AI产品大会上的九个重磅分享，揭示了产品经理在AI时代的三条生存法则：从低代码到自然语言交互的工具革新、从文件管理到智能问答的知识重构、从通用平台到垂直落地的场景深耕。本文深度拆解扣子Coze、声网、腾讯云等前沿案例怀远股票，带你掌握AI时代产品设计的底层逻辑与实战方法论。
两天的AI产品大会，第二天九个分享听下来，感觉信息量巨大。不是那种”听完觉得有道理”的大而空，而是每个嘉宾都在讲实实在在的案例、数据和方法论。
我试着把这九个分享串起来，发现它们其实在回答同一个问题：
AI时代，产品经理到底应该怎么做产品？
整理笔记的过程中，我发现这九个分享可以归纳成三条清晰的逻辑线：
第一条线：工具层的变化——从低代码到自然语言交互
第二条线：知识层的重构——从文件管理到智能问答系统
第三条线：场景层的深耕——从通用平台到垂直落地
下面按照这个逻辑，总结每位嘉宾的核心内容。
第一部分：工具层的变化01 蔡贤锋（扣子Coze）：从低代码到零代码的范式跃迁分享主题：揭秘扣子全新开发模式：AI时代的产品范式跃迁
蔡贤锋上台第一句话就抛出了一个数据：40天，8000多轮对话，一个用户用AI生成了上百个应用。
这个数据让我意识到，产品开发的门槛正在发生质变。
扣子的演进路径
扣子从2023年底诞生到现在，经历了三个阶段：
第一阶段：低代码平台（2023年底-2024年初）
核心逻辑是通过可视化的方式降低操作成本。用拖拽节点的方式搭建工作流，不需要写代码。
但问题逐渐显现：
对小白用户：虽然有模板，但节点太复杂，复制后不知道如何修改对开发者：写几行代码就能解决的事，要拖拽几十个节点，还不如直接写代码低代码的门槛还不够低，灵活性又不够高。
第二阶段：代码能力的指数爆发（2024年中）
蔡贤锋提到一个关键转折点：代码能力不是线性增长，而是指数型爆发。
两年前，AI写代码还不够稳定。但现在，可以把整个代码仓库托管给AI，让它理解上下文、生成代码、甚至优化架构。
这个发现改变了扣子的产品思路：
以前：人操作、人理解、人配置现在：人说话、AI理解、AI搞定第三阶段：扣子编程（2024年底-现在）
扣子编程的核心是：一句话描述需求，AI帮你把应用做出来。
不是低代码，而是零代码。
扣子编程的产品逻辑
蔡贤锋现场演示了一个电商图片打标的案例，整个流程是：
用户用自然语言描述需求：”帮我做一个电商图片打标的工作流”AI生成整个可视化工作流，每个节点自动配置好用户可以单独运行调试每个节点如果哪里不满意，直接对话修改：”这个节点改成XXX”一键部署上线关键点在于：用户只需要描述需求，不需要理解技术实现。
蔡贤锋强调，真正的难点不在前端，而在”最后一公里”——怎么把应用从demo做到生产级可用。
从demo到生产级：封装90%的复杂度
扣子编程把产品开发比作冰山，前面10%是交互和展示，下面90%是基建和运维。
他们把下面90%的复杂功能都封装了：
1. 集成能力
内置常用API：字节的豆包模型、火山引擎能力外部集成：微信公众号、企业微信、飞书文档授权AI自动调用：你只需要说”我要发微信消息”，AI知道去调哪个接口如果某个集成没配置，AI会提示：”请给我一个AppID和AppSecret”。
2. 部署能力
一键部署：不用申请云服务器、不用配域名、不用走审批流程版本管理：集成Git方案，支持版本回滚开发/生产环境隔离
3. 数据存储
接入腾讯云数据库（企业级）
可视化管理：直接看到数据库表格信息
可以写SQL查询，也可以用可视化界面
4. 用户系统
5. 安全机制
环境变量：API token加密存储，运行时才解密数据隔离：开发和生产环境严格隔离核心洞察
蔡贤锋最后说了一段让我印象深刻的话：
“在未来，软件生产力提升之后，描述清楚需求才是最重要的能力。这刚好是产品经理的看家本领。所以在未来，才是真正的’人人都是产品经理’——这不是口号。”
他的逻辑是：
第一代：机器语言（0和1）→ 只有系统工程师能用
第二代：高级语言（C、Java）→ 软件工程师能用
第三代：低代码平台 → 懂业务逻辑的人能用
第四代：AI编程 → 所有人都能用
每一代的抽象，都在降低使用门槛。AI编程是用自然语言作为接口，所有人都可以参与应用创作。
但这不意味着人人都是产品经理。
蔡贤锋说，虽然开发应用变简单了，但描述清楚一个需求依然很难。而这正是产品经理的核心能力。
分享主题：从”活人感”缺失到体验基准打造：对话式智能体的进化之路
姚光华的分享从一个故事开始。
2024年夏天，上海遭遇90年来最热的天气。8月的某天中午，老板打电话：”停下手头的事，帮我写个PPT。”
他推掉了下午和晚上所有安排，写了三页PPT，内容包括WebSocket、WebRTC、WebTransport三种协议的对比，开源RTC和商业RTC的对比，以及实时对话的产品架构。
凌晨开会，到家已经五点。但这只是开始。
接下来45天连轴转加班，在2024年国庆小长假第一天，他们和OpenAI共同发布了世界上第一款to B的real time API。
从那天起，所有开发者都可以在自己的软件里接入对话式智能体。
核心挑战：活人感的缺失
姚光华说，对话式AI最大的问题是缺乏”活人感”。
什么是活人感？就是你跟它对话时，感觉像在跟真人交流，而不是在跟机器说话。
活人感的三个维度：
1. 延迟
人类对话的自然反应时间是200-300毫秒。如果AI的响应超过1秒，你就会感觉不自然。
但传统的语音交互流程是：
语音识别（ASR）：200ms大模型推理：500-1000ms语音合成（TTS）：200ms总计：1000-1500ms
这就是为什么很多AI助手用起来别扭的原因。
声网的解决方案是实时流式传输，把延迟压缩到300ms以内。
2. 音质
人类对声音的敏感度远超想象。如果音质不好，哪怕内容再准确，用户也不想用。
3. 情感表达
真人对话有情绪、有语气、有节奏。AI如果只是机械地回答问题，就会很死板。
体验基准的建立
姚光华团队做的事情，是建立一套完整的对话式AI体验基准。
包括：
延迟标准：多少毫秒是可接受的？音质标准：什么样的采样率、比特率是必须的？情感标准：什么样的语调变化是自然的？这些标准不是拍脑袋定的，而是通过大量用户测试和AB实验得出的。
规模化落地的挑战
从demo到千万级用户的产品，中间有无数工程化问题。
姚光华提到，他们在和OpenAI合作的过程中，最大的挑战不是技术实现，而是如何保证全球用户的体验一致性。
他说了一句让我印象深刻的话：
“地球是圆的，硅谷也可以是卷的。
2024年圣诞节，OpenAI连开12天产品发布会。世界上最优秀的一批人，已经放弃了所谓的’松弛感’，开始全力以赴。因为大家都看到了一个确定性的未来。”
分享主题：腾讯云智能体开发平台技术创新与实践
刘永的分享一上来就给出了两个数据：
Gamma报告：40%的企业将在半年内投入智能体探索
IDC报告：国际企业41%已大规模探索，中国仅30%
他说，企业级智能体建设面临两个核心挑战：
1.AI智能体做什么？
2.如何落地？
智能体落地的四阶段演进
刘永把智能体落地分为四个阶段，每个阶段代表不同的能力跃迁。
阶段一：Simple QA（知识问答）
这是最基础的应用，解决的是”问答”场景。
传统RAG（检索增强生成）面临的挑战：
文档解析困难：PDF里的图片丢失、复杂表格识别不准多模态问答：用户可能上传图片提问多文档推理：答案需要从多个文档中综合得出腾讯云的解决方案：Agentic RAG
不再是传统的”问题→检索→回答”，而是：
1.通过数据表提取线索
2.到文档里查询
3.到知识图谱里推理
4.综合生成答案
技术创新点：
腾讯云OCR解析大模型Doc2Graph模型（文档转知识图谱）图文检索（YouTube Clip模型）结构化检索典型应用案例：
杨国安组织管理军师（小程序）吴晓波频道AI技能中石化1400万会员智能问答阶段二：知识与流程融合
这个阶段解决的是”问答+执行”的场景。
典型案例：华住酒店智能客服
用户可能问：”酒店早餐几点开始？外面有什么好玩的？”
这一个问题包含两个意图：
传统工作流的问题：
只能解决单一意图必须从开始节点走到结束节点用户不能中途跳出腾讯云的解决方案：Agentic RAG + 工作流
可以用工作流执行流程，也可以随时跳出到对话。用户体验更灵活。
落地方法论（华住案例）：
启动阶段：解决多意图、穿插问答的问题调优阶段：精细化每种意图和首轮响应（因为智能客服对准确率要求极高）上线阶段：建立持续观测机制，确保效果稳定成果：
上线千家华住门店
伊利导购助手
邯郸公积金：退休办理流程从15分钟→3分钟，提速80%
阶段三：Multi-Agent协作
刘永说：”我明确要求团队用多智能体模式实践所有任务，因为Multi-Agent才是未来趋势。”
为什么Multi-Agent是未来？
因为复杂任务无法通过单一Agent解决，必须通过多个Agent协作。
典型案例：下载助手
需求：自动在浏览器中下载某个产品的说明书
实现方式：
Search Agent：在搜索引擎中找到官网lDownload Agent：在官网中定位型号、找到下载链接、完成下载两个Agent协同工作，完成一个复杂任务。
Multi-Agent的三个核心优化：
1. LM的后训练
刘永强调：”开源模型和闭源模型在预训练后效果差别不大，但在复杂任务上差异巨大。关键在于后训练。”
后训练是什么？就是针对特定场景的持续优化怀远股票。
比如让模型学会”任务拆解”——把一个复杂任务拆解成多个子任务，分配给不同的Agent。
2. Tool的有效性
不是给Agent越多工具越好。
刘永说，如果给Agent插入大量无效工具，反而会影响效率。
比如网页解析工具，很多网站有反爬虫机制，直接用根本解析不了。需要针对每个网站优化。
3. Memory管理
Agent在执行任务时会失败，失败的经验要记录下来，避免重复犯错。
同时，每次回复的网页内容可能有几十KB甚至上百KB，需要压缩和总结，不然context很快就满了。
腾讯云的Memory管理方案：
Context管理：从写入到召回到压缩到隔离主动总结失败经验上下文的压缩和复原其他Multi-Agent案例：
AI写作助手：
主Agent：理解用户意图大纲Agent：生成文章大纲内容Agent：针对每个章节补充内容格式Agent：转换成PDF、Word等格式表格数据分析：
数据读取Agent数据清洗Agent代码生成Agent（生成分析代码）报告生成Agent（生成可视化图表和分析报告）阶段四：端到端应用系统
将Agent API作为底层核心，通过Web、PC端、硬件融合构建完整应用。
最新的ChatCanvas交互形态，让用户在一个对话框中实现更丰富的交互。
核心洞察
刘永最后说：”一个同学一周探索就能做出成型的Multi-Agent应用——这才是腾讯云智能体平台真正的价值所在。”
他的意思是：平台的价值不在于有多少功能，而在于能让开发者多快做出应用。
分享主题：AI时代，知识库产品的再思考与实践
赵九州的分享开场就很接地气：
“你几乎会发现，拍完照片存档后，过了很久你也不会用它。”
现场很多人笑了，因为这确实是现实。
知识管理的三大痛点
赵九州说，他们做了5万份用户调研，发现知识管理有三大痛点：
知识是碎片化的：文档、图片、邮件、会议记录、网页收藏……散落在各个地方。人的记忆会衰退：你明明记得存过，但想不起来存在哪儿了。文件形式多样：有些是Word、有些是PDF、有些是图片、有些是邮件。查找和使用都有阻力。核心洞察：
“用户想要的不是知识本身，也不是档案，而是快速准确、合理地给到一个答案。”
这句话改变了WPS知识库的整个产品逻辑。
WPS知识库的三个关键决策
决策一：选择窄赛道——工作办公场景
赵九州说，如果做通用知识库，竞争对手是网盘、云盘、企业OA。WPS虽然有用户优势，但作为创新产品，选择正面战场不明智。
为什么选择工作办公场景？
因为WPS的核心优势在于：99%的用户有超过1000份历史文档。
这些文档就是最好的知识来源。而且在工作流里做知识管理，用户不需要跳出去。
决策二：嵌入式架构，而非独立客户端
团队内部曾经讨论过要不要做独立客户端。
独立客户端的好处：
但问题是：
开发周期要2-3年（WPS的C++代码库太庞大）用户学习成本高需要从零开始获取用户最终选择嵌入式架构：
决策三：指针式索引，而非复制或移动
这是最难的技术决策。
三种方案对比：
方案一：移动
好处：不占额外空间，逻辑简单
问题：原文件找不到了，用户认知混乱
方案二：复制
好处：原文件和知识库文件一对一映射
问题：空间占用翻倍，用户不满意，存储成本高
方案三：指针式索引
好处：不占额外空间，原文件位置不变
问题：需要监听原文件的增删改变化，技术改造难度大
WPS选择了方案三，花了小半年时间做技术改造。
赵九州说：”我们希望知识是有活性的，不是静态的陈列馆。同时，用户对知识的使用迁移，这是他的资产，是他的物权。”
Adjective Software：软件的AI化改造
赵九州提出了一个新概念：Adjective Software（形容词软件）。
传统AI软件有两种形态：
形态一：用户先看到软件，AI在后面
比如Word加个AI润色功能。AI的作用很小，只能做一些辅助性的事情。
形态二：用户先看到AI，AI调用工具
比如AI生成一个PPT。但问题是，生成的PPT不能编辑，因为它是一个完整的页面，不是一个个可编辑的元素。
WPS的方式：软件、AI、用户三角关系
AI和用户一起操作软件。
具体怎么做？
软件为AI设计专有能力（比如WPS为AI提供”插入脑图”的API）
AI为软件场景优化输出（比如生成的内容是可编辑的元素，不是一张图片）
用户负责决策、判断
AI负责理解、归档、存储、自动化执行
基于这个架构，WPS开发了一系列创新功能：
1. 汇报模式
基于知识库的一类文件，自动生成年度总结。
比如：”帮我把过去一年来所有的销售数据表，整成一个年度总结。”
AI会自动从知识库里找到相关文件，提取数据，生成报告。
2. 考试功能
从知识库抽取内容，生成考试题目。
企业场景：客服知识库生成客服考试，通过考试才能转正。
3. 转换功能
AI回答可以转成脑图、PPT、PDF。
而且这些转换后的文件是可编辑的，不是静态的图片。
Knowledge as a Service：知识引擎的未来
赵九州最后提出了一个大胆的愿景：KaaS（Knowledge as a Service）。
核心逻辑：
在AI时代，我们管理的不再是：
而是私有知识。
管理私有知识的载体，不一定是操作系统，而可能是统一的协议标准。
RAG的进化不是终点，它应该像通讯协议一样，成为一个标准的中间件。
WPS希望做的是：
1.统一标准接口，所有软硬件都可以调用
2.全方位数据解析，标准化知识表示
3.精准语义检索和召回
4.可信、跨品牌、细颗粒度的权限管理
5.知识资产化和价值交换
举个例子：
未来你开车时，问小爱同学”帮我看一下上周的销售材料”。
小爱不需要你把材料传给它，而是直接调用WPS的知识引擎，获取答案。
这样的好处：
用户的私有知识得到统一管理所有IOT设备和软硬件不用自己做知识库知识可以跨设备、跨应用、跨场景流动第三部分：场景层的深耕05 井然（前吉利）：智能座舱体验度量新范式分享主题：AI驱动的智能座舱体验度量新范式
井然是《赢在体验》作者，曾任吉利中央研究院智能座舱中心用户体验负责人。
他开场就给出了一个关键背景：新能源车渗透率超50%，智能座舱体验成为购买决策的关键因素。
传统体验度量的五大困境
后视镜效应：传统体验度量依赖用户调研，但用户调研是事后的，只能看到已经发生的问题。幸存者偏差：只有留下来的用户会参与调研，流失的用户你根本接触不到。表达偏差：用户说的和用户做的往往不一致。用户可能说”这个功能很好用”，但实际从来不用。数据孤岛：语音数据在语音部门，视觉数据在视觉部门，触控数据在交互部门，无法形成完整视图。一次性拍照：传统调研是一次性的，无法持续追踪用户体验的变化。AI驱动的四大创新
创新一：全量监测
不再依赖小样本调研，而是对所有用户的所有操作进行全量监测。
比如：
用户说了什么话（语音识别）用户看了哪里（视觉追踪）用户点了什么（触控记录）车辆的状态（传感器数据）创新二：多模态融合
把语音、视觉、触控、传感器数据整合起来，建立完整的用户行为图谱。
比如用户说”打开空调”，AI可以记录：
用户说这句话时的语气（是否急躁）用户的视线（是否在看屏幕）车内温度（是否真的很热）空调响应时间（用户是否需要等待）创新三：数字人压力测试
用AI数字人模拟真实用户，在产品上线前进行大规模压力测试。
比如模拟1000个用户同时使用导航功能，看系统会不会崩溃。
创新四：主动闭环
发现问题后，AI自动触发优化流程，不需要人工干预。
比如发现某个功能的误触率很高，AI自动调整按钮大小和位置。
三维度量框架
井然提出了一个三维度量框架：
维度一：交互触点
用户与系统的每一次交互都是一个触点。语音、触控、手势、视线……
维度二：场景任务
用户要完成的具体任务。导航、听音乐、调空调、打电话……
维度三：数据指标
量化的体验评估标准。响应时间、成功率、错误率、满意度……
三个维度交叉，形成一个完整的体验度量矩阵。
核心洞察
井然最后说：”AI时代是体验管理的爆发年，但我们要记住，体验管理是面向人性的，不是面向AI的。”
这句话我理解是：AI是手段，人的体验才是目的。
分享主题：视觉大模型驱动工业智能化
刘凯是思谋科技工业AI平台产品总监。他的分享很务实，全程都在讲案例和数据。
工业AI的三大优势
行业部署转换快：工业场景相对标准化，一个工厂验证成功，可以快速复制到其他工厂。场景密度高：一个工厂可能有几十上百个质检点，每个点都是一个应用场景。ROI可量化：工业AI的价值可以直接用钱算出来。比如：
人工质检：200万/年AI检测：50万/年节省：150万/年ROI非常清晰怀远股票，老板很容易做决策。
核心悖论：数据稀少与高良率矛盾
但工业AI有一个核心悖论：工厂越成功，AI越饥饿。
什么意思？
传统AI需要大量缺陷样本来训练模型。但优秀工厂的良率可能达到99.9%，几乎没有缺陷数据。
你需要AI来做质检，但AI需要缺陷数据才能训练。这就是矛盾。
破局方案：视觉大模型+合成数据
思谋的解决方案是：
第一步：用视觉大模型理解正常样本的特征
不需要缺陷样本，只需要大量正常样本。AI学会什么是”正常”。
第二步：用合成数据生成缺陷样本
基于对”正常”的理解，AI可以生成各种缺陷样本。
第三步：用合成数据训练质检模型
用这些合成的缺陷样本训练模型，然后用少量真实缺陷样本微调。
效果：
传统方法需要数千个缺陷样本，现在只需要几十个。
典型场景与价值量化
场景一：苹果屏幕检测
人工质检：200万/年，漏检率5%
AI检测：50万/年，漏检率0.1%
节省：150万/年，质量提升50倍
场景二：半导体晶圆检测
人工质检：无法24小时工作
AI检测：24小时不间断，稳定性远超人工
场景三：食品包装检测
人工质检：主观性强，标准不统一
AI检测：标准统一，可追溯
核心洞察
刘凯说：”工业AI的ROI是稳定且可量化的。这是相比其他AI应用的最大优势。”
他的意思是：工业AI不是讲故事，是实实在在能算出来的收益。
分享主题：企业AI智能体的实践与差异化思考
刘向华是蓝凌软件副总裁、产品研发中心总经理。他的分享很接地气，全是企业落地的实践经验。
两种落地路径对比
企业AI智能体落地有两种路径，他用两个客户案例对比。
路径一：自上而下（中交建模式）
统一规划、统一部署、统一管理。
优势：
一次做对，避免重复建设
综合效率高
系统整合好
劣势：
周期长（可能要1-2年）
风险大（如果方向错了，全盘皆输）
灵活性差
路径二：自下而上（OPPO模式）
各部门自己探索，成功的案例推广。
优势：
快速见效（1-2个月就能看到效果）创新能力强（各部门都在尝试）适应变化快劣势：
刘向华的观点：
“不是每个企业都适合同一种路径。选择哪种路径，取决于企业文化和发展阶段。”
大型国企：适合自上而下（因为需要统一管理）互联网公司：适合自下而上（因为需要快速创新）五大高频场景
刘向华总结了企业AI智能体的五大高频场景：
1. 流程发起
AI自动识别用户意图，触发对应流程。
比如用户说”我要请假”，AI自动打开请假流程，填好默认信息。
2. 意见总结
汇总多方意见，生成决策建议。
比如一个项目有10个人参与，每个人都发表了意见。AI自动总结核心观点和分歧点。
3. 自动审批
基于规则和历史数据，智能审批。
比如差旅报销，如果金额在预算内、发票合规，自动通过。
4. 智能收文
自动分类、提取关键信息、推送给相关人员。
比如收到一份合同，AI自动识别合同类型、金额、签约方、到期时间，推送给法务和财务。
5. 批示引用
智能匹配历史批示，辅助决策。
比如领导要批示一个项目，AI找出历史上类似项目的批示，供参考。
五个共同趋势
刘向华观察到，不管是哪种路径，都有五个共同趋势：
1. 私有部署
企业对数据安全要求极高，都选择私有部署。
2. 创新大赛
很多企业通过内部创新大赛，激发员工创造力。
比如OPPO的”AI创新大赛”，员工提交智能体应用，评选出优秀案例推广。
3. 卡片形态
智能体的交互形态，都在向”卡片化”发展。
比如钉钉的智能助手，不是一个独立应用，而是嵌入在各个卡片里。
4. 智能体管控
企业需要统一管理智能体，避免失控。
比如员工不能随便创建智能体，需要审批。
5. 提示词资产化
“提示词是企业的核心资产。”
刘向华特别强调这一点。好的提示词是经过反复调试的，代表了对业务的深度理解。
企业需要把这些提示词沉淀下来，形成最佳实践库。
分享主题：AI在教育行业的应用与实践
黄鼎隆是码隆智能创始人，2014年就开始AI创业，算是老兵了。
他的分享从一个概念开始：把AI放在指数位置，而不是加号后面。
产品+AI vs AI^产品
这个概念来自清华大学教授杨斌。黄鼎隆说，刚看到时觉得新奇，但当真正从这个角度思考时，发现确实不一样。
产品+AI的思维：
定位角度：在传统产品中嵌入或附加AI模块
设计逻辑：先有产品功能，再考虑用AI优化
用户体验：使用时感觉”有AI在里面”
进化机制：用数据驱动AI功能
AI^产品的思维：
定位角度：从一开始就由AI驱动整个产品的设计和运行
设计逻辑：从AI能力出发，思考产品形态和交互方式
用户体验：感觉像一个聪明的实体在互动
进化机制：用AI驱动整个产品生命周期
差别在哪？
黄鼎隆说：”前者是优化，后者是重构。”
从AI+X到找到X的过程
黄鼎隆讲了他们的创业历程。
2014年，深度学习刚出现，他们有了AI技术，但不知道往哪儿用。
于是开始找X：
时尚：用AI分析时装周的流行趋势可穿戴设备：用AI识别面料成分安防：用AI检测行李中的危险品超市：用AI识别水果自动称重图书馆：用AI自动盘点图书黄鼎隆说：”现在回想起来，作为创业团队，竟然同时尝试几十个不同的X，有很多不成熟的地方。”
真正的转折点是找到了教育场景。
教育场景的刚需：中考实验操作评分
2022年，教育部规定要把实验操作纳入中考。
学生要动手做实验，老师要看过程打分。
问题来了：
深圳中考十几万考生，哪有那么多老师？而且老师主观差异大，难以保证公平公正。
码隆的解决方案：
用AI自动评分。
视觉AI：实时分析学生的实验操作
动作识别：判断每个步骤是否正确
自动打分：给出客观分数
落地过程：
2022年：深圳盐田区，全国第一个区级AI评分
2023年：珠海全市中考，人质复核率接近100%
2024年：全国拓展500+学校
从考试到教学的进化
找到刚需后，黄鼎隆开始思考：如何把AI放在指数位置？
考试一年只用两天，日常教学每天都要用。
于是开发了多模态大模型，专门用于实验场景：
功能一：实验设计
学生和大模型一起设计实验方案。AI会问：”你想验证什么假设？需要哪些器材？”
功能二：实验讲解
数字人讲解实验要点。比如：”注意慢慢倾倒，不要太快。”
功能三：实时指导
AI实时分析实验操作，判断对错。比如学生用手去调节砝码，AI会提示：”这个操作不符合规范。”
功能四：数据读取
视觉识别读取容器刻度、天平数据。不需要学生手动记录。
更进一步：AI学习空间
黄鼎隆展示了一个案例：深圳某学校的AI学习空间。
学生可以在这里跟大模型进行全科学习。学校开始进行教学改革——听不懂的学生可以申请去AI空间学习，AI根据学生进度个性化辅导。
老师可以给不同学生布置不同的AI学习任务，AI成为老师的助教。
最新探索：超级老师（AI+智能眼镜）
和南科大合作，开发”超级老师”系统。
老师戴上智能眼镜，眼前每个学生头顶冒出一个泡泡，显示学生状态——实验中扣了几分，分别是哪些点。
老师可以实时下发题目，所有学生回答，答案立刻呈现。
意外的发现
黄鼎隆说，AI产品最有意思的地方是：使用场景往往跟设计时想象的不一样。
比如学生会跟AI一起把不会的题目搞懂后，再创作一个题目发布到大屏幕上，让同学挑战。
这个场景是团队之前没想到的。于是他们把大屏幕朝外，让空间外的学生也能参与。
产品经理的新技能门槛
黄鼎隆最后提了一个警示：很多产品经理的技能门槛正在降低。
上个月，广东省发明协会组织了智能体制作大赛，包含小学生。
很多小学生创作的智能体水平非常高。
为什么？
因为制作智能体所需的门槛已经很低。小学生想象力无限，没有任何约束。
那么AI时代产品经理的新技能应该在哪里？
黄鼎隆认为：主导一个AI agent系统设计的能力，以AI为搭档、以AI为接口，重构人与AI共生的新产品空间。
分享主题：AI在数字化系统中的应用与实践
顾行宙现在大部分时间在中东做AI能源优化项目。他的分享很不一样，全程都在讲文化差异和场景理解。
认知对齐的重要性
顾行宙先给大家看了一张照片：他住的公寓电梯面板。
5楼对应的是6楼（Ground Floor不算一楼），中间是P1、P2、P3（停车场），停车场建在中间5层。
为什么？
中东地下水浅，岩石坚硬，往下挖成本极高。所以所有楼都是停车场建在中间，再往上走。
这个细节为什么重要？
因为他们做的项目是房地产设施的AI改造——楼宇能源节能。
如果不了解当地国情，不知道楼的特性，用AI优化能源就会出大问题。
祷告习惯改变AI设计
顾行宙讲了一个更具体的例子。
中东客户一天祷告五次。开会开着开着，一半人去祷告了。
如果你装了传感器，侦测到房间没人，就调温度，10分钟后他们回来了——这个AI设计就完全错了。
还有斋月，白天不吃不喝。
还有沙特的数据不能离境，云服务行不通。
顾行宙说：”文化不一样，产品业务流程都得改。”
商业模式的重构
中东人喜欢pilot project，但pilot往往意味着free（免费）。
怎么办？
顾行宙他们干脆说：免费。
但免费不是真免费，而是结果付费。
具体方式：
乙方出钱给甲方做光伏或能源改造。改造完成后，如果帮你能源优化了40%，那20%的成本节省就变成乙方的收入。
这个模式的核心：把结果变成服务本身，只卖服务。
为什么这个模式在中东行得通？
因为中东第三产业发达，服务业发达，服务质量高。但工业不发达，高科技不发达。
更关键的是，中东人力成本低——菲律宾劳工500美金一个月。
所以竞争人力成本是竞争不过的。必须竞争结果。
三不原则
顾行宙总结了提项目的”三不原则”，命中率会更高：
不改造：中东客户很担心改造，不想大动干戈。你要告诉他，这是额外加上去的，不影响原有系统。不中断：分分钟几千万上下，不允许停工。你要告诉他，可以在不停工的情况下部署。不绑定：被欧美人坑久了，很讨厌绑定系统。你要告诉他，这是随时可以撤走的，不会被锁定。渐进式授权
顾行宙强调，AI的应用要渐进式授权。
他们给客户的智能优化方案，前期不做优化。
前1-2个月只收集数据，明确告诉客户不要期待前期就实现成本降低。
为什么？
因为客户有非常强的自我习惯。
比如那个六七十年代的楼，对方要求空调主机7天24小时不关机——那怎么优化？
只能先收集数据，了解他们的真实需求和使用模式，再做优化。
跨越数字化，直接智能化
顾行宙最后提出一个观察：中东还处在数字化过程，但很可能直接跨越到智能化。
因为智能化浪潮来得太快，很多企业会跳过传统数字化，直接走向智能化。
这既是机会，也是挑战——基础设施是没有的，电子化、数字化的基础设施都没有。
那怎么直接智能化？
这需要产品经理重新思考整个交付方案——不能假设客户有完善的数字化基础，而要从零开始设计。
听完九个分享，我试着把它们串起来，发现有三个核心洞察贯穿始终。
洞察一：工具门槛在降低，需求洞察在升值蔡贤锋说：40天8000轮对话，一个用户生成上百个应用。
刘永说：一个同学一周就能做出成型的Multi-Agent应用。
黄鼎隆说：小学生都能做出高水平的智能体。
这意味着什么？
画原型图、写PRD、管理开发进度，这些能力的门槛在降低。
但理解用户真实需求、重新定义问题本质，这些能力变得更重要了。
扣子的蔡贤锋说得对：”描述清楚需求，才是最重要的能力。”
但问题是，我们能描述清楚需求吗？
很多时候，用户自己都说不清楚要什么，我们只能通过观察、访谈、数据分析去洞察。
这个能力，AI替代不了。
洞察二：知识和数据才是真正的护城河赵九州说：WPS的优势是用户的1000份历史文档。
黄鼎隆说：教育场景的真实教学数据，才是码隆的护城河。
顾行宙说：中东客户最担心的是数据不能离境。
这给了我一个很大的启发。
以前做产品，我们总想着要有技术壁垒、要有专利、要有独家算法。
但AI时代，技术的门槛在降低。开源模型性能越来越好，大模型API越来越便宜。
真正的壁垒是什么？
是你积累的用户数据，是你理解的场景知识，是你沉淀的业务经验。
这些东西，别人拿钱买不到，AI学不会。
洞察三：场景理解比技术掌握更重要赵九州花了小半年做指针式索引的技术改造。
黄鼎隆说很多AI使用场景是你事先没想到的。
顾行宙说中东客户的祷告习惯，会完全改变AI的设计。
我突然明白了一件事。
以前做产品，我们总觉得只要技术够强，什么场景都能做。
但现在发现，技术是基础，真正难的是理解场景。
用户在什么场景下用你的产品？他们的真实痛点是什么？他们的使用习惯是什么？他们的文化背景是什么？
这些问题，需要你长期浸泡在用户场景里才能理解。
技术可以买，可以学，但场景理解需要时间积累。
写在最后整理完这27页笔记，已经是凌晨两点。
AI产品大会，我最大的收获是：
AI时代的产品经理，不是被AI替代，而是要学会用AI的思维做产品。
什么是AI的思维？
不是把AI当成一个功能加到产品里，而是从AI的能力出发，重新思考产品应该是什么样的。
扣子的蔡贤锋说：”人说话、AI理解、AI搞定。”腾讯云的刘永说：”Multi-Agent才是未来。”WPS的赵九州说：”用户要的不是知识库，是答案。”码隆的黄鼎隆说：”把AI放在指数位置。”前阿里的顾行宙说：”场景理解比技术掌握更重要。”这些话不是口号，是实实在在的方法论。
最后分享三个我的思考：
第一，不要被AI的能力限制了想象力。
AI能做的事情，远比我们想象的多。但前提是，你要先想清楚要让AI做什么。
第二，不要被技术的复杂度吓倒。
很多底层的复杂性，平台都帮你封装好了。你要做的，是理解用户需求，描述清楚问题。
第三，不要离开用户场景做产品。
技术再先进，如果不理解用户真实的使用场景，做出来的产品也是白搭。
作者：Blues
整理自2025年12月21日深圳AI产品大会第二天
分享主题列表和嘉宾：
蔡贤锋，扣子coze高级产品经理《揭秘扣子全新开发模式：AI 时代的产品范式跃迁》
姚光华，声网 AI产品线负责人《从“活人感”缺失到体验基准打造：对话式智能体的进化之路》
井然，《赢在体验》作者，前吉利中央研究院智能座舱中心用户体验负责人《AI驱动的智能座舱体验度量新范式》
刘凯，思谋科技工业AI平台产品总监《视觉大模型驱动工业智能化》
刘向华，蓝凌软件副总裁、产品研发中心总经理《企业AI智能体的实践与差异化思考》
赵九州，金山办公高级产品总监《Al时代，知识库产品的再思考与实践》
刘永，腾讯云智能体平台产品运营负责人，优图实验室专家研究员《腾讯云智能体开发平台技术创新与实践》
顾行宙，前阿里巴巴机器人首席产品经理《AI在数字化系统中的应用与实践》
黄鼎隆，码隆智能创始人《AI在教育行业的应用与实践》
本文由人人都是产品经理作者【Blues】，微信公众号：【BLUES】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash怀远股票，基于 CC0 协议。
宏粤配资提示：文章来自网络，不代表本站观点。
