Lennys.Newsletter · 2025-06-03

塔尔·拉维夫（Tal Raviv）的上一篇客座文章关于如何"不公平地"做产品经理（PM），是我所有文章中第四受欢迎的，而他的播客节目也是粉丝们的大爱。现在他带着一份使用AI Agent让PM工作重新变得有趣的指南回来了，我预测这将是有史以来前五受欢迎的帖子。[编者注：这个预测被证明是正确的。]

想了解更多来自Tal的内容，请查看他的63个免费视频教程——关于在工作中使用AI Agent，以及他另一篇关于构建你的AI思维伙伴的客座文章。你也可以为你的团队预约Tal的AI构建冲刺。

产品管理的美妙之处在于，一切都是我们的工作。

产品管理令人抓狂之处在于，一切都是我们的工作。

但当我们忙于那些消耗精力却必不可少的任务（撰写更新、安排会议、同步信息来源、充当任务控制中心）时，我们正在挤占用于跟上新技术、沉浸在客户对话中、分析数据、建立信任以及思考未来的关键时间——这些才是我们工作中真正重要的部分。

生产力技巧和培养自驱型团队能有所帮助，但随着技术组织日益扁平化，更多此类重复但必要的任务正落到越来越少的产品经理身上。

AI"智能体"（Agent）登场了。与基于聊天的LLM（大语言模型，Large Language Model）不同，Agent能够监听真实世界、做出基本决策并采取行动。换句话说，它们正变得足够有才华，能够接手我们最不喜欢、影响最小——但仍然必须完成的——PM任务。

如果你和我一样，你已经听说了关于Agent将如何重塑生产力的各种承诺和宣言，但你的工作日还没有任何改变。这不是你的问题——将AI Agent落地到产品工作中确实很难。从哪里开始？用什么工具？安全问题怎么办？成本呢？风险呢？还有为什么会有这么该死的学习曲线？

在采访了AI Agent平台的创始人、与正在构建第一个Agent的PM进行了大量可用性测试、并从一场面向超过5000名产品经理的动手实践工作坊中收集了洞察之后，我汇集了他们的集体智慧。本文分享了他们在现实世界中关于什么有效、什么无效的洞见。我们首先将动手学习如何构建一个AI Agent，然后我将分享一个统一的框架，供任何PM规划他们的第二个（和第三个）Agent。我们将涵盖最佳实践、陷阱、能力和限制。

虽然AI Agent并非魔法精灵，但它们可以帮我们卸下大量重复性、消耗精力的PM任务，让我们专注于最重要的工作，甚至让我们的工作变得更有趣一些。

什么是AI Agent？

"AI Agent"这个术语的定义确实模糊。与其纠结于名称，不如关注行为识别。把"Agent"看作一个谱系——AI系统表现出的以下行为越多，就越具有"智能体特性"（Agentic）：

  1. 主动行动，而非等待指令。
  2. 制定计划，而非被给定指令。
  3. 利用上下文，访问关于你公司和团队的内部知识库，定期获取最新信息。
  4. 获取实时数据，如网络搜索或客服队列（而非依赖静态训练数据或手动上传文件）。
  5. 执行真实世界操作。 更新CRM（客户关系管理系统）、运行代码或在工单上评论，而非仅做推荐。
  6. 创建自己的反馈循环。 观察自身输出并在无人工辅助下迭代。

随着每周都有新的创业公司推出新品，这个框架帮助我理解每个产品在市场格局中的位置。下面的每一行是一个产品类别，每一列是一种有用的行为。

请注意每个类别在某些维度打勾，但不是全部。AI系统仍处于非常早期的阶段，每个类别从不同的切入点来把握这个机会。

在今天所有Agent的流派和方法中，我称之为"AI自动化"（AI Automations）的类别目前对帮助产品经理处理单调的繁琐工作最为实用。这包括Zapier、Lindy AI、Relay App、Gumloop、Cassidy AI等工具。在本文中，我们将聚焦于这一类Agent，但无论你如何定义AI Agent，重要的是它们能帮助我们把更多时间花在客户身上、给队友更多关注、构建更好的产品，并享受更多乐趣。

立即启动你的第一个AI Agent

让我们快速启动一个AI Agent，让它帮你为客户电话做准备，并在你继续阅读本文时让它在后台运行。

以下指令适用于Zapier Agents（注意：我与Zapier没有任何关联，我只是这个工具的粉丝），只需10个快速步骤。

所需工具

  1. Zapier Agents
  2. Google Calendar（谷歌日历）（或Outlook）
  3. Slack（或MS Teams）

操作步骤

  1. 创建一个Zapier账户并导航到"Zapier Agents"。

请注意，Zapier Agents是一个新的独立产品，与你可能熟悉的经典"Zaps"不同。

  1. 选择"创建自定义Agent"，给它命名，然后点击"从零开始"。

  2. 点击顶部的"配置"，然后点击"创建行为"。

  3. 将我们的自动化设置为每天早上8点运行。

  4. 将以下提示词粘贴到指令字段：

查看我今天的所有日历事件 [CALENDAR FIND MULTIPLE EVENTS]，找出所有外部参与者（电子邮件域名与我的不同的那些人），为每个邮箱地址做一次网络搜索。总结这些人是谁（在哪里工作、什么职位、在该职位多久了、过往经历信息以及其他任何你认为相关的信息），然后通过Slack发消息给我。

[SEND DIRECT MESSAGE] 为每个有外部参与者的会议发消息（跳过仅内部参与者的会议），告诉我：

- 会议名称

- 会议时间

- 每位外部参与者的姓名和相关信息（各自一行格式化显示）

  1. 删除占位文本"[CALENDAR FIND MULTIPLE EVENTS]"，将光标放在那个位置，点击"插入工具"。

如果你使用Google Calendar，选择"查找多个事件"（Find Multiple Events）。

  1. 关联你的日历软件，选择你的个人日历。

你应该能看到日历块内联显示在提示词中：

  1. 删除占位文本"[SEND DIRECT MESSAGE]"，将光标放在那个位置，使用"插入工具"菜单连接你最喜欢的消息服务。

我用的是Slack，我将把它设置为能够给我发直接消息（Direct Message）。

将Agent限制为只能发私信，让我们可以无忧地进行实验。

  1. 嘿！我们准备好运行了。点击"保存指令并测试"。

你会收到类似这样的消息：

  1. 如果你对此满意，就开启它吧。（不要纠结这个决定，因为它能执行的唯一操作就是私下给你发消息。）

恭喜。你已经设置好了你的第一个PM AI Agent，现在它在后台运行，你可以坐下来继续阅读Lenny's Newsletter了。

规划你的第二个AI Agent

有了在后台运行的新Agent，让我们来拆解一下我们做了什么……通过规划我们的第二个AI Agent。

第一步是决定我们想要解决什么问题。在这个练习中，我们将聚焦于AI出现之前的自动化无法解决的机会。

问问自己：什么持续性的工作需要一定的判断力和写作能力——但不需要你的全部专业知识和直觉？换句话说，如果公司给我配了一个初级实习生，我会让他/她做什么？

以下是产品经理从AI Agent中获得大量价值的使用案例示例。（如果其中任何一个引起你的共鸣，尽管复制。）

注意：尝试用一两句话来表达这个目标，就像你在给初级实习生发Slack消息时那样。

我建议选择持续到达的重复性任务。AI自动化在"一次一个"的重复性任务中表现最佳。

相比之下，我不建议为大型一次性"批量"任务而设计（例如筛选已收到的几十封邮件）。对于批量任务，考虑直接在AI系统中操作：

设计你的Agent如何工作

现在我们已经选择了要委派什么，让我们设计它将如何工作。以下是规划Agent的检查清单，无论我们选择哪个平台。在浏览清单时，请记住你选择的任务：

☑️ 我自己理解这个任务吗？

☑️ 我能从更小的范围开始吗？

☑️ 我能将下行风险控制在低位吗？

☑️ 我提供了足够的上下文吗？

☑️ 我是否与原始客户信号保持近距离？

1. 我自己理解这个任务吗？

就像向人委派任务一样，最先进的AI也只能根据收到的指令来执行。

你是否清楚你自己会如何手动完成这个任务——用鼠标、键盘和咖啡？你知道关键信息在哪里吗？你能清晰地用语言表达吗？第一步是审视内心。

正如Gumloop的CEO马克斯·布罗德-乌尔巴斯（Max Brodeur-Urbas）所说："理解问题应该是解决问题的唯一前提。"

获得这种清晰度的最佳方法是亲自做一两次这个任务。这样你可以提供成功是什么样子的示例。在我们的客户电话准备示例中，回想一下你上次为客户电话做准备时的情况。你凭直觉查阅了哪些来源？你主要在寻找什么信息？（以及哪些是不相关的？）

而如果你已经手动做这个任务一段时间了，这一步已经完成了。例如，当我观察一位同事搭建"每周更新"Agent时，他已经有了一个充满示例的频道，可以直接复制粘贴作为模板。

2. 我能从更小的范围开始吗？

由于AI Agent唤起了魔法精灵的形象，很容易一次性提出所有愿望。

更现实的做法是把我们的Agent当作一个新产品或新流程来对待。作为PM，我们知道要想让两者都成功，需要从小处着手并缩减范围。（讽刺的是，作为PM，当涉及到自己时，缩减范围反而很难。）

问问自己，最糟糕的部分是什么？你最畏惧的步骤是哪一步？让我们从只委派那个开始。我们会先手动完成剩余的步骤。

如果你的梦想是监控五个竞品网站，先从一个开始。

在我们的客户电话准备示例中，本来很容易想让它扫描网络、我们的Slack、Gong、Zendesk、Mixpanel和HubSpot。然而，我们从单一数据源开始以保持简单，这样我们可以在此基础上逐步扩展。

3. 我能将下行风险控制在低位吗？

墨菲定律（Murphy's Law）对AI和对人一样适用：任何可能出错的事情都会出错。 为了晚上能睡个好觉，让我们确保任何错误都不会真正造成损失。

不要试图预测模型会产生多少幻觉（它会的），或者你的工作流第一次能否做对（它不会的）。相反，以让你获得全部收益但限制损失的方式来设计你的Agent。

保持低风险、高收益的示例：

  1. 取代在Slack频道发消息 → 发私信（DM）给我，让我可以复制粘贴
  2. 取代发送邮件 → 创建草稿并标记邮件供我审核
  3. 取代做决策 → 做出建议
  4. 取代修改文档 → 在底部追加建议

保持低风险还涉及到通过权限（甚至更细粒度）来物理限制访问。这就是具有硬性访问约束的Agent平台真正闪光的地方，因为它们从物理上限制了AI系统的行为。

4. 我提供了足够的上下文吗？

你的AI Agent大概率不需要深度的竞争格局分析报告、三年愿景或整个公司的组织架构图。

它可能确实需要知道从哪里获取正确的数据、获得你做决策的指导、以及了解如何识别你团队中的人。

为AI创造成功条件，看起来很像为人类创造成功条件。例如，如果你想让你实习生"扫描所有Slack消息，找出客户成功团队中有人分享的关于双因素认证的功能请求"……那么，他们需要一种方式知道谁是客户成功团队的成员。如果你期望你的Agent做出优先级决策，分享你的优先级框架。

5. （危险地带）我是否与原始客户信号保持近距离？

直觉上，一个拥有更多原始训练数据的AI模型会有更好的判断力。然而，当涉及到我们自己作为PM的大脑时，很容易用AI摘要填满我们的每一天——并剥夺我们自己大脑的"训练数据"。

如果我用AI摘要一切，我会迅速退化我的客户直觉。换句话说，产品经理们：AI不是在危及你的工作，但让AI替你阅读才是。

中间路线是什么？用AI来遍历、浏览、导航、聚类和清理大量数据，但不要让它用摘要模糊你的视野。通过坚持要求精确引用原始文本和直接链接到原始客服工单、销售电话片段和屏幕录制，让自己留在细节中。

马克斯·布罗德-乌尔巴斯分享了另一种策略。如果你曾尝试从客服对话中提取反馈，你知道那不仅是大量的滚动浏览，而且关键洞察往往在末尾。Gumloop使用AI从他们的帮助机器人聊天记录中获取洞察。但不是做摘要，AI的角色是推理根本原因以更好地分类：

"我们使用AI分析每条聊天记录并询问，'这个人在为什么而苦恼？主要投诉是什么？'我们将这些对聊天记录的深入分析整理成报告，引用原始问题，这样我们可以回去查看原始对话。"

现在我们知道要构建什么了，让我们决定如何构建。

用提示词构建你的Agent（平台无关）

AI Agent领域的大象在房间里（指显而易见却被回避的问题）不是幻觉、安全或成本（虽然我们很快会讨论这些），而是学习曲线。作为产品经理，我们最不需要的就是多一件需要费劲搞明白的难事。

许多AI Agent平台需要构建模块、子程序、系统思维。这可能不算"编码"，但绝对是编程。

与此同时，我们已经习惯了能让我们用自然语言对话来构建的AI原型设计工具。

当我在进行AI Agent可用性测试时，几位PM有同样聪明的想法："为什么不用AI原型设计工具来构建这个呢？"

简短的回答是"很诱人，但不推荐。"虽然API集成不是诺贝尔奖级别的工作，但你是在构建一个第三方应用。这会产生官僚手续，因为需要（1）为每个SaaS服务注册你的应用，以及（2）获得内部IT许可。（我还没提到合规或安全审查。）

而且说实话：将AI原型设计工具用于生产级应用仍然涉及大量维护、修复bug和应对回归。想象一下通过"氛围编码"（vibe coding）来构建（和维护）我们带有Slack和日历集成的简单客户准备电话Agent。要让它长期可靠运行，需要投入大量精力。

那么我们如何同时享受（1）用通俗英语构建和（2）现有平台的预构建集成和安全保障呢？答案当然是让AI来帮忙。

像Cassidy、Relevance和Zapier Agents（与Zaps不同）这样的工具已经开始让你用自然语言提示。Gumloop有"Gummie"，一个会引导你的聊天机器人。Manus在制定计划方面令人印象深刻，但缺乏关键的工作场所集成或监听触发条件的能力。

这些工具没有一个感觉像给人下指令那么顺畅，所以我创建了一个提示词，可以将你的自然语言转化为逐步指导。（把这个归入"我希望很快就会过时的提示词"类别。）

将以下内容粘贴到你最喜欢的具有网络搜索能力、最好还有推理能力的LLM工具中。我推荐用OpenAI的o3 Deep Research或Perplexity Deep Research来运行这个提示词。

AI Agent构建提示词

以下是我对AI Agent工作流的目标。你是一位出色的AI Agent构建解释专家，擅长向新手讲解。我想在Relay App或Lindy AI或Zapier Agents（非Zaps）或Cassidy AI或Gumloop或Relevance AI中构建一个Agent。

针对每个平台，仅使用其官方文档、教程或视频，为我创建逐步的、明确的、手把手的搭建演示（每个平台分别独立，不混用平台）。

尽量保持简洁。任何建议都不应要求编程。（如果你别无选择只能推荐直接API调用或webhook，请非常清晰明确地说明如何实现。）仅使用完成任务所需的最小必要访问权限。

不要跳过任何步骤；假设我什么都不知道，即使最小的步骤也需要为我详细说明。如果某步骤需要LLM提示词，请替我写出来。查询字符串也是如此（例如Gmail搜索查询等）。

当你建议某个功能时，确保该能力确实存在于该平台！如果网络搜索结果不直接支持你的推荐，仍可以推荐，但在步骤中注明你的不确定性，使用"🚨"emoji，并用"♻️"标记提供替代方案。

为每个服务说明我在所选平台之外需要准备好的任何组件。此外，突出显示这些指令可能实际上行不通的任何风险，以及开始之前我应该问自己的问题，以节省时间。

如果有一个更好的工具你推荐用于此任务（无论是AI Agent、自动化还是其他无代码解决方案），对该工具重复此过程。如果你识别出这是一个批量任务而非持续性任务（即一次性而非触发驱动的），那么建议更好的方法，即使稍微更费手工也可以通过LLM来完成。

🌅 机会

[如果你的老板给你配了一个初级实习生（聪明、有动力、零经验），你会让他/她做什么？为什么这是有价值且有影响力的？]

🪖 AI AGENT要遵循的指令

[告诉你的新实习生你会如何去做，要详细到说出服务名称、澄清决策等人类执行任务所需的程度。使用以下格式：❝每当______发生时，我希望你决定______，基于这些数据_______和/或使用网络搜索，将其与上次的数据进行比较，然后去执行________。"]

在执行最终操作之前，通过[给我发私信/创建草稿/等]来通知我。

这个提示词的结果有时令人愉快，有时不完美。

但即使我需要填补空白，我发现它也是一次急需的提升，克服了令人生畏的学习障碍。正如一位创始人坦率地说的："今天我们的平台让聪明人感觉自己是傻瓜。"

有了这个提示词，我可以更多地专注于我想做什么，而少一些关注怎么做。

我用它来审查到达Slack频道的NPS（净推荐值）调查回复，并判断其中是否有任何一条暗示了值得主动创建Zendesk工单的技术问题。

这是我在Lindy AI中实现的：

并不是每个工具都有你需要的东西，但通常有创造性的变通方案。在Cassidy中，没有Zendesk的"创建工单"功能，所以我让它改为在频道中发帖：

选择平台

最好的AI Agent平台是你的公司已经在使用并信任的那个。

如果市场团队已经将Zapier之类的工具连接到了HubSpot之类的敏感系统，那么你最好的选择是利用现有连接，而不是试图选择一个全新的工具。

另一个重要标准是它是否支持你需要的集成。值得检查平台是否既与你想要的服务集成，又是否支持所需的具体操作（例如，多个平台可以读取Zendesk工单但不能创建工单）。

在其他条件相等的情况下，我建议选择能够以最少移动部件实现目标的工具。如何快速搞清楚？你猜对了：AI。

继续上面的话题：

基于上述平台和所选方法，请创建一个平台对比表，涵盖实现目标所需的所有关键方面。每列应为一个不同的平台，每行应为你所概述步骤中相关的不同功能。行应聚焦于具体功能而非抽象概念、主观特征或猜测。在表格的每个单元格中，尽可能引用网络来源。谨慎使用emoji来突出关键差异。

最后，如果我只能选一个平台，仅基于你上面针对这个特定用例的回答，不考虑网络结果或营销宣传，基于简单性、不依赖技术技能的可能性、最快搭建速度和最容易的学习曲线，你推荐我选择哪个平台来实现这个具体目标？

将你的Agent发布到真实环境中

到现在，你已经选择了一个平台并构建了Agent的初稿。让我们测试一下，给我们的初级实习生一个快速的胜利。

由于我们设计AI Agent时保持了低风险（见上文），启动它并不是一个重大的决定。它只是在更大的环境中进行一次测试。

保持宽容和同理心

这对AI和对人一样是好建议。如果AI在2025年表现怪异，值得在我们的输入中寻找bug。

在我主持的一场AI Agent可用性测试中，一位PM注意到Agent在Slack更新中幻觉出了Sprint编号。他追溯到原因是他的示例标题中有"Sprint 5"，但他的项目管理面板根本没有提到"sprints"。（一个简单的修复：从示例中移除"Sprints"。）

同一位PM注意到AI将任务错误标记为已完成。他意识到他的项目管理面板只有一个估计"结束日期"，但没有"任务状态"。当每个访问面板的人都每天开会时，这没问题。AI（合理地）假设过了那个日期的任何事情都是"已完成"。（再次，简单修复：他添加了一个"已完成"复选框，结果立竿见影地改善了。）

在对AI感到沮丧之前，问问自己是否给它设置了难题，或者是否提供了足够的上下文来做出正确的决策。

信任是点滴积累的

几个周期之后，你会开始对AI的信任程度有一个感觉。

如果结果总体看起来不错，考虑增加它的范围和责任。你敢允许它在没有审批的情况下发送那份草稿吗？是否在流程中添加那个额外的数据源？

如果事情进展不顺利，坦诚地给出你的反馈。流程、人员和产品有一个共同点：它们都需要迭代。（即使世界上最聪明的人也需要反馈来知道他们是否走在正确的方向上。）

有些工具可以接受反馈并将其直接转化为自身的指令：

对于其他工具，你能做的是回到上面的原始AI对话，澄清并更新你的原始提示词指令（使用✏️图标）。然后用澄清后的内容重新运行。

另一种思考方式是，你正在构建一个只有一个客户的产品。第一次不成功是很自然的。幸运的是，当它们成功了，你将能够把大量你最不喜欢的工作从你的盘子里推出去——这是值得的。

优化成本

PM对AI Agent最大的担忧不是我们在《终结者》系列中看到的那些，而是成本。这是可以理解的——我们正在创建一个主动的、持续的过程，它会自行决定何时运行。与此同时，这些平台中有许多是按使用量定价的。（顺便说一句，天网（Skynet）的月度账单一定很庞大。）

像任何企业一样，AI Agent公司渴望基于价值定价。希望AI Agent的价值会增长到超过一个初级实习生的水平。

Lindy的弗洛·克里维洛（Flo Crivello）说："公司有数百万美元的人力成本，然后花一千美元在AI上。实际上你应该希望这些线交叉。你应该乐于在AI Agent平台上花钱，因为你花在AI Agent平台上的每一美元都在节省人类本来要花费的10美元。"

与此同时，竞争将推动价格更接近成本。而运行基础模型的成本正在稳步下降。

放下经济学教科书，这里有一些无论情况如何都非常实用的关于成本的建议，来自Relay.app的雅各布·班克（Jacob Bank）："当你在一个AI步骤中工作时，有两种降低成本的方式。你可以选择更便宜的模型，或者喂给它更少的数据。我通常建议先用好模型和大量数据把东西跑通。[然后]如果使用频率不高，我就干脆不费心优化成本。如果是每天要运行100次、每次花费10美元，那我就拉这两个杠杆。"

安全

安全从一开始就是聊天界面让人关注的问题，所以可以理解，安全也是AI Agent的一个考量因素。

一个核心担忧是AI吸收和学习公司数据。幸运的是，每个AI系统提供商都有不使用查询数据进行训练的选项。（这是否足够取决于你的公司政策。）

另一个担忧是第三方SaaS访问公司数据。我建议根据替代方案来评估这个风险：

  1. 你是否已经在使用第三方自动化（不论是否涉及AI）？如果是，AI本身给你的工作流增加了多少额外风险？
  2. 有多少人类员工已经被授予了这些权限？考虑到近期的丑闻，AI真正给局面增加了多少风险？

再次引用雅各布·班克的话："人们对招聘员工并给他们大量信息太过随意，而对遵循安全最佳实践的SaaS产品却过分严格。"

话虽如此，我不是安全专家。请咨询你本地的CISO（首席信息安全官）。

Agent下一步会如何演进？

到目前为止，我们构建了一个AI Agent和一个创建更多Agent的框架。现在让我们想象这些工具如何从热心的实习生演变为有能力的同事。

无需人类介入即闭合反馈循环

我运行过一些Agent，它们做出了明智的决策，但随后却像一个蒙着眼睛打皮纳塔（piñata）的小孩一样执行。

当人类犯下愚蠢的错误（覆盖电子表格的标题行或向Google文档追加一段不可读的丑陋文本块）时，我们立刻就能发现。AI Agent没有这种直觉，而这并不总是因为缺乏智能。

一个巨大的障碍是权限。公司更愿意给予"写入权限"，而不愿意允许应用查看公司数据。 这可能感觉反直觉，但"在Salesforce中创建联系人"确实比"查看我所有现有联系人"是更安全的权限，这是有道理的。在Slack频道发帖和读取Slack频道内容也是同理。

在AI无法闭合循环的地方，人类承担了（1）观察错误和（2）将该错误传达给AI系统的步骤。在"构建/测试/学习"循环中，"构建"远强于另外两个。

解决方案不会来自更好的AI模型或工具，而是来自如何模块化和编排它们的创造性方案。Replit的Agent最近能够截取自己虚拟浏览器的屏幕截图并分析它所看到的内容，这为我作为用户节省了大量错误报告。对于Slack和Salesforce，我可以想象一个内部可信的AI Agent位于目标应用内部，可以访问相同的指令，并向第三方Agent提供反馈。

无论这个问题如何解决，让Agent查看结果并改进自己的指令（就像人类改进自己的操作清单一样）将为人类卸下巨大的负担，并成为AI向前迈出的一大步。

AI助手、AI原型设计和AI Agent将开始融合

还记得本文开头那张"什么是Agent？"的图表吗？每一行都有其独特的空白。我预计这些行将填补空白并填满对勾。

我预计高上下文的思维伙伴（AI助手，AI Copilot）、自然语言应用构建器（AI原型设计，AI Prototyping）和主动决策者（AI Agent）都将开始互相借鉴元素。

未来的AI工具拥有大量关于公司和角色的上下文、连接到真实世界的输入和输出、并通过自然对话来运作——这才是合理的。

总结

AI Agent还不是魔法精灵（暂时），但它们代表了一个重新夺回我们的精力、专注力，以及最终重新获得产品工作乐趣的真正机会。如果你采取正确的步骤，在自己的工作中使用AI Agent是可行的。回顾一下：

  1. 从小处着手： 选择你熟悉的任务，并缩减其范围。
  2. 设计有限的损失： 为不可避免的错误创建安全网。
  3. 用语言构建： 利用AI跳过学习曲线。
  4. 带着同理心迭代： 即使最聪明的同事也需要反馈。
  5. 慢慢建立信任： 逐步增加范围和责任。

关于AI最令人兴奋的部分是，我们将重新夺回的时间和精力投资到哪里。我们可以沉浸在客户问题中，与团队建立更深的关系，享受创造的过程。（你懂的——这些都是我们当初选择做PM的全部理由。）

所以，今天就去实现你的~~第一个~~第二个Agent吧。然后是第三个。你不仅会建立对AI智能体的产品直觉（这是2025年每个PM都需要的技能），而且也许，只是也许，产品管理会再次变得更有趣一些。

特别感谢

谢谢你，Tal！想了解更多，请查看他的AI PM课程和他即将在5月13日举行的免费45分钟闪电课程"AI PM如何拆解优秀AI产品"。你可以在LinkedIn和X上找到Tal。

祝你度过充实而高效的一周 🙏

如果你觉得这份通讯有价值，请分享给朋友，如果还没有订阅，请考虑订阅。有团体折扣、礼品选项和推荐奖励可用。

诚挚地，

Lenny 👋