KeyFrame內部研究專用

淘汰你的不是AI,是會用AI的同事!Claude Code 産品經理實戰指南

YAHA学堂·6月9日週二·8 min中文

三句話摘要

用Cloud Code當AI家教,系統化學習產品經理的四階課程,從基礎操作到完整網站部署。 這套課程的核心洞察是:用Agents把PM重複的苦工並行自動化,讓你從執行者升級為策略提問者。 工作區設置決定體驗:需要用VS Code或Obsidian與Cloud Code分屏,左邊看原始資料,右邊看AI的輸出。這不只是視覺方便,而是讓你真正相信AI做了什麼,而不是只看文字滾過去。

重點整理

重點
  • 1

    工作區設置決定體驗:需要用VS Code或Obsidian與Cloud Code分屏,左邊看原始資料,右邊看AI的輸出。這不只是視覺方便,而是讓你真正相信AI做了什麼,而不是只看文字滾過去。

  • 2

    並行Agents改變工作方式:傳統做法是一份一份會議記錄手動整理(2-3小時),Cloud Code可同時複製十個分身各自處理,幾十秒內全部完成。這把PM從線性的苦工變成指揮官,只要描述需要什麼,AI自動拆解並行調度。

  • 3

    苏格拉底式提問做PRD:不是直接給模板,而是先問對問題(目標用户、痛點、成功定義、衡量方式),逐步把腦子裡模糊的想法整理成清楚需求。多版本併行讓你有選擇。

  • 4

    數據分析能力自動化:PM不用寫SQL,直接讀CSV、自動分群、算轉換率、找流失點。AI給的是結論和行動建議(例如「啟用率可漲11個百分點,卡點在引導流程」),而不只是數字堆。

實用技巧與重點

乾貨
  • 課程結構
  • 模組一:基礎操作 + 公司認識 + 編輯器設置 + 會議記錄整理 + 自訂AI子代理 + cloud.md記憶
  • 模組二:PRD寫作 + 數據分析 + SWAT策略框架 + 高管簡報
  • 模組三:AI生成產品視覺
  • 模組四:從零建網站並部署上線
  • 核心功能與用法
  • 編輯器推薦:Obsidian 或 VS Code(左右分屏)
  • @ 符號:直接指定讀取特定檔案
  • Agents 並行:同時派多個分身處理重複工作
  • cloud.md:讓Cloud記住專案上下文
  • 典型場景數據
  • 會議記錄整理:原本 30-40 分鐘 → 幾秒鐘(一份)
  • 十份會議記錄同時處理:原本 2-3 小時 → 幾十秒
  • 數據分析結果示例:發現某群體的啟用率可增長 11 個百分點,流失點在引導流程
  • 專案工具
  • Company-Context:公司背景資料
  • Cloud:驅動課程的指令檔
  • Lesson Modules:四個模組課程內容

結論

結論

這套課程的核心洞察是:用Agents把PM重複的苦工並行自動化,讓你從執行者升級為策略提問者。

完整解析

詳細

這套課程的設計邏輯很清楚:用一家虛構公司Yaha學堂的產品經理日常工作為背景,讓你邊做邊學。第一步是工作區設置,這看似小事卻很關鍵。因為接下來Cloud會幫你讀檔、改檔、建新檔,如果你只盯著終端機,會看不到發生了什麼。所以課程會引導你用Obsidian或VS Code與Cloud Code並排分屏,左邊看原始資料,右邊看AI的輸出。這樣才能真正相信AI做了什麼,而不是抽象地看一堆文字滾過去。

模組二才是課程的核心價值。首先是寫PRD的環節,Cloud不是直接給你一份模板,而是採用蘇格拉底式提問法。它會問你目標用户是誰、要解決什麼痛點、成功長什麼樣子、怎麼衡量。這個過程其實是把你腦子裡模糊的想法逐步整理成清楚的需求——很多PM寫不好PRD,不是文筆差,而是根本沒想清楚這些基本問題。Cloud還能同時生成多版本草稿,讓你挑選。

數據分析是另一個直擊痛點的模塊。很多PM看到SQL查詢就頭大,但Cloud可以直接讀CSV、自己做分群、算轉換率、找出最大的流失點,然後用人話告訴你結論。你的角色從苦工變成提問的人,只要會問對問題,它幫你挖出答案。而且關鍵是,它給的不是一堆數字,而是可以直接拿去跟主管報告的洞察——比如「啟用率可以漲11個百分點,最大卡點在引導流程」。

課程最值得強調的是Agents的並行處理能力。想像你上周開了十場會,桌上堆著十份亂七八糟的會議記錄。傳統做法得一份一份讀、一份一份整理,可能花掉2-3小時。但Cloud Code可以同時複製出好幾個分身一起開工。課程會帶你體驗讓它同時開十個分身,各自整理一份記錄,最後自動彙總。原本2-3小時的事壓縮到幾十秒。這背後是Cloud幫你做了任務拆解和並行調度,而你完全不用懂技術,只要會描述你要什麼。這就是AI時代產品經理該有的工作方式——不是自己埋頭做,而是調度一支AI團隊。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Everything Goldman Sachs Taught Me About AI (In 10 minutes)
AI 技術英文8月24日

Everything Goldman Sachs Taught Me About AI (In 10 minutes)

Nate Herk

  • 驗證優於相信:看起來完整的AI輸出不等於正確答案,需在提示中要求模型重新檢查數字、引用來源,並對無把握的部分標記。
  • 區分AI與自動化:確定步驟且答案已知的任務用傳統自動化更便宜快速;只在需要判斷力、靈活性或處理複雜資訊時才用AI,兩者結合效果最佳。
  • 以問題驅動選型:先寫清楚「要解決的問題是什麼、成功的樣子是什麼」,再決定用什麼工具,許多失敗項目是從技術而非問題出發。
Mu: a self-hosted personal agent where the interface is an email address you can write to
AI 技術英文8月23日

Mu: a self-hosted personal agent where the interface is an email address you can write to

GitHub Awesome

  • Mu 是自主代理人系統,具有實際網址與獨立伺服器,用戶可透過多種方式與其互動——網頁應用、電子郵件或程式化介面。
  • 架構完整覆蓋日常工作流程的多個層面,整合郵件收發(SMTP/IMAP)、檔案管理、行事曆、新聞聚合、市場數據與搜尋功能於一個 Go 伺服器內。
  • 支援自帶模型與多種通訊協定,用戶可選擇不同的 AI 模型,並透過 MCP、HTTP API 或命令列工具整合到其他系統。