我如何理解 AI Native 产品 .
过去我理解 AI，是一个可以提高效率的工具。
但在持续使用 ChatGPT, Claude, Gemini, Cursor, Codex, ComfyUI 等工具后，我逐渐意识到：
AI Native 产品不是把 AI 加到旧功能上，
而是重新思考：
- 用户输入应该是什么？
- AI 需要怎样的 Context？
- 哪些任务可以交给 Agent？
- 哪些环节必须有人校验？
- 输出结果如何被评估和迭代？
- 产品体验为什么成立，而不是功能勉强可用？
所以我现在更关注的不是“AI 能不能回答”，而是：
AI 如何进入一个真实流程，并把人、模型、工具、数据和反馈重新组织成新的工作方式。
传统产品思路
AI Native 产品思路
从设计到 AI Native
不是跳跃，而是迁移。
我的本科训练来自设计，也辅修计算机科学。
设计让我习惯观察真实场景：
计算机辅修和 AI 工具实践让我开始理解底层：
一个产品不只是界面和概念，还包括：
我转向 AI 产品，不是因为单纯追热点，而是因为我在真实项目中反复看到：
很多工作不是没有价值，而是流程太低效。
调研、建模、出图、改稿、写汇报、整理反馈、复盘问题... 这些环节里有大量可以被 AI 重新组织的空间。
我希望成为的不是传统 PM，也不是纯算法工程师，
而是一个能把 真实需求、AI 能力 和 产品流程 连接起来的AI Native Builder.
AI Native 产品核心技能 .
构建基于大模型时代的工具栈矩阵。我关注的不只是技术参数，而是真实的业务提效与用户体验。
AI Product Sense
能做需求分析、竞品研究、用户反馈归因、PRD 初稿 and MVP 拆解。
Agent Workflow
能把任务拆成输入、处理、输出、校验和迭代流程。
AI Coding & Demo
能用 AI Coding 工具辅助理解代码、做 Web 原型、调 API、整理 README 和 Demo。
AIGC Workflow
能用 AIGC 工具做视觉生成、风格探索、空间方案表达和文旅内容生成。
Data & Evaluation
能做基础数据整理、用户反馈分类、Prompt A/B 测试和 AI 输出质量复盘。
我如何研究 AI 产品，
而不是只使用它们。
我将 AI 产品拆解为 7 个维度：
观察重点
通用任务处理、多轮对话、工具整合
让我理解到，通用大模型产品的核心不是“回答问题”，而是能否在用户不明确表达需求时，帮助用户补全任务、结构化问题、推进下一步行动。
观察重点
长文本理解、文档处理、写作稳定性
它的优势让我关注到 AI 产品中的 Context 长度和文本组织能力。对于产品文档、长材料分析、结构化写作，它更像是一个协作型思考工具。
观察重点
多模态、Google 生态、跨工具协作
让我关注多模态输入与生态联动，也让我意识到 AI 产品未来不只是单点功能，而是多个工作场景之间的连接。
观察重点
需求到代码、工程协作、API 逻辑
工具让我看到，未来产品助理不一定要成为纯开发，但需要理解代码结构、文件路径、报错和部署逻辑，才能更好地和工程协作。