AI 咨询 · 2025 · 产品工程 · B2B
把产品工程知识变成 AI 顾问服务
在卡尔斯鲁厄理工学院（KIT）的产品工程研究所 IPEK，我设计并上线了两个 Custom GPT 顾问，把几十年的学术方法论浓缩成可执行的引导式建议。50+ 名学生已经在用，未来还能扩展成面向中小企业的轻量咨询服务。
产品定义
把学术研究提炼成 AI 咨询工作流
产品功能基于 IPEK 发表的两篇学术论文。我的工作是提炼其中的关键信息，设计让 AI 能进行咨询式对话的工作流，并接入研究所的数据库，让 AI 有依据地分析用户的处境。
项目挑战
三个限制，决定了每一个选择
时间极紧
合同只有 100 小时，要交付 2 个 AI 聊天机器人 MVP，从需求到部署全包。
预算受限
经费非常有限，技术选型必须精打细算，把开发成本压到最低。
技术债
其中一项 PM 咨询服务背着一个 2015 年的旧软件 InnoFox，可用性差，技术栈也过时了。
我的角色
独立交付：从利益相关方访谈到用户验证
项目里我的角色没有正式头衔，但 MVP 的交付只有我一个人负责，直接向 IPEK 研究员 Thomas Völk 汇报。从利益相关方访谈、技术架构决策到用户验证，全是我的活。
需求分析
做访谈，分析旧版咨询软件，定义 MVP 范围，排出路线图。
AI 工作流设计
设计整体 AI 架构、对话流程和 LLM 提示词策略，并把方法数据库结构化。
技术架构
调研技术栈，做技术可行性分析，选定 Custom GPT 方案，并与项目负责人确认方法。
原型与用户测试
邀请 7 位产品专家做用户测试，收集结构化反馈，分析使用模式。
MVP 技术栈调研
最关键的决定：选对架构
时间紧，预算少，最关键的决定就是技术架构。我调研并对比了三种方案：
| 方案 | 工时 | 月成本 | 优点 | 缺点 |
|---|---|---|---|---|
| RAG + Python 后端 | 约 320 小时 | $10–$50 | 完全可控，高度可定制 | 技术风险大，工时远超预算 |
| n8n 工作流 | 约 180 小时 | $29–$54 | 可视化搭建工作流，比自研后端快 | 可扩展性存疑，工时仍然超支 |
| Custom GPT ✓ | 最多 60 小时 | $0 | 原型出得快，不需要基础设施，能快速验证 PMF | 可定制性不如完整 RAG |
“选 Custom GPT，是因为它能在 100 小时的合同内交付，基础设施零成本，还能快速验证产品市场匹配度。可以说，是限制条件设计了这个方案。”
项目成果
两个 AI 顾问：上线了，也有人用了
1. InnoFox Coach
InnoFox Coach（方法推荐教练）是一个在线智能顾问，帮产品开发团队系统地选出合适的工程方法。它以 iPeM（集成产品工程模型）为根基，遵循 SPALTEN 问题解决框架，评估团队的开发目标、所处阶段、资源和期望结果，再从精选的方法数据库里推荐实用、匹配的方法。
2. Project Type Assessor
Project Type Assessor（项目类型评估器）会诊断团队的开发风格和项目背景，再匹配一条最合适的参考路径，降低工程流程中的不一致风险。它针对的是流程模型、文档规范、风险管理和工具支持上的差异，这些差异正是产品开发中跨视图不一致的常见来源。
专家反馈
方法推荐很准，只是刻度对准了非专家
PM 专家一致认可 InnoFox GPT 给出的方法推荐准确又切题。不过对话给出的解释和步骤，比专家需要的多。这在意料之中，产品本来就是为管理领域的非专家设计的。
反思
AI 咨询做的是需求，不是提示词工程
这个项目最值钱的部分不是技术实现，而是前期的范围界定。客户来要“一个 AI 工具”的时候，往往还不清楚自己要解决什么问题、以什么形式、做到什么精度。在碰任何工具之前把这些理清楚，决定了方案是真正落地，还是变成又一个被遗弃的原型。
这个项目验证了一条我现在做所有 AI 咨询都遵守的原则：花在梳理工作流上的时间，要多过配置工具的时间。工具本身很便宜。难的是搞清楚它该放在哪。