课程 2 · AI学实战
运营生产大队
当你的同事都是AI，你能干多少活？
⏱ 30分钟 🎯 真实案例
? ?
AI会取代你吗？
不会。
会取代你的，是那个
已经学会驯化AI的人
新学科
AI学
一门可以学习的新技能
x²+y²=r² E=mc² F=ma
就像数理化
学了方程式 → 解多元方程
学了化学键 → 理解燃烧
学了力学 → 造桥造火箭
学了AI学 → 驯化AI替你干活
AI学基本定律
10条基本定律
① 设定角色 → 专属写手
② 限定格式 → 直接可发布
③ 提供背景 → 懂业务不乱猜
④ 分步思考 → 解复杂问题
⑤ 举反例 → 避开错误方向
⑥ 扮演批评者 → 找方案漏洞
⑦ 喂数据 → 提炼结论
⑧ 迭代输出 → 烂稿变好稿
⑨ 串联AI → 自动化流水线
⑩ 写岗位说明书 → 稳定干一类活
今天讲5个职能模块
✍️ 内容生产 📊 数据分析 🎪 活动策划 ⚡ 日常提效 🏗️ 搭建大队
会用 → 会调 → 会建
01
Chapter 1
内容生产
你有没有
盯着空白文档发呆？
创意枯竭的真相
📥
输入不足
每天看同一批内容
素材库空了
🧠
决策疲劳
大脑创意CPU
被杂事占满了
⏰
截止压力
只想找"够用的答案"
不敢发散
AI给点子
你来做选择
从"创造"变成"筛选"
认知负担降低 90%
方法论
3步让AI给出好点子
01
告诉AI你是谁
你的账号风格
目标用户是谁
→
02
要求批量输出
一次要10个选题
不是1个
→
03
你来筛选
选最好的1-2个
其余丢掉
现场Demo · 交易所获客活动策划
选好参数，AI帮你出完整方案
活动类型
目标用户
预算规模
↑ 选好参数，点击「生成方案」
活动策划 · AI工作流
一周可以生成 20+ 套活动方案
📥
输入
目标用户
预算规模
活动类型
市场背景
→
🤖
AI生成
活动名称
核心机制
奖励结构
推广渠道
→
👁️
你审核
选1-2套
微调细节
合规检查
5分钟搞定
→
🔄
AI优化
按反馈迭代
出完整PRD
写推广文案
做数据预测
→
✅
输出
完整方案
可执行
直接提报
领导审批
以前
2天
出1套方案
→
现在
1小时
出5套方案
×
一周
20+套
方案可选
活动策划 · 提升满意率
把通过率从30% → 80%
🎯
喂历史方案
先把过去通过的3-5个方案喂给AI
告诉它"这是我们领导喜欢的风格"
📐
给评审标准
告诉AI："方案必须满足：预算合理/可量化ROI/合规"
让AI按标准自检再输出
🔁
迭代不重写
拿到初稿后说："第3点预算分配不合理，调整"
AI只改这一处，其他保留
👹
让AI扮演挑剔的老板
方案出完后问AI："如果你是最挑剔的CFO
你会否掉哪里？" → 先自我批评再优化
核心逻辑：AI不是猜你想要什么，是你告诉它标准，它帮你达到
内容生产 · 正确工作流
把老板的问题结构化喂给AI
你只做守门员
STEP 1
🗂️
结构化问题
老板问你什么
→ 拆成关键词
目标 / 用户 / 预算 / 时间
→
STEP 2
🤖
喂关键词给AI
不用写长段话
→ 关键词 + 格式要求
让AI出5个方向
→
STEP 3
🚦
你做守门员
选1个方向
→ 反复追问优化
让AI记住你的喜好
→
OUTPUT
✅
领导认可
方案通过审批
→ 有了正确答案
→ 回去告诉AI
→
STEP 5
🧠
加深AI记忆
"这个方案领导通过了"
→ 告诉AI哪里做对了
→ 下次更准
正向飞轮
第1次 → 60%准确 → 第5次 → 80%准确 → 第10次 → AI比你更懂你的领导
AI不是替你想创意 — 是 用你的判断，越用越聪明
02
Chapter 2
数据分析
数据分析 · 职能定位
数据分析的本质：把数字变成决策
🔍
发现问题
转化率为什么下降？
哪个渠道在亏钱？
📊
解释现象
数字背后是什么原因？
用户行为怎么变了？
🎯
给出建议
下周应该怎么做？
预算往哪里倾斜？
以前：数据分析师花2天出报告 → 现在：ByData + AI，30分钟出结论
数据分析 · 工具推荐
直接用 ByData，不用写SQL
WITHOUT BYDATA
❌ 找数据工程师拉数据
❌ 等2-3天出报告
❌ 看不懂SQL结果
❌ 数据口径经常对不上
WITH BYDATA + AI
✅ 自然语言提问，秒出数据
✅ 30分钟出完整分析报告
✅ AI直接给结论和建议
✅ 数据口径统一，准确可信
运营人不需要懂SQL — 只需要 会问对问题
数据分析 · 现场Demo
选场景，AI帮你出数据结论
分析场景
时间周期
输出格式
↑ 选好场景，点击「生成分析」
数据分析 · Prompt模板
复制这套模板，改掉[ ]里的内容
数据[ 粘贴你的数据表格 / 描述数据情况 ]
背景[ 这是什么业务的数据，时间范围是什么 ]
问题[ 我想知道：转化率为什么下降 / 哪个渠道ROI最高 ]
格式请给我：① 核心结论（1句话）② 原因拆解（3点）③ [ 建议行动 / 异常预警 / 下周计划 ]
约束不要给我原始数字，只给结论；如果数据不足，告诉我缺什么
🔵 蓝色 = 数据输入 🟠 橙色 = 业务背景 🟢 绿色 = 你的问题 🟣 紫色 = 输出格式
数据分析 · 提高准确率
让AI分析结果越来越准
📐
先说口径再给数据
"注册用户=完成KYC的用户，不含游客"
口径不清楚，AI会乱猜
🎯
问一个问题，不问三个
一次只问一个核心问题
问题越聚焦，结论越准确
🔁
给历史基准做对比
"上周转化率18%，本周16%"
有对比才有意义，AI才能判断好坏
✅
告诉AI哪个结论被采纳了
"你上次建议的渠道调整，老板批了"
正向反馈让AI越来越懂你的业务
核心：数据质量 × 问题质量 × 反馈质量 = AI分析准确率
03
Chapter 3
产品设计
产品设计 · 职能定位
产品设计的本质：把需求变成可验证的原型
💡
需求梳理
用户要什么？
业务目标是什么？
🖼️
原型设计
低保真→高保真
快速验证想法
🔄
迭代优化
用户反馈→快速改版
降低开发返工成本
以前：画原型需要2-3天 + 反复沟通 → 现在：AI + Figma，1小时出可交互原型
产品设计 · 现场Demo
选保真度，看AI实时输出原型图
产品场景
保真度
↑ 选好场景和保真度，点击「生成原型」
产品设计 · Prompt模板
复制这套模板，改掉[ ]里的内容
角色你是一个有10年经验的[ 交易所产品经理 / UX设计师 / 前端工程师 ]
背景[ 我们要做一个XX功能，目标用户是XX，核心目标是XX ]
需求[ 用户需要完成：注册→KYC→首充，3步以内 ]
约束移动端优先，[ 符合XX品牌规范 / 开发周期2周 / 不能改现有数据库 ]
输出请给我：① 页面结构（文字描述）② 核心交互逻辑 ③ [ Figma组件建议 / 开发注意事项 / 用户测试方案 ]
🟣 紫色 = 你的角色 🟠 橙色 = 业务背景 🔵 蓝色 = 核心需求 🟢 绿色 = 约束条件
产品设计 · 提高准确率
让AI设计方案越来越懂你
🖼️
先给参考截图
把你喜欢的竞品截图发给AI
"参考这个风格，但要更简洁"
📏
说清楚用户路径
用户从哪来？要去哪？
路径越清晰，设计越准确
🚫
说你不要什么
"不要弹窗/不要超过3步/不要改现有导航"
负向约束比正向描述更有效
✅
告诉AI哪个方案被采纳
"这个设计开发说可以做，老板也认可"
正向反馈让AI越来越懂你的团队风格
核心：参考样本 × 路径清晰 × 负向约束 × 正向反馈 = 设计准确率飞升
04
Chapter 4
日常提效
你最浪费的
是重复整理的时间
格式化工作
全部交给AI
你省出来的时间
去做真正需要判断力的事
🗒️ 晨报
日常提效 · 案例
飞书会议纪要
→ 自动生成晨报
lark-daily-brief.py · 每天自动跑
Prompt
= 岗位说明书
你怎么给新员工交代工作
就怎么写Prompt
现场互动 🙋
把一条烂Prompt
改成好Prompt
05
Chapter 5
搭建大队
你是指挥官
AI是你的专员
内容 / 数据 / 视觉 / 情报 / 秘书
建流水线
比借工具快4倍
🔧
借工具
每次重新解释
效率 50%
VS
⚡
建流水线
固化上下文
效率 200%
先让一个专员跑起来
😩
找痛点
高频+低价值
→
✍️
写Prompt
先跑起来
→
⚙️
固化脚本
自动化
误区 ①
把AI当搜索引擎
没有上下文，AI每次从零开始
误区 ②
一条Prompt用到底
任务变了，Prompt没更新
误区 ③
不验证AI的输出
AI会自信地说错话
今天的收获
你带走的5件事
今天回去
写第一条Prompt
找到你最烦的重复任务
你的生产大队
今天就可以开工