过去半年，我们持续把 AI 引入产品研发流程。最明显的变化不是“代码写得更快了”，而是整个团队的瓶颈发生了转移。
过去，方案可能花 3 天，实现需要 10 天；现在，方案仍然需要 3 天，实现却可能缩短到 1 天，甚至几个小时。
当实现越来越便宜，真正稀缺的能力不再只是执行，而是：作出正确判断、把目标对齐清楚，并让团队持续变得更好。
产研团队的目标没有变
无论有没有 AI，产品研发团队的核心目标始终是：
持续交付更好的产品结果。
这里有两个关键词：
- 交付：效率和质量缺一不可。
- 更好：团队需要持续学习、改进和成长，而不是机械完成需求。
AI 改变的是达到目标的方式，而不是目标本身。
AI 到底改变了什么
AI 加速了大量认知和执行活动。任务越明确、越能完全通过电脑完成，提效就越明显。
例如：
- 产品人员想清楚需求、目标和路径，AI 可以快速把想法整理成文档和原型。
- 工程师确定架构与关键取舍，AI 可以把技术方案快速变成代码和测试。
过去，团队的大量时间花在“把已经想清楚的事做出来”。现在，AI 大幅压缩了这部分时间，瓶颈自然向上游移动：目标是否正确、方案是否合理、角色之间是否真正理解一致。
个人工作的重点：高质量决策
每个人的工作大致可以分成两类：实现和对齐。
- 实现：把需求变成可以使用的产品。AI 应当多做它能稳定做快、做好的部分。
- 对齐：确认需求是什么、为什么做、做到什么程度，以及交付物是否满足下一环节的需要。
最大的反模式，是把认知也一起外包给 AI。AI 很容易生成一份结构完整、措辞流畅的文档，但“看起来专业”不等于方向正确。
更有效的方式是：
- 人先明确目标和关键判断。
- AI 负责整理、展开、检查和实现。
- 人对最终结果负责，尤其是影响下游的交付物。
个人工作的核心，是在不牺牲对齐质量的前提下，提高实现速度。
团队工作的重点：标准化流程和交接物
AI 相当于给每个岗位增加了一位执行速度很快的同事。如果团队原本的流程模糊、交接物不清晰，AI 只会更快地放大这些问题。
我们目前使用的产研链路可以概括为：
想法 → HTML 原型 → PRD → 设计稿 → 技术方案 → 代码 → 测试用例 → Bug → 验收结论 → 上线
具体过程是：
- 产品阶段：提出想法，用 AI 快速生成 HTML 原型，让团队先体验，再通过反馈收敛需求并产出 PRD。
- 设计阶段：把已经收敛的产品结构转成可执行的设计稿。
- 研发阶段：客户端、后端和 Agent 分别形成技术方案，再由 AI 辅助实现和测试。
- 测试阶段：测试用例、Bug 描述和验收结论都变成明确的结构化交接物。
- 上线阶段：只有当产品、设计、研发和测试的验收结论一致，才完成交付。
AI 提效的关键，不只是让每个角色更快，而是让跨角色交接的摩擦更小。
我们正在使用的提效方式
产品
- 用 AI 生成 HTML 原型，让团队在讨论文档前先体验真实交互。
- 检查方案中的遗漏、冲突和无依据的范围扩展。
- 将产品方案整理成设计和研发可以直接执行的 PRD。
- 收集内外部信息、分析产品数据，并形成结构化调研结论。
设计
- 在 MVP 阶段快速探索风格和页面方向。
- 根据参考图按模块生成初稿和视觉素材。
- 使用稳定的设计 token 和组件规范，降低设计到代码的理解偏差。
研发
- 开始实现前，让 AI 先 review PRD 和接口文档，列出疑问。
- 先拆核心功能和模块边界，再生成技术设计文档。
- 按模块实现 UI、状态、网络请求和自测，避免一次性生成整个系统。
- 用日志、单元测试和自动化代码审查，把运行状态从黑盒变成白盒。
测试
- 用 AI 辅助生成测试用例，但由人确认验收范围。
- 将 Bug 描述标准化，让 AI 能够直接复现、定位和修复。
- 逐步把重复测试沉淀为团队级测试能力，而不是每次重新对话。
一个人与团队的边界
AI 让一个人完成完整产品的效率变得非常高，因为几乎没有角色之间的沟通成本。但个人仍然会受到知识、经验和认知边界的限制。
团队协作的价值，是利用不同人的经验提高产品上限。有人擅长产品，有人擅长研发，有人擅长设计。当实现成本快速下降，这种多视角判断反而更加重要。
我目前的判断是：
一个人做产品效率更高，团队做产品上限更高。
如果未来 AI 在各个方面都全面超过人类，这个结论可能再次变化。但在当前阶段，AI 更像是放大器：它放大清晰的判断，也会放大模糊的目标。
模型跨过可用线以后，体验更重要
我最近逐渐从 Claude Code 转向 Codex。原因不只是模型在某个 benchmark 上谁更聪明，而是完整使用体验：
- 运行是否快速、稳定。
- 失败后能否顺畅重试。
- 界面反馈是否清晰。
- 多任务状态是否容易掌握。
- 整个过程是否让人安心。
当模型能力跨过可用线以后，传统软件里的老问题会重新成为核心：用户价值、交互设计、稳定性和信任感。
智能水平不是决定 AI 产品价值的唯一因素。
最容易被忽略的第三部分：成长
除了实现和对齐，团队还有更重要的第三部分：成长。
“持续交付更好的产品结果”意味着：
- 持续收集用户反馈和产品数据。
- 从反馈与数据中总结经验。
- 把经验沉淀进流程、规范和工具。
- 让下一次交付比上一次更好。
如果团队只盯着实现和交付，即使速度变快，也很容易退化成一个纯执行团队。
结论
这套实践不是终点，而是当前 AI 能力和团队经验下的一张快照。
现阶段最重要的三件事是：
- 让 AI 承担越来越多可靠的实现工作。
- 人继续对目标、关键取舍和最终质量负责。
- 围绕交接物建立标准流程，把每次经验沉淀为团队能力。
AI 让执行越来越便宜，但这并不会让好产品自动出现。真正决定产品结果的，仍然是判断、对齐，以及持续成长。
作者正在开发 GroAsk——一个原生 macOS AI 工作台，用来集中访问 AI，并管理多个 Claude Code、Codex 等终端任务。