AI 第一次让我认真，是 Stitch 做的那个原型

2025 年初，ChatGPT 很火。和所有人一样，我注册了账号，开始问它问题。

一开始的感觉就是新鲜。一个什么东西都知道的对话工具，确实有意思。但说实话，当时没有太当真。

不过有一件事我没忍住：我开始调 prompt 了。

加角色、给例子、改措辞、换语气。当时不知道这叫 "prompt engineering"，只知道"这么调一下，AI 给的东西更好用"。这种感觉挺奇怪的。你明明在和机器说话，但你觉得它在听你调整说话方式。

我用得最多的是分析需求、头脑风暴和设计方案。把背景丢给它，让它从不同角度拆一遍，或者对着一个想法互相反驳几轮。这比搜索引擎舒服。它在帮你想问题，不只是列链接。

但用了几个月之后，我发现了一个问题：同样的输入，不同时间问，答案不一样。

搜索引擎的结果也不一样，但你可以接受，因为你清楚它只是一个搜索工具。如果你问一个"什么都知道"的 AI，下次问出不同的东西，你就不太敢依赖它了。

我把 prompt 写得越来越细，加了各种约束和格式要求。结果呢？精确到极致的 prompt，反而让回答变得更僵硬。它开始说正确的废话了。

我隐隐觉得，我通过调 prompt 能触及的上限，已经碰到了。

反过来的学习路径

2025 年 9 月，事情变了

一个 C 端 APP 项目，必须一个月内上线。

UI 资源排不上期。正常流程从需求沟通开始，排 UI 资源、等设计、评审、改稿、再给研发，一个月光等 UI 都不够。

我做了个决定：自己来。

我用 Stitch 直接做了整套带了交互路径、信息层级、状态说明的高保真页面，可以直接给研发照着开发的那种。

做完之后，我反复看了好几遍。一个产品经理做出了可以直接给研发开发的页面——交互路径、信息层级、状态说明都在上面了。

那一刻的感受很复杂。一方面是踏实：项目不会被堵在排期上了。另一方面是一种说不上来的振动：以前这种类型的项目，UI 至少要一周，从需求接收到理解再到出稿。现在我用 Stitch 一天就搞定了。

我坐在那想了一件事：

AI 开始可以真正的提效了。过去需要一周、需要等别人的工序，现在一天就搞定了。

我一直记着当时做的决定：

这条路我必须走了。

被 Stitch 震撼之后，我开始往回补课。学 LLM 原理。

我学到的最重要的一个概念是"概率分布"。

以前我理解"AI 回答一个问题是准确的"。你问它什么，它答出正确的东西，听起来像是计算。但 LLM 的原理是在一个巨大的概率分布里每次选一个词。同一个问题答得不一样，这是架构决定的。

这个认知直接拆掉了我过去十年作为 PM 建立的所有"确定性"假设。我以前判断一个功能出没出 bug，标准是"输入一样，输出一样"。这条规则在 AI 产品里不成立。

然后我重新学了一遍 Prompt Engineering。

这次开始系统学了。System Prompt、Chain of Thought、Few-shot，原来给例子背后有原理。原来"说清楚角色"是在缩小模型的注意力范围。这些东西本质上和写 PRD 是一样的：结构化思维、边界定义、预期管理。翻译对象变了，但能力底层没变。

大部分人觉得应该"先学习、再实践"。我的经历是先被 Stitch 震撼了，逼我做了一个"自己出高保真"的决定，然后发现 AI 能做的事比我以为的多得多，才回头补的理论和原理。

真正让我改变工作方式的，是"用 AI 做了一件以前做不到的事"。

当时我只知道一件事：那个 C 端 APP 按时上线了。

第 3 篇预告：

从那个 C 端 APP 之后，我开始大面积用 AI 干活。2026 年中，我把一个产品完全靠 vibe coding 从 0 到 1 做出来上线了，叫 ai123.com，一行代码没用我写，全部是 AI 生成的。一个人，两个月，做了几年前需要一个团队才能做的事。

但这篇不讲怎么爽。讲的是产能爆发之后遇见的真正瓶颈：AI 在长上下文里会忘记前面的信息、同一段代码同一个人问会给出不同方案、你开始把越来越多的上下文塞给 AI 直到它处理不过来。我花了很长时间才理解：AI 的核心问题是不够稳定。 而稳定，是可以被设计的。