Mind the Product Chicago 大会主题演讲笔记汇总

上周，超过 500 位产品人齐聚我们的美国旗舰大会 Mind the Product Chicago。这一天充满了精彩内容、机会，可以

发泄

与同行产品人建立联系，并从主题演讲舞台上的顶尖高手那里学习。

内容非常多，但别担心，如果你错过了某场演讲，或者没来得及记下主题演讲中的关键引言或例子，下面是我们整理的今年所有主题演讲的笔记。未来几周内，每场会议都会有详细的图文回顾和视频。请务必订阅我们的 Prioritised 通讯，这样每个视频发布时你都不会错过。

感谢所有让这次活动变得特别的参会者、志愿者和演讲者！我们明年再见：

AI 时代的进阶定位

演讲者：April Dunford, Ambient Strategy 创始人

定位入门

我们在营销和销售中所做的一切，都建立在定位的基础之上。

什么是定位

定位界定了你的产品如何在提供某种价值方面是全球最佳的，而这种价值是明确界定的一群客户非常在意的

例子是关于一款桌面生产力软件，它是一个可以运行 SQL 的电子表格。

示例 2 来自与购买它的少数客户中的一些人交谈，并利用这些信息修订了定位。

示例 1：6 个月售出 200 份

示例 2：第一周有 1 名销售人员，售出 3000 个席位。

AI 会改变一切吗？

好消息：AI 并没有改变定位的基本原理

仍然要针对客户进行定位，仍然要针对客户实现差异化，仍然要找到最匹配的客户。

坏消息：现在有了新的搞砸方式

快速变化 = 嘈杂的信号

很难知道要针对什么进行定位

示例：我们要针对什么来定位？产品负责人说 vibe coding，另一位产品负责人说：Claude。销售副总裁说所有客户都提到 Excel，他们不提 Claude 或 vibe coding。产品负责人说“还没到时候”

问题归根结底是：你是与今天的竞争对手（Excel）竞争，还是与明天的竞争对手（Claude、Vibe coding）竞争

定位会随时间演变。今天的竞争对手可能看起来不像明天的竞争对手。

尽管你的产品战略着眼于未来，但在对外谈论时要谨慎。所以你需要为当下定位，为明天构建。

针对当下的替代方案进行销售

当下的替代方案：电子表格、传统应用、人工操作（相对于 vibe coding 的未来）

想想客户会做什么，而不是他们应该做什么。

尊重客户在自己旅程中所处的位置

客户成熟度各不相同，因此你需要在每个阶段定位你的价值，并按客户成熟度进行细分

了解你的客户在成熟度模型中处于什么位置，决定哪些是你想销售的对象，哪些是你想忽略的。

示例

一个 AI 成熟度模型可能是：

Model flows -> Agentic “Easy” -> Agentic Step 2 -> Some Orchestration -> Full Orchestration

你可能会发现大多数客户处于 Agentic “Easy” 阶段，于是你决定专注于这个阶段，而不向处于 Model flows 阶段的客户销售

快速变化 = 你需要一个市场观点

你的市场品类正在消亡吗？你需要对未来市场形态有一个论点。

观点示例

OpenAI (Sam Altman): 智能是一种公用事业，像电或水一样按表计费购买。

注：OpenAI 主要作为 B2C 业务运营。

Anthropic (Dario Amodei): AI 编写 100% 的代码；人们指定条件、设计决策和协作规则；AI 像一个会请求澄清的聪明员工

注：Anthropic 主要作为 B2B 公司运营

Microsoft (Satya Nadella): 模型正在成为商品；上下文工程是差异化因素。AI 应用的性能取决于数据被带入上下文的程度。

注：Microsoft 拥有大部分上下文来源（Word、excel 等）

Replit (Amjad Masad): 智能体即时生成人们所需的确切工具，取代昂贵的 SaaS 套件

注：Replit 是一款 vibe coding 工具。

Salesforce (Marc Benioff): 价值在于编码业务的平台，而非 UI；每个人在 Slack、Claude 和 Coworker 等工具中都拥有自己的即时 UI

注：这反映了 Salesforce 近期为避免 “SaaSpocolypse” 而引入 headless Salesforce 并强调平台的尝试。

你是否对整个市场有一个愿景，说明它未来的样子。

客户理解从未如此重要

实践

高管-客户“赞助” 低调的客户顾问委员会，高管团队分配到客户，每季度给他们打一次电话，了解他们在做什么。
系统化的赢/输分析（尤其是赢单）把赢单分析作为签约后的第一步。包含三个关于 AI 的问题。
季度定位检查 在完成定位工作坊后，进行季度检查，让销售、产品和营销聚在一起讨论有什么变化。如果有变化，你可能需要修订定位。如果你没有使用流程来管理定位，你会在定位上经历很多混乱——凭感觉的定位。

四个关键要点

针对 今天的竞争对手 销售，为明天的做准备
理解 客户的成熟度
你需要一个 市场观点
将 客户理解 运营化

欢迎来到软件文艺复兴。你的战略还没准备好。

Martin Eriksson，《The Decision Stack》作者

AI 偷走了你的战略

早上刷手机，然后去客户办公室看到满屋子的人在 Claude 里写代码，墙上挂着 AI 路线图，董事会会议全都在谈 AI

每一个标题、每一份路线图、每一个董事会问题都是一次预测（“平台陷阱”）。只不过我们预测未来的能力糟糕透顶。

放射科医生与杰文斯悖论

Geoffrey Hinton，2016 年（Machine Learning and Market for Intelligence Conference）：“我们现在就应该停止培养放射科医生”；他预计 AI 将在 5-10 年内取代他们

Hinton 是“深度学习之父”，后来获得了诺贝尔奖

十年过去了，发生了什么？

AI 在诊断影像上变得非常出色：速度快了约 50%，准确率提高了约 10-30 倍

这拉低了检查成本，却大幅增加了检查数量：大规模预防性筛查、更多扫描、更多发现、更多后续随访

美国的结果：放射科医生增加了 16%，平均收入提高了 44%；“医学影像的复兴”

杰文斯悖论

1865 年：经济学家 William Stanley Jevons 注意到，在 Watt 的蒸汽机让煤炭效率大幅提高之后，煤炭消耗量上升了

当你让某样东西变得更便宜、更高效时，你会做得多得多，而不是花更少的钱做同样的量

一位诺贝尔奖得主如何看错了未来

Hinton 看错了未来，因为他假设医学影像的需求是有限的。

AI 刚刚打破了你做过的至少一个假设。你知道是哪一个吗？

决策栈

这五个问题构成了决策栈

愿景：我们要去哪里？
战略：我们如何到达那里？
目标：现在什么最重要？
机会：我们采取哪些行动？
原则：我们如何在行动之间做选择？

向下读是“如何？”，向上读是“为什么？”

每一层都是关于你将做什么的决定，同样重要的是，你将不做什么

大多数组织都有一堆互不关联的决策（一张陈旧的愿景海报、一份幻灯片里的战略、电子表格里的 OKR），然后又往这团混乱中加入一个“AI 战略”

每一层都建立在假设之上

愿景：我们描述的未来值得去构建

战略：这就是我们取胜的方式

目标：它们衡量的是正确的成果

机会：这些是解决客户问题的最佳方式

取舍：这些是实现我们目标的最佳方式

AI 抽掉了其中一个假设，打破了你的栈；你知道是哪一个吗？

为什么它现在破裂了

形势变化很快。今天的 AI 是你将会用到的最差的 AI

它的采用速度超过以往任何消费级技术，模型成本每年下降约 10 倍（你的账单仍在上涨，因为你用得多了太多）

Gmail 的先例

Gmail 于 2004 年推出，提供 1GB 免费存储空间，而竞争对手只提供 2-4MB（很多人以为这是愚人节玩笑）。2000 年存储成本约为 $12/GB，到 2004 年约为 $1，如今不到一美分；Google 押注的是未来的成本，而不是当天的成本

值得质疑的重大假设

如果

模型变成大宗商品
一个 token 的成本降到零
软件的成本降到零呢？

但如果模型变成护城河，或者 token 成本上涨 10 倍呢？（零成本 token 取决于能源、芯片和数据中心的成本）

看错了层面

大多数公司只关注机会层，在各处撒上 AI（在每个产品和宣传材料上都写上“AI 驱动”）

隐藏的假设：客户的问题是缺少 AI

我们正处于科技泡沫之中

在 81 亿人口中（截至 2026 年 2 月）：84% 的人从未使用过生成式 AI，16% 的人试过免费机器人，0.3% 的人为生成式 AI 付费，0.04% 的人试过生成式 AI 编程

很多人不想要 AI：华盛顿州立大学的一项研究发现，产品描述中出现“人工智能”会降低购买意愿

April Dunford：客户买的不是 AI，而是痛点的消除

案例研究：Chegg

AI 出现之前：学生在 Google 上搜索作业问题，找到 Chegg 的文章并按月付费获取答案；在作业帮助领域近乎垄断

2023 年 5 月，CEO Dan Rosensweig 表示：目前尚未看到 ChatGPT 的明显影响；回应是与 OpenAI 合作打造的 CheggMate

他们的假设是：学生会继续为答案付费，而且 CheggMate 能提供更好的答案；他们从未审视学生是否会继续为作业答案付费，而这在层级中位置更高（战略）

财报电话会上股价腰斩；营收较 AI 之前的高点下降 75%；2024 年后停止披露订阅用户数；7 月收到纽交所退市通知

他们从未追问哪个假设变了：学生想要的是把作业做完，而不是 Chegg，也不是 AI

反模式 2：把 AI 当作降本手段（目标层）

Hinton 持有的同一个假设

把 AI 当作降本手段，意味着假设需求和价值是有限的

“我们如何用 AI 把已经在做的事做得更便宜？”这个问题是用一项一代人一遇的技术来缩小自己

思想实验：如果十年前工程团队的生产力就提高了 10 倍，你会解雇其中 90% 的人，还是多做 10 倍的活？

案例研究：宜家

AI 客服自动解决了约 50% 的工单；显而易见的做法是裁掉这 50%

宜家查看了剩余的工单，发现它们都是设计问题

他们“客户只有客服问题”的假设不成立，但他们的战略成立；他们把服务台人员重新培训为远程室内设计师

首席人事与文化官 Ulrika Biesert：80 多年来，人一直是宜家的核心，未来也将如此

同样的人，第一年带来 14 亿美元的新收入

AI 是企业有史以来最大的增长杠杆；把它当作降本杠杆是想象力的匮乏

把 AI 当作倍增器

别再把 AI 当作一个功能，别再把它当作效率，开始把它当作倍增器——向上游走，重新思考战略

Rita Gunther McGrath：在瞬息万变的世界里，战略比以往任何时候都更加关键，因为组织必须做出多得多的决策

反模式 3：“人人都会自建软件”（战略层）

假设：如果软件成本降到零，人人都会自建；这来自建设者的科技泡沫

32% 的企业正在自建软件以替代至少一款 SaaS 产品（麦肯锡《2026 年 AI 现状》）

66% 的内部开发项目未能达成目标（MIT NANDA）

企业软件支出在 2025 至 2026 年间仍增长 15%（Gartner）

世界上大多数人并不想构建软件，他们想做的是软件所赋能的事情，而不是构建软件（餐厅经理、会计师、房产中介、健身房老板）；即便是 Anthropic 也仍在使用 Slack、Workday 和 Figma

案例研究：Intercom（现为 Fin）

2022 年：增长陷入停滞，随后 ChatGPT 横空出世

Des Traynor：产品的许多设定都假设有人坐在工位上与客户交谈，当 AI 出现时，这一点变得非常清楚——那种情况不会再成立了。

被检验的假设：人是企业做客服的方式（已失效）、客服团队想要 AI 功能（毫无意义）、更多客服意味着更多席位和 ARR（已失效）、企业希望客户得到支持（依然成立）

ChatGPT 在一个周四发布；到周一，他们已经推翻了路线图，全力投入 AI

打造了 Fin，一个每周解决超过一百万工单的 AI 智能体

商业模式从按席位收费转向每次解决收费 $0.99：现在解决得更好意味着更多收入，所以产品必须真正管用

Fin 在不到一年内突破 $100M+ ARR；整个公司更名为 Fin

估值：2018 年为 $1.3 billion，2026 年被 Salesforce 以 $3.6 billion 收购；“所谓的 SaaSpocalypse 也不过如此”

要向上走到技术栈的哪一层

Chegg 一层都没有向上走

IKEA 向上走到了战略层，并发现该假设依然成立。

Intercom 一路向上走到愿景层，发现它依然成立，然后在其之下重建了一切。

他们不断向上，直到有一个假设依然成立

如何找到你的假设

说出你的假设

IBM 手册，1979：计算机绝不能做出管理决策；每一层都是一个决策，而每个决策（以及每个假设）都需要有人负责

使用 Roger Martin 的“要让它成立，必须什么是真的？”来识别整个技术栈中的假设

向上追溯，直到找到那个成立的假设，然后从那里重建

开始提出的问题

我们能否以全新的方式解决客户问题（不是渐进式改进，而是根本性的不同）？

我们衡量的还是正确的东西吗（例如，当用户通过 MCP 服务器交互时，MAU 还有意义吗）？

我们的商业模式能否彻底改变（基于结果的模式在你的领域是什么样的）？

目前有哪些需求被锁住了，AI 可以将其释放（杰文斯问题：如果你的产品便宜 10 倍、更快、更易获取，客户会用它做什么）？

我们现在能构建哪些以前不可能的东西？

在没有未来数据的情况下测试假设

我们在一个层面上测试假设做得很好

产品与设计超能力：研究、客户访谈、原型、假门测试

我们痴迷于测试低成本决策，却凭直觉通过五年战略

是时候把产品超能力提升到更高层次了。问题在于：每个机会测试都依赖现有数据，而未来还没有数据（你无法对 2028 年做 A/B 测试）

为多种未来做规划

假设单一未来的战略是脆弱的

为两种代币场景都做好规划（代币归零 vs. 代币上涨 10 倍）

追问哪些假设能在不同未来中存活："学生会继续为答案付费"在两种未来中都不成立；"企业会为解决客服问题付费"在两种未来中都成立

然后做出抉择

尽可能多地测试假设，然后在大约 70% 的把握下从容前进

Annie Duke，Thinking in Bets：提出一个赌注会让风险暴露在明处，把原本隐含的东西明确化

写下什么会证明你是错的（终止标准）：Intercom 的是解决率，IKEA 的是产生的收入，Google 的是存储价格

你的未来

你知道是哪一个吗？明天你就会知道，因为明天你会去找出来

要说出口的一句话：“我听到的东西与我们关于 X 的假设相矛盾”

我们非常不擅长预测未来，而 Martin 自己的演讲中充满了各种预测

Margaret Heffernan：仅仅因为我们无法预测未来，并不意味着我们无法为此做准备

我们正处于 AI 的“DOS 提示符时代”；在 Xerox PARC，Adele Goldberg 和 Alan Kay 挑战了“计算机就是用来输入命令的东西”这一假设，发明了图形界面和鼠标。Alan Kay：“预测未来最好的方式就是去发明它”

Hinton 的假设给了放射科医生 5 年时间；结果他们迎来了一场复兴。你会用你的 5 年做什么？

构建时的 PM 工作

Eric Simons，Bolt.new 首席执行官

连续创业者。起初并不知道产品经理是做什么的。

Bolt 推出两年。Bolt 是第一个进入市场的 vibe coding 产品。几个月内从 0 做到 2000 万美元 ARR。

最初以为主要会是开发者使用它，但后来发现主要是非开发者，而且有很多 PM。

因此他和很多 PM 交谈，发现他们做的和他一样：构建产品。

Eric 对 PM 工作的看法：与客户交流，想出能交付给客户的出色功能。但他们缺乏实现这一点的工具。

Julien Menard：Digital Virgo 首席技术官 “我没法打开代码编辑器写两行代码。”

之前：1 年；4-5 名开发者；50 个独立系统

之后：3-4 个月，1 名架构师，1 个系统

配给制协议（过去的方式）

Mary Cagan 在《Inspired》中描述的产品开发流程，是一种核算软件开发开销的方式

研究 -> 规格 -> 排优先级 -> 交接 -> 等待 -> 发布

每一步之所以存在，是因为工程时间是公司里最昂贵的东西。

对你的想法兴奋不已，花大量时间（和金钱）构建，把它推出去，结果没人想要。

AI 改变了这一点……

使用 Bolt 的 PM

38% 更早引入工程团队。他们展示可工作的原型而不是规格文档。

30% 更晚引入工程团队。他们先自己验证想法。

第一次转变：规格撰写者 -> 构建者

你带进会议室的东西从规格文档变成了原型。

每份规格都是一次翻译。每次翻译都会丢失一些东西。

人们常常无法理解按提议方式提出、甚至用线框图传达的想法。你必须能够试用它。

第二次转变：待办列表守门人 -> 闭环者

一个洞察的去向。

各个学科正在融合。与客户沟通不应只是产品经理的职责。

融合后团队的新形式：

1 名产品人员，无技术技能
1 名 Web 架构师
1 名原生架构师

产品经理的工作是帮助促进角色的融合。

转变 3：执行 -> 上下文

最让人害怕的那个。

想法可以被窃取。但没人能窃取你的上下文。想法很廉价，执行才是关键。

关键不在于拥有一个绝妙的想法。一切都在于你与客户的对话、他们遇到的问题，以及你基于这些对话产生的独特洞察，这才是重要的。

案例（一家物流公司的老板）

每年 70k + 每年 20K 的 API 访问费 + 一名负责物流后端运维的专家

“很多时候，那些构建软件的人其实并不在真实世界中，没有和这些客户一起工作，没有接触这些我们所处的工作流程。”

Paul Laviolette，TradeWeave 创始人

总结

这就是全部工作。一直都是。现在你可以证明它了。

成为一名优秀产品经理所需要的，就是打造一家企业所需要的：与客户沟通并理解他们的痛点。

Vibe coding 和 AI 代码生成让你有更多时间与客户沟通。

将 AI 产品构建为信任系统

Alexis Zheng，G2 首席产品与技术官

Alexis 回顾了她的职业生涯，解释了产品经理的工作如何随 AI 演变

信任是 AI 采用的最后一公里

传统软件 vs. AI 优先软件

2010 年代：大数据：

海量数据加上强大的神经网络是 LLM 背后的核心理念；随着更多数据和更强大的模型，模型能够泛化到观察到的模式之外

2020 年代：大算力：

Alexis 以为自己找到了帮助企业客户采用 AI 的使命，随后却发现人们在昂贵的 GPU 上运行 CPU 工作负载

2026 年：信任

这揭示了企业 AI 采用中的另一个鸿沟，仅靠数据和算力无法解决：信任

现代 AI 的经济学

大胆的观点：智能是商品，而 token 是货币

数据 = 输入 token 的数量（“互联网”）

算力 = 每美元每瓦特的输出 token 数量（“AI 工厂”）

信任 = 每个输出 token 的美元价值（“评估”）

算力将电力转化为智能，随着算力增加，模型会可预测地变得更好

在算力受限的情况下，每个 AI 系统都在不断追问哪些 token 值得花费算力

信任推动采用并释放 token 的价值：新技术只有在密集的日常使用中才能见效。

随着智能变得更便宜、更丰富，价值转向你足够信任、可以据此行动的输出

Token 流向

一个 AI 生态系统正在形成，围绕 token 的去向组织；token 流向哪里，应用最终就会在哪里构建

“一家芯片公司买下了分发渠道。一家支付公司买下了收费站。一家火箭公司买下了船只。”

动力舱：agentic 应用

当下的主流：NVIDIA

管道：Hugging Face

收费站：Stripe 到 OpenRouter

船只：SpaceX 到 Cursor

港口：信任层

一场争夺 token 流量控制权的竞赛正在进行

Prompt -> Code -> Build -> Skills -> Trust

Prompt：每天约 45 亿个提示，约 300 万亿个 token

Code：每月约 1600 万个有 agent 参与的 PR

Build：每周 100 万个新应用；新应用数量增长了一倍多，而应用平均评分却在下降

Skills：110,814；拥有更多技能并不会提升 agent 的表现

Trust：每月在软件问题上有 440 万次 LLM 引用

数千亿美元级的市场正在汇聚到同一套技术栈上，token 流量位于中心；发现成为瓶颈，而 agent 需要信任信号的原因与买家需要信任信号的原因相同

什么是信任？

汽车刚问世时，人们前面仍然养着马，因为汽车经常抛锚。

汽车 = AI 系统；马 = 人类参与环节；引擎 = 模型

信任不是盲目相信，而是明确的边界：知道何时可以依赖系统，何时仍需要人类介入

弥合信任差距是实现采用的关键

信任不等于完全自主

五个等级：

第 1 级持续的人类参与环节 16%
第 2 级有限自主 29%
第 3 级有护栏的自主 48%
第 4 级完全自主 7%
第 5 级 agent 自主组织与部署（2030 年前上线）

60% 的软件买家在购买过程中使用 AI，但只有 9% 信任 agent 的决策

45% 的人认为生产力收益被对 agent 的监督和返工所消耗

没有信任，模型会变得更聪明，但采用曲线依然平缓；agent 能力与企业采用之间的差距让企业损失数十亿美元，这正是信任的经济价值

AI 时代的产品经理市场契合

上一代产品领导者接受的是 Web 和移动端的技艺训练（增长核算、移动优先的体验、在主屏幕上拥有一个应用图标）。

每位 PM 都是 AI 产品经理

用户体验只是冰山一角；深度学习打破了界面

底层系统：如今模型位于每个应用的中心，但模型不是产品；产品是你围绕它构建的智能系统

用户不再点击浏览屏幕；他们直接提问，或者让他们的 agent 替他们使用软件。"如果你接受的训练是逐屏设计产品，那么这份工作已经改变了。"

新的产品技艺是设计系统。

四项设计工作

设计系统：Uber 的市场

Uber 的市场在 agent 出现前十年就已经是一个 AI 系统

检测（按街区划分的供需）
预测（该价格下的转化率）
路由（网络优化）
行动（乘客和司机激励）

你不设计结果。你设计系统，让结果自然涌现。

PM 的工作：最成功的产品经理是那些能够设计以 AI 为中心的智能系统的人

设计框架：自动驾驶汽车

自动驾驶汽车是现实世界中的智能体系统

感知（传感器融合）
预测（未来轨迹）
规划（相应的轨迹）
控制（控制执行器）

设计 harness（大规模下的容错）：高召回率、NPC 反应性、认知不确定性、端到端延迟

智能体现在可以对系统 schema 的更多部分进行推理和控制，因此 PM 在更高层次的抽象上进行设计。

你无法通过一次修复一个故障来修复一个概率系统。你要设计的是在它出错时仍能保证其安全的 harness。

PM 的工作：从设计每一个界面，转变为构建让智能体在不被告知任何东西在哪里的情况下安全地对系统进行操作的 harness

设计学习循环

PM 的工作：构建能自己编写路线图的系统，并设计学习循环，使系统在大规模下持续改进

持续学习循环：

Drive（车队运行，罕见事件自行出现）；
Mine（只保留预测与现实出现分歧的时刻）；
Retrain（模型在收集的样本上重新训练，无需人工参与）；
Iterate（重新训练，然后进行 gate：只有在优于被替换者时才发布）

路线图曾经是产品存在的祸根；相反，你可以创建一个能自己生成路线图并持续迭代的系统。「护城河是每次真实世界遭遇所积累的学习。」创造产品现在就是创造循环

关键在于：自主循环的好坏取决于每一步的验证器

PM 的工作：构建能自己编写路线图的系统，并设计学习循环，使你的系统在大规模下持续改进。

设计信任层

「可验证的东西就可以自动化」（Andrej Karpathy）；瓶颈不再是模型架构，而是大规模的经验和评估

一个场景，无限变体： 参数化一个真实时刻，一键生成它的数千个版本
每一次真实失败都变成一个测试： 任何出过一次错的东西永远留在测试套件中
足够快，可以在每次变更时运行： 如果套件要跑一天，就没人会跑；便宜的测试才会被运行
加速大规模评估和学习： 在第一英里真实行驶之前，先积累数百万英里的复杂场景

模拟器既验证性能又加速学习；每个买家都在问「我为什么要相信你能自动化我的工作流」，所以 PM 的工作是设计一个能赢得这种信任的系统。这就是 G2 正在构建的东西背后的思想

PM 的工作：设计系统如何赢得信任（什么被验证、在哪里验证，以及发布需要满足什么条件）

G2 的智能体评估系统

我们构建了一个模拟公司，其 ground truth 取自真实的企业运营

问题是「如果你的智能体能代表你试用每一款软件，并挑出真正合适的那一款，会怎样？」

用模拟公司构建了智能体评估。模拟公司有客服、销售、法务和财务，每个部门都有自己的数据、政策和工具。任务和 ground truth 来自真实的企业运营

智能体接手工作，每一次交互都被记录为一条轨迹，并依据一组预定义的评分标准进行评级，这样买方就能看到智能体的行为表现、是否遵守策略，以及在无人监督时会破坏什么。

当今最有价值的技能组合：在前沿构建

一类新型公司正在出现，它们以智能体为原生、完全为智能体时代打造的无界面架构（G2 AI CX Agent Evaluations 排行榜，9 个智能体）

越来越多的人在前沿构建：“大量软件将被重写。”（Andrej Karpathy）

无界面、智能体优先的体验颠覆了我们过去对软件的认知。

这个理念是：不再让人使用软件，而是让智能体替他们使用。老牌领导者也在创新

奖赏在于：当你发布一个原本不会存在的产品时，你发布的是一个更好的自己

是什么、怎么做、证据

产品经理的市场契合

这份工作过去是定义做什么、并在过程中弄清怎么做，而现在智能体正在接管怎么做的部分。

如今大量软件由智能体构建、维护和迭代，因此产品经理在更高的抽象层次上设计：系统、框架和循环

随着智能体越来越多地替我们做决策，信任比以往任何时候都更重要，而每个产品的最后一公里是证据

启动很容易。发布正确的东西才是困难棒极了。

Kathy Pham，哈佛大学教员兼产品与社会高级研究员

AI 大幅降低了软件和产品开发周期中许多环节的成本和时间：更多代码、设计、原型、指标，甚至虚拟测试用户

难的从来不是“我们能不能构建”。难的是什么值得发布、为谁发布、为什么发布，以及为什么跨学科的产品技艺比以往任何时候都重要

人们愿意为了便利放弃多少隐私？

二十年前，Kathy 在一家大型科技公司从事搜索和健康产品工作。当时，顶尖研究人员在讨论保护隐私，以及人们愿意用多少隐私换取便利。

二十年后，还是同一个问题。

当人们把私人信息交给我们时，我们如何照顾好它？我们必须拒绝“Kermit 心态”（他们的隐私与我无关）。

当人们愿意放弃如此多的私人信息时，这对产品构建者意味着重大的责任。

我们如何对待人们的信任的例子

国防：C-130 飞行模拟
大型科技公司：Google Search、Google Health
政府：U.S. Digital Service、VA 健康记录、FTC、National AI Advisory Committee
非营利组织：Mozilla 的 Responsible Computing
学术界：哈佛的产品管理
健康初创公司（现在）：Revive Health 的 AI

合适的节奏取决于人和环境：在政府和遗留系统中，行动更快、引入更多技术，但要负责任；在私营部门，有时要控制节奏

构建正确的东西意味着什么？

人们会使用它吗？
存在市场契合吗？
它对人、对社会是正确的吗？

Kim Goodwin，《How Can We Build Human-Centred Products》，Mind the Product London 2018

你需要找到对人来说正确的东西，同时也要对社会正确。

将伦理融入产品开发生命周期是 2019 年 Mind The Product San Fransisco 上的重要信息。它比以往任何时候都更重要，尤其是考虑到当今可用的工具和能力。

构建更快，跳过难题也更快

过去（3 年前）：多个冲刺周期。

现在：数小时或数分钟

过去需要多个冲刺周期才能完成的事情，现在只需数小时或数分钟。这使得伦理和责任更容易被跳过，这意味着你可以更快地构建错误的东西。

快速与更多的时代

AI 崩塌了创作的成本：更多的代码、设计、原型、指标，以及用于测试的合成用户。它以更多（但未必正确）的东西淹没了产品和软件周期。

团队中的每个人现在都可以搭建原型，但为每个人做的原型并不等于对任何人来说正确的东西

任何让构建正确的东西变得更便宜的工具，也会让构建错误的东西变得更便宜。

“我们在糟糕的敏捷实践中见过这种情况：我们可以通过冲刺冲向错误的东西。”

-Melissa Perri，《Escaping the Build Trap》，Mind the Product San Francisco 2017

历史背景

每个时代都带来了更多能力：互联网、个人电脑、移动设备、社交媒体、云计算；现在是 AI，带有智能体和循环

每个时代都伴随着炒作周期。能力从来不是判断力。它从未解决过我们应该构建什么的问题

技术与社会在正确的时机发生转变，我们必须持续迭代对社会正确的东西

2000 链接与门户网站（Yahoo 的链接农场）
2002 单一搜索框首页（Google）
2022 仍然是一个搜索框，二十年过去了
2023 聊天界面（ChatGPT）

时机并不等同于正确。ChatGPT 是否对社会有益，结论仍未尘埃落定。

我们被工具所赋能。比以往任何时候都更需要用来：

1 解决正确的问题

始终聚焦于人们需要或想要什么，并帮助团队达成目标；应对组织中那种仅仅因为技术上可行就急于发布的倾向。

-Teresa Torres，《Critical Thinking for Product Teams》，Mind the Product London 2017

用 AI 回顾过去。也要看看没人使用的产品。人们不使用的东西显示了我们的失误之处；AI 可以将其呈现出来。例如：电子健康记录。

2 让评估成为新的验收标准

正确地做评估：正确的工具，以及正确的人类领域专业知识作为护栏

将“负责任”和“可靠”等模糊概念转化为可衡量、严谨的评估框架

提问：“这对这些人、在这种情境下，是正确的吗？”这种判断存在于以下领域的交汇处：人类学、计算机科学、批判种族与性别研究、数据科学、设计、经济学、工程学、历史、人权、法律、生活经验、哲学、政策、政治学、科学、技术与社会研究、社会学

你不必独自完成这一切。要愿意向其他领域寻求帮助，以确定你的产品输出是否正确。

产品经理是连接组织的组织，负责把战略转化为实际构建的内容。尊重所有专业

“正确的东西填补了空白。”模型从已有的事物中学习

3 将信任视为一项功能

没有产品是一座孤岛。端到端地理解它。

-Don Norman，《系统思维：产品不仅仅是产品》，2009

理解产品所连接和依赖的一切，因为信任正是在那里建立或丧失的；从第零天起就将用户信任和 AI 治理嵌入产品生命周期

4 编排这场转变

创建新的产品和软件生命周期，重新定义角色，并重新思考团队如何协作，把想法转化为已发布的产品。

运用“无权威影响力”这项能力来管理智能体，同时引导由设计师、工程师和领域专家组成的跨职能团队完成范式转变。

打电话求助朋友

成为那个可以被打电话求助的朋友，同时也要拥有你自己的求助对象。

参考：《谁想成为百万富翁》。这就是 PM，以及我们的人脉通讯录

成为可以被打电话求助的朋友：足够了解产品、用户和领域，团队中的任何人都可以打电话找你要一个快速、可信、有主见的答案

拥有你自己的求助对象：工程师、临床医生、设计师、社区成员

-Tricia Wang，“你并不拥有客户之声”，Mind the Product San Francisco 2019

困难的问题从来不是“我们能把它做出来吗？”

困难的问题是：

我们应该做吗？
这对正确的社区来说合适吗？
如果不合适，我们该怎么办？

PM 在这里很关键，处于为团队回答这些问题的有利位置

产品经理在业务的每个环节做出快速决策。AI 加速了制作的过程。但决策仍然属于我们。

我们其实都已经具备了这项能力

在没有权威的情况下进行管理，并根据团队需求进行调整

引入合适的人并尊重他们的专业

在合适的时机引入 AI

了解你所处的构建环境

关注生命周期的每一个环节；发布只是其中一部分

带回团队的四件事

解决正确的问题：抵制仅仅因为技术上可行就发布的冲动
把评估作为我们的验收标准：把“负责任”和“可靠”变成我们可以衡量的东西
将信任视为一项功能：从第零天起就构建用户信任和 AI 治理
编排这场转变：像我们一直以来那样，通过无权威的影响力来领导智能体和团队

我们知道该怎么做。产品经理比以往任何时候都更加被需要。让我们构建正确的东西。

产品纯粹性陷阱

Emily Andrews，McDonald's 全球产品管理副总裁

许多产品负责人仍在争论：

产品应该放在哪里
产品应该对什么负责？
谁有最终决定权？

优秀产品的原则很有说服力，但在一个庞大而复杂的组织内部应用它们却很混乱

本次演讲是关于在产品不具备教科书式条件时创造影响力

问题在于：

每个人都带来了真相，却没人能做出决定。多个职能争论优先级，各自掌握着有用的信息，也各自承担着真正的责任。

产品有客户证据
市场有增长承诺
运营看得见执行风险
工程看得见技术可行性和规模化能力

冲突的本质是不同形式的真相在争夺同一个决策，而不是聪明人对抗难缠的利益相关方

一种做法：建立一个 RACI

字母更清晰了，决策并没有更好

RACI 明确了责任归属，但这是让一个治理工具去解决文化和信任问题

治理可以明确责任归属；它无法制造共享的背景、判断力或信任。

这次 RACI 演练打击了士气。它并不适合当时的情况。

圣牛一：产品应该拥有优先级决策权

如果拥有决策权本身就在制造冲突呢？

尊重赋能团队背后的意图，但要挑战围绕所有权建立的身份认同

当产品把所有权当作领地时，分歧就变成了对产品是否在做“真正的 Product”的考验。

那一刻就是产品纯粹性陷阱。不要纠结于“事情本该如此”。

转变：从决策所有者到决策架构师

决策所有者负责选择；决策架构师负责创造做出好选择的条件。

产品带来客户证据，让权衡取舍显性化，连接经济与战略，并定义成功的衡量方式

这份工作不是赢下每一个决策，而是防止做出一个信息不足的决策

业务伙伴正是从这里开始寻求产品输入，信任也由此建立

圣牛二：产品应该做客户的代言人

如果产品的真正价值是在不同声音之间做翻译呢？

产品让整个决策变得可见：客户真相、业务现实、技术可能性，并把三者连成一个连贯的选择。

这正是深度业务理解的价值所在：公司如何增长、运营成本是多少、风险在哪里、领导者对什么负责。

产品的价值不在于拥有某一个视角，而在于连接全部三个视角。

圣牛三：“清晰的决策权能解决组织摩擦”

如果没有信任，仅仅清晰够用吗？

决策权很重要，但它无法让人们相信决策背后的判断。

RACI 能说明谁来决策，却无法建立对决策的信心，也无法解决文化或信任问题。

当信任低下时，组织会用更多流程来补偿

信任是运营模式之下的运营模式。结果是更少的幻灯片、更少的辩护、更多的信任

例子：Emily 带来了正确的数据和建议，但领导者当时还不信任她的判断；随着时间推移，她交付了成果，出问题时保持透明，并了解了领导者对什么负责。

信任通过能力、交付、透明和业务同理心建立

业务同理心意味着理解另一位领导者对什么负责，并帮助解决问题，而不是为流程辩护

低信任意味着每个决策都需要流程；高信任意味着人们共同解决问题

目标：在问题变成需求之前，成为人们第一个想到要联系的人

交换：更少的控制，更多的杠杆

你放弃的

对成为路线图唯一所有者的执念

教科书教条，让位于务实的业务速度

把政治资本浪费在证明自己正确而非追求有效上

你获得的

共同担责

在路线图规划开始前数个季度就塑造公司层面的举措

动员产品与工程之外的成千上万名同事

业务与技术共同承担成果交付的责任

领导力的进阶

专业造就可信度。可信度创造影响力。影响力扩大影响范围

角色在扩展；根基（以及标准）不会改变

务实不是妥协

探索、问题界定、质量和执行仍然是不可妥协的

保护路线图，还是保护成果？

你的组织今天需要哪种领导者？

捍卫方法，还是让方法适应问题
升级模糊性，还是创造清晰度
寻求授权，还是改进集体决策
以控制衡量成熟度，还是以影响衡量

要点

紧紧握住原则，松松对待教条

成果高于正统

紧紧抓住客户问题和成果。对所有权、流程和组织纯粹性保持灵活。

原则本身没有错；当它们被视为理所当然的特权时，就会失效。

在你实际拥有的组织中打造出色的产品

产品领导力在产品部门掌控一切时得到证明；它也在产品部门并非掌控者时，依然取得出色成果时得到证明。

要取胜从来不需要某一个职能来承担：需要有人把这些真相连接起来，揭示权衡取舍，并为更好的选择创造条件

目标不是打造完美的产品组织，而是在你现有的组织中打造出色的产品。

产品管理从未停滞不前

Alicia Dixon，Walmart 产品管理总监

PM 角色正在改变

Intuit 人才招聘邮件，2026 年 9 月 23 日（标题：“PM 角色正在被改写”）

LinkedIn 用 Associate Product Builder 取代了 Associate Product Manager 项目（来源：Business Insider，2025 年 12 月）

即使你没有打算成为一名“AI PM”，市场也可能在重新定义你工作的部分内容。

领导层提出要求并没有错，但紧迫感让探索显得缓慢，让质疑解决方案看起来像抵触，让保护客户看起来像想得太多，让要求证据听起来像是在阻碍进展。

把产品管理做好，感觉像是在挡着快速前进的路。

优秀的产品管理工作有时是隐形的

我们对 PM 的期望每十年都在变化；底层的职责却变化小得多。

大多数领导者更关心成果、风险和速度，而不是你是否执行了某个特定的产品仪式。

问题从来不是这个职业能否存续。它总能存续。问题在于，你在这场转型中是选择捍卫自己的职位描述，还是默默地把职位描述之下的实际工作做好。

我们是如何走到这一步的：1931 年至今

1931 年：（业务所有权）Procter and Gamble，Neil McElroy 的备忘录：应该有人拥有这个品牌，确保客户被代表，并确保你应当打造这个产品。

1950 年代：（技术熟练度）问责制在 Hewlett-Packard 转移到技术领域，架起客户需求与工程师所能构建之物之间的桥梁。

1990 年代末：（客户、设计、数据）敏捷、精益、设计思维，测试、学习并快速行动。

2001 年至今：探索、成果；每隔五到七年，就有人宣布旧方式已死

每个时代都是在前一个时代之上叠加，而非取而代之。

30 年代 - 业务所有权
50 年代 - 技术熟练度
90 年代末 - 客户、设计、数据
2000 年代/2010 年代 - 实验与成果
当下：AI 赋能的构建

所以，当你的副总裁问 AI 在哪里时，那不是第五次重塑。它只是下一层。

所以，当你从副总裁那里得到这个要求时，该这样做。

1. 解决正确的问题，无需请求许可

如果领导层说“构建 AI 助手”，不要请求六周的探索期；没人会把这听成严谨，他们听到的是刹车

相反，在团队研究如何构建它的同时：在四十八小时内与三位真实用户交谈，查看行为数据，找出流程在哪里断裂，用最小的实验测试你最大的假设

把你的发现作为成果带进站会：

停止问：“我可以做探索吗？”
开始问：“降低最大不确定性的最快方法是什么？”

2. 在其他人定义胜利之前，将其与业务挂钩

提前定义你的成果将是什么。

在构建变得不可逆转之前，先写下一项成果和一个基线

如果没有人定义胜利，成功听起来就像活动：“我们发布了它。”“我们购买了许可证。”“我们发布了一个 AI 功能。”

确立三件事：今天是 X；我们相信这可以将其推进到 Y；我们将在 Z 之前知道

抢先定义成果很重要，因为每个职能都有其自己对胜利的定义。

同一个举措，四张记分卡：

法务（降低风险敞口）
财务（每笔交易成本）
运营（更少的人工干预）
人力资源（更快的胜任时间）

在构建开始之前选定一个主要成果和明确的护栏。否则，你不会因成功而被评判。你会被拿来对照四个你从未同意的定义来评判，而且很可能在其中几个定义下你会失败。

3. 为人而构建，作为一种习惯，而非一场听证

以客户为中心不应需要一个委员会。它应该是一种本能。在任何东西发布之前，问问这个指标在真实规模下用人类的语言意味着什么。

如果模型有百分之二的时间是错的，那百分之二是什么？

以希尔顿为例，走廊测试：一个失败率为百分之二的数字钥匙在仪表盘上看起来没问题，但对一个人来说是什么样子？这意味着一位客人在午夜的走廊里，面对一扇打不开的门。

我们如何确保客户永远不会失望。

概率系统改变了“完成”的含义。不再是“它能用吗”，而是“它用得有多好，在什么条件下，以及当它失效时会发生什么？”

你不需要许可就能践行优秀的产品管理。你需要的是良好的判断力。

在执行领导层决策的过程中有所发现是一回事；推翻那个决定是另一回事。无论你学到了什么，都要大声说出来。安静不等于隐形。

你的主线

在这些变革中始终保持价值的人，身上携带着某种更持久的东西。通常，你有某件事在截然不同的环境中都做得很好。也许你：

把模糊的问题变成清晰的选择
比任何人都更懂客户
把技术与商业经济学联系起来
在无人拥有权限的地方建立共识
找到隐藏在所请求的解决方案之下的真正问题。

成功应对下一次颠覆，不取决于你获得了哪些工具的认证，而取决于你擅长什么，且这种擅长不依赖于任何工具。

例如，Alicia 的主线是捕捉别人没想到要问的边缘情况。

产品管理从未真正取代过自己，它只是不断在已有的东西上叠加层级。你的职业生涯也是如此。职位在变，主线不变。

你拥有的每一个职位都没有抹去前一个，而是在其之上增添。你的主线不是在其他一切中幸存下来的那项技能，而是自你开始以来，在你增添的每一层之下始终存在的那个东西。

你的主线不是一句简历用语。它是人们信任你能解决的那个问题。

在这样做的时候，强调你的主线。它不是性格测试。它是你核心的自我。

职位不断变化。根基始终如一。

这个职位始于业务所有权，并逐层叠加，一直到使用 AI 工具

但这些根基始终未变：

找到正确的问题
理解人
把工作与价值联系起来
降低不确定性
做出权衡
衡量发生了什么。

“你不必大声捍卫那些原则。你可以安静地践行它们。只是别让安静变成隐形。”

本周要做的两件事

在工作中：针对一个进行中的项目，指出最大的不确定性、主要成果和对人的影响

为你自己：从现在开始，用两分钟找到你的主线

找到你的默认信条

回想一个你没有被要求却默默做好产品工作的时刻。是哪一种？

你追查了真正的问题
你早早定义了胜利，并与业务挂钩
你保护了另一端的人
其他，你打造了自己的冒险

无论你认出哪一个，都是你的默认本能，也是通往你主线的线索

两问测试

可用于任何新角色、新项目或新机会

这是否让我有更多空间继续使用我的默认动作？
我兴奋的是真正的问题，还是包裹在它外面的技术或头衔？

两个“是”指向面向未来的契合；对技术或头衔的光环说“是”但对问题说“不”，则指向某种热门但与你本人无关的东西

总结

PM 这个角色会不断变化；了解基本功，了解你独特带来的价值，并善用每一个新工具。

保持好奇，而非评判：与 Ted Lasso 联合创作者 Brendan Hunt 的炉边对谈

Brendan Hunt，Ted Lasso 联合创作者

Brendan 的背景与早期职业生涯

今天（10 月 7 日）是第 4 季最后一集播出的日子。发布一季的最后一集是什么感觉？

在别人问之前不会去想——感觉很好。这是肩上一种无形的负担，他可以继续前进到下一件事了。

他早期生涯的要点

Brendan 原籍芝加哥。他最初是在 1984 年一次前往 Second City 的实地考察中对即兴表演产生兴趣的。他以前从未见过即兴表演，那令人沉醉，他决定这就是他想永远做下去的事。

在伊利诺伊州立大学期间及毕业后的早期，他在自己创办的一家剧团做即兴表演或戏剧。他称之为 The Grind。

在那些日子里，有 50 名观众就感觉很棒了。他在磨练自己的演技。那里有一种很棒的同志情谊。他们都意识到做这件事的自己是傻瓜，但不会去做别的事。

Coach Beard 这个角色的灵感来源。

Coach Beard 的诞生纯属运气。Brendan 在拍摄最初的 Ted Lasso 广告时因为所演的角色而留了胡子。他有一些台词，但并没有给他起名的计划。当 Brendan 和 Jason（Sudeikis）决定再拍一支 Ted Lasso 广告时，他们决定需要给这个角色起个名字。

即兴表演的格言：看看场景，问它需要什么。每一次出场都充满恐惧，因为你可能进来把事情搞砸。Beard 不怎么说话，因为他不需要说。他只需要填补空隙。

构建软件产品与创作电视剧的对比。

关于在没有权威的情况下施加影响的建议

剧中有太多部门——服装、摄影、灯光、电力、道具。没有人是谁的老板。

只要每个人都清楚自己要做什么，事情就有很大机会顺利进行

设定愿景的技巧？

Jason 在为编剧室面试人选时，会问候选人他们的导师是谁。既然要写一部关于教练和领导者的故事，这就奠定了基调。

Jason 本职是控球后卫，也是即兴表演出身，所以他相信分享球权。一个被全力支持的坏主意，好过一个完全没人支持的好主意。

Brendan 和 Jason 是如何判断观众需要一部像 Ted Lasso 这样的剧的？

“它是我在梦中想到的。”

广告拍完后，Jason 说这里面有东西。于是他们见面了，不知道它会以什么形式呈现。最终决定做电视剧并写了一集试播剧本。它搁置了几年，直到其他几个人加入进来。

2019 年，话语环境的毒性相当明显。他们认为需要的是从这种环境中抽身出来，展现出不向更恶劣诱惑屈服的领导力。

他们是如何在恰到好处的时机推出《足球教练》（Ted Lasso）的？

“杰森最好的主意是 COVID。”

有一句常被引用的话：要好奇，不要妄下评判。布兰登是否认为好奇心是一种可以提升的能力？

好奇心是作为一个人需要具备的重要品质。

真正的知识是知道自己不知道多少。

这是为了让自己在世界上成为一个不会轻易动怒的人。这会打开一条通往理解的道路。

产品人能从全攻全守足球中角色的模糊化中学到什么？是什么帮助球队克服了恐惧？

这种情况是你拥有一个职位头衔，却又即将面临另一个职位的边缘。团队乐在其中，因为他们仍在为足球这项更大的事业服务。他们得以扮演一个新角色，依然为足球服务，而且彼此相伴共同完成。

只要有一个团队和一个明确的目标，就更容易克服“我们能做到吗？”的恐惧。

第一季——只是想拍一部足球喜剧，最终对很多人意义非凡。杰森虽然感激这一点，但在第二季开始时认为，我们需要拨正航向，“杀一条狗”。关于是否这么做有过很多争论，但大家都支持，因为这是为了剧集的整体利益。

“是的，而且”（Yes, and）的教训如何应用于个人和职业生活？

“是的，而且”是让即兴表演奏效的核心准则。你先认同，然后在此基础上构建。这能让小品继续下去。即兴表演教会你如何进行对话，不仅是如何说，还有如何听。

AI 及其对产品管理领域的影响。谈谈 AI 如何影响了他的职业和个人生活。

好莱坞编剧界对此很敏感。不想在编剧工作中使用它。它是一个有价值的工具。用它来做研究以写一本棒球书。这本棒球书是自传性质的，解释了一个人如何能同时成为小熊队和白袜队的球迷。

给新婚夫妇的建议？

回归“是的，而且”。

布兰登一年多前结婚了。到目前为止似乎一切顺利。

他和妻子都曾结过婚，所以从之前的经验中汲取教训。最重要的是沟通。她很有条理，他则“随遇而安”。

每个周日晚上，回顾一周并讨论任何需要深入探讨的问题。另外，不要把手机带上床。

如果你是比尔德教练（Coach Beard），在第一天把产品经理拉到一边，你会对他们说什么？

抱歉，我没有任何资质。要团结一致，要知道你们是一个整体。互相倾听，被强烈支持的坏主意胜过无人支持的好主意。你们不是孤军奋战。

Jimmies、byrons 还是其他？

Byrons。

在产品领域我们会做复盘。回顾你的职业生涯，你会有什么不同的做法？

有一件事“是个糟糕的选择”——2004 年离开阿姆斯特丹去了洛杉矶。没有做任何研究，没有做准备。他只是随波逐流。

很快发现去洛杉矶相当于搬到了另一个国家。他已经有 5 年没开过车了。第一周就出了车祸。本应该先搬到芝加哥加入第二城（Second City）。

另一方面，结果一切顺利。思考本可以如何发展是有教育意义的，但随后你必须考虑混沌理论，以及做出另一种选择可能带来的糟糕后果。

总的来说，他没有任何遗憾。

教练板讲解了足球比赛，并使用了不同的书籍和不同的音乐。这是有意为之，为了吸引不同的受众吗？

我们如何与受众建立联系这个问题并没有被预先规定。问题在于如何最好地支撑故事中的那一刻。归根结底是尽他们所能，而不是考虑如何覆盖更广泛的受众群体。

既然人工智能为我们节省了这么多时间，我们要如何利用这些额外的时间？

可能会多陪陪他的孩子吧。他们的客厅看起来就像一个兼营托儿所的兄弟会会所。

我们应该努力与身边的事物保持联系。

如果教练比尔德要说几句临别赠言：

做你自己就好，宝贝！

创建免费账户以继续阅读

继续阅读——免费

加入 170,000+ 产品人，一起阅读 Mind the Product

创建免费账户以完成本文阅读，并在收件箱中获取最佳产品思维内容。