三级应用体系
从基础提效到业务辅助，再到核心能力建设，AI 正在从“临时帮忙”走向“工作能力”。
Product Department AI Base Station
产品部 AI 基站 探索与建设分享
这次分享我想讲的，不是单纯一个网站，也不是单纯一个技术项目，而是想借这个 AI 基站， 和大家复盘一件事：
产品部为什么要开始搭建这样一个数字工作台
它是怎么一步一步做出来的
目前解决了什么问题
后续还能往什么方向继续建设
AI 不仅是工具，更是基础设施
01
Current AI Usage
目前产品部 AI 应用情况
先从产品部当前的 AI 使用现状讲起。 这两年，产品部在日常工作里已经陆续接入了不少 AI 工具，包括 Codex、Claude、ChatGPT、Kimi、扣子、WorkBuddy 等，也已经覆盖到文案整理、信息检索、竞品分析、法规查询、页面搭建、数据整理等多个场景。
如果简单归纳，现阶段的 AI 应用大致可以分成三类： 第一类是基础办公提效，比如文案润色、资料归纳、会议纪要整理、周报初稿生成； 第二类是业务流程辅助，比如竞品分析、市场扫描、包装文案审核、用户反馈整理； 第三类是更靠近产品核心工作的能力建设，比如把市场、竞品、产品、用户这些信息逐步沉淀到同一个数字平台里。
所以产品部其实并不缺 AI 工具，也不缺零散的 AI 使用场景。 真正的问题在于，这些能力目前还是分散的：每个人会用一点、每个场景做一点，但入口、方法和结果没有真正沉淀下来，也还没有形成部门层面的统一能力。 这也是我们继续往下做 AI 基站的起点。
核心 AI 工具
工具不缺，关键是把可复用的方法、页面和数据结果沉淀下来。
AI 应用地图
文案整理
信息检索
竞品分析
法规查询
页面搭建
数据整理
AI 已覆盖文案整理、信息检索、竞品分析、法规查询、页面搭建和数据整理等实际工作。
02
Needs And Pain Points
产品部的业务诉求与痛点
为什么在已经用了很多 AI 工具的情况下，我们还是要继续做这样一个 AI 基站？
产品部产品经理与设计师的工作贯穿整个产品开发的全过程，既要洞察市场、消费者以及行业信息，又要跟进供应链进行包材寻样、设计、打样以及生产落地等，产品部的很多工作依然面临比较明显的共性问题：系统多、数据散、手工多。
如果再往下拆，最直接的两个痛点就是： 一是深度洞察周期长，很多分析工作还停留在“先找资料、再整理资料、再输出结论”的链路里； 二是内外部数据难沉淀，做完一次分析之后，结果常常还是停留在某一份文件里，难以继续复用。
系统多
内部 OA、PLM、旺店通、浪潮等系统，与行业研究、电商、社媒、客服销售反馈等外部入口分散，跨平台提取和比对成本高。
数据散
市场、竞品、产品、用户资料散落在不同平台、文件和项目里，做完一次分析后，结果往往难以继续复用。
手工多
采集、清洗、录入、汇总、复盘占用大量时间，真正消耗精力的往往不是得出结论，而是前面的重复动作。
03
AI Data Base Station
AI 时代的破局思路 建设全链路智能底座
基于前面这些问题，我们后来越来越明确一个判断： 产品部需要的，不只是一个工具页，而是一个可以持续沉淀数据、承接业务和连接 AI 能力的数字底座。
这也是为什么我们把这个项目定义成“AI 基站”。 在我们的理解里，AI 不应该只是临时调用的工具，而应该慢慢变成一种基础设施。
这个基站想解决三件事。 第一，把分散的数据入口组织起来，把市场、竞品、产品、用户等信息逐步沉淀到统一平台； 第二，把内部系统和外部数据放到同一套业务视角里，形成更完整的“研、产、销、绩”信息链路； 第三，在数据结构逐步稳定之后，进一步接入 AI 检索、自动分析和辅助决策能力，让平台从“展示数据”逐步走向“提供分析”。
不是工具页，是数字底座
把分散信息、业务流程和工具能力组织起来，形成产品部可以持续迭代的统一承载方式。
核心转变：从零散使用 AI，走向部门级能力沉淀。同一业务视角
把内部系统和外部数据放在同一套产品视角里，减少信息断层和重复比对。
建设目标：形成“研-产-销-绩”全链路数据视窗。稳定后接入 AI
当数据结构逐步稳定，再接入 AI 检索、自动分析和辅助决策，让平台从展示走向分析。
体验升级：从“数据提供”走向“AI 智能建议”。人机协同与安全控制
AI 负责加速整理、生成和搭建，人负责数据来源、业务口径、敏感信息和最终判断。
基本原则：效率提升不能突破数据安全边界。
04
Website Modules
网站承载的五大能力模块
有了前面的建设思路之后，接下来真的问题就是：这个基站具体承载什么内容。
目前我们把网站里的内容整理成五大能力模块。 这五块对应的，就是产品部最核心的几类工作内容。
这五个模块背后的思路其实很明确：把产品经理经常要看的资料、要分析的数据、要复盘的信息，从分散文件和零散流程，逐步沉淀成一个可进入、可查看、可复用的网站入口。
市场情报扫描
承接行业新品、行业动态、趋势法规和重点品牌动作，让市场信息从临时搜索变成持续扫描。
竞品战略雷达
关注大盘数据、竞争格局、价格带和重点竞品动作，帮助判断机会、拥挤度和跟踪重点。
产品管理看板
承接产品进度、SPU 管理、产品表现、库存管理和上市后复盘，贴近产品部自身工作流。
用户洞察跟踪
围绕评价分析、新场景洞察和风险预警，把用户反馈转化为产品改进线索。
提效小工具
空隙率计算、AI 智能包材库、包装成本模拟、用户研究工作台、包装文案审核、开发数量汇总、部门周报生成。
- 空隙率计算
- AI 智能包材库
- 包装成本模拟
- 用户研究工作台
- 包装文案审核
- 开发数量汇总
- 部门周报生成
05
Impact
AI 基站的核心价值
那这个基站真正做起来，它到底能给产品部带来什么价值？ 我觉得可以概括成四个关键词：提效降本、打通增效、智能洞察、资产沉淀。
第一，提效降本。 它可以压缩很多原本比较长的工作链路，把一部分机械性的整理、归纳和查找工作前置到工具和平台里，让产品经理把更多时间放在判断和决策上。
第二，集成增效。 基站的意义不只是做几个展示页，而是尝试把原来横向割裂、纵向分散的信息连接起来。
人工找数
自动归集
全链路视窗
智能洞察
资产沉淀
提效降本
把机械性的整理、归纳和查找前置到工具与平台里，让产品经理把更多时间放在判断和决策上。
集成增效
连接横向割裂、纵向分散的信息，让内部 ERP、PLM、OA 与外部电商、社媒、行业和一线反馈进入同一视角。
智能洞察
数据结构稳定后，AI 可以进一步支持自然语言提问、自动分析、主动洞察和风险预警。
资产沉淀
把调研、竞品、用户研究和方法总结结构化保存，变成产品部可持续复用的知识资产。
06
How It Was Built
这个网站是怎么用 AI 做出来的
接下来我想讲一下大家可能会比较关心的问题：这个网站到底是怎么做出来的。AI 负责加速拆解、生成、归纳和迭代，人负责业务判断、数据来源确认、敏感信息边界和最终取舍。
整个过程大概分成七步。
核心方法
AI 负责加速拆解、生成、归纳和迭代；人负责业务判断、数据来源确认、 敏感信息边界和最终取舍。它不是“一键生成网站”，而是一套人机协同的建设流程。
需求拆解
把“想做一个数据展示网站”拆成首页、业务页、明细页和工具页。
- AI 做什么
- 归纳信息架构和页面层级
- 人做什么
- 筛选高频问题和优先级
- 产出什么
- 网站主框架
数据结构设计
围绕市场、竞品、产品、用户四条主线梳理字段、指标和展示口径。
- AI 做什么
- 建议字段与分组方式
- 人做什么
- 确认来源准确、口径合理
- 产出什么
- 可复用数据模型
页面框架搭建
用 Codex 将业务结构转成 HTML、CSS、JavaScript 页面。
- AI 做什么
- 生成页面结构和交互
- 人做什么
- 反馈业务表达是否清楚
- 产出什么
- 首页与看板页面
视觉风格统一
围绕“产品数据驾驶舱”的视觉风格，持续调整字体、颜色、间距、模块比例和展示效果。
- AI 做什么
- 按反馈修改样式
- 人做什么
- 确认是否适合分享
- 产出什么
- 统一视觉系统
功能开发
把看板入口、成本计算、文案审核、周报生成和用研工作台逐步做成真实页面。
- AI 做什么
- 辅助实现功能逻辑
- 人做什么
- 确认公式和业务规则
- 产出什么
- 可点击工具台
截图校验与迭代
每次生成后检查中文乱码、页面比例、文字重叠、移动端适配和现场演示稳定性。
- AI 做什么
- 定位视觉和交互问题
- 人做什么
- 判断现场展示效果
- 产出什么
- 可分享版本
安全边界控制
核心数据采用密码登录保护；账号密码、密钥、敏感明细不进入分享页，只展示方法、入口和非敏感结果。
- AI 做什么
- 辅助生成脱敏表达
- 人做什么
- 把关权限和敏感字段
- 产出什么
- 可内部分享的安全口径
07
Live Website Entrances
完整网站版本入口
Special Thanks