产品到了二期规划难度往往比从零做一版大得多。一期是白纸作画二期是在一张已经画满的图纸上继续改、补、拆、建需求池里堆着大量待决事项团队内部对优先级也各有说法。我这次接手的产品二期涉及老模块重构、多端能力补齐、底层数据链路改造等多个方向单靠过去那套“拉齐会议拍脑袋排期”的做法第一周就明显感到不够用。后来我把 GPT 拉进规划流程让它参与目标拆解、竞品分析、需求优先级评估和里程碑排期前后折腾了一段时间整体规划从模糊到可执行省下大量重复整理和资料梳理的精力。这篇文章就把我从 GPT 规划产品二期的完整过程、提问方法和踩过的坑记录下来适合正在做版本规划的产品经理、独立开发者以及小团队里既当 PM 又当开发的负责人参考。1. 为什么我决定用 GPT 来规划产品二期1.1 二期规划和一期根本不是一回事一期的时候产品虽然也是从零开始但可选项相对有限需求往往围绕一个核心场景展开。到了二期情况完全不同存量用户带来反馈业务线要拓展老架构撑不住新功能前端、后端、算法、数据各个方向都想排期。我这次接手的二期需求池里躺着 120 多条需求里面既有“登录改版”这种界面级改动也有“重构积分系统”“打通第三方数据源”这种底层级改造还有“增加 Web 端”“优化移动端加载性能”这种多端适配任务。如果按照老办法先拉一堆会议再把需求排个优先级光是把需求分类对齐就要一周而且分类标准不一讨论容易变成吵架。读过 GPT 原论文的人都会有个感受它的强项是语言结构而不是事实知识库。这种特性放在规划环节特别合适——规划本身就是一个把混乱信息结构化的过程。我需要的不是一个比我更懂业务的人而是一个能快速整理信息、多角度挑毛病、把草案推到及格线以上的工具。GPT 恰好能满足这些需求而且网页版配合免费额度就已经够用不需要折腾复杂的本地环境一个账号就能开始干活。1.2 GPT 在规划环节里能真正帮上什么忙很多人以为 GPT 就是一个问答机器但你把它放到决策流程里它会更像一个“思维外脑”。它能做的事情主要有三块第一资料整理。把杂乱的需求描述变成结构化的条目把会议纪要变成任务列表把竞品截图描述变成功能清单。这一类工作在规划中占的时间极多但思考含量不高机器做最合适。我算过一笔账120 条需求如果人工整理每条约 3 分钟加上归类、去重、补字段一个下午就没了。GPT 辅助之后一个半小时左右能完成初稿剩下的时间拿去人工复核语义效率差好几倍。第二多视角检查。规划最大的风险是漏项。GPT 可以扮演用户、研发、运营、老板等不同视角对同一份规划稿提问帮你把“没想到”的部分挖出来。比如我让 GPT 以研发身份审查排期它就提示过如果用户中心迁移和登录功能并行开发回归测试会冲突。这个点当时确实不在我的考虑范围内但它提出来后研发的同事也认可了。第三快速生成草案。任何一个规划文档让 GPT 先生成第一版框架再结合真实业务情况修改比从空白文档憋字要快得多。规划的能力不是 AI 替你做出的而是把它当成打印机加校对员真正的判断还在你手里。1.3 GPT 替代不了哪些事边界也要讲清楚。GPT 不了解你的团队实际产能不知道老板的隐性诉求也不清楚某个历史包袱为什么存在。它只能在你给足上下文的情况下把信息加工得更完整、更整齐。真正的取舍、资源承诺、风险承担仍然是在会议室里的人类拍板。谁能把 GPT 用得好谁就能省下时间去做最核心的决策和沟通。2. GPT 辅助规划的整体流程搭建2.1 起步前先做三件事使用 GPT 之前先把基础工作做完需求池整理、历史文档归档、目标对齐。我这次的做法是需求池把来自用户反馈、内部客服提单、老板批示、商业化项目四类需求全部导入一个表格字段包括需求描述、来源、提出时间、涉及模块、预估人日。历史文档把一期需求文档、测试报告、运营数据周报统一放到一个目录方便随时引用。目标对齐和团队确认二期只有三个核心目标——提升核心功能留存、完成 Web 端上线、技术债减半。所有需求排期都围绕这三个目标衡量。这三件事做完GPT 才能拿到可靠的“食材”。很多人觉得 GPT 规划的答案质量不高其实一多半原因是前期输入太差。需求池里堆着十几条“体验不好”“性能有问题”之类的模糊描述给谁都做不出靠谱规划。这一步取决于你自己GPT 帮不了。2.2 先让 GPT 输出规划全景图不要急着细化我发现一个特别有用的起点不要上来问“二期应该做哪些功能”而是让 GPT 先给出一个“产品二期规划全景图”要求覆盖目标、范围、里程碑、风险、资源依赖五个模块。我的提示词大概是这样的你是一位有五年经验的 B 端产品负责人现在要为一款这里填你的产品名称制定二期迭代规划。这是一期已经上线并有稳定用户的产品二期目标是提升留存、完成 Web 端上线、削减技术债。请输出一份规划全景图包含1. 二期总体目标拆解2. 新增功能与优化项的范围清单3. 建议的里程碑阶段4. 主要风险与依赖5. 需要的资源。使用简洁的备忘录格式不要讲空话。这个提示词的作用是让 GPT 先把全局框架搭起来你拿到的是骨架而不是零散点子。拿到骨架后我按模块逐个追问而不是一次性让它输出所有细节。第一轮问范围第二轮问里程碑第三轮才去细化风险这样每一轮的信息质量都保持稳定。2.3 用 GPT 做竞品分析和功能差异点梳理竞品分析在二期规划里尤其重要因为你不能靠“感觉”决定新增功能。我把几家竞品的关键功能列表和公开版本信息整理成表然后让 GPT 对比出差异点。提示词示例以下是四款同类产品的公开功能清单 A积分体系、会员等级、Web端、移动端、第三方支付、单点登录 B会员等级、移动端、第三方支付、开放API C积分体系、Web端、单点登录、数据报表 D积分体系、会员等级、Web端、开放API、数据报表 请从用户价值、留存提升、上线成本三个维度分析列出哪些功能是二期应该优先做的指出哪些功能做差异化价值不大。结论用表格输出每项给出理由。但这里有一个必须提醒的坑GPT 很容易编造竞品细节。让 GPT 归纳“功能差异”很擅长让它“搜索”竞品细节很不可靠。所以要么你提供公开信息要么明确告诉它能基于行业常识做假设性分析但绝对不能让 GPT 给出没有出处的数据。我给 GPT 的设计原则是凡是涉及数字、来源、外部事实必须要求标注出处没有出处就明确说不知道。2.4 用 GPT 梳理用户故事与需求拆解需求池里大量描述都是“体验太差”“下载不了”“登录后闪退”这类模糊反馈。我先把它们归类成原始问题再用标准句式让 GPT 转成用户故事请将以下原始用户反馈整理成用户故事格式为“作为角色我希望行为以便价值/目的”并对每条标注涉及模块和建议优先级P0/P1/P2若有数据支撑请标注。 原始反馈列表 1. 为什么还不能改昵称 2. 老用户积分为什么突然清零了 3. Web 端打开报表特别慢 4. 我用的浏览器好像不支持登录 5. 想把数据导出成 Excel ...这一步操作原本要花我大半天时间用 GPT 辅助后一个多小时就完成了而且输出的表达统一、能直接进需求文档。我把最终结果人工复核了一遍主要修正了几条语义理解错误。“下载不了”究竟是安装包下载还是报表导出下载必须结合上下文判断这类细节 AI 容易猜错。用户故事的格式本身不神秘但大规模批量转换时机器比人快得多而且不会写到一半烦躁。2.5 用 GPT 做优先级评估与里程碑排期优先级排期是整个规划的重头戏。我让 GPT 基于 RICE 模型对需求做评分和排序。RICE 是四个维度的缩写Reach 覆盖范围、Impact 影响力、Confidence 确定性、Effort 投入成本。提示词示例基于 RICE 评分法评估下列需求影响力得分 1-5确定性 1-5覆盖范围影响用户比例百分比成本投入人日。请输出表格需求名、影响力、确定性、覆盖范围、成本、RICE 综合分、排序理由、建议排期阶段。所有数据来自我提供的表格不要使用主观感受中的数据。 需求列表 1. 积分规则重构影响力4确定性3覆盖范围60%成本25人日 2. 用户中心迁移影响力5确定性4覆盖范围85%成本40人日 3. Web 端上线影响力5确定性5覆盖范围70%成本60人日 4. 登录页改版影响力3确定性3覆盖范围30%成本5人日 ...实际输出结果会给你一个基于输入数据的“客观”排序但我不会直接按这个排序拍板。因为有的需求分数低却是大客户合同里写死的承诺有的分数高但需要另外一个团队配合对方排期还没定。所以我把 RICE 结果当作起点再补充三个变量合同时间线、团队依赖、老板战略方向。人工修正完以后再让 GPT 按阶段分批控制每批次工作量在研发团队可用人日的 80% 左右避免单版本塞爆。3. 让 GPT 输出高质量规划的关键提问技巧3.1 四要素提示词法角色、背景、约束、交付格式对话里GPT 的输入不是越多越好而是结构化越好。我整理了一套四要素提示词模板每次提问前都对照一遍角色告诉它扮演什么人比如资深产品经理、研发负责人、运营总监。背景当前产品状态、目标、限制条件越具体越好。约束不能做的、必须考虑的因素比如合规限制、技术栈限制、不可以使用尚未确定的数据。交付格式要求表格、清单、备忘录还是分层文档。有了这套模板GPT 的输出质量提升非常明显。最直观的例子是同样是让 GPT 做功能范围清单只说“帮我想想二期做啥”它给你十条泛泛的功能点子加上角色和交付格式之后它给你的是一张含优先级、模块、预估工作量的清单直接能进会议讨论。沟通成本省下来的部分比多加几次班还值。3.2 用 MECE 原则防止漏项规划最怕漏而 MECE 原则相互独立、完全穷尽是查漏利器。我会在提示词里直接要求请使用 MECE 原则进行拆解确保分类相互独立、没有遗漏。先给出框架再填充细节。当 GPT 给出的分类重叠或遗漏时追问一句“这个分类是否完全覆盖所有可能的场景请补全遗漏项”它通常能给出更完整的拆解。我第一次在规划二期功能范围时就遇到了“功能优化”和“体验优化”两个分类大量重叠的问题用 MECE 一问GPT 自己就把分类改成了“新增功能、功能优化、体验优化、技术债务、数据治理、运营支撑”清楚很多。这个原则听起来简单但在实际使用中很少有人主动约束模型而模型在没有人要求结构时会倾向于“差不多就行”。3.3 先框架后细节分步迭代不要一次性让 GPT 输出一个完整的产品需求文档。输出质量会随问题范围扩大而下降。我习惯先让它给框架然后每轮对话只细化一个模块。比如第一轮确认里程碑第二轮细化第一个里程碑的工作项第三轮才去细化具体任务。每轮结束时把重要结论复述给 GPT作为一个“临时上下文锚点”防止后续讨论中它忘记前面结论。实际用下来分步迭代的方案要比一口气写完的方案完整得多尤其在涉及复杂依赖关系时分步讨论可以有效避免模型走一步忘一步。3.4 让 GPT 多角色互相提问我还有一个隐藏技巧邀请 GPT 扮演多个角色进行同行评审。请你分别以产品经理、研发负责人、运营负责人的身份对以下规划方案各提出 3 个尖锐问题并用简洁文字回答。这样一轮下来原本以为已经完善的排期方案就被挑出了好几个漏洞比如测试资源缺口、异常用户量增长预案缺失、运营侧埋点需求没有被纳入。多角色评审比单纯让 GPT“看看哪里有问题”有效得多因为角色会自带立场研发关注技术可行性运营关注增长和转化产品关注用户价值和主线。这种多维度的压力测试靠人肉开会至少需要一小时GPT 五分钟就能把所有视角的问题都摆到桌面上。4. 实操中踩过的坑与排查实录4.1 坑一GPT 一本正经地编造数据最严重的坑是编造竞品行为数据。我让它分析某竞品新功能它直接给出“该功能上线后留存提升 15%”这类毫无来源的数据。我第一眼看到时差点写进资料里后来仔细核对发现根本没有公开数据来源。从那以后我要求 GPT凡是涉及数字、来源、外部事实必须标注信息来源如果缺乏可靠数据就明确说不知道。这句话要写进提示词而不是靠它自觉。排查思路也简单所有关键数据必须能追到出处不能追到的数据一律不要用。GPT 的训练目标是生成连贯文本不是确保事实正确所以它在没有数据时会更倾向于编一个合理数字而不是承认不知道。这一点在任何使用场景下都要警惕。4.2 坑二上下文长了以后容易自相矛盾用 GPT 做整个规划一场对话动辄几个小时几十轮问答。问题在于它可能会在后面的回答中忘记前面的结论尤其涉及“已确认的范围”“某个需求的优先级”。我踩过一次第二轮把用户中心迁移列为 P0到了第七轮它又建议把用户中心迁移放到第二阶段前后矛盾。解决办法是定期在新的对话中开始一轮新问答并把前几轮结论以摘要形式黏贴在开头或者每完成一个里程碑节点就重置对话把总结作为背景重新输入。这个坑几乎是每个人都必然会遇到的只是很多人没意识到。GPT 虽然有上下文窗口但超过一定轮数之后它对早期细节的注意力会明显下降。特别是规划这种强逻辑长文本场景结论之间的依赖关系特别多一次对话根本撑不完。把大的规划拆成多个对话每个对话有明确主题和输入摘要是成本最低的解决方式。4.3 坑三盲目采纳 GPT 的优先级排序GPT 给出的排序基于你提供的评分数据但它不知道“某个功能是大客户合同里的承诺”也不知道“老板私下表示要重点推进某个方向”。有一次它把新增 Web 端排在 P1理由是覆盖面大但真实情况是这个 Web 端是商业化项目合同时间线定死实际应为最高优先级。所以排序结果只能当参照系不能当决策依据每个 P0 需求至少要有三方签字确认。我在这次规划中吃过类似的亏但好在及时发现。那次 GPT 输出的 RICE 排序中需求“积分规则重构”排得靠后原因是成本高、确定性只有 3但我们内部清楚积分规则已经到了非重构不可的地步因为它直接影响老用户留存而且配套的活动运营已经排了两个季度。于是我把确定性手动改成 4 再让 GPT 跑一遍排名一下上升到前三。这个例子说明数据维度是你的不是 GPT 的它只是算数器。4.4 坑四敏感信息直接上传的安全问题规划过程中不可避免要讨论商业策略、用户量、营收数据甚至未公开的产品细节。我所有需要保密的字段都会先做脱敏处理比如用“某大型客户”代替名称、用“XX 万”代替真实数字。对话尽量不输入身份证、账号体系内部数据等关键细节。安全角度最好在本地先将敏感信息做概括化转述再交给 AI 工具处理。例如我会说“我们的头部客户中有三个来自制造业”而不是把客户的真实名称和合同金额打进去。这在文档共享和团队协作时同样适用避免无意间把不该公开的信息留在外部 AI 的对话记录里。4.5 坑五任务漂移与话题滑坡GPT 的头号毛病是容易顺着你的话往下滑。如果你问“顺便看看这个竞品”它可能会跑题去分析竞品解读偏离规划主线。我后来约定每个问题都要带“回到二期规划主线继续分析 XX”这种引导语并且每轮的规划结论都写进小型总结文件作为锚点防止整体方案被带偏。有一次我在评审需求时顺口问了一句“这个竞品最近改版挺多的吧”结果 GPT 紧接着输出了大半页竞品改版历史和二期规划毫无关系。虽然不是坏事但浪费了上下文窗口。从那以后所有的“顺便”问题都单独开一场对话主规划会话里只处理与本期目标直接相关的内容。这样既不让模型分心也避免污染主线程的逻辑一致性。5. 常见问题速查表与排查建议下面这张表是我这次规划过程中整理出的高频问题速查表遇到相似情况可以直接对照排查。问题表现可能原因处理方式GPT 输出内容看似合理但事实全错模型幻觉或数据来源缺失要求标注来源无来源时明确拒绝同一需求在不同轮次优先级不同上下文丢失或任务漂移每阶段重置对话并摘要背景分类重叠或漏项缺少结构约束强制使用 MECE 原则并追问补全优先级建议与业务实际脱节缺少隐性业务信息人工复核结合合同、老板、客户变量输出过于空泛背景信息不足、角色不明确使用四要素提示词法补充角色与约束对话中引用了敏感数据未做脱敏处理输入前将敏感数据概括化转述GPT 开始顺着无关问题跑题缺少主线引导用“回到主线”类提示收束并单独开新对话我还想单独给一个建议不要在一个对话里试图完成“竞品分析、范围定义、里程碑排期、团队排班”所有目标。把目标拆成不同会话每场会话前先写一段目标摘要。这样即使某个会话偏移也不会污染整体规划。实际操作中我在最后整理规划文档时是从四个不同会话中分别提取结论然后再汇总的这样可以保持每一份子文档的逻辑独立且清晰。6. 最后和 GPT 协作的一点体会实际上我现在把 GPT 当成规划期一个必开的“白板伴侣”但它更像一个很聪明但是需要你盯住细节的实习生。你喂什么数据它就吐什么结论你约束到什么程度它就严谨到什么程度。产品二期的规划本身就是一次高强度的信息压缩和优先级博弈没理由放着这些工具不用也没理由把自己的判断完全交给它。最高效的协作方式是让 GPT 分担水分把精力留给真正的决策。最后留一个小经验如果你的产品也要做二期规划先别急着让 GPT 写需求文档先让它帮你把需求池“洗干净”——归并重复、拆分模糊、标注来源、补全字段。需求池干净了后面所有动作的效率都会翻倍这才是 GPT 在规划赛道上真正发光的场景。