企业官网建设流程全解析

• 教程
• 文档

本篇围绕 Easy-Vibe 教程 Stage-1 的《Grundlagen des Produktdenkens》一章展开：学会把"我能做出来吗"升级为"什么东西才值得做出来"。你将掌握点子评估、需求与自嗨的区分、双钻模型拆解、白板原型、AI 放大价值的时机，以及 0–1 冷启动找第一批真实用户的方法，最终产出 1 个完整、可检验的产品方案。

导读：从 Vibe Coding 到产品思维

在前面的章节中，你已经在 z.ai 和本地 AI IDE（如 Trae、Cursor）里搭建过各种小工具，也体验过把想法从浏览器搬进本地项目的完整流程。Easy-Vibe 的学习地图把这条路径概括为：先"做出来"，再"做对的东西"——也就是从 Vibe Coding（用自然语言驱动 AI 写代码）走向 Product Engineering（对问题、方案、用户和结果负责）。学习地图 中明确写道：Coding 问"我能做出来吗"，Build Product 问"它值不值得做、谁在用、怎么交付、靠什么衡量效果"。

本章《Grundlagen des Produktdenkens》（产品思维基础）正是这一转变的起点。它的学习路径是一条完整的闭环：

点子来源 → 方案拆解 → 打磨判断 → AI 放大 → 找到第一批真实用户

按官方章节设置，本阶段耗时约6 小时，核心产出为1 个完整的产品方案，预期交付物是一个可检验（prüfbar）的产品点子。读完本篇，你将拥有从"模糊灵感"到"可落地应用方案"的一整套可重复方法，而不是依赖灵光一现。

1. 可靠的点子从哪里来

很多人做应用的第一反应，是等待一个"足够有记忆点"的创意，于是每天刷榜单、看成功故事。但 Easy-Vibe 的结论恰恰相反：能走得久、走得稳的应用，大多不是深夜拍脑袋想出来的，而是在具体的生活场景里，围绕真实的问题一点点长出来的。

1.1 什么是产品点子

一个随口的念头要成为"点子"，必须同时具备四个部分：

1. 一类明确的用户——而不是"所有人"；要能说清楚主要给谁用（大学生、职场新人、带娃家长、独立开发者、小微商家）。
2. 一个具体的场景——比如早高峰通勤的地铁上、会议开始前、周末整理资料的时段。
3. 一个清晰的任务——例如"把一份长文档浓缩成要点""为一次会议生成结构化纪要""规划一条周末出行路线"。
4. 一种比现状更好的方式——更少的步骤、更少的错误、更少的担忧或更少的精力消耗。

如果你暂时想不清楚，也没关系——现在是 AI 时代。你可以把上面的四要素整理成一段完整的提示词，连同你的想法、目标用户和使用场景一起交给大模型补全和提炼。把 AI 当成随时在线的产品合伙人，反复对话、追问、修改，就能把一个模糊概念变具体。但要记住：AI 是对话伙伴，不是决策者。

1.2 点子与用户需求：抵御自嗨的第一道防线

"自嗨"的定义很精确：你对创意兴奋得不得了，用户却只能礼貌地点点头。要避免它，必须把"点子"和"用户需求"分开看。

用户需求可以概括为：在具体场景下，用户为达成目标希望降低的各种成本（时间、金钱、精力、心智负担、犯错风险、社交压力），或希望增加的各种价值。

一个关键的判断标准：真需求 vs 假需求。

• 真需求的特征是：即使没有你的产品，用户也已经在主动解决这个问题——用表格、跨工具复制粘贴、付费替代方案，或忍受笨拙的手工流程。
• 假需求的特征是：如果不是你主动提起，大部分人根本不会意识到这是个问题；使用场景只存在于你的想象里，用户听完介绍觉得"挺好"，但不会用、不会付费、转身就忘。

所以每次都要逼自己回答一个看似简单却关键的问题："除了我自己，还有谁在为这件事认真犯愁？"去论坛、社群、评论区找带着真实情绪的抱怨（"我每次都被这件事拖住""现在的做法实在太麻烦"）。如果找不到，说明这个点子离真实需求还有距离。

1.3 好点子为什么好

• 好点子能自然增长：哪怕只是一个粗糙的网页加几个按钮，只要能解决一个具体的小麻烦，就会自然被传播。比如一个"语音转文字"小工具，只要识别质量可靠，用户会主动把链接转给朋友——因为它在替别人省时间。
• 坏点子靠外力驱动：外观再好看、宣传再用力，一旦停止推流，使用数据就直线下滑。问题不在于执行力，而在于点子本身没有踩中足够真实的痛点。

本章反复强调的核心原则是：方向的选择先于执行。（Die Wahl der Richtung kommt vor der Ausführung.）真正该关注的不是创意有多炫，而是它能不能自然地长出一条"问题→方案"的路径。

1.4 好点子的四大来源

好点子大多不是等来的，而是从四条路径里"筛"出来的：

1. 热爱自己的生活：你对某个领域越有参与感，越容易发现问题。养猫的人会知道猫躲镜头，于是可能做出"在屏幕上显示移动红点引猫看镜头并连拍"的小工具；化妆的人会想给每次妆容做"配方档案"，用语音记录"面试妆用了 01 号橘棕眼影盘"，下次搜索"面试""豆沙色"就能一键找回；city walk 爱好者会想要一个"带语音标记的氛围点地图"。每一次不顺畅的体验，都是一次潜在的产品线索。
2. 从你已能触达的人群中挖掘：读者、同事群、兴趣社区——你能稳定听到的一群人就是"人群资产"。设计师群里反复出现"客户总改稿""尺寸来回调"，就藏着尺寸适配工具的机会；备考社群里反复出现的"计划又拖延了"，指向打卡与进度可视化。
3. 在公开场域里找需求：用带情绪的关键词搜索（"好烦""有没有推荐""怎么解决""真的很麻烦"），重点关注两类信息：长期反复出现的问题，以及用户正在用笨办法硬撑的场景（手写清单拍照上传、跨应用复制粘贴、手动汇总数据）。
4. 站在巨人肩膀上：黑客松、Demo Day、产品榜单、开源项目，都能看到"在有限条件下做出的解决方案"。拆解它们的用户、核心功能、冗余部分，再思考能否迁移到另一类人群或区域。注意：从模式中学习，不等于复制品牌和文案。

仓库中还提供了配套的 点子来源（Ideenquellen）附录，给出了更具体的实操：从自己过去一周的"复制粘贴、多应用切换"开始记录；把环境里反复出现的求助（"有没有人存了上次的模板？""这个尺寸怎么导出？"）原样存档；并示范了论坛搜索句式（如Angebote Excel vergleichen dauert zu lange、site:reddit.com is there a tool for）。这些材料先只做记录，不急着下结论。

1.5 一句话讲清好点子：做减法的艺术

"一个学英语的应用"什么都没说清；而"让通勤族每天用十分钟，一个月记住一百个核心单词的背词应用"立刻可以被评估。练习时反复逼自己回答三个问题：

• 你到底在帮谁？
• 你希望他们在什么场景下想起你？
• 你打算在多长时间内，帮他们达成一个怎样可见的结果？

想知道怎么写好这句话，可以去看应用市场的一句话简介、官网 Landing Page 的主标题，拆解其结构，再让 AI 基于你的点子生成一版新文案。

1.6 用 AI 发散思维、寻找差异化

AI 在这里的价值是"扩展地图"而不是"替你做决定"。做法包括：

• 让 AI 基于同一个核心任务列出二十种不同的用户群体；
• 让它分别从产品、市场、运营、技术等视角提出各自的顾虑；
• 对每个常见点子（背单词、待办、打卡、记账）做一轮"收窄式"拆解，问三个问题：只服务某个具体人群会长成什么样？只针对某个固定场景（通勤、午休、睡前）能怎么聚焦？如果把"结果呈现"做到极致（更易分享、更易打印、更易导入其他系统），是否足以构成差异化？

同时要认识到：常见点子不等于无效点子。背单词、任务清单、记账之所以不断有人做，是因为问题真实存在；竞争的关键在于谁更理解某一小群人、谁在细节上更贴近他们的生活。

本章小结与作业

一个可靠的点子要能说出用户、场景、任务和改善；要区分个人热情与被观察到的需求；从四个来源持续收集线索；练习一句话说明。当你手上有一到三个能一句话讲清的点子时，就停止收集新点子，开始拆解其中一个。记住：第一版很烂是正常的——完成一个可检验的东西，比空想一个完美的更重要。

📚章节作业（Kapitelaufgabe）：找到三个值得继续了解的点子——

1. 从兴趣、经历、身边人的麻烦中写下一批点子；
2. 请 AI 补充人群和场景，但不让它替你决定；
3. 选出三个你真的想深入了解的方向；
4. 各用一句话写清：给谁用、何时用、带来什么结果。

2. 如何把点子拆成可做的应用

很多人败在这一步：脑子里有完整蓝图，一动手却觉得无从下手，于是不断拖延，最后变成"这东西将来有机会再做吧"。Easy-Vibe 给出的方法是一套可重复的动作序列：发散 → 收敛 → 拆解 → 细化 → 借鉴 → 提问。

2.1 双钻模型：从发散到收敛

什么是双钻模型？它由英国设计委员会（Design Council）提出，把创新过程比作两个连续的菱形：

• 第一个钻石（问题空间）：先广泛发散——调研、理解用户、收集情境；再收敛——定义出真正要解决的核心问题。
• 第二个钻石（解决方案空间）：先对可能的解决思路大胆发散、探索与迭代原型；再收敛——筛选、打磨出最可落地的方案。

两个菱形各经历一次"发散—收敛"，避免你一上来就跳到最喜欢的那个方案上。

• 第一钻（从单个问题到全貌再回来）：发散阶段不加评判地列出所有场景、障碍和期望结果（比如文档工作里的"会前看长报告""怕漏掉细节""找不到自己的任务"）；收敛阶段压到一两个最常见、最痛的情境——"五分钟内看懂长文档的核心"是一个可能的目标，"解决所有文档问题"不是。
• 第二钻（从粗略方案到可执行方案）：发散阶段生成多种解法（不同摘要长度、音频、标注、决策提取）；收敛阶段用用户价值 × 可行性 × 时间成本三维度评估——文本摘要进 MVP，耗时费力的语音播报放到以后。第一版不求完美，只求完整解决一个任务，可以设一个约一个月的边界，更大的功能显式地放进"以后再看"清单。

仓库中的 Double-Diamond 附录 对四阶段做了更细的展开：Discover 的核心是"全面研究而非快速结论"（观察用户真实场景、访谈、分析现有替代方案）；Define 是"从信息中蒸馏出核心问题"（哪个问题最常见、最痛、价值最大）；Develop 是对方案发散；Deliver 是筛选、原型、测试并交付。该附录还提醒：测试暴露问题时，可以回到更早的阶段——双钻不是只走一遍的线性流程。

2.2 得到可执行步骤：从抽象到具体

"提升效率"这句话无法告诉任何人明天该画哪一页。拆解就是把宽泛目标翻译成决策和立刻能做的动作。

生活例子："我想吃汉堡"意味着什么？

• 先澄清动机：是饿得快、馋味道，还是想和朋友聚？
• 再确定范围：什么品类、几点吃、要不要薯条饮料甜点？
• 最后决定实现方式：堂食（查位置、看时间）、外卖（比价、看时长）还是自己做（备食材、找食谱）？

拆完之后，"我想吃汉堡"就变成一串可执行动作：打开外卖应用 → 搜常点的那家店 → 选套餐去酱 → 下单。

应用例子："让文档处理更高效"从哪一步开始？

第一层拆解，先给每个关键词下定义：

• "文档"是什么？文本 PDF、扫描件、Word、表格，还是 Markdown？图片式文档可能需要 OCR；表格类文档的核心需求是数据提取而非文字精简。
• "处理"成什么？是"看得更快"（50 页压成 5 页概要）、"改得更好"（统一格式模板、翻译润色），还是"传得更方便"？
• "应用"是什么形态？个人小工具（简陋网页或命令行脚本即可）、团队协作（需要账号、权限），还是现有系统里的一个功能？
• "用什么提高"？一定要 AI 吗？固定格式封面、标准免责声明这类需求用规则/模板就能解决；只有面对非结构化长文本的理解、概括、改写，AI 才是自然的一环。
• "效率"到底指什么？是单纯的速度，还是也包括质量、出错率和理解难度？"时间少一半"和"心没那么累"是两种不同的产品。

第二层拆解，假设第一层收敛出了"我想做一个用 AI 提高 PDF 转文字速度和质量的网页程序"，继续把关键词收紧：

• "AI"具体是什么：轻量 OCR 模型，还是需要 LLM 甚至多模态模型做纠错、版面重整、结构理解？这会在成本消耗、开发难度、产品形态三个维度带来完全不同的后果。
• "PDF 文档"支持到哪一类：只支持"以文字为主、可复制的纯文字 PDF"，就不必一开始处理扫描件、复杂图表和公式排版；"任何 PDF 都能扔进来"则意味着一上来就要解决 OCR、版面重建、图文混排一整串高难度问题。刻意做一次收窄，并把取舍写下来："当前版本主要服务结构清晰、以文字为主的 PDF 报告，不对扫描件和重度图文混排文档做保证。"
• "高质量转文字"拆成三个可权衡维度：识别是否大致正确；段落与标题结构是否保留；是否便于二次编辑与再利用。先选出最在意的两三项作主攻方向，例如"段落结构清晰 + 标题层级基本保留 + 错别字可在几分钟内人工修完"。
• "速度"具体到可感知量级：是支持上百页超长文档、接受较长等待，还是限定页数换取"几秒到十几秒出结果"？如果典型场景是"会前把十几页报告快速转成可编辑文本"，合理的写法是"不超过 20 页的文字型 PDF，通常在约 10 秒内完成"。
• "网页程序"的形态：是自己和小范围内部使用的临时工具（可砍掉账号、历史、协作，聚焦"打开网页 → 上传 PDF → 等待 → 展示可编辑文本 → 一键复制或下载"），还是一开始就规划成对外稳定服务（才需要并发、队列、配额、监控、安全）。

把上述取舍全部显式写下来后，最初的愿望就被收紧成一条可执行的描述：

为用户提供一个浏览器小工具，优先支持结构较清晰、以文字为主的 PDF 报告，通过适配的解析流程与轻量级 AI 清洗，在约 10 秒内输出段落结构明晰、标题层级基本保留、识别错误率可接受的可编辑文本，无需登录即可使用，支持一键复制与下载为.txt。

这类描述可以直接变成提示词、交给 AI 作为 plan 执行、给设计师画原型，或发给工程师评估成本。从抽象到具体的本质，就是把大愿望拆成原子化的子问题清单，而每个原子子问题只有两个选项：我来执行，或交给 AI/专家执行。（所有问题分解到原子化后无非只有这两个选项，能原子化就能被执行。）

2.3 在白板上设计你的应用

先画、再做。不需要专业软件，白板、白纸、记事本都行。关键是先把用户从进来到离开的完整路径画出来，而不是急着打开编辑器。整个应用可以分成三类页面：

• 入口页（Einstiegsseite）：用户从哪里进来，第一眼看到什么。它要在几秒内回答"这个产品是做什么的、给谁、第一个该点的动作是什么"。删掉所有与核心动作竞争的文字。
• 操作页（Bedienseite）：用户需要输入、点击、选择什么。写下必要信息、顺序和可能的错误。一个有效的练习是只允许用户做一件事——一个粘贴文字的输入框、一个摘要长度选项、一个生成按钮。如果用户需要先学一堆术语才能操作，说明流程还太大。
• 结果页（Ergebnisseite）：用户得到什么、怎么展示。结果必须兑现入口页的承诺，并给出自然的下一步：复制、修改、分享、重试。

画完后用箭头连起来，从"第一次进来"走到"结束"。这个过程会暴露真实问题：结果页想修改细节时怎么返回？操作页不确定要不要继续时，有没有清晰的退出或草稿保存方式？先在纸上把用户路径画清楚，再考虑技术实现——这一步做得越清楚，后面自己写或交给 AI 写都会轻松很多。

2.4 向其他应用学习：聪明地抄作业

不需要从零原创一切。挑几个方向相近的应用，像研究样本一样逐页分析，重点不是配色，而是：导航怎么设计（底部还是顶部、几个核心入口还是单一主按钮）、表单怎么组织（同页填完还是分步）、结果展示最重要的信息是否在最显眼的位置、新用户引导有没有简短流程。

业界有不少收集界面截图的参考站（如 UI Sources、Screenlane、Page Collective、Mobbin、Refero 等），可当作参考图册。把截图、来源和笔记整理成"参考集"，还有一个额外好处：可以精确地告诉 AI 工具你想套用哪个模式。要强调：不是复制品牌和文案，而是理解某个设计决策背后的原因，再把模式迁移到你的用户身上。

2.5 不要等万事俱备才去问用户

越晚接触用户，前期投入的沉没成本越大。原则是：边画边问、边做边问，不要做完再问。

• 画图时问：把草图给对方看，让对方解释"点一下之后会发生什么"。不要提前讲解，观察对方的自发用词和迟疑。
• 构建时问：用半成品版本让对方在没有指导的情况下完成一个真实任务，记录卡点、误解，以及他想要保存或分享的结果。
• 坦然展示粗糙：未完成界面反而更容易换来真实批评，打磨精致的界面常让人礼貌敷衍。事先说明"我检验的是这个点子，不是你的能力"——行为比赞美更有价值。

本章小结与作业

至此你学会了：用双钻模型在发散与收敛之间切换；把抽象愿望拆成最小可行动项；用入口/操作/结果三页画出用户链路；有意识地借鉴现有应用的导航、表单与结果展示；以及从草图阶段就让真实用户参与。一个"能用"的应用已经出现，但距离"好用"还有一层纱——这正是下一章的内容。

📚章节作业：把点子画成能动手做的方案——

1. 从三个点子中选一个；
2. 先想几种做法，再选出最适合第一版的一种；
3. 写清用户会提供什么、页面最后会给他什么；
4. 在纸上或白板上画出入口、操作过程与结果页面。不用画全所有功能，只要别人能顺着图看懂一次完整使用，就可以开始做原型。

3. 如何判断并打磨出好应用

当第一个版本被真实世界检验时，你会看到用户点错的地方、犹豫的地方、卡住的地方。这一章解决的是：怎么判断它离"好应用"还有多远，以及如何利用真实使用信息把它打磨好。

3.1 好应用的四个核心特征

① 创造具体价值。"还不错"太模糊。价值要落到可量化的表述：每场会议为一个人省下约二十分钟；图片压缩工具在肉眼几乎无差的前提下把体积压到三分之一且命名规则统一。把价值拆成一两条具体场景，用普通人听得懂的话说明"原本要花多久、做多少手工、担多大风险，现在怎样更省力"。

② 上手容易，几乎不用说明书。新用户能容忍的迷茫只有几秒。主要动作、系统状态、从错误中走出来的路径都要可见。简单不是功能少，而是在对的时刻提供对的功能。找一个完全没见过产品的人，在不说话的情况下从零摸索，观察停顿与犹豫。

③ 在高频或关键场景中会被自然想起。产品可以是每日高频（消息、通勤工具），也可以是低频但关键（报税、签证清单、大额转账）。真正要警惕的是：既不高频，也不会在关键时刻被想起——那说明产品没有和任何真实场景绑定。

④ 利他心（im Interesse des Nutzers）。设计路径和体验时，优先级始终是"怎么让用户更容易完成任务"，而不是"怎么多设一道障碍逼他付费"。避免欺骗性模式、诚实说明成本与边界、允许数据导出和退出。

3.2 用马斯洛需求层次洞察需求

马斯洛金字塔不是一个严格的公式，而是一个方便的观察框架：帮你判断应用到底在满足哪一层次的需求。自下而上五层：

• 生理与生存：外卖、买菜、打车、健身睡眠监测。特点是用户对稳定、可靠、可预期极其敏感——送不到、叫不到、订错都会引发强烈情绪。
• 安全与确定性：记账、密码管理、备份、日程提醒、药品提醒。核心承诺是"降低出错概率、出事时有备选、心里有底"。设计时要问：我到底帮用户降低了哪一类风险（金钱、时间、关系、合规）？
• 归属、连接与被看见：社区、群聊、兴趣小组。光有内容不够，要思考用户凭什么觉得"这里是自己人"、愿不愿意留下痕迹并产生真实互动。
• 尊重、自我价值与成就感：打卡、勋章、排行榜、成就体系。关键在于成就体系与真实投入是否脱节——随便点几下就能拿"资深"称号的激励会很快失效；要给用户一个可以积累、能看见自己从新手到熟练的舞台。
• 自我实现与自我超越：创作工具、长期学习平台、知识分享与公益。触及这一层的应用粘性极强——它和"我是怎样的人"建立了深层连接。

用金字塔自查时避免两个偏差：只盯着错误层次（存储工具硬贴社交排行榜）和忽略层级先后（基础体验不稳定时，再多勋章也无意义）。自查三步：我的应用核心满足哪一层（只选一层）？有没有机会自然延伸到上一层？比目标层更低的层次有没有明显短板？

3.3 按用户类型区分：Consumer 与 Unternehmensanwendung

同一个问题，一个人买和组织买是两套规则。

• C 端应用（面向个人）：嵌入日常生活，关注第一印象、简单、个人化定价、隐私、推荐传播。用户几秒内就能离开、大多自己决定。增长（首次尝试）、留存与复访（第 1/7/30 天）、转化付费（从已获得价值升级到更高便利）、分享传播（结果天然需要发给别人）是四个核心关注点。
• B 端应用（面向组织）：要同时满足使用者、管理者、采购、安全、管理等多角色。价值用工时、错误率、合规、协作来衡量；角色权限、审计日志、集成、支持变得重要。核心关注点：提高整体流程效率、降低成本（含培训与维护）、控制风险与合规、权限管理与责任边界。

注意：这里的"行业"指的是真实的企事业场景，不一定是工厂——合同审批、客户服务、库存协调、报表生成都属于。选一个你了解的行业（教培、电商、制造、金融、医疗），找出高度依赖人工、信息散落多系统、出错率高的环节，往往就是小而聚焦的工具切口。仓库中还有专门的 行业场景附录 和 消费场景附录 可作延伸。

3.4 用用户数据打磨：从"我觉得好"到"用户觉得好"

设计简单的反馈渠道。从低成本方式开始：小范围用户群（认真回复、记录、定期总结，不在群里辩解）；版本迭代后的短问卷（问题要具体）；完成任务后的简短评分弹窗；以及成本高但回报大的一对一访谈（约 20–40 分钟，边操作边讲）。

把杂乱反馈分成三类：

• Blocker（阻断问题/bug）：承诺的行为没发生或发生错误（上传失败、闪退、结果不对）。尽快复现、修复，并主动告知受影响用户。
• Reibung（体验问题）：流程长度、操作位置、文案没选到最顺滑路径（用户在某个按钮犹豫、重要功能藏在角落、默认设置反直觉）。结合数据与观察决定改到什么程度。
• Funktionswünsche（新需求）：用户提出没想到的功能。辨别背后是否有共性问题、是否与核心人群和任务一致，否则容易被分散需求拉成"什么都做、什么都不精"。

养成给每条反馈打标签的习惯，定期汇总，看哪类问题集中在哪些流程上。

用三个简单指标决定是否继续投入：

1. Rückkehr（留存）：一段时间内还有多少用户持续使用——一周内至少用过一次、一个月内回来过。
2. wiederholte Aufgabenerledigung（复访/重复完成任务）：没卸载的用户多久回来一次，对照你对该产品合理使用节奏的预期看偏差。
3. Empfehlung oder Zahlung（推荐或付费）：是否有人主动推荐（自然的分享入口、群里自发安利、访谈中"你会推荐给有同样问题的朋友吗"）。推荐带有个人信用背书，比满意度分数更能说明问题。

三个指标结合反馈综合看：有人留下来、并在特定场景反复使用，就值得继续投资打磨；反之修了一堆 bug、留存复访却上不去、几乎没人推荐，就该收缩范围、回到最初的核心场景，甚至考虑换方向。

4. AI 在哪里、如何放大价值

教程本身教的是开发 AI 原生应用，但本章立场很鲜明：对一个刚起步的小应用来说，最危险的不是不用 AI，而是为了 AI 而 AI——不断堆"看起来很聪明"的功能，把原本能落地的方向做得又贵又复杂，却没有明显的价值提升。

4.1 不要为了 AI 而 AI

每次考虑加 AI 功能前，先强迫自己回答两个问题：

1. 不用 AI，这个应用是否也成立？把所有 AI 能力暂时抹去，这件事本身有没有真实需求、用户愿不愿意持续投入时间。如果去掉 AI 就完全站不住脚，往往说明抓的需求本身就不痛不痒。
2. 用了 AI，具体提升了什么？不接受"提升效率、智能升级"这类宽泛说法，必须落到用户能感知的维度：显著加快完成任务的速度？明显提升结果质量？让流程更顺畅（表单变对话）？真实成本下降（减少外包、客服时长、培训周期）？

两个问题有明确顺序：先保证不用 AI 也说得通，再问加了 AI 具体好在哪。

4.2 确定 AI 的角色

把 AI 当作有具体分工的部件，而不是抽象的能量。经典的角色划分：

• 大脑（Denken）：理解和生成文字、在复杂信息间推理。会议纪要助手从录音中抓出核心讨论点；学习应用判断用户是"没理解概念"还是"粗心写错步骤"。你要做的是把上下文喂准确。
• 眼睛（Sehen）：处理图像、视频等非文本内容，转成机器可理解的描述。发票拍照识别转可搜索文字；绘画应用看懂草图指出构图问题；家居整理工具根据照片识别布局给出改造建议。
• 手（Handeln）：执行一连串具体动作。自动化工作流：读邮件附件 → 总结要点 → 发群 → 存云盘 → 在任务管理里创建跟进任务；根据上下文动态决定下一步（识别投诉邮件、判断表单是否填完整）。

更具体的落点上：文本处理（翻译、摘要、问答、情感分析）依托LLM；图像理解依托CNN等视觉模型，图像生成与修复依托扩散模型、GAN等生成式模型；音视频侧有语音识别（ASR）、语音合成（TTS）与视频生成模型；语音交互则是 ASR + LLM + TTS + 情绪识别的组合。真实业务中往往要引入多种 AI API，在不同任务上做全面测试。

对每个功能，把输入、输出、可能的错误、检验方式、替代路径都写下来——"用 AI"就变成了可检验的设计。Easy-Vibe 的 AI 能力整合章节 会教你如何在原型中真正接入这些能力。

4.3 认识 AI 的能力与边界

模型能处理文本、图像、语音、视频和工具，但会编造事实（幻觉）、丢失上下文、输出不稳定。凡是涉及严肃后果的场景——财务报表、法律文书、医疗建议、不可逆操作——都必须设计人工复核或多重检查，不能把模型输出直接当可执行指令。

一个更成熟的思考框架来自对 Agent 的拆解（仓库学习地图中也强调"把问题拆开再谈 AI 的用武之地"）：

Agent 有两个变量：控制任务走向的 workflow，和控制内容生成的 context。

1. workflow 与 context 都确定 → 传统自动化（类似 RPA）即可，AI 只是粘合剂，发挥空间有限；
2. workflow 确定、context 不确定 → Agent 需要在语义和理解上补全（客服问答、合同解析，配合外部检索）；
3. workflow 不确定、context 确定 → Agent 自主规划路径（市场分析报告、个性化推荐）；
4. 两者都不确定 → 最复杂，既要推理也要探索（创新方案设计），依赖工具丰富度。

本质上，自动化解决"确定性"问题，智能化解决"不确定性"问题。

据此再追问四个边界问题：

• AI 引入的新不确定性，用户和系统能不能承受？客服答错可立刻纠正；财务审批误判一次就不可接受。
• 准确率能否达到该场景的及格线？相册按人脸分类 80% 可接受（大不了手动调几张）；安防监控漏掉 20% 可疑人员就是严重隐患；生成社交媒体文案 60 分够用，法律条款 95 分都不够。
• AI 出错时有没有补救办法？workflow 确定时可在关键节点设人工审核；workflow 也不确定时，你很难判断何时介入，成本与风险急剧上升。
• 能不能衡量和优化 AI 的表现？推荐系统可用点击率、停留时长快速评估；创意文案的"好"很主观，要等投放后才知道转化率，迭代周期长。

最终判断不是"这里有不确定性，所以能用 AI"，而是"这里的不确定性 AI 能处理，且 AI 带来的新不确定性我也能管理"。衡量价值的标准始终是：任务时间是否缩短、质量是否更好、使用频率是否提升、用户是否愿为 AI 功能付费——如果流程只是更贵更不可预测，AI 就没有放大价值。

5. 如何找到第一批真实用户

做出应用之后最大的错觉，是以为只要推广曝光就能跑起来。冷启动阶段最重要的事只有一件：用尽可能小的代价证明，确实有人愿意用，而且用完愿意回来。

5.1 先分清 0–1 与 1–N

• 0–1（冷启动）：从零用户到一小撮真正愿意使用的用户。此时一切指标都是零，要靠主动出击：找到一小批对问题有真实需求的种子用户；准备最初的使用体验（至少能完成一次完整核心操作）；用一句话讲清产品是干什么的；拿到第一个触达渠道。要完成的是"进入 → 使用 → 反馈"的闭环。
• 1–N（规模化）：在已经有人反复使用的基础上，考虑获客渠道的可重复性、服务机制（客服、运营、用户教育）、商业模式、品牌与团队。在 0–1 没跑通之前谈这些只会空转。

为什么要先专注 0–1？把有缺陷的体验规模化，等于放大错误。二十个被好好陪伴的用户，比一千个匿名访问教得更多。

5.2 冷启动的对象：不止终端用户

• 种子用户（Seed-Nutzer）：人数不多但与目标画像高度吻合，愿意容忍早期版本。价值在于告诉你"他们什么时候需要、为什么回来"。目标可以设为先找到 20–50 个，用一两周边用边对话。
• 供给方（Anbieter）：市场、社区、内容产品需要内容、课程、模板或服务供给。没有供给，拉来的用户只会看到一片空白。
• 流量方（Reichweitenpartner）：创作者、教师、社区负责人、媒体，已经触达你的目标人群。小而精准的重合，可能比大的泛流量更有价值。
• 渠道方（Kanäle）：学校、企业、协会、平台、软件服务商，提供结构化入口。从一个班级、一个团队、一个本地社群的小试点开始。

5.3 冷启动的三条主路径

1. 从种子用户和自己的网络开始（私域）：亲自邀请匹配画像的人。邀请时讲清三件事：这是为哪类人解决什么问题的应用；希望对方花多久试用；你会如何对待反馈。观察完整任务，把真实案例变成第一批产品故事。
2. 用内容或福利给出明确的第一理由：免费试用、实用模板、高度垂直的内容。关键是从内容顺利过渡到一次完整的产品体验。
3. 借助现有平台：电商卖家在带支付和评价的平台起步；工具做成插件、扩展、集成。找到你的用户已经聚集的那个小角落。

5.4 资源有限时的取舍：只做最关键的一小块

• 把笼统目标换成具体任务：把"看看市场反应"换成"四周内，二十个匹配用户多次完成真实任务，并给出具体反馈"。定义什么是"完整使用"——比如汇报工具的一次完整任务，是导入数据 → 生成初稿 → 改两三轮 → 导出 PPT → 真正在部门会上讲。
• 不要什么都试一遍：选择对你最自然、最易持续的一条路——会写内容就从内容出发；握有社群就从私域开始；有行业人脉就做小团队试点。每天换渠道产生的是忙碌，不是学习。
• 只打磨最关键的部分：接下来四周只做两件事——围绕那二十个用户反复优化真实使用体验（从"勉强能用"到"基本顺手"），以及沿主路径持续找到少量新用户并记录共性。任何新想法先问自己：它能否显著推动那二十个用户用得更好，或清楚地帮我找到下一批类似的用户？

冷启动要跑通的闭环是：Nutzer finden → Nutzung begleiten → Feedback sammeln → verbessern → Rückkehr erreichen（找到用户 → 陪伴使用 → 收集反馈 → 改进 → 促成回归）。这条回路走顺之后，再加新渠道、试新合作才有意义。

总结

产品思维串起了完整链路：一个讲清用户、场景、任务与改善的点子；一个用双钻模型收敛出来的方案；一个早期画出并测试过的流程；用行为而非感觉来评价；AI 只放在真正创造价值的位置；以及一小群被密切陪伴的早期用户。

粗糙的开头、少量的功能、还没有付费——这些都是过程数据，不是终局结论。观察、检验、每次改进一个部分。就像游戏《去月球》（To the Moon）里说的：

"结局永远也不会比通向它的任何一个时刻更重要。"（The ending isn't any more important than any of the moments leading to it.）

在 Easy-Vibe 的 Stage-1 中，这一章位于完整的产品工程学习路径中：前面的 AI 时代：会说话就会编程 建立信心，AI IDE 入门 选择工具，紧接着本章的产品思维，然后进入 原型搭建、AI 能力整合 与 完整项目实践。相关的方法论附录还包括 Double Diamond 模型、点子来源 与 Mom-Test（用户访谈提问法），可继续深入阅读。本篇德文章节的完整原始版本位于 docs/de-de/stage-1/appendix-a-product-thinking/index.md，中文详版位于 docs/zh-cn/stage-1/appendix-a-product-thinking/index.md。

• 教程
• 文档