非技术PM的AI进化论：如何从零代码到打造盈利产品的协作全流程

在传统认知中，想要亲手打造一款互联网产品，精通编程似乎是不可逾越的入门门槛。

但最近，一位完全没有技术背景的产品经理，却成功上线了一款持续盈利的 AI 工具，甚至让专业工程师都感到惊叹：这真的是一个外行做出来的吗？

这位主角是来自 Meta 的产品经理 Zevi Arnovitz。他在高中时玩音乐，大学修的是心理学，从未写过一行代码。他感慨道：

初次体验 AI 编程工具时，那种感觉就像是突然觉醒了某种超越常人的“技术超能力”。

Zevi 的成功并非偶然。他巧妙地利用 AI 组建了一支虚拟团队：让不同的 AI 模型各司其职，分别承担架构设计、界面交互和逻辑排查，再通过编程工具将它们有机串联。最终，他的产品 StudyMate 不仅顺利上架，还实现了商业化盈利。

他的核心秘籍在于：不把 AI 视为简单的助手，而是将其作为一支分工明确的创业团队。

这套实战方法论，完全具备可复制性。

Zevi 已经慷慨分享了他的开发流程与避坑指南。我们将其精心整理为一套标准工作流：无论你使用的是 ChatGPT、Claude，还是豆包、智谱清言，只要掌握多 AI 协作的逻辑，你也能从 0 独立开发出完整的产品。

第一节｜跨越代码鸿沟：寻找一位能与你平等对话的“AI合伙人”

Zevi 的起点并不是苦修基础语法，而是从建立一种深度的协作关系开始。

他做的第一件事，是开启了一个专属的 AI 对话空间，并对 AI 下达了明确的指令：

“从现在起，你是我的 CTO。不许盲从我的意见，你要站在技术角度挑战我。”

这个对话框承载了整个项目的核心记忆。他赋予了 AI 明确的人格化角色：负责技术方案的决策、敢于指出产品设计的漏洞、并对最终产出的质量高度负责。

这不再是简单的工具调用，而是在寻找一位能够共同进退的虚拟合伙人。

对于不懂技术的人来说，这才是真正的第一步。你不需要掌握复杂的语法，你需要的是调动你原本就擅长的专业能力：清晰地定义需求、制定协作规则、进行深度追问，将模糊的灵感逐步打磨成具象的产品逻辑。

Zevi 首选了 Claude 作为他的“CTO”，原因在于其出色的逻辑严密性和不敷衍的态度。他认为 Claude 是理想的对话对象：反应迅捷、逻辑缜密、且极具耐心。

这位虚拟 CTO 帮助他完成了以下任务：

• 纠正功能设计中的逻辑冲突；
• 预判方案中可能存在的系统隐患；
• 用通俗的语言解释每一个技术决策背后的深层考量。

即使看不懂具体的代码实现，Zevi 也会要求 AI 反复讲解代码的实现逻辑、预期效果以及潜在的副作用。在这种反复的磨合中，代码不再是冷冰冰的字符，而是变成了他能理解并把控的业务逻辑。

如果你也觉得自己看不懂代码？

没关系，让 AI 讲一遍，再讲一遍。你不需要成为码农，但你需要成为一个优秀的提问者。你会发现，技术门槛正在这种对话中逐渐消解。

因此，你的第一步不是翻开编程教材，而是创建一个高水平的 AI 对话窗口。

虽然 Zevi 使用的是 Claude Project，但这套逻辑适用于任何主流大模型。关键在于找到一个具备长文本记忆、支持角色设定、且沟通效率高的工具。在选择时，你可以问自己三个问题：

它能否精准记忆整个项目的背景信息？

它是否支持你定义的特定立场和协作规则？

你是否能用自然语言与它进行顺畅的逻辑交流？

只要满足这三点，你就拥有了坚实的起点。

第二节｜告别单打独斗：构建多模型协作的 AI 虚拟团队

拥有了 CTO 还不够，Zevi 的高明之处在于他构建了一支功能完整的 AI 战队。

在 Cursor 环境下，他为不同的 AI 模型定制了专属的职能板块：

• 技术负责人 Claude：负责整体架构把控，擅长逻辑沟通与方案博弈。
• Debug 专家 Codex：沉默寡言但效率极高，专门负责精准捕捉并修复 Bug。
• UI/UX 设计师 Gemini：充满创意与视觉表现力，负责打磨令人惊艳的前端界面。
• 协作中枢 Cursor：作为集成开发环境，协调各个模型在同一个代码库中和谐共存。

他甚至在提示词中设定了模型间的“内部评审”机制：当一个 AI 完成代码编写后，由另一个 AI 进行交叉审核，最后交回第一个 AI 进行修正。这种“多模型互审”极大地降低了单点模型的局限性。

为什么要建立这种复杂的协作体系？

因为每个大模型都有其独特的“性格”与局限。有的模型逻辑强但审美弱，有的模型创意足但易出错。如果只依赖单一模型，你很快就会撞上它的能力天花板。

但如果你懂得“排兵布阵”，让每个模型只负责其最擅长的 20%，整体产出的效能就能无限趋近于 100%。

这套分工逻辑的核心不是让 AI 写得有多快，而是让它们配合得有多稳。

如果说第一章是教会你如何对话，那么这一节则是教会你如何管理一支由顶级大脑组成的虚拟团队。

第三节｜从灵感到商业化：StudyMate 的诞生实录

Zevi 并不是在实验室里做 Demo，他是真的创造了一个能够产生现金流的产品。

他开发的应用叫 StudyMate，这是一款能将繁杂的学习资料自动转化为高质量测验题的工具。用户上传一份 PDF，系统就能精准提炼知识点，生成带有解析的练习题，不仅对错一目了然，还能解释背后的原理。

在产品迭代过程中，Zevi 展现了极强的敏捷开发能力。当他发现竞品推出了填空题功能时，他迅速启动了 AI 工作流：

1、需求转化：将模糊想法结构化

他用语音录入了一个设想：“我想增加填空题功能，要支持拖拽操作，每题两个空格配六个干扰项。”

AI CTO 随即开启了深度追问：难度如何分级？视觉风格是否保持极简？计分逻辑和限时逻辑如何设定？通过几轮碰撞，一个模糊的想法变成了一份精准的开发任务书。

2、技术体检：在动手前先看风险

在写代码前，AI 团队会先对现有代码库进行“全扫描”，出具技术评估报告。它会告诉你：现有数据库是否需要重构？拖拽功能在手机端是否存在适配风险？这让 Zevi 这个外行也能像专家一样预见技术瓶颈。

3、模块化开发与交叉审计

任务被拆解并派发：后端 AI 修改数据结构，前端 AI 负责拖拽组件的交互。每个模块产出后，都会进入“AI 互审环路”。Zevi 说：“我不指望 AI 一次性写出完美的代码，但我能安排最苛刻的‘评审员’去挑刺。”

4、上线闭环与自我进化

功能上线后，Zevi 还会要求 AI 对整个开发过程进行复盘：哪些提示词表达不够准确？哪个环节的沟通效率有待提高？这些经验会被沉淀到文档中，成为下一次开发的动力源。

这就是一个非技术背景的产品经理，利用 AI 杠杆撬动商业成功的真实路径。

第四节｜八个核心指令：一套可直接复刻的 AI 生产力模型

Zevi 的方法论最宝贵的地方在于其高度的标准化。他总结了八套核心指令（Prompts），将开发过程颗粒化：

• 想法快捕：随时捕捉灵感，自动将其转化为待办工单。
• 需求探索：引导 AI 深度拆解需求，在编码前扫清逻辑障碍。
• 计划制定：将大目标拆解为可追踪、可验证的执行步骤。
• 严格执行：确保 AI 按部就班，不因盲目发挥而偏离轨道。
• 逻辑自检：要求 AI 对产出内容进行首轮 Bug 扫描。
• 团队互审：利用多模型视角，消除思维盲区。
• 知识沉淀：将每一次决策过程文档化，建立项目专属知识库。
• 反向学习：借开发过程学习技术逻辑，实现个人能力进化。

你不需要一次性掌握所有工具，最重要的是建立起这套“模块化、可验证、可迭代”的工作思维。从一个简单的对话框开始，逐步构建起属于你的 AI 帝国。

结语｜跨越“不会”的终极法门：构建你的工作流

Zevi 的故事向我们揭示了一个全新的时代逻辑：在 AI 时代，技术不再是限制想象力的围墙，缺乏工作流才是。

你不必纠结于“不会写代码”，你需要关注的是如何建立一套可重复、高效率的 AI 协作体系。Zevi 走过的路，已经通过这套工作流清晰地呈现在你面前。

从一条提示词开始，去定义你的产品，去组建你的团队。属于你的 StudyMate，或许就在下一个对话框中诞生。

📮参考资料：

https://www.youtube.com/watch?v=1em64iUFt3U&t=1s

https://www.lennysnewsletter.com/p/the-non-technical-pms-guide-to-building-with-cursor