# P11 Product Team

> AI Native 产品方法论——AI Native 产品团队设计的实操 Skill。 用户提供产品阶段和团队现状，Skill 自动执行团队设计： 角色梳理 → 人机分工设计 → 能力缺口识别 → 团队协作流程 → 能力建设路径 → 输出 AI Native 团队方案。 基于《AI Native 产品方法论》第25章 AI Native 产品团队。

- Skill: `gabrielmoreira/p11-product-team` (Agent Skill)
- Install (CLI): `npx skillmds@latest add gabrielmoreira/p11-product-team`
- Raw SKILL.md: https://api.skillmd.com/api/skills/gabrielmoreira/p11-product-team/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: gabrielmoreira (https://skillmd.com/u/gabrielmoreira)
- Updated: 2026-09-09
- Page: https://skillmd.com/skills/gabrielmoreira/p11-product-team

---


# AI Native 产品团队 Skill

## 使用场景

- 团队正在或计划引入 AI 能力，需要重新设计工作角色和协作流程
- 团队中 AI 能力与传统产品能力之间出现职责重叠或空白
- 需要建立 AI Native 时代的团队能力建设和招募路径

## 核心概念

- **人机分工设计**：根据能力特征分配给人类或 AI，避免"所有人都要用 AI"或"AI 能做的就不需要人"
- **能力缺口识别**：评估团队在 AI 时代缺少哪些新能力（如 AI 评估、Agent 设计、反馈工程）
- **AI 质量专员**：专门负责 AI 输出质量的评估、反馈和优化的新角色

## 团队设计四步法

### 第一步：角色梳理

现有角色 × AI 能力矩阵：

| 传统角色 | AI 可承接的工作 | 人仍主导的工作 | 需新增的能力 |
|---------|---------------|--------------|------------|
| 产品经理 | 文档草稿、竞品分析、数据汇总 | 方向判断、关系管理、决策 | AI 评估能力 |
| 设计师 | 设计稿初稿、变体生成 | 用户体验判断、品牌把控 | AI 协作设计 |
| 研发工程师 | 代码补全、测试生成、文档 | 架构设计、系统集成 | Agent 运维能力 |
| 数据分析师 | 数据清洗、报表生成、可视化 | 业务洞察、假设提出 | AI 质量评估 |
| 运营 | 内容生成、客服辅助 | 策略制定、关系维护 | 反馈工程 |

### 第二步：人机分工设计

原则：

- **AI 接管高频、高重复、有标准答案的工作**
- **人类保留低频、高风险、需要判断的工作**
- **新增"AI 质量评估"类角色，专门负责评估 AI 输出的质量**

### 人机分工决策框架

| 任务特征 | 分配 |
|---------|------|
| 高频、标准化、有评估标准 | AI 主导 |
| 低频、模糊、无标准答案 | 人类主导 |
| 高风险、不可逆 | 人类主导 + AI 建议 |
| 需要跨角色协作 | 人在回路中 |
| 全新领域、无历史数据 | 人类主导 + 快速实验 |

### 第三步：能力缺口识别

AI Native 团队新增能力项：

| 能力项 | 描述 | 优先级 |
|--------|------|--------|
| AI 评估能力 | 评估 AI 输出质量、稳定性和适用场景 | P0 |
| 反馈工程 | 设计反馈机制让 AI 持续改进 | P0 |
| Agent 运维 | 监控、调试、优化 Agent 行为 | P1 |
| 上下文设计 | 设计和维护高质量的上下文输入 | P1 |
| AI 风险管理 | 识别和管理 AI 相关的风险和合规问题 | P1 |
| 人机协作设计 | 设计自然的人机交互流程 | P2 |

### 第四步：团队协作流程

#### 传统流程 vs AI Native 流程

```
传统流程:
  产品经理 → 写PRD → 设计师 → 设计稿 → 研发 → 实现 → 测试 → 上线

AI Native 流程:
  产品经理 + AI → PRD草稿 → 快速原型实验
  设计师 + AI → 设计变体 → 人类选择与优化
  研发 + AI Copilot → 代码 → 人类review
  持续反馈 → AI 质量评估 → 持续优化
```

### AI 质量专员职责

这个角色是 AI Native 团队的新增核心角色：

- **评估 AI 输出质量**：建立评估标准和 Rubric
- **反馈工程**：设计反馈机制，让 AI 持续改进
- **边界维护**：确保 AI 不超出能力边界
- **案例沉淀**：积累成功和失败案例，形成团队知识

## 输出物：AI Native 团队方案

1. **角色 × AI 能力矩阵**：每个角色的 AI 化程度和新增能力要求
2. **人机分工协议**：明确哪些工作归 AI、哪些归人类、哪些需要协作
3. **能力建设路线图**：团队需要建设哪些新能力、优先级和获取路径
4. **新增角色 JD**：AI 质量专员等新角色的职责和能力要求
5. **协作流程改造**：从传统流程到 AI Native 流程的具体变化点

## 与其他 Skill 的关系

- **前置**：了解完整方法论后可系统性设计团队
- **协同**：@ai-native-production-ops（AI 质量评估嵌入生产运行）
- **配套**：@ai-native-ux-design（UX团队 AI 化），@ai-native-agent-skill-design（Agent 运维能力）

## 示例

### 用户输入
"我们的 AI 客服团队有 5 人：1 个 PM、2 个客服、2 个研发，正在引入 AI Copilot，需要重新设计团队"

### Skill 执行

```yaml
角色 × AI 能力矩阵:
  PM:
    AI承接: 文档草稿、竞品分析模板、数据汇总
    人类主导: 需求判断、优先级决策、客户沟通
    新增能力: AI评估能力（评估Copilot输出质量）
  
  客服:
    AI承接: 常见问题回复、工单分类、FAQ检索
    人类主导: 复杂投诉、情绪处理、高风险沟通
    新增能力: 反馈工程（高质量反馈 → 模型优化）
  
  研发:
    AI承接: 代码补全、测试生成、文档
    人类主导: 架构设计、Agent运维、系统集成
    新增能力: Agent运维能力（监控+调试+优化）

人机分工协议:
  AI主导场景:
    - 订单状态查询 → AI自动回复
    - FAQ检索 → AI回答
    - 意图分类 → AI + 人工确认
  
  人类主导场景:
    - 退款决策 → 人工
    - 投诉处理 → 人工
    - 系统架构 → 人类
  
  协作场景:
    - 回复建议 → AI生成 + 人工确认
    - 知识库更新 → AI建议 + 人工审核
    - 新功能设计 → 人类主导 + AI辅助

能力建设路线图:
  第1月:
    - 全员AI工具培训（ChatGPT/Copilot基础）
    - 建立反馈收集机制
    - 目标: 人均AI使用频率>3次/天
  
  第2-3月:
    - PM: 学习AI评估方法，建立Copilot评估标准
    - 客服: 建立反馈工程机制
    - 研发: Agent运维基础培训
  
  第4-6月:
    - 新增AI质量专员（从现有PM或客服中选拔）
    - 建立完整的AI质量评估体系
    - 目标: Copilot采纳率>70%

新增角色 JD - AI质量专员:
  职责:
    - 建立AI输出质量评估标准和Rubric
    - 设计反馈工程机制，持续优化AI表现
    - 监控AI系统在生产环境的质量指标
  能力要求:
    - 理解AI能力边界和局限性
    - 有数据分析能力（评估质量指标）
    - 有产品Sense（判断AI输出是否满足用户需求）
    - 擅长跨角色沟通（协调PM/客服/研发）
```