场景库

用 AI Agent 自动化产品需求分析流程：批量处理用户反馈 → 自动分类打标 → 聚类相似需求 → 生成需求优先级矩阵。将产品经理从繁琐的数据整理中解放出来，专注于策略判断。 ## 直接回答 **最大价值**：产品需求分析的80%是数据整理（读反馈、分类、找规律），这部分完全可以 AI 化；剩下20%是策略判断（要不要做、何时做），这需要 PM 人工决策。 **工具组合**：Zapier/n8n（数据收集）+ Claude（分析引擎）+ Notion（结果输出） ## 场景详解 ### 数据来源整合接入多个反馈渠道： - App Store / Google Play 评论（每日自动同步） - Intercom/Zendesk 工单 - NPS 调研文本 - 社交媒体提及（Twitter/小红书关键词监控） ### AI 分析流程 **第一层：打标分类** ``` Prompt：将以下用户反馈分类： - 类别：功能请求/Bug报告/性能问题/UI体验/内容质量/其他 - 情感：正面/中性/负面 - 优先级信号：是否影响核心使用流程反馈内容：[批量输入] ``` **第二层：需求聚类** 将相似反馈聚合，统计提及频次。例如「加载太慢」类的反馈可能来自100条不同的表述。 **第三层：优先级矩阵生成** ``` 按「用户提及量 × 情感强度 × 战略匹配度」计算优先级分数生成 Markdown 报告： - Top 10 高优先级需求（附用户原话） - 下一步建议（技术调研/用户访谈/立即规划） ``` ### 输出同步到 Notion 自动创建 Notion 页面，包含： - 需求优先级排名表格 - 每个需求的代表性用户反馈（Top 3条） - 建议下一步行动 ## 实测数据 - 分析500条用户反馈：原来2天 → 现在30分钟 - 发现的有效需求准确率：82%（与人工分析对比） - PM 每月节省时间：20-30小时 ## 配置示例（n8n 工作流） 1. 触发：每天08:00自动运行 2. 节点1：从 App Store API 拉取最新7天评论 3. 节点2：从 Zendesk 拉取最新7天工单 4. 节点3：合并数据，发送给 Claude API 5. 节点4：解析 Claude 返回的结构化数据 6. 节点5：写入 Notion 数据库，发送 Slack 提醒 ## FAQ **Q：AI 的分类准确率足够高吗？** A：经过好的 Prompt 优化，准确率可达 85-90%。建议初期每周抽检20%，持续优化 Prompt 直到稳定。 **Q：如何处理非中文的用户反馈？** A：Claude 支持50+语言，在 Prompt 中加「统一翻译成中文后分析」即可。 ## 相关资源 - AI 产品经理工作流：[aiskillnav.com/tutorials/ai-product-manager-workflow](https://aiskillnav.com/tutorials/ai-product-manager-workflow) - n8n 自动化教程：[aiskillnav.com/tutorials/n8n-ai-workflow-automation](https://aiskillnav.com/tutorials/n8n-ai-workflow-automation)

实现步骤

1.接入用户反馈数据源（App Store、Zendesk、NPS等）
2.设计 AI 分类 Prompt，定义分类维度和标签体系
3.用 Claude API 批量处理反馈，生成结构化数据

推荐工具

Clauden8nZapierNotion AIChatGPT

产品需求分析用户反馈AI产品经理

⭐⭐

1.5小时搭建，每天自动运行

用 AI 自动生成每日新闻摘要并发送到微信/邮件

搭建一个每天早晨自动抓取多个信息源（RSS、Twitter/X、微信公众号）、AI 筛选和摘要，然后生成个性化日报并推送到微信、钉钉或邮件的自动化系统。告别信息过载，每天10分钟了解最重要的行业动态。

实现步骤

1.用 RSSHub 聚合目标信息源的 RSS 订阅
2.n8n 定时任务每天早晨 7 点触发抓取
3.AI 对每条内容评估重要性（1-5分），过滤低分内容

推荐工具

会议记录自动转任务清单

录制会议音频后，AI 自动转录 → 识别 Action Items → 分配负责人 → 创建 Notion 任务，再也不用手动整理会议纪要。

实现步骤

1.会议结束后上传录音文件
2.Whisper API 自动转录为文字
3.AI 提取 Action Items 和负责人

推荐工具

简历筛选 + 初面问题生成

HR 上传大量简历 PDF 后，AI Agent 自动按岗位要求评分筛选，提取候选人亮点，并为每位候选人生成针对性的初面问题清单，大幅提升招聘效率。

实现步骤

1.将简历 PDF 存入指定文件夹
2.让 AI 提取教育、经验、技能信息
3.按岗位 JD 自动评分和排序

推荐工具

Claudefilesystemnotion

HR简历筛选招聘

⭐⭐

1小时搭建

JD 一键生成 + 多平台自动发布招聘

输入岗位名称、核心职责和薪资范围，AI Agent 自动生成符合 HR 规范的职位描述（JD），并通过 MCP 工具同步发布到 Boss 直聘、LinkedIn、智联招聘等多个平台，并设置关键词提醒。HR 从「写 JD + 发布」的 2 小时工作压缩到 10 分钟。

实现步骤

1.在 Dify 创建「JD 生成」工作流，输入岗位关键信息
2.AI 根据模板和行业规范生成完整 JD
3.用 browser-use 控制浏览器自动登录各招聘平台

推荐工具

Difycozebrowser-usefilesystem

HR自动化招聘JD生成

⭐⭐

30分钟

AI编程智能体省钱与效率实战技巧

本卡片整合了Claude Code/Codex等AI编程智能体的省钱与效率技巧，包括合理设置思考档位、压缩会话、任务拆解、模型选择、用量监控等策略，帮助开发者在保证效果的同时降低token消耗和成本。适用于日常开发、复杂编程任务及多模型协同场景。

实现步骤

1.切换模型后手动将thinking level调至任务实际需要的档位，避免沿用高推理档位浪费token。
2.大项目阶段性使用/graphify或/compact压缩会话，避免历史过长导致每条新消息成本升高。
3.复杂agentic任务前先用便宜模型拆解任务、明确范围，再交给Fable执行，减少摸索轮数。

推荐工具

Claude CodeCodexClaudeOpenAI Codex CLI

ai codingcost savingclaude code

⭐⭐

10分钟配置

Fable 5 省钱实战：调低 thinking level 让最强模型更便宜

Claude Fable 5 虽然 token 单价是 Opus 4.8 的两倍，但通过调低 thinking level（如设为 low），在复杂任务上实际消耗 token 更少，总成本反而低于 Opus。本场景教你如何手动调整 thinking level、压缩会话、拆分任务，让 Fable 5 只在刀刃上运转，实现省钱又高效。

实现步骤

1.从 Opus 切换到 Fable 后，第一时间检查 thinking level，手动设为 low 或任务实际需要的档位，避免沿用 Extra High 浪费 token。
2.大项目每完成一个阶段，使用 /graphify 或 /compact 压缩会话，控制历史长度，降低每条新消息的成本。
3.运行复杂 agentic 任务前，先用便宜模型（如 Sonnet）拆解任务、划定范围，再让 Fable 执行，减少其摸索轮数。

推荐工具

Claude

claudefable5cost-saving