的一个期间见识，跟上个月作念的一个产物决策，一霎在某一刻连起来了。
从发现到千里淀的具体经由说了这样多原则，我来讲一下我实验是若何操作的。当我从任何渠谈发现一个有价值的内容时，我的经由是这样的：
第一步：快速拿获。我的信息源很杂——公众号著作、Twitter帖子、论文、视频、同业分享。看到有价值的内容，我会先丢进NotebookLM或者用Get札记作念快速网罗。这些器具厚爱帮我把原始内容存下来，不丢失。
第二步：消化加工。这是最要道的一步。我会在Claude里调取这些素材，跟它参谋中枢不雅点，让它帮我梳理结构。但最终的判断和回首是我我方写的。哪些我招供，哪些我质疑，哪些能用在我的场景里。
第三步：结构化存储。加工完成后，调用我的Obsidian常识千里淀Skill，它会自动帮我归类到对应目次、打上标签、缔造双向链接，然后写入常识库。我只需要阐述一下分类是否准确。
第四步：延续回流。常识库不是写完就已矣。每次我在新的花式顶用到某个常识点，皆会且归更新那条札记，补充履行训导。这样常识就不是静态的，而是在束缚滋长。
常识库搭好了，接下来的要道问题是：AI若何读取它？
这即是Claude Skills的作用。你可以把它一语气成一份份预设好的使命指南。每个Skill里包含了你的要领论、质料范例、输出体式要求、甚而你的谈话作风偏好。
举个具体的例子。我有一个写著作的Skill，内部千里淀了我的写稿作风DNA：来源一定要有锚定场景、可爱用排斥法引出不雅点、偏好短句不可爱长句、援用块用于补充说明。当我跟Claude说帮我写一篇对于XX的著作，它读取这个Skill后，产出的内容从第一稿初始即是我的作风，而不是通用的AI腔。
再比如我有一个产物拆解的Skill，内部内置了我的六层拆解框架——从阛阓层、买卖层、用户层、期间层、模子层到基础层。我只需要给一个产物名字，它就知谈按照我的框架来拆，不需要我每次从新阐述一遍。
一句话回首：常识库是你的大脑外挂，Skills是你教AI读取这个大脑的形状。两者结合，AI就不再是一个通用的对话机器东谈主，而是一个意识你、一语气你、配合你的专属搭档。
表层建筑：常识库之上的三个诳骗场景有了常识库这个地基，上头的诳骗场景就变得顺畅好多。我日常的AI妥洽东要荟萃在三个标的：信息获得、日常产出、学习提效。它们不是空闲的，而是一个闭环——获得的信息经过加工变成产出，产出过程中的想考千里淀为常识，常识又反哺下一次的获得和产出。
作念AI产物司理，最怕的即是信息差。这个行业三个月一个样，你不知谈最新的模子能力范畴在何处，就没法作念出正确的产物决策。
但信息获得的难点不是信息太少，而是信息太多。每天公众号、Twitter、论文、行业阐发没头没脑，你根底看不完。大多数东谈主的作念法是刷到什么看什么，看到好的就储藏，储藏完就再也不看。
我的作念法是搭一个半自动化的信息管线：
第一层：源流筛选。我不追求信息量大，追求信息质料高。我固定关注的信息源不卓绝20个，包括几个中枢的AI期间博客、几个行业KOL的Twitter。数目少但质料高，这比订阅100个公众号灵验得多。
第二层：AI扶直筛选和提要。我会用AI帮我作念初步的信息筛选和提要。比如我有一个AI资讯Skill，它能帮我从中英文信息源里抓取今日最进犯的资讯，按照产物诳骗、买卖模式、期间冲破几个维度作念分类整理，我只需要花10分钟扫一眼就知谈今天有莫得值得深读的内容。
第三层：深度消化入库。对于信得过有价值的内容，我会用第三章讲的经由作念深度消化，最终千里淀到常识库里。这样下次再遭遇相干话题，我不需要从新搜索，常识库里仍是有我我方加工过的版块了。
中枢逻辑就一句话：不要作念信息的搬运工，要作念信息的加工场。搬运工每天很忙但什么皆没留住，加工场每天把原材料变成我方的产物。
4.2 日常产出：PRD、PPT、著作的AI妥洽这是大多数东谈主最饶恕的部分——若何用AI帮我干活？
我先说一个反直观的论断：AI妥洽服从最高的形状，不是让AI代写，而是让AI在你的框架里填充。
什么敬爱？拿写PRD例如。要是你径直跟AI说帮我写一个智能客服的PRD，它会给你一份看起来很完整但跟你实验业务毫无关系的模板。但要是你有一个PRD Skill，内部内置了你的PRD要领论、你的需求分析框架、你对这个行业的一语气，AI的产出从第一稿初始即是在你的框架内使命，你只需要在它的基础上转变和补充，而不是推翻重来。
我目下常用的几个产出类Skill：
PRD写稿Skill：内置了我的AI Agent PRD要领论，守旧从需求暧昧到需求清醒的全经由，包括腹地文献督察和版块箝制著作共创Skill：内置了我的写稿作风DNA，从选题、大纲到逐章节共创，分步鼓动而不是一次性产出。你当今看到的这篇著作即是用它写的演示文稿Skill：内置了公司的品牌VI和模板范例，生成的PPT径直合适品牌范例，不需要再手动调体式产物拆解Skill：六层逆向工程框架，从阛阓层拆到基础数据层，给一个产物名字就能按我的要领论来拆这些Skill的共同特色是：它们不是通用器具，而是我的使命形状的数字化抒发。AI不是在替我想考，而是在用我的形状想考。
一个要道的服从对比：以前写一份PRD，我需要花2小时跟AI反复疏通布景信息。当今20分钟搭好一个Skill，后续每次产出皆能复用这个Skill，越用越快。前期参预时辰搭建，后期指数级回收。
要终了这个相配浅近，跟AI参谋完2小时的需求产出一份优质PRD后，告诉它让它帮你千里淀为Skill（保举使用Claude）。
4.3 学习提效：用AI作念你的一双一私教产物司理需要束缚学习新领域的常识。上个月可能在磋商RAG，这个月就得搞懂常识图谱，下个月可能要看多模态。传统的学习形状：看著作、看视频、作念札记，太慢了。
我当今的学习形状全皆变了，中枢是两个要领：
要领一：交互式学习。我有一个基于Bloom 2 Sigma表面的学习Skill。
Bloom 2 Sigma是训导神思学家Benjamin Bloom在1984年建议的磋商论断：收受一双一教导的学生，得益比传统课堂教学的学生越过两个范例差。换句话说，一双一教导能让一个平时学生的发扬卓绝98%的传统课堂学生。这个效果在以前因为老本太高险些不可能范畴化，但AI改变了这件事。
当我想学一个新领域时，这个Skill会饰演一个有耐性的私教，先了解我的常识滥觞，然后一步步教导我一语气中枢见识，过程中束缚检测我是否确实懂了，而不是一股脑把常识倒给我。
跟传统看著作的区别在于：看著作是被迫收受，交互式学习是主动建构。AI会追问你——你合计这个见识跟你之前学的XX有什么关系？你能用我方的话阐述一下吗？这种追问逼着你信得过想考，而不是假装看懂了。
要领二：48小时加快学习。当我需要在极短时辰内缔造对一个领域的全景领路时，我会用另一个Skill。它基于要道问题驱动的要领论，帮我快速缔造领域常识舆图——不求醒目，但求能跟这个领域的众人对上话。
这两个要领有一个共同点：学完之后，常识不是留在对话框里，而是千里淀到我的Obsidian常识库。下次再遭遇相干话题，我的滥觞不是零，而是前次学到的方位。这即是常识库手脚地基的价值——它让你的学习是累积的，而不是每次重新初始。
从器具到系统：给产物司理的实操建议看到这里，你可能会合计这套系统很复杂——Obsidian、Claude Skills、NotebookLM、各式Skill……我是不是得花几个月才能搭起来？
不需要。我我方也不是一天建成的，而是从一个最小的切入点初始，冉冉长出来的。
这里给你三个阶段的建议，岂论你当今处于哪个阶段皆能径直初始。
不需要搭常识库，不需要学Obsidian。你惟有作念一件事：大开Claude的追忆功能，花30分钟跟它聊聊你是谁。
告诉它你的职业、你厚爱的业务、你的使命风气、你写东西的作风偏好。就这样浅近。下次你再开新对话，它就不再是一个生疏东谈主了。
这一步的价值在于让你坐窝体验到从每次教AI意识我到AI仍是意识我的服从互异。一朝你尝到这个甜头，你就会当然想要更进一步。
阶段二：建一个最小常识库（1周）挑你使命中最高频的一个场景，比如写周报、写竞品分析、回话客户问题，把这个场景相干的常识整理成几篇札记，存到一个固定的方位。
不需要用Obsidian，用你最顺遂的札记器具就行。要道是养成一个风气：每次在AI对话中产出了有价值的内容，花2分钟把中枢论断索取出来存进去。
这一步治理的是常识千里淀的问题。你会发现一个月后，你在这个场景上的AI妥洽服从比别东谈主越过一大截，因为你有鸠合而别东谈主每次皆从零初始。
阶段三：构建你的Skill体系（1个月）当你鸠合了填塞多的札记和要领论后，可以初始把它们封装成Skill了。
从你最痛的场景初始。哪个场景你每次皆要跟AI重迭阐述一遍布景？那即是你第一个Skill的候选。
你不需要一次作念到完整。我的每一个Skill皆是在实验使用中束缚迭代出来的。先作念一个能用的版块，用两周，发现何处不好再改。这个迭代过程自己即是在深切你对我方使命形状的一语气。
一个心态上的建议：不要把搭建常识库和Skill体系当成一个非凡的任务。它即是你日常使命的一部分。你每天皆在写文档、作念分析、学新东西，仅仅多了一步把效果存下来辛苦。
回首回到来源的阿谁场景。
你大开Claude想写一份PRD，不再需要花10分钟教它你是谁、你在作念什么、你的要领论是什么。它读取你的Skill，就仍是知谈了。你不需要到处找参考汉典粘贴进对话框，因为你的常识库里仍是有你消化过的版块。你写完的PRD不会祛除在某个对话纪录里，而是千里淀回常识库，让下一次产出更快。
这即是从每次教AI意识我到AI仍是意识我的转化。
这篇著作的中枢其实就一句话：不要花时辰适配AI，花时辰构建你我方的常识基础才气，让AI来适配你。
常识库是地基，Skills是管谈，信息获得、日常产出、学习提效是表层建筑。地基打好了，上头想盖什么皆快。
要是你看完只想作念一件事，那就从阶段一初始：今天花30分钟，让AI意识你。
本文由 @想敏（AI产物） 原创发布于东谈主东谈主皆是产物司理，未经许可，退却转载
该文不雅点仅代表作家本东谈主体育游戏app平台，东谈主东谈主皆是产物司理平台仅提供信息存储空间服务。