AI Native 产品团队 Skill

使用场景

• 团队正在或计划引入 AI 能力，需要重新设计工作角色和协作流程
• 团队中 AI 能力与传统产品能力之间出现职责重叠或空白
• 需要建立 AI Native 时代的团队能力建设和招募路径

核心概念

• 人机分工设计：根据能力特征分配给人类或 AI，避免"所有人都要用 AI"或"AI 能做的就不需要人"
• 能力缺口识别：评估团队在 AI 时代缺少哪些新能力（如 AI 评估、Agent 设计、反馈工程）
• AI 质量专员：专门负责 AI 输出质量的评估、反馈和优化的新角色

团队设计四步法

第一步：角色梳理

现有角色 × AI 能力矩阵：

传统角色	AI 可承接的工作	人仍主导的工作	需新增的能力
产品经理	文档草稿、竞品分析、数据汇总	方向判断、关系管理、决策	AI 评估能力
设计师	设计稿初稿、变体生成	用户体验判断、品牌把控	AI 协作设计
研发工程师	代码补全、测试生成、文档	架构设计、系统集成	Agent 运维能力
数据分析师	数据清洗、报表生成、可视化	业务洞察、假设提出	AI 质量评估
运营	内容生成、客服辅助	策略制定、关系维护	反馈工程

第二步：人机分工设计

原则：

• AI 接管高频、高重复、有标准答案的工作
• 人类保留低频、高风险、需要判断的工作
• 新增"AI 质量评估"类角色，专门负责评估 AI 输出的质量

人机分工决策框架

任务特征	分配
高频、标准化、有评估标准	AI 主导
低频、模糊、无标准答案	人类主导
高风险、不可逆	人类主导 + AI 建议
需要跨角色协作	人在回路中
全新领域、无历史数据	人类主导 + 快速实验

第三步：能力缺口识别

AI Native 团队新增能力项：

能力项	描述	优先级
AI 评估能力	评估 AI 输出质量、稳定性和适用场景	P0
反馈工程	设计反馈机制让 AI 持续改进	P0
Agent 运维	监控、调试、优化 Agent 行为	P1
上下文设计	设计和维护高质量的上下文输入	P1
AI 风险管理	识别和管理 AI 相关的风险和合规问题	P1
人机协作设计	设计自然的人机交互流程	P2

第四步：团队协作流程

传统流程 vs AI Native 流程

传统流程:
  产品经理 → 写PRD → 设计师 → 设计稿 → 研发 → 实现 → 测试 → 上线

AI Native 流程:
  产品经理 + AI → PRD草稿 → 快速原型实验
  设计师 + AI → 设计变体 → 人类选择与优化
  研发 + AI Copilot → 代码 → 人类review
  持续反馈 → AI 质量评估 → 持续优化

AI 质量专员职责

这个角色是 AI Native 团队的新增核心角色：

• 评估 AI 输出质量：建立评估标准和 Rubric
• 反馈工程：设计反馈机制，让 AI 持续改进
• 边界维护：确保 AI 不超出能力边界
• 案例沉淀：积累成功和失败案例，形成团队知识

输出物：AI Native 团队方案

1. 角色 × AI 能力矩阵：每个角色的 AI 化程度和新增能力要求
2. 人机分工协议：明确哪些工作归 AI、哪些归人类、哪些需要协作
3. 能力建设路线图：团队需要建设哪些新能力、优先级和获取路径
4. 新增角色 JD：AI 质量专员等新角色的职责和能力要求
5. 协作流程改造：从传统流程到 AI Native 流程的具体变化点

与其他 Skill 的关系

• 前置：了解完整方法论后可系统性设计团队
• 协同：@ai-native-production-ops（AI 质量评估嵌入生产运行）
• 配套：@ai-native-ux-design（UX团队 AI 化），@ai-native-agent-skill-design（Agent 运维能力）

示例

用户输入

"我们的 AI 客服团队有 5 人：1 个 PM、2 个客服、2 个研发，正在引入 AI Copilot，需要重新设计团队"

Skill 执行

角色 × AI 能力矩阵:
  PM:
    AI承接: 文档草稿、竞品分析模板、数据汇总
    人类主导: 需求判断、优先级决策、客户沟通
    新增能力: AI评估能力（评估Copilot输出质量）
  
  客服:
    AI承接: 常见问题回复、工单分类、FAQ检索
    人类主导: 复杂投诉、情绪处理、高风险沟通
    新增能力: 反馈工程（高质量反馈 → 模型优化）
  
  研发:
    AI承接: 代码补全、测试生成、文档
    人类主导: 架构设计、Agent运维、系统集成
    新增能力: Agent运维能力（监控+调试+优化）

人机分工协议:
  AI主导场景:
    - 订单状态查询 → AI自动回复
    - FAQ检索 → AI回答
    - 意图分类 → AI + 人工确认
  
  人类主导场景:
    - 退款决策 → 人工
    - 投诉处理 → 人工
    - 系统架构 → 人类
  
  协作场景:
    - 回复建议 → AI生成 + 人工确认
    - 知识库更新 → AI建议 + 人工审核
    - 新功能设计 → 人类主导 + AI辅助

能力建设路线图:
  第1月:
    - 全员AI工具培训（ChatGPT/Copilot基础）
    - 建立反馈收集机制
    - 目标: 人均AI使用频率>3次/天
  
  第2-3月:
    - PM: 学习AI评估方法，建立Copilot评估标准
    - 客服: 建立反馈工程机制
    - 研发: Agent运维基础培训
  
  第4-6月:
    - 新增AI质量专员（从现有PM或客服中选拔）
    - 建立完整的AI质量评估体系
    - 目标: Copilot采纳率>70%

新增角色 JD - AI质量专员:
  职责:
    - 建立AI输出质量评估标准和Rubric
    - 设计反馈工程机制，持续优化AI表现
    - 监控AI系统在生产环境的质量指标
  能力要求:
    - 理解AI能力边界和局限性
    - 有数据分析能力（评估质量指标）
    - 有产品Sense（判断AI输出是否满足用户需求）
    - 擅长跨角色沟通（协调PM/客服/研发）

深入核心概念

1. 组织先要具备最小实验环境

要让方法论落地，组织必须先建设基本实验环境，包括模型平台、数据平台、实验工具、样本与评估机制。一个最低可用的实验环境通常包括：可切换的模型能力入口、可用的资料与数据访问层、基本的样本集和评估方式、可快速搭建 Prompt/RAG/Agent/Workflow 的试验工具、最基础的权限和审计边界。

2. 角色正在发生根本变化

在 AI Native 团队里，产品经理不再只是需求整理者，而更像能力设计者；工程师不再只是实现者，而更像 AI 系统设计者；数据工程师与领域专家的地位明显上升，因为数据质量和场景知识直接决定能力质量。AI 产品经理是围绕问题、资料、能力、评估和价值组织实验的人。

3. 实验文化比工具更重要

再好的平台，如果组织还坚持"先定全量需求、再按计划开发"，也很难做出真正的 AI 产品。AI Native 团队必须接受三件事：不是所有实验都会成功；失败实验同样提供信息；产品方向可以在实验中被修正。实验文化的核心不是鼓励混乱试错，而是建立一套有节奏的工作方式：用小范围问题定义替代大而全需求定义、用阶段性证据替代主观拍板、用失败样本和人工修正推动下一轮实验。

4. 方法论落地要按组织规模展开

同一套方法论在不同规模组织里落地方式不同。个人要解决的是"如何先把能力用起来"；小团队要解决的是"如何让协作不失真"；大公司要解决的是"如何在规模化推进时不失控"。组织结构应该服务于方法论落地，而不是先画一张组织图再倒逼项目去适应。

5. 围绕问题链协作而非功能交接

传统软件团队常用功能交接模式：产品提需求、研发做实现、测试做验证、运维负责上线。AI Native 团队更适合围绕同一个问题做协同推进：产品定义问题和价值目标、AI 工程师验证能力和系统方案、数据工程师处理资料供给、领域专家提供场景判断与成功标准。让"问题、资料、能力、评估、工程"在同一条链上被讨论。

分步执行

步骤 1：建立最小实验环境

输入：组织现状、可用基础设施

执行要点：

• 评估现有能力：是否有可切换的模型能力入口？是否有可用的数据访问层？是否有基本的评估机制？
• 补齐基础设施：模型接入层、数据平台、实验工具、样本管理、权限审计
• 目标不是建成"大平台"，而是让团队有能力稳定地做"方向定界 → 试验展开 → 系统构建"的前半段工作

输出：最小实验环境清单（已有 / 需补齐 / 优先级）

步骤 2：角色梳理——现有角色 × AI 能力矩阵

输入：团队现状、业务场景

执行要点：

• 盘点现有角色：产品经理、设计师、研发工程师、数据分析师、运营等
• 分析每个角色的 AI 化程度：哪些工作 AI 可承接？哪些人仍主导？需新增哪些能力？
• 识别关键角色变化：AI 产品经理（能力设计者）、AI 工程师（系统设计者）、领域专家（场景判断者）

输出：角色 × AI 能力矩阵

步骤 3：人机分工设计

输入：角色矩阵、业务场景

执行要点：

• 应用分工决策框架：高频标准化 → AI 主导；低频模糊 → 人类主导；高风险不可逆 → 人类主导 + AI 建议
• 设计协作模式：自动模式、Copilot 模式、人在回路中模式
• 定义 AI 质量评估角色：专门负责评估 AI 输出质量的新角色

输出：人机分工协议

步骤 4：能力缺口识别与能力建设路线图

输入：人机分工协议、团队能力现状

执行要点：

• 识别新增能力项：AI 评估能力（P0）、反馈工程（P0）、Agent 运维（P1）、上下文设计（P1）、AI 风险管理（P1）、人机协作设计（P2）
• 设计获取路径：内部培训、外部招聘、项目实战
• 制定时间表：第 1 月基础培训 → 第 2-3 月专项能力 → 第 4-6 月新增角色

输出：能力建设路线图

步骤 5：协作流程改造

输入：人机分工协议、能力路线图

执行要点：

• 设计 AI Native 流程：产品经理 + AI → PRD 草稿 → 快速原型实验；设计师 + AI → 设计变体 → 人类选择与优化；研发 + AI Copilot → 代码 → 人类 review
• 建立共享实验面板：让产品、工程、领域专家至少对"什么算有效、什么算无效"形成共同语言
• 减少串行交接，避免反馈链条太长

输出：协作流程改造方案

步骤 6：按规模选择落地路径

输入：组织规模、业务复杂度

执行要点：

• 个人：选一个高频重复任务，围绕它跑通最小闭环，形成可复用的个人系统
• 小团队（3-8 人）：围绕一个共享问题形成稳定协作，建立共享实验面板，把一条真实业务闭环跑通
• 大公司：从业务单元跑通闭环 → 平台层沉淀通用能力 → 组织层面推广，建立"局部试验、平台沉淀、分层治理、逐步复制"的推进机制

输出：组织落地方案

示例 1：传统软件团队转型 AI 客服团队

背景

某传统软件公司有 20 人产品团队（5 PM、8 研发、4 测试、3 运营），计划做 AI 客服产品。当前状态：

• 团队无 AI 产品经验
• 有 3 年客服行业经验的领域专家 1 人
• 已有工单系统和客服数据
• 管理层要求 6 个月内出 MVP

Skill 执行输出

# AI Native 团队方案：传统团队转型 AI 客服

最小实验环境:
  已有:
    - 工单系统和历史数据（10 万+ 条）
    - 基本的开发和测试环境
    - 领域专家（1 人，客服行业 3 年经验）
  需补齐:
    - 模型接入层（接入 LLM API）
    - 评估工具（自动评估 + 人工评估）
    - 样本管理（标注工具 + 样本库）
    - 权限审计（数据脱敏 + 操作日志）
  优先级:
    P0: 模型接入层 + 评估工具
    P1: 样本管理
    P2: 权限审计

角色 × AI 能力矩阵:
  PM（5人）:
    AI承接: 文档草稿、竞品分析模板、数据汇总、用户画像
    人类主导: 需求判断、优先级决策、客户沟通、方向决策
    新增能力: AI 评估能力（评估 Copilot 输出质量）
    转型路径: 2 人转 AI 产品经理，3 人保持传统 PM
  研发（8人）:
    AI承接: 代码补全、测试生成、文档、简单 Bug 修复
    人类主导: 架构设计、Agent 运维、系统集成、安全审计
    新增能力: Agent 运维能力（监控 + 调试 + 优化）
    转型路径: 4 人转 AI 工程师，4 人保持后端/前端
  测试（4人）:
    AI承接: 测试用例生成、回归测试、性能测试
    人类主导: 测试策略、边界场景、用户体验测试
    新增能力: AI 质量评估（评估 AI 输出的准确性和稳定性）
    转型路径: 2 人转 AI 质量专员，2 人保持测试
  运营（3人）:
    AI承接: 内容生成、数据报告、客服辅助
    人类主导: 策略制定、关系维护、危机处理
    新增能力: 反馈工程（设计反馈机制让 AI 持续改进）
  领域专家（1人）:
    AI承接: 无（领域专家是 AI 的输入源）
    人类主导: 业务规则、例外情况、成功标准、案例审核
    新增能力: 无（保持领域深度，学习如何与 AI 协作）

人机分工协议:
  AI 主导场景:
    - FAQ 自动回答 → AI 直接回复
    - 工单分类 → AI 自动分类 + 人工抽检
    - 意图识别 → AI 识别 + 人工确认
  人类主导场景:
    - 退款决策 → 人工确认
    - 投诉处理 → 人工处理
    - 系统架构 → 人类设计
  协作场景:
    - 回复建议 → AI 生成 + 人工确认
    - 知识库更新 → AI 建议 + 人工审核
    - 产品设计 → 人类主导 + AI 辅助

能力建设路线图:
  第 1 月:
    - 全员 AI 工具培训（ChatGPT/Copilot 基础）
    - 建立反馈收集机制
    - 目标: 人均 AI 使用频率 >3 次/天
  第 2-3 月:
    - PM: 学习 AI 评估方法，建立 Copilot 评估标准
    - 研发: Agent 运维基础培训（LangChain/LlamaIndex）
    - 测试: AI 质量评估培训
    - 领域专家: 学习如何提供高质量的领域知识
  第 4-6 月:
    - 新增 AI 质量专员（从测试中选拔）
    - 建立完整的 AI 质量评估体系
    - 目标: Copilot 采纳率 >70%

新增角色 JD - AI 质量专员:
  职责:
    - 建立 AI 输出质量评估标准和 Rubric
    - 设计反馈工程机制，持续优化 AI 表现
    - 监控 AI 系统在生产环境的质量指标
    - 沉淀成功和失败案例，形成团队知识
  能力要求:
    - 理解 AI 能力边界和局限性
    - 有数据分析能力（评估质量指标）
    - 有产品 Sense（判断 AI 输出是否满足用户需求）
    - 擅长跨角色沟通（协调 PM/客服/研发）

协作流程:
  传统流程:
    产品经理 → 写 PRD → 设计师 → 设计稿 → 研发 → 实现 → 测试 → 上线
  AI Native 流程:
    PM + AI → PRD 草稿 → 快速原型实验 → 验证
    设计师 + AI → 设计变体 → 人类选择与优化
    研发 + AI Copilot → 代码 → 人类 review
    测试 + AI → 测试用例 → 人工补充边界场景
    持续反馈 → AI 质量评估 → 持续优化

落地方案（小团队路径）:
  第一步: 选一个高频、可验证、资料可得的问题（客服 Copilot）
  第二步: 搭出最小实验闭环（问题 → 资料 → 能力 → 评估 → 人工修正）
  第三步: 围绕这条闭环暴露的真实需求，反推需要什么角色和工具
  目标: 3 个月内跑通第一条业务闭环，6 个月内出 MVP

关键决策点

决策点	选择	理由
转型路径	渐进式转型	团队无 AI 经验，不能一次性全转
新增角色	AI 质量专员	确保 AI 输出质量可控
落地路径	小团队路径	20 人规模，适合围绕一个问题跑通闭环
领域专家	专职 1 人	客服行业经验是核心壁垒

---

示例 2：大公司 AI 产品团队能力升级

背景

某大型互联网公司有 200+ 产品技术团队，计划在多个业务线推广 AI Native 方法论。当前状态：

• 各业务线已独立开展 AI 项目，但缺乏统一方法论
• 有成熟的模型平台和数据平台
• 缺少 AI 产品经理和领域专家
• 成功经验无法跨团队复用

Skill 执行输出

# AI Native 团队方案：大公司能力升级

最小实验环境:
  已有:
    - 模型平台（统一的 LLM 接入和管理）
    - 数据平台（数据仓库 + 数据治理）
    - 基本的开发和部署工具
  需补齐:
    - 统一的实验工具（Prompt 管理 + 评估 + 样本库）
    - 跨团队知识共享机制
    - 统一的治理框架（权限 + 审计 + 合规）
  优先级:
    P0: 统一实验工具
    P1: 跨团队知识共享
    P2: 统一治理框架

角色变化:
  AI 产品经理（新增）:
    职责: 围绕问题、资料、能力、评估和价值组织实验
    来源: 从现有 PM 中选拔 + 外部招聘
    数量: 每个业务线 1-2 人
  领域专家（强化）:
    职责: 提供业务规则、真实案例、例外情况和判断标准
    来源: 从业务团队中选拔
    数量: 每个业务线 1-2 人
  AI 工程师（转型）:
    职责: AI 系统设计、Agent 开发、模型调优
    来源: 从后端/算法工程师中转型
    数量: 每个业务线 3-5 人
  数据工程师（强化）:
    职责: 资料供给、结构化、权限管理
    来源: 现有数据团队
    数量: 每个业务线 2-3 人

落地方案（大公司路径）:
  第一层 - 业务单元跑通闭环:
    - 选择 3 个高密度、高价值、强约束的业务场景
    - 每个场景组建最小团队（AI PM + AI 工程师 + 数据工程师 + 领域专家）
    - 目标: 3 个月内验证问题 → 资料 → 能力 → 评估 → 价值的完整链路
  第二层 - 平台层沉淀通用能力:
    - 模型接入统一管理
    - 权限控制和日志审计
    - 样本评估和知识接入
    - 工作流编排工具
    - 目标: 6 个月内建成可复用的平台能力
  第三层 - 组织层面推广:
    - 建立"局部试验、平台沉淀、分层治理、逐步复制"的推进机制
    - 每季度跨团队分享会，沉淀最佳实践
    - 建立统一但不过度僵化的治理框架
    - 目标: 12 个月内覆盖 80% 业务线

能力建设路线图:
  第 1-3 月:
    - 选拔 AI 产品经理（每业务线 1-2 人）
    - 领域专家赋能（学习如何与 AI 团队协作）
    - AI 工程师培训（Agent 开发 + 评估方法）
    - 目标: 3 个示范性闭环跑通
  第 4-6 月:
    - 平台能力建设（实验工具 + 知识共享 + 治理框架）
    - 跨团队分享会（每月一次）
    - 目标: 平台能力可复用
  第 7-12 月:
    - 推广到更多业务线
    - 建立统一治理框架
    - 沉淀组织级 AI 产品能力
    - 目标: 80% 业务线覆盖

治理框架:
  分层治理:
    - 业务层: 各业务线自主决策实验方向和节奏
    - 平台层: 统一模型接入、权限控制、日志审计
    - 组织层: 统一方法论、最佳实践、治理边界
  推进机制:
    - 局部试验: 允许各业务线自主探索
    - 平台沉淀: 成功经验沉淀为平台能力
    - 分层治理: 不同层级有不同决策权
    - 逐步复制: 成功模式逐步推广到更多业务线

关键决策点

决策点	选择	理由
落地路径	三层推进	大公司需要平台支撑和治理框架
示范场景	3 个业务线	有代表性，可复制
新增角色	AI PM + 领域专家	大公司最缺的是这两个角色
治理方式	分层治理	避免过度统一压死创新