[控场AI]
· 4 分钟阅读· 2,473 字

AI产品经理作品集:Vibe Coding实操ChatBI项目落地指南

AI产品经理作品集:Vibe Coding实操ChatBI项目落地指南

用Vibe Coding九步落地ChatBI,把AI编程做成简历亮点项目。

文章介绍了B站UP主分享的Vibe Coding实操ChatBI项目,旨在帮助AI产品经理打造能写进简历、经得起面试深挖的实战作品。ChatBI让用户用自然语言生成数据图表与分析结论,覆盖企业大部分数据分析场景,兼具业务纵深与AI落地价值。文章强调Vibe Coding并非随意与AI对话,而是按需求拆解、竞品调研、PRD撰写、测试用例生成、SDD规范编写、Harness实现、数据接入、本地部署测试、测评量表创建九步推进,其中SDD规范驱动开发是核心。最后给出简历写作三原则:符合公司定位、体现职业递进性、构建能力体系。

在AI产品经理的求职竞争中,一个能写进简历、经得起面试深挖的实战项目,往往比泛泛而谈的理论更有说服力。B站UP主分享的这套Vibe Coding实操ChatBI项目,试图回答一个关键问题:如何从零到一,用AI编程的方式落地一款企业级数据分析产品,并把它变成简历上的亮点。

Vibe Coding实操

为什么ChatBI是AI产品经理的优质作品集项目

ChatBI的核心能力是让用户用自然语言直接生成数据图表和分析结论。在企业场景里,业务看板、经营指标监控、模型上线后的效果评估,都依赖数据分析。当指标出现异常波动时,AI可以辅助定位原因并给出建议。

据UP主介绍,这类产品落地后能覆盖企业内大部分数据分析场景,因此具备足够的业务纵深。对求职者而言,它既能体现对数据产品的理解,又能展示AI落地的实操能力,是一个含金量较高的作品集选题。

九步拆解:Vibe Coding不是让AI随便写

UP主反复强调一个误区:很多人以为用过Codex、GPT-8.0或Claude Code就等于掌握了Vibe Coding。他接触到不少有Vibe Coding经验的同学,细聊后发现逻辑不对——他们只是站在普通用户角度和AI对话,缺乏规则和规范。

正确的做法是先把项目拆解成步骤,再逐步完善。UP主给出的路径包括九个环节:需求拆解、竞品调研、PRD撰写、测试用例生成、SDD规范编写、Harness实现、数据接入、本地部署测试、以及测评量表创建。

SDD:规范驱动开发是关键

SDD即Specification Driven Development(规范驱动开发),是Vibe Coding的核心。项目中的SDD涵盖前端、后端和算法三个层面,目的是约束AI在后续开发中不乱写、不乱输出。

UP主特别提到,算法SDD往往需要多轮交互才能写清楚,他自己就迭代了好几个版本。这背后考验的是产品经理的核心能力:提出需求、判断结果、决定下一步怎么改。

约束AI输出

Specification Driven Development(规范驱动开发)脱胎于软件工程中的规格驱动开发思想,其核心是把“要做什么、做到什么程度、如何判定完成”提前写成可执行的规格文档,再让实现方(此处是AI)严格按规格产出。在传统开发中,它对应接口契约、验收标准与测试先行;在AI编程场景下,SDD的作用被进一步放大——因为大模型存在随机性和幻觉,缺乏约束时容易自由发挥、偏离需求。前端SDD通常约束组件结构、交互状态与接口约定;后端SDD约束数据模型、API签名与异常处理;算法SDD则约束输入输出格式、评测口径与边界条件。SDD写得越精确,AI返工越少,产品经理对结果的把控力也越强。

需求文档与测试用例同步产出

在明确第一版功能范围后,让AI协助撰写PRD和测试用例。UP主建议在真实项目文件中保留这些文档,这样面试时就能讲清楚需求怎么来的、为什么做这样的取舍。测试用例则用于后续验证系统表现,形成测评报告,记录每条用例的期望结果、实际结果和失败原因。

Harness与数据接入:让AI稳定工作

项目上线后,还需要让AI按照约定持续、稳定、高效地工作,这涉及Harness的实现——包括项目规则、任务规范和可复用技能,相当于为AI安排工作并设置检查点。

数据接入环节以电商数据为例,需要处理数据库、指标口径和知识检索。比如退货率这个指标怎么算、需要哪些字段,都要有明确判断依据。UP主展示了行业知识和资源接入的对应方案。

AI工作规范

Harness一词在AI工程语境中借用了“马具、约束装置”的含义,指围绕模型搭建的一套运行框架与管控机制,让模型在既定轨道内稳定工作。它通常包含三层:项目规则(如代码风格、目录结构、禁止事项等全局约束)、任务规范(每个任务的输入、步骤与验收标准)、可复用技能(把高频操作封装成AI可调用的固定能力)。有了Harness,AI不再是每次从零自由发挥,而是在一套可检查、可复现的流程中执行任务,产品经理也得以在关键节点设置检查点、及时发现偏差。这与单纯写提示词的区别在于,Harness是工程化、可沉淀的,能随项目迭代不断加固。

ChatBI的数据接入不只是连上数据库,更关键的是“指标口径”与“知识检索”两层。指标口径指每个业务指标的精确定义与计算逻辑,例如退货率需明确分子是退货订单数还是退货金额、分母是否剔除取消订单、统计周期按支付时间还是退款时间,这些定义必须固化成AI可查询的元数据,否则自然语言提问会得到口径不一致的答案。知识检索则是在生成SQL或结论前,先召回相关的表结构、字段含义、业务术语与历史问答,帮助模型理解“这个指标在你们公司指什么”。二者结合,才能让ChatBI在真实企业数据上给出可信、可解释的分析结果。

从实操到简历:三点写作原则

完成项目后,如何写进简历同样有讲究。UP主维护了一个约四十三万字的简历库,素材来自他带过的、拿到三个以上offer的同学,经过市场验证。

他提出简历写作的三个原则:

  • 符合公司定位:电商背景就结合电商写,教育背景就结合教育写。
  • 体现职业递进性:从毕业写到现在,展示从普通产品经理到数据驱动、再到AI落地的成长路径。
  • 构建能力体系:用多个项目分别体现YPQ、Skill、RJ等不同维度的能力,让简历整体覆盖AI产品经理的能力模型。

这套方法的价值在于,它把Vibe Coding从“会用工具”提升到“能落地企业级项目”的层面,让作品集真正成为面试中的谈资。

市场验证的简历模板

分享:

相关推荐