作者 | 汪晟杰 責(zé)編 | 唐小引

出品 | CSDN（ID：CSDNnews）

引言：AI Coding 的產(chǎn)品定位與思考框架

作為騰訊 CodeBuddy 的第一位產(chǎn)品經(jīng)理和現(xiàn)任 T12 級技術(shù)產(chǎn)品專家，我想分享近期對于 AI Coding 產(chǎn)品的深度思考和趨勢洞察。本次分享不僅限于 AI Coding 本身，更希望提供一套通用的方法論——當(dāng)你拿到任何 AI 產(chǎn)品命題時，應(yīng)該如何系統(tǒng)性地思考和推進(jìn)。

AI Coding 是“文生代碼”賽道的代表，但這個領(lǐng)域遠(yuǎn)不止代碼生成工具那么簡單。在 AI 應(yīng)用的大版圖中，我們看到“文生文”（對話式 AI）、“文生應(yīng)用”（輕量級應(yīng)用生成）、“文生視頻”（基于世界模型的創(chuàng)新）等多個方向。根據(jù)騰訊研究院發(fā)布的《AI Coding 非共識報告》，生成式 AI 應(yīng)用分布中，51% 為“文生文”（寫作、問答），47% 為“文生代碼”，AI Coding 已經(jīng)成為 AI 應(yīng)用領(lǐng)域用戶采用率最高的場景之一。每個方向都需要創(chuàng)意和創(chuàng)新，但產(chǎn)品經(jīng)理不能只靠“胡思亂想”——現(xiàn)在對產(chǎn)品經(jīng)理的要求比以往任何時候都更高。

本文將從四個維度展開：頂層思考（戰(zhàn)略定位）、方法論（GENIUS AI 框架）、價值主張（Spec Coding 理念）以及未來趨勢（AI Coding 演進(jìn)）。

頂層思考：超越代碼生成的范式革命

重新定義 AI Coding

在開始任何 AI 產(chǎn)品之前，必須回答一個本質(zhì)問題：你的產(chǎn)品到底要解決什么問題？是簡單的代碼生成工具？是低代碼/無代碼平臺的延伸？還是企業(yè)內(nèi)的個人助手？

通過深度思辨，我們認(rèn)為AI Coding 是一個超越軟件編程的范式革命。它不是替代低代碼工具，而是重塑編碼范式本身——從“人為主、機(jī)器為輔”轉(zhuǎn)變?yōu)椤皺C(jī)器為主、人做最后確認(rèn)”。這是一場從輔助編碼到自主編碼的演進(jìn)，讓 AI 深度參與軟件工程的全生命周期，而不僅僅是代碼補(bǔ)全。

市場調(diào)研：數(shù)據(jù)驅(qū)動的戰(zhàn)略判斷

在做任何 AI 產(chǎn)品時，我的思考過程是：先看數(shù)據(jù)、再看行業(yè)、最后看用戶群體。通過國內(nèi)外諸多行業(yè)報告，我們發(fā)現(xiàn)：

• 2024 年全球市場規(guī)模：384 億人民幣，美國市場占 65%（約 250 億人民幣），中國市場占 10%（約 39 億人民幣）；

• 未來增速預(yù)測：2024-2028 年，中國在 AI Coding 領(lǐng)域的增速預(yù)計將領(lǐng)先全球 21 個百分點(diǎn)，呈現(xiàn)加速追趕態(tài)勢；

• 部署形式差異：美國以 SaaS 付費(fèi)為主，占比約 70%；中國以私有化部署為主，占比約 90%；

• 采用率對比：中國開發(fā)人員 AI 工具采用率為 31%，而全球平均達(dá)到 82%，顯示出巨大的增長空間；

• 主要行業(yè)用戶：互聯(lián)網(wǎng)、游戲等大型工程企業(yè)，以及希望“有創(chuàng)意就能生成應(yīng)用”的泛開發(fā)者。

這些數(shù)據(jù)支撐了一個關(guān)鍵判斷：軟件工程的 AI 化不是工具層面的優(yōu)化，而是一場編程范式的革命。AI 代碼工具已成為近期市場熱點(diǎn)，由于大模型技術(shù)進(jìn)步和智能體驅(qū)動，2024 年至今 AI 代碼在全球范圍進(jìn)入爆發(fā)期，融資總額超過 10 億美元。

競品分析：從全球視野看演進(jìn)路徑

通過 Landscape 工具分析全球競品，我們發(fā)現(xiàn) AI Coding 已經(jīng)形成清晰的演進(jìn)層級：

L1 聊天機(jī)器人：GitHub Copilot 等代碼補(bǔ)全工具，具有對話語言的 AI 聊天機(jī)器人；

L2 推理者：引入領(lǐng)域知識工程，具備人類水平的問題解決能力；

L3 代理者：多 Agent 角色協(xié)作（需求分析、架構(gòu)設(shè)計、代碼生成、測試），可以采取行動的系統(tǒng)；

L4 創(chuàng)新者：AI 團(tuán)隊/組織能力，可協(xié)助發(fā)明的 AI 創(chuàng)新者；

L5 組織者：AI 自適應(yīng)創(chuàng)新與交付，能夠完成組織工作的人工智能。

演進(jìn)趨勢預(yù)測：

• 2025 年：項(xiàng)目級自動化（L3 水平）

• 2026 年：AI 軟件工程師（L4 水平）

• 2027 年：AI 開發(fā)團(tuán)隊（L5 水平，AGI 階段）

隨著模型和智能體技術(shù)進(jìn)步，精度更高、上下文處理能力更強(qiáng)的工具將重塑開發(fā)行為。讓開發(fā)者專注軟件開發(fā)過程中的高階任務(wù)，AI 則接管常規(guī)開發(fā)工作，軟件工程即將迎來全新范式。

我們的目標(biāo)是打造L3 到 L4 層級的能力——一個由多個智能體協(xié)作的自主編碼團(tuán)隊，甚至是能夠成立程序員及不同角色的自主 AI 編碼團(tuán)隊，而不僅僅是一個單點(diǎn)工具。

成本與營收：PLG 模式的可行性

AI 產(chǎn)品最大的成本在于模型調(diào)用。以 Cursor 為例，雖然 ARR 達(dá)到 5 億美元，但因依賴第三方模型（如 Claude），邊際成本居高不下。從主要參與者看，美國公司多采取 PLG 模式，ARR 均超過 1 億美元，且付費(fèi)同比增速幾倍到幾十倍；中國公司還在市場推廣階段。產(chǎn)品經(jīng)理必須思考：

• 短期虧損還是長期虧損？算力成本何時能被規(guī)模效應(yīng)抵消？

• 技術(shù)壁壘在哪里？是模型能力、上下文工程還是工作流編排？

• PLG（產(chǎn)品驅(qū)動增長）模式是否成立？Cursor、Replit、Lovable 等產(chǎn)品團(tuán)隊僅 50 人左右，卻通過社區(qū)傳播實(shí)現(xiàn)高速增長。

定價策略的核心原則：

1.透明性：明確列出每檔訂閱對應(yīng)的功能及 AI 模型調(diào)用額度，易理解、可控，避免隱藏收費(fèi)；

2.可預(yù)測性：多數(shù)開發(fā)者偏好包月/包年訂閱 + 合理用量上限，超限后可靈活加購或降速，而不是純按 token 計價（非技術(shù)用戶易有焦慮）；

3.漸進(jìn)版本：提供免費(fèi)版/試用、入門版、專業(yè)版、團(tuán)隊/企業(yè)定制等分級套餐，不同用戶場景差異化激勵付費(fèi)；

4.成本錨定：套餐設(shè)計需考慮單次模型調(diào)用成本、云算力費(fèi)用、推理復(fù)雜度波動，避免盲目定“無限制”導(dǎo)致虧損；

5.差異化功能：企業(yè)版可引入?yún)f(xié)作/權(quán)限管理、私有部署、模型定制、數(shù)據(jù)安全等附加功能，提升溢價空間；

我們的判斷是：當(dāng)算力趨于便宜、國產(chǎn)模型越來越好時，邊際效應(yīng)會顯著提升，企業(yè)級 AI Coding 將迎來爆發(fā)期。

GENIUS AI 產(chǎn)品方法論

為了便于記憶和實(shí)踐，我總結(jié)了一個 GENIUS AI 框架（不是 GENUS），適用于任何 AI 產(chǎn)品的設(shè)計與落地：

G - Generation Quality（生成質(zhì)量）

核心問題：AI 生成的內(nèi)容質(zhì)量如何保證？

AI 一定會帶來幻覺，這是模型的本質(zhì)特性，只能降低而無法消除。因此，生成質(zhì)量是第一要務(wù)，也是 GENIUS 框架的首要核心?；跇I(yè)界最權(quán)威的質(zhì)量評估標(biāo)準(zhǔn)，我們建立了科學(xué)化的代碼生成質(zhì)量保障體系。

Pass@k：功能正確性的黃金標(biāo)準(zhǔn)

Pass@k 指標(biāo)通過嚴(yán)格的單元測試驗(yàn)證生成代碼的功能正確性，是評估 AI 代碼生成模型的黃金標(biāo)準(zhǔn)：

• Pass@1：評估模型“首次嘗試”就生成正確代碼的能力，通常達(dá)到 70-85%

• Pass@10：在 10 個候選中包含至少一個正確解決方案的概率，可達(dá) 90-95%

• Pass@100：衡量模型在大量采樣中找到正確方案的潛力，接近 100%

SWE-bench 評測：基于真實(shí) GitHub 問題的修復(fù)能力測試，驗(yàn)證模型在實(shí)際工程場景中的表現(xiàn)

場景化評測：模型的通用能力不等于場景能力。例如，電商場景的“模特?fù)Q衣”需要專門的評測集來驗(yàn)證效果

正負(fù)反饋系統(tǒng)：建立用戶反饋回路，持續(xù)監(jiān)控生成質(zhì)量并優(yōu)化模型

關(guān)鍵洞察：產(chǎn)品經(jīng)理必須與技術(shù)團(tuán)隊共同制定評測標(biāo)準(zhǔn)，生成質(zhì)量是用戶留存的決定性因素。

E - Efficiency Enhancement（效率提升）

核心問題：AI 如何真正提升效率，而不僅僅是“看起來酷炫”？

AI 的本質(zhì)是效率工具，尤其在企業(yè)場景中。我們對騰訊內(nèi)部開發(fā)者進(jìn)行了 8 小時工作時間分析，發(fā)現(xiàn)：

• 需求開發(fā)占用時間最多（44%）

• 環(huán)境配置、調(diào)試、代碼評審等環(huán)節(jié)耗時嚴(yán)重

基于此，我們在騰訊內(nèi)部落地 CodeBuddy IDE 和 CodeBuddy 插件，并測算出 44% 的效率提升和缺陷率下降。這個數(shù)據(jù)不僅說服了內(nèi)部團(tuán)隊，也成為對外銷售的核心價值主張。

中國企業(yè)的特殊性：真正買單的是中層管理者，他們對“看板”和“可控性”的需求遠(yuǎn)高于個人用戶。因此，企業(yè)級產(chǎn)品必須提供效率指標(biāo)的可視化，而不僅僅是個性化配置，企業(yè)是效率提升的最終戰(zhàn)場。

N -Neural Innovation（AI 驅(qū)動創(chuàng)新）

核心問題：AI 能帶來哪些之前無法實(shí)現(xiàn)的創(chuàng)新功能？

產(chǎn)品經(jīng)理必須跳出“工具優(yōu)化”的思維，用 AI 做之前做不到、現(xiàn)在能做到的事情。我總結(jié)了A.I.B.O.R.E. 原則（AI-driven Innovation 的完整框架）：

• A (Acute Pain Point)：直擊用戶痛點(diǎn)，每個功能背后都有真實(shí)用戶反饋；

• I (Insight Persona)：明確用戶畫像洞察——C 端還是 B 端？國內(nèi)還是海外？兩者兼顧如何平衡？

• B (Bold Value)：大膽的價值主張——你的核心競爭力是什么？

• O (Operable AI)：可運(yùn)營性——最好的產(chǎn)品是“不需要運(yùn)營就能傳播”（如 Cursor）；

• R (ROI Flywheel)：回報飛輪——明確北極星與單位經(jīng)濟(jì)（如 LTV/CAC、效能復(fù)合指標(biāo)），以自動化 × 個性化從小閉環(huán)滾動成規(guī)模飛輪，配套 AB 與灰度放大凈效益；

• E (Ethical Scale)：倫理與可擴(kuò)展性——安全合規(guī) + MCP 協(xié)議支持。

CodeBuddy IDE 的每個功能都源于用戶痛點(diǎn)，而不是“AI 能做什么就做什么”。

I - Intelligent Optimization（智能優(yōu)化）

核心問題：如何實(shí)現(xiàn)全方位的性能和流程優(yōu)化？

騰訊內(nèi)部基于 CodeBuddy 完成了研發(fā)流程的智能化優(yōu)化轉(zhuǎn)型，覆蓋了從需求規(guī)劃到部署的全生命周期：

規(guī)劃階段：

• 對話式需求問答

• 需求文檔創(chuàng)建

• 項(xiàng)目計劃建議

設(shè)計階段：

• 自然語言生成 UI 設(shè)計圖

• 設(shè)計圖轉(zhuǎn) HTML 代碼

• 前端/后端規(guī)范制定

• 業(yè)務(wù)流程梳理

• 安全規(guī)范

開發(fā)階段：

• HTML 代碼轉(zhuǎn)前端樣式與代碼

• 基于技術(shù)約束自動編碼

• 前端代碼還原

• 自動調(diào)試、反思修復(fù)

測試與部署：

• 測試用例生成

• 測試執(zhí)行輔助

• 測試問題反饋分析

• 提交分支、代碼掃描

• 部署至 EdgeOne，發(fā)布可運(yùn)行應(yīng)用

CodeBuddy 通過 MCP 協(xié)議調(diào)用企業(yè)內(nèi)部工具，包括 TAPD（需求管理）、騰訊設(shè)計、CNB、TCA、騰訊地圖知識引擎、CloudStudio 等，實(shí)現(xiàn)了真正的全流程智能化。

U - Unified Security（統(tǒng)一安全）

核心問題：如何保障 AI 生成內(nèi)容的安全性？

AI 的不可解釋性和幻覺問題帶來安全挑戰(zhàn)。企業(yè)級用戶（尤其是銀行、政府）絕不允許數(shù)據(jù)流出境外，這是私有化部署的核心驅(qū)動力。

我們的策略是建立一體化的安全保障和治理體系：

1. 傳統(tǒng)工具預(yù)審：用靜態(tài)分析工具掃描 AI 生成的代碼，輸出問題報告；

2. 特征規(guī)則判定：由人類專家編寫規(guī)則，識別高風(fēng)險模式；

3. AI 輔助修復(fù)：讓 AI 根據(jù)報告進(jìn)行針對性修復(fù)。

這種“人機(jī)協(xié)作”的安全機(jī)制既保證了合規(guī)性，又充分利用了 AI 的修復(fù)能力。

S - Smart Evolution（智能進(jìn)化）

核心問題：如何讓產(chǎn)品持續(xù)進(jìn)化而不是一潭死水？

AI 產(chǎn)品的生命周期與傳統(tǒng)軟件截然不同。我們最初規(guī)劃了一年半的路線圖，結(jié)果半年就全部推翻——因?yàn)轶w驗(yàn)成為唯一的核心指標(biāo)。

智能進(jìn)化包括四個核心機(jī)制：

1. 持續(xù)學(xué)習(xí)循環(huán)：系統(tǒng)不斷從新數(shù)據(jù)中學(xué)習(xí)，通過不斷的反饋和自我調(diào)整，實(shí)現(xiàn)知識和能力的動態(tài)更新。每個用戶的小反饋都可能成為巨大的粘性來源；

2. 自我改進(jìn)算法：通過自身性能評估，系統(tǒng)能夠自主發(fā)現(xiàn)并改進(jìn)自身的算法結(jié)構(gòu)，實(shí)現(xiàn)類“自舉”的性能提升；

3. 遞歸優(yōu)化機(jī)制：利用遞歸原理，自動在多個層級（如策略、元策略、元元策略等）進(jìn)行性能優(yōu)化，加速系統(tǒng)進(jìn)化；

4. 自適應(yīng)代碼生成：建立評測系統(tǒng)，快速切換和對比不同模型（如 GPT-5 vs Claude 3.7）。系統(tǒng)根據(jù)自身目標(biāo)和環(huán)境變化，自動生成、測試并集成最優(yōu)代碼片段，提高適應(yīng)性和創(chuàng)造力。

Agentic Workflow：終極目標(biāo)是讓 AI 自己決定工作流編排，而不是人類預(yù)設(shè)規(guī)則。

關(guān)鍵洞察：做 AI 產(chǎn)品沒有固定的路線圖，只有持續(xù)的體驗(yàn)優(yōu)化。

價值主張：從 Vibe Coding 到 Spec Coding

“氛圍編程”的局限性

最近業(yè)界流行“Vibe Coding”（氛圍編程），即用自然語言直接生成應(yīng)用。這聽起來很美好，但實(shí)際操作中存在明顯問題：

• 簡單應(yīng)用可行：2048 小游戲、貪吃蛇等可以一句話生成；

• 復(fù)雜應(yīng)用失效：電商網(wǎng)站、企業(yè)級系統(tǒng)涉及技術(shù)棧選型、架構(gòu)設(shè)計，單純的自然語言描述無法承載這些信息。

我們測試了騰訊 CODING 官網(wǎng)的生成效果——它有動態(tài)地球、復(fù)雜動畫，絕不是一句話能描述清楚的。問題的本質(zhì)在于：自然語言是多模態(tài)的，包括文字、設(shè)計稿、已有代碼等，而不僅僅是用戶的口頭描述。

Spec Coding：規(guī)約即代碼

經(jīng)過深度思考，我們提出了 Spec Coding（規(guī)約編程）的理念：

所有的業(yè)務(wù)邏輯都可以抽象為 Spec（規(guī)約），而這個 Spec 不僅給人看，更要給 AI 理解。

這與 AWS 高管在 2024 年 5 月提出的理念不謀而合。我們的實(shí)踐路徑是一個嚴(yán)謹(jǐn)?shù)娜A段流程——Vibe Plan → Vibe Design → Vibe Coding：

第一步：Vibe Plan（規(guī)劃）

為產(chǎn)品需求創(chuàng)建詳細(xì)的問題藍(lán)圖，讓 AI 先生成技術(shù)架構(gòu)和產(chǎn)品規(guī)劃。系統(tǒng)將簡短提示轉(zhuǎn)化為完整用戶故事，涵蓋所有相關(guān)操作場景，每個故事附帶 EARS 語法（WHEN/IF/THEN）編寫的驗(yàn)收標(biāo)準(zhǔn)，明確邊界條件和異常處理。

第二步：Vibe Design（設(shè)計）

精準(zhǔn)理解需求，將創(chuàng)意和現(xiàn)有的產(chǎn)品設(shè)計變成功能性原型、網(wǎng)頁應(yīng)用程序和交互式用戶界面。系統(tǒng)分析現(xiàn)有代碼庫與新建需求，輸出數(shù)據(jù)流圖、TypeScript 接口、數(shù)據(jù)庫 Schema 及 API 端點(diǎn)設(shè)計，消除需求歧義。從設(shè)計稿中提取設(shè)計規(guī)范和 UI 組件要求。

第三步：Vibe Coding（開發(fā)）

自主完成代碼開發(fā)，完成代碼工程實(shí)現(xiàn)?；谠O(shè)計稿生成帶依賴關(guān)系的任務(wù)列表，每個任務(wù)包含單元測試、移動端適配、無障礙支持等子項(xiàng)，開發(fā)者可逐步觸發(fā)任務(wù)，實(shí)時審計代碼差異與日志。按照 Spec 逐一實(shí)現(xiàn)功能模塊。

第四步：一鍵部署

通過 MCP 協(xié)議連接騰訊云，自動發(fā)布上線。

核心優(yōu)勢：

• 結(jié)構(gòu)化表達(dá)：Spec 是人和 AI 都能讀懂的“共同語言”；

• 質(zhì)量可控：每個環(huán)節(jié)都有明確的驗(yàn)收標(biāo)準(zhǔn)；

• 多智能體協(xié)作：規(guī)劃 Agent、設(shè)計 Agent、編碼 Agent 有機(jī)結(jié)合。

案例：我們?yōu)楹献骰锇殚_發(fā)了一個旅游電商網(wǎng)站，通過 Spec Coding 模式，AI 自動生成了前后端架構(gòu)、技術(shù)選型文檔，最后一鍵部署到騰訊云。整個過程中，用戶只需要確認(rèn) Spec，無需關(guān)心底層實(shí)現(xiàn)。

Claude Code 的啟示

Claude Code（Anthropic 推出的 AI 編程終端工具）驗(yàn)證了我們的方向：它讓 AI 先生成 Plan（計劃），再拆解成多個 Task（任務(wù)），然后在后臺默默執(zhí)行。用戶只需要在最后驗(yàn)收結(jié)果，而不用盯著整個過程。

這種模式的本質(zhì)是 Agentic Workflow——由 AI 智能體決定工作流，而不是人類預(yù)設(shè)的規(guī)則引擎。未來，AI Coding 將從“規(guī)則驅(qū)動”進(jìn)化為“智能驅(qū)動”。

未來趨勢：金字塔模型

AI Coding 的金字塔結(jié)構(gòu)

我們認(rèn)為，AI Coding 市場將呈現(xiàn)金字塔分層，這也是產(chǎn)品布局的核心策略：

泛開發(fā)人群（需求生成應(yīng)用）

• 用戶特征：用戶最多，但競爭最激烈

• 產(chǎn)品形態(tài)：微型應(yīng)用，網(wǎng)頁打開便捷

• 代表產(chǎn)品：Replit、v0、Bolt.new、騰訊元寶“@AI 編程”

• 核心競爭力：Agentic Workflow 的質(zhì)量——用相同的描述生成不同效果

專業(yè)開發(fā)平臺（IDE + 插件）

• 用戶特征：專業(yè)工程師、企業(yè)內(nèi)的開發(fā)平臺

• 產(chǎn)品形態(tài)：AI 助手，陪伴整個編碼過程的工具，插件覆蓋廣

• 代表產(chǎn)品：Cursor、Windsurf、CodeBuddy IDE、GitHub Copilot

• 核心競爭力：深度集成企業(yè)資源（云基礎(chǔ)設(shè)施、知識庫、工具鏈）

AI 團(tuán)隊（CLI 工具 + 自主 Agent）

• 用戶特征：追求極致自動化的團(tuán)隊

• 產(chǎn)品形態(tài)：異步協(xié)作運(yùn)行，組建 AI Team

• 代表產(chǎn)品：Claude Code、未來的 CodeBuddy CLI

• 核心能力：以 AI 為主、人為輔的協(xié)作模式，異步執(zhí)行、自主決策、問題診斷與修復(fù)

智能體團(tuán)隊的未來

我們的終極愿景是 AI Team——一個由多個智能體組成的編碼團(tuán)隊：

• 產(chǎn)品經(jīng)理 Agent：需求分析與規(guī)劃

• 架構(gòu)師 Agent：技術(shù)選型與設(shè)計

• 前端/后端 Agent：代碼生成與實(shí)現(xiàn)

• 測試 Agent：質(zhì)量保障

• 運(yùn)維 Agent：監(jiān)控與部署

這些 Agent 不是各自為戰(zhàn)，而是通過智能體康威定律（Agent 的協(xié)作架構(gòu)決定系統(tǒng)架構(gòu)）有機(jī)協(xié)作。未來的軟件開發(fā)，將是“人監(jiān)督 Agent 團(tuán)隊”而不是“人直接寫代碼”。

商業(yè)模式的演進(jìn)

AI Coding 產(chǎn)品必須平衡成本與營收，當(dāng)前的主流模式包括：

• 訂閱制：固定月費(fèi)（如 Cursor Pro）

• Credit 制：基于 Token 消耗的預(yù)付費(fèi)

• 按需付費(fèi)：按消息交互計費(fèi)

• 企業(yè)私有化：一次性部署 + 年度服務(wù)費(fèi)

關(guān)鍵洞察：模型太貴是當(dāng)前最大的挑戰(zhàn)。但我們預(yù)測：

• 算力成本將持續(xù)下降

• 國產(chǎn)模型（如 DeepSeek）將快速追趕國際水平

• 邊際效應(yīng)會在 1-2 年內(nèi)顯現(xiàn)

屆時，AI Coding 將從“燒錢工具”變?yōu)椤坝a(chǎn)品”。

多模態(tài)與海外市場策略

產(chǎn)品經(jīng)理必須思考：

• 市場選擇：海外市場試錯成本更低，用戶反饋更直接；

• 數(shù)據(jù)回流：海外數(shù)據(jù)可以訓(xùn)練國內(nèi)模型，形成“海外試驗(yàn) → 國內(nèi)落地”的閉環(huán)；

• 用戶畫像分層：C 端用戶要個性化，B 端用戶要可控性，兩者需要不同的產(chǎn)品形態(tài)。

以 Manus 為例，它先在海外驗(yàn)證模式，再用數(shù)據(jù)反哺國內(nèi)模型，最終實(shí)現(xiàn)平替。這是當(dāng)前環(huán)境下的健康策略。

實(shí)踐案例：CodeBuddy 的產(chǎn)品演進(jìn)

騰訊 CodeBuddy 是我們基于上述方法論打造的產(chǎn)品，是串聯(lián)需求規(guī)劃/設(shè)計/開發(fā)/調(diào)試/部署的基座。核心特性包括：

1. 需求到部署的全鏈路：從需求規(guī)劃 → 設(shè)計 → 開發(fā) → 調(diào)試 → 部署，形成閉環(huán)；

2. Spec Coding 理念：通過規(guī)約文檔驅(qū)動多智能體協(xié)作；

3. MCP 協(xié)議支持：連接騰訊云及企業(yè)內(nèi)部工具（TAPD、騰訊設(shè)計、CNB、TCA、騰訊地圖知識引擎、CloudStudio）；

4. 混合模型策略：海外版接入 Claude 3.7 / GPT-5，國內(nèi)版使用混元 / DeepSeek；

5. 私有化部署能力：滿足企業(yè)安全合規(guī)要求。

效果數(shù)據(jù)（基于騰訊內(nèi)部實(shí)踐）：

• 內(nèi)部測試團(tuán)隊效率提升 44%

• 缺陷率顯著下降

• 用戶滿意度持續(xù)上升

結(jié)語：產(chǎn)品經(jīng)理的新使命

AI 時代的產(chǎn)品經(jīng)理，不能只靠“胡思亂想”。我們需要：

1. 頂層戰(zhàn)略思考：明確產(chǎn)品是工具優(yōu)化還是范式革命；

2. 系統(tǒng)化方法論：GENIUS AI 框架是可復(fù)用的思考工具；

3. 價值主張清晰：從 Vibe Coding 進(jìn)化到 Spec Coding；

4. 擁抱模型演進(jìn)：AI 產(chǎn)品沒有固定路線圖，只有持續(xù)迭代；

5. 關(guān)注商業(yè)閉環(huán)：成本、營收、用戶留存缺一不可；

產(chǎn)品本質(zhì)的 PMF（Product-Market Fit）：

• AI 體驗(yàn)佳：用戶粘性（新用戶）

• 質(zhì)量效果好：留存更多的用戶（留存）

• 上手難度降低：擴(kuò)大群體（開發(fā)者）

• 順勢而為：運(yùn)營成本（創(chuàng)業(yè)者）

• 產(chǎn)品具備標(biāo)準(zhǔn)能力：海外市場、模型

• 多形態(tài)：更細(xì)的用戶畫像（企業(yè)用戶）

• 付費(fèi)模式：還有更多探索空間

最后的建議：

• 新用戶：注重 AI 體驗(yàn)的第一印象

• 老用戶：保證生成質(zhì)量，降低流失率

• 企業(yè)用戶：提供效率看板，滿足管理者訴求

• 開發(fā)者：降低上手難度，擴(kuò)大用戶群體

• 創(chuàng)業(yè)者：順勢而為，不要逆勢而行

AI Coding 不僅是代碼生成工具，而是軟件工程的范式革命。我們正站在這場革命的起點(diǎn)，讓我們一起見證并推動這場變革。

【作者簡介】汪晟杰，騰訊云開發(fā)者 AI 產(chǎn)品負(fù)責(zé)人、CodeBuddy 首席產(chǎn)品經(jīng)理、騰訊云產(chǎn)品專家。負(fù)責(zé)騰訊云開發(fā)者 CodeBuddy 產(chǎn)品，曾負(fù)責(zé)過 Cloud Studio、Coding Devops 等產(chǎn)品，曾任 Teambition、Autodesk BIM、SuccessFactors HCM、Sybase 數(shù)據(jù)庫、PowerDesigner 等產(chǎn)品的負(fù)責(zé)人和核心開發(fā)，在軟件架構(gòu)設(shè)計、產(chǎn)品管理和項(xiàng)目工程管理、團(tuán)隊敏捷、AI 研發(fā)提效等方面擁有豐富的行業(yè)經(jīng)驗(yàn)。

本文為汪晟杰在 2025 全球產(chǎn)品經(jīng)理大會分享。