前端已死？AI产品经理：懂技术边界，用AI工具链快速落地新风口！
前端已死。这句话在网上吵了快两年，我从反驳到沉默，再到今天认可它——只用了一年。
「切图写页面、调调 CSS 就能活」那套前端饭，快吃不下来了。
AI 写组件、低代码拖拽、设计稿直出代码，我们干了十年、引以为傲的那些技能，正在被批量自动化。
剩下没被自动化的，要么成了基建维护工，要么卷到框架源码级别。两条路都不适合普通人。
所以我开始认真想一个问题：前端还能往哪转？
我的答案是：AI 产品经理。
我想转的是那种懂技术实现边界、能用 AI 工具链把想法快速落地的人——会画原型、会写 PRD，但更在意假设能不能被验证。
前端转这个方向有天然优势：懂用户交互、懂技术可行性、懂从需求到代码的全链路，这些是纯业务 PM 常常缺的。
这篇文章是我的转行系列第一篇。
第一天，我决定从当下最火的 pm-skills 开始学起。22.3k Star，68 个产品经理技能，42 条链式命令。装完之后我踩了一堆坑，也摸清楚了三条完整路径：从 0 到 PRD、PRD 不满意怎么改、开发完怎么二次迭代。
如果你也是前端，也在认真考虑转行，这篇能帮你省掉至少一周的摸索时间。
先给结论：pm-skills 到底是什么
多数人把 pm-skills 当成「PRD 生成器」——输入需求，吐一份文档，完事。
它是一套产品经理决策框架的编码化，PRD 只是其中一个出口。
| 常见误解 | 实际能力 |
|---|---|
| 输入需求，输出 PRD | 输入决策，输出结构化思考过程 |
| 一个文档生成工具 | 68 个 PM 方法论的 AI 编码 |
| 跑一次就完事 | 命令之间互相衔接，形成端到端流程 |
| 生成可交互原型 HTML | 所有产出都是 Markdown 文档 |
pm-skills 不生成可交互的 HTML 原型。
PRD 模板里有 UX/原型章节，但产出的是文字描述（线框图说明、用户流程），不是可点击的页面。如果你需要交互原型，得配合 Figma、v0.dev 这类工具。
安装：3 分钟搞定
根据你用的 AI 编码工具，选一种装法：
Claude Code（推荐）
# 添加技能市场claude plugin marketplace add phuryn/pm-skills# 按需安装插件（9 个插件，不用全装）claude plugin install pm-execution@pm-skills # PRD、OKR、路线图claude plugin install pm-product-discovery@pm-skills # 产品发现claude plugin install pm-market-research@pm-skills # 市场调研Cursor
# 把技能文件复制到 Cursor 的技能目录for plugin in pm-*/; docp -r "$plugin/skills/"* .cursor/skills/ 2>/dev/nulldoneClaude Cowork（非技术人员推荐）
1.打开 Customize（左下角）
2.Browse plugins → Personal → +
3.选「Add marketplace from GitHub」
4.输入phuryn/pm-skills
5.9 个插件自动全部安装
不需要 API Key，不需要配置文件，装完即用。
场景一：从 0 到 PRD——先跑发现，再写文档
很多人的第一步就是/write-prd 我的产品想法。
直接写 PRD 会跳过验证环节。举个例子，我之前帮一个团队直接写 PRD，做到一半发现核心假设根本不成立——用户根本不需要自动周报，他们需要的是周报模板。
推荐路径：发现 → 策略 → PRD
/discover → /strategy → /write-prd第一步：/discover——验证你的想法值不值得做
/discover 我想做一个帮程序员自动写周报的工具这个命令会链式调用 4 个技能：
brainstorm-ideas → 发散出 5-8 个方向identify-assumptions → 列出每个方向背后的假设prioritize-assumptions → 按风险排序假设brainstorm-experiments → 为最高风险假设设计验证实验产出是一份 Discovery Plan（发现计划），保存在Discovery-[产品名].md。
这份文档会标出：哪些假设最危险，以及怎么花最小成本验证它们。
第二步：/strategy——定方向
/strategy 基于发现计划，确定产品方向链式调用 5 个策略技能：愿景定义 → 商业模式画布 → 价值主张 → 定位 → SWOT 分析。
产出Strategy-[产品名].md。
第三步：/write-prd——正式写 PRD
/write-prd 基于验证后的产品方向，编写 PRD这一步会交互式地问你 6 个问题：
1.用户问题是什么？
2.目标用户是谁？
3.成功指标怎么量化？
4.有哪些约束条件？
5.有没有参考案例？
6.范围偏好（MVP 还是完整版）？
回答完之后，它生成一份 8 章节的标准 PRD：
| 章节 | 内容 | 容易踩的坑 |
|---|---|---|
| §1 执行摘要 | 一段话讲清楚做什么、为什么 | 写太长，超过 200 字 |
| §2 背景与上下文 | 为什么要做这个 | 缺少数据支撑 |
| §3 目标与成功指标 | SMART 格式的 OKR | 指标不可量化 |
| §4 目标用户与细分 | 用户画像 | 画像太宽泛 |
| §5 用户故事与需求 | P0/P1/P2 优先级排序 | P0 太多，什么都「最优先」 |
| §6 方案概述 | 含 UX/原型描述 | 以为会生成 HTML 原型 |
| §7 开放问题 | 还没想清楚的事 | 留太多开放问题 |
| §8 时间线与阶段 | 分期计划 | 时间估算过于乐观 |
产出PRD-[产品名].md。
关于「交互文档 HTML」
边界再说一遍：pm-skills 只出 Markdown，不出可点的 HTML 页面。
PRD §6 的 UX/原型部分会输出文字描述，比如：
### UX Flow1. 用户点击"生成周报"按钮2. 系统拉取本周 Git 提交记录3. 按模板分类：完成/进行中/阻塞4. 用户编辑调整后一键发送如果你需要可交互的原型，有两个选择：
•配合 v0.dev：把 PRD §6 的描述喂给 v0.dev，让它生成 React 原型
•配合 Figma：把用户流程描述给设计师，出高保真原型
pm-skills 负责「做什么」的决策，原型工具负责「长什么样」的呈现。决策和可点页面，我习惯分开两个工具做。
场景二：生成的文档不满意——4 种改法
PRD 出来了，但你一看：目标太模糊、需求优先级不对、用户画像太宽泛。
我一般会直接用 pm-skills 的迭代命令，少手搓全文。
改法 1：/pre-mortem——预验尸分析
/pre-mortem [粘贴你的 PRD 内容]这个命令让你假设产品上线后失败了，然后反推原因。
产出三类风险：
| 风险类型 | 含义 | 例子 |
|---|---|---|
| 老虎（Tigers） | 真实存在的风险 | “程序员觉得手写周报更有诚意，不用这个工具” |
| 纸老虎（Paper Tigers） | 被夸大的风险 | “竞品太多了，我们没有差异化”（实际竞品都很烂） |
| 大象（Elephants） | 没人敢提的风险 | “老板其实不想让团队用 AI 工具” |
老虎还会被分成：发布阻断级 / 快速跟进级 / 持续跟踪级。
产出PreMortem-[产品名]-[日期].md。
改完之后，回到 PRD 把缓解策略写进去。
改法 2：/red-team-prd——红队对抗
/red-team-prd [粘贴你的 PRD]比预验尸更狠。它做 4 件事：
1.提取 PRD 里每一个假设声明
2.只保留「承重」假设（拿掉这个，整个方案就不成立的那种）
3.对每个承重假设做钢人论证（先假设它是对的，找到最强的支撑论据）
4.然后攻击钢人——找到它最脆弱的点
最终输出 Top 3-5 个「Kill Assumptions」（致命假设），按(错误影响 × 错误概率 × 测试成本)排序。
每个致命假设都附带最便宜的验证方式和「杀死标准」——什么结果出现就证明假设不成立。
改法 3：/write-stories——拆解后逐项调整
/write-stories user [粘贴 PRD]把 PRD 拆解成 5-15 个 backlog 条目，支持三种格式：
•User Story：作为[用户]，我想要[能力]，以便[收益]
•Job Story：当[场景]时，我想要[动机]，以便[结果]
•WWA：Why[背景] → What[交付物] → Acceptance[验收标准]
拆成颗粒度更小的条目后，你可以逐项审查、调整优先级、砍掉不需要的。
改法 4：直接对话式修改
最简单的方式——直接告诉 AI 哪里不满意：
把 P1 需求里的"自动发送"降级为 P2目标用户聚焦到 3 年以下经验的后端开发者成功指标加上"周报撰写时间从 30 分钟降到 5 分钟"pm-skills 的技能会在对话中自动加载，不需要额外调用。
4 种改法怎么选？
| 你的情况 | 推荐改法 | 理由 |
|---|---|---|
| 感觉「方向可能不对」 | /pre-mortem | 帮你发现致命风险 |
| 感觉「假设太多太乱」 | /red-team-prd | 帮你聚焦到 3-5 个承重假设 |
| 感觉「需求太粗，不好执行」 | /write-stories | 拆成可执行的 backlog |
| 感觉「具体某段写得不好」 | 直接对话修改 | 最快最直接 |
场景三：开发完了，要二次迭代
代码写完了，功能上线了。现在要做 v2。
功能上线后，我最怕没证据就拍脑袋定 v2。pm-skills 在二次迭代时反而更好用。
路径 A：基于已上线功能做优化
# 第一步：回顾分析/pre-mortem [已上线功能的描述 + 当前遇到的问题]# 第二步：红队挑战当前方案/red-team-prd [当前功能方案]# 第三步：基于分析结果写迭代 PRD/write-prd [优化方向，附上预验尸和红队的结论]第二轮写 PRD 时，我会把预验尸和红队的结论粘进去，不当空写。新 PRD 基于上一轮的真实教训，而不是拍脑袋重写。
路径 B：基于用户反馈做新功能
# 第一步：从用户反馈中发现新需求/discover [用户反馈的核心痛点]# 第二步：策略定位/strategy [新需求方向]# 第三步：写新功能 PRD/write-prd [验证后的功能方向]路径 C：完整的迭代命令链
pm-skills 的命令设计成链式衔接，完整链路是：
/discover → 发现新需求/strategy → 定产品策略/write-prd → 写 PRD/pre-mortem → 预验尸找风险/red-team-prd → 红队挑战假设/write-stories → 拆解为 backlog/sprint → 规划 Sprint/plan-launch → 制定发布策略/north-star → 定义北极星指标/test-scenarios → 生成测试场景每个命令完成后都会自动推荐下一步。你不需要记住整条链，跟着提示走就行。
二次迭代时的一个坑
很多人二次迭代时直接/write-prd写新版本，然后覆盖旧文件。
旧版 PRD 我留着，文件名加-v2，不直接覆盖。
PRD-auto-weekly-report-v1.md ← 第一版，保留PRD-auto-weekly-report-v2.md ← 第二版，新建第三次、第四次迭代时，你需要查：
•v1 的哪些假设被验证了？
•v1 的哪些需求被砍了？为什么？
•v2 新增了哪些？基于什么证据？
没有版本对照，后面的讨论会反复打转，每次都要重新解释「上次为什么砍了这条」。
9 个插件速查：你只需要装 3 个
pm-skills 有 9 个插件，但大多数人只需要其中 3 个：
| 插件 | 技能数 | 命令数 | 什么时候需要 |
|---|---|---|---|
| pm-execution | 16 | 11 | 写 PRD、OKR、路线图、Sprint 规划 |
| pm-product-discovery | 13 | 5 | 产品发现、假设验证、实验设计 |
| pm-product-strategy | 12 | 5 | 愿景、商业模式、定价、SWOT |
| pm-market-research | 7 | 3 | 用户画像、市场分析、竞品分析 |
| pm-go-to-market | 6 | 3 | 上市策略、ICP 定义 |
| pm-data-analytics | 3 | 3 | SQL 生成、队列分析、A/B 测试 |
| pm-marketing-growth | 5 | 2 | 营销增长、定位、命名 |
| pm-toolkit | 4 | 5 | 简历审查、NDA、隐私政策 |
| pm-ai-shipping | 2 | 5 | AI 构建应用的文档化和审计 |
最小安装：pm-execution + pm-product-discovery + pm-product-strategy。覆盖从发现到交付的完整链路。
核心概念：Skill vs Command
搞懂这两个概念，你就知道 pm-skills 怎么运作了：
| 概念 | 本质 | 触发方式 | 例子 |
|---|---|---|---|
| Skill（技能） | 名词/方法论 | 自动加载（AI 判断相关时） | create-prd、pre-mortem、lean-canvas |
| Command（命令） | 动词/工作流 | 手动触发（/命令名） | /write-prd、/discover、/pre-mortem |
Skill 管方法论，Command 管流程。一个 Command 会链式调用多个 Skill。
比如/write-prd这个命令内部会调用create-prd这个 Skill。而create-prd这个 Skill 在你聊到 PRD 相关话题时也会自动加载——不需要你手动触发。
常见误区
误区 1：「装上就能用，不需要理解框架」
pm-skills 的每个 Skill 背后都是一个真实的 PM 方法论（Teresa Torres 的 OST、Marty Cagan 的产品原则、Alberto Savoia 的假设测试）。
我的经验是：不理解框架，就判断不了产出质量。工具给你一份 PRD，但你不知道它的 OKR 够不够 SMART，假设分析够不够深——这份文档就是废纸。
误区 2：「所有命令都要跑一遍」
强烈建议按阶段选命令，42 条链式命令一口气跑完，产出会堆成一堆 Markdown，反而看不清重点：
还在想做什么 → /discover想清楚了要写文档 → /write-prd文档写完了要挑战 → /pre-mortem + /red-team-prd要拆解执行 → /write-stories + /sprint要发布 → /plan-launch误区 3：「产出的 Markdown 就是最终交付物」
PRD 在我眼里是决策工具，帮你想清楚「做不做、怎么做」。给老板看的 PPT 是另一回事，别混用。
如果你需要给团队传达，用/write-stories拆解成 backlog 条目，那才是开发团队能直接用的格式。PRD 给自己看，backlog 给团队看。
快速参考卡
| 你的场景 | 命令路径 | 产出 |
|---|---|---|
| 从零开始做产品 | /discover→/strategy→/write-prd | Discovery Plan + Strategy + PRD |
| PRD 不满意要改 | /pre-mortem或/red-team-prd | 风险分析报告 + 修改建议 |
| 需求太粗要细化 | /write-stories | 5-15 个 backlog 条目 |
| 开发完要迭代（优化） | /pre-mortem→/red-team-prd→/write-prd | 新版 PRD（基于上轮教训） |
| 开发完要迭代（新功能） | /discover→/write-prd | 新功能 PRD |
| 要规划 Sprint | /write-stories→/sprint | Sprint 计划 |
| 要制定发布策略 | /plan-launch | GTM 方案 |
如果你只做一件事，装好 pm-execution 插件，跑一遍/write-prd，看它交互式问你哪 6 个问题——用户问题、目标用户、成功指标、约束条件、参考案例、范围偏好。这 6 个问题就是产品经理的基本功，很多人从来没认真答过。
流程图：pm-skills 三条主路径
最后
对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？
答案只有一个：人工智能（尤其是大模型方向）
当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。
再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。
如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！
下面是我整理的大模型学习资源，希望能帮到你。
👇👇扫码免费领取全部内容👇👇
最后
1、大模型学习路线
2、从0到进阶大模型学习视频教程
从入门到进阶这里都有，跟着老师学习事半功倍。
3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）
4、AI大模型最新行业报告
2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
5、面试试题/经验
【大厂 AI 岗位面经分享（107 道）】
【AI 大模型面试真题（102 道）】
【LLMs 面试真题（97 道）】
6、大模型项目实战&配套源码
适用人群
四阶段学习规划（共90天，可落地执行）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
硬件选型
带你了解全球大模型
使用国产大模型服务
搭建 OpenAI 代理
热身：基于阿里云 PAI 部署 Stable Diffusion
在本地计算机运行大模型
大模型的私有化部署
基于 vLLM 部署大模型
案例：如何优雅地在阿里云私有部署开源大模型
部署一套开源 LLM 项目
内容安全
互联网信息服务算法备案
…
👇👇扫码免费领取全部内容👇👇
3、这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】