ExcelMaster v2 的诞生背后，是一场关于AI产品经理角色重塑的深度实验。从零构建30万行生产级代码到自研LLM中转站，从AI驱动的自动化测试到端到端交付业务价值，这位产品经理用3个月时间验证了AI Coding如何将开发效率提升5倍。本文将揭示为什么在Agent时代，产品经理必须亲自下场写代码才能抓住软件工程革命的本质。
AI Agent 时代，PM为什么必须亲自下场做 AI Coding ——写给 AI 产品经理大本营的团员们。
一、我这三个月在干什么
从今年 1 月底到 5 月初，我把自己关起来了。
公司其实有研发，我也请得起更资深的程序员，但我故意一个人干docker service，把我们产品「 ExcelMaster v2」 整个从零重写:前端、后端、服务端、Agent、LLM Proxy、官网、CI/CD、自动化测试，全部端到端搞下来。
成果是这样的：
更“野“的是这两个：
Argus Automation：我自己做的 Computer Use MCP 插件（已开源），于 Claude Code 泄露代码改造，适配到 Codex 共用 OpenAI 订阅，Codex 一样能截屏、点屏幕、操作 Excel。目前 Codex 原生还不支持 Windows 的 computer use，但我自己做的这个方案，已经帮我自动化测试软件 2 个月了；Agent 看护的自动化测试：夜里我睡觉，另一台测试机上的 Codex 帮我跑 100~200 个真实用户的疑难 Excel。它自己定 5 分钟定时器，日志正常就睡，异常就拉起 Argus 截屏、改脚本、杀进程、重启；人不在场，它干 7 个小时
我其实是标准的 AI 产品经理背景，学过十几门计算机的课程（计算机双学位水平）linux安装，但从未真正做过程序员岗位。
在闭关的 3 个月里，我每天从早上 10 点，干到夜里 12 点，几乎没有一天中断过。甚至中途去西藏旅游，我都在每天去景点的大巴车上（3小时），用笔记本电脑搞 AI Coding 开发。
那种状态，有点像高考刚结束的学生，进网吧、连打三个月游戏，完全停不下来，越搞越亢奋。
二、为什么放着公司的事不管docker service，闭关三个月
很多朋友问我：为什么自己跳下来？
答案只有一句话：如果我不亲自下场，我就跟不上这一波软件工程的革命。
注意，我说的不是“AI 产品经理“这件小事，而是软件工程本身正在被重写。
一个具体数据：ExcelMaster v2 这套东西，以前我招 5 个程序员、3个月做不出来，现在我一个人、3 个月做出来了。以我这种没正经写过代码的背景，起步就是 5 倍生产力。搞完这一波，我的体会是：这三个月，相当于压缩了一个软件工程硕士的训练量，甚至压缩了普通程序员三3、5年的实战经验。
不是我有多强，是 AI 太强。我只是把它用到了PM们很少用到的深度。而这个深度，你不亲自跳进去是看不见的。听别人讲、看 demo 只能体会到朦胧的“挺厉害“。但你真的去做一个有付费用户、上线必须不能崩、改错bug 第二天就有人投诉的产品，你才知道这一代工具的真正边界在哪儿。
所以我没给自己留退路。把研发从这个项目剥离，所有脏活累活，全揽到自己身上。
三、第一个认知：不要做 demo，要照着生产级去做
这是我这三个月，最想跟团员们讲的一句话。
太多产品经理同学，还停留在做 demo、能跑通主流程、截图发朋友圈、放进简历就够了。这没错，但做 demo ，你永远停留在 30%~40% 的认知深度，出不去的。
这件事 ，YC 总裁 Gary Tan 今年 2 月在他博客上，写过一篇文章叫《Boil the Ocean》。商业里有句老话叫“别想着把大海煮沸“，意思是别贪大、别 scope creep。Gary 说，这句话在 AI 时代该退休了。他给的判断标尺很犀利:
“Our fear of the future is directly proportional to how small our ambitions are.“(你对未来的恐惧，跟你野心的小，成正比。)
如果你的计划，是继续做你现在做的事，AI 对你就是可怕的。但如果你的计划，是做一个 dramatic 大得多的事，AI 是你听过最好的消息。Gary 给管理者的反问是：“做一个让人乐意付 10 倍价钱的产品，会是什么样？“
产品经理也一样。别再做那种“截图发朋友圈“的 demo 了，直接奔着生产级去做。什么叫生产级？举几个 demo 永远碰不到的坑：
所以我经常跟同学们说：就算你只完成 70% 的生产级，也比完美交付一个 30% 的 demo 强一万倍。因为在那 70% 的过程中，你被迫接触到了新时代软件工程该学到的所有东西。
你只有进去过一次，才出得来。
四、第二个认知：PM 的角色已经被重写了
硅谷有个投资人，最近打了一个挺有意思的比方：今天互联网公司里产品、研发、设计这三个角色，就像西部牛仔片经典的三人对峙场面——三个人相互指着对方的头，每个人心里都在想“我可以干掉你们俩”。
我以前的工作就是指挥别人：指挥研发、指挥设计、指挥运营；这三个月我把这个身份切掉了，变成了全能 Builder。
最近有学员找我说：“我刚被分到负责评测平台，研发不配合我，怎么办？” 我没让他去协调，而是演示了我的架构给他看，告诉他，你完全可以端到端自己搞定。他看完跟我说：“老师，我有信心了，我自己上。”
新一代 AI 产品经理长什么样？简单说就是，不是被研发“配合”，而是自己就能 build。如果你只能做需求文档，大概率会被淘汰。但如果你能 build，你的能力放大倍数，会高得吓人，因为你既懂用户、又懂落地。
还有一层我想说。这件事不只关乎个人。
我预判，未来三五年里，每家公司的财务部、HR 部、营销部、销售部，都会出现一群“非程序员背景的 coder”，可能是部门里 5%、10%、20% 的人，他们既懂业务、又懂 AI Coding，在内部做工具，把另外 80% 的人的效率拉起来。
这群人，就是未来每家公司的中流砥柱。大本营的团员们，绝大多数都应该往这个位置去站。
五、用好 AI Coding 的关键：把它当博士生，不要当小学生
讲两个真实案例，一反一正。先说反面。
反面：我有个朋友，把 Codex 用成了 Dify
前段时间一个朋友找我，说“我用最贵的套餐，做量化交易系统，Codex 效果很差，反复调不通，你看看怎么回事”。我让他共享屏幕给我看，看完我当时就笑了：他把一个博士级的 Agent，用成了四个被框死的小学生。
具体怎么用的呢？他把整个量化系统的开发过程，拆成了一个一个工作流阶段。第一步整理数据，你按这段 prompt 做、输出写到这个文件夹；第二步切换到交易模式 Agent，你用另一段 prompt；第三步再切换…… 每个阶段的输入输出，都被他死死定住，然后要求 Codex 严格按这个流程走。
我当时就跟他说，你这是把 Codex 用成了 Dify 啊。
Codex 这种工具的强大之处恰恰在于，它能端到端把你说的所有步骤，一次性搭出一个完整的软件体系。它不需要你帮它传递阶段间的数据，不需要你优化每个子 Agent 的 prompt，更不需要你把整个流程拆成 4 个互相看不见的 Workflow 节点。
你只需要告诉它：“我要做一个完整的量化交易软件，你给我搭架构、按架构落地、写测试，所有记忆放在一个文件夹里。“然后充分放权。如果中途它做错了一些事情（比如编译环境没找对），你在每一个具体的点上，给它反馈ubuntu linux，让它自己整理记忆、形成它内部的软件工程理解。这样几轮下来，它自己会形成对你这个项目的专属架构感，比你给它写一堆条条框框管用得多。
这个案例我后来反复跟人讲。因为太多 PM 同学，是带着上一代 Workflow / Dify 的思维，在使用这一代 Agent 工具。拆得越细、控制得越死，反而把这个工具的智能彻底锁死了。
所以，今天的 Codex 和 Cloud Code 不是小学生，是博士生。你的工作不是给它列 SOP，而是给它定大目标、给它放权、在关键节点给它反馈。
正面：我给央企期货员，现场 15 分钟，搭出预测模型
什么叫“给它定大目标、给它放权“？给一个正面对照。
前段时间，我跟一家央企期货公司的研究员开会。她不会建模，我也不会期货，她想要的是一套小麦单产预测系统。我现场就给她演示了：打开 Codex，告诉它“我是央企期货交易员，帮我搭这套系统，先查学术界最新方法，告诉我数据从哪儿抓“，然后就不再插手。Codex 自己搜论文、确定方案(CNN + 气象 + 卫星图像)、爬美国农业部数据、装 PyTorch、写训练代码、开始训练。15 分钟，模型框架跑起来了。研究员看完跟我说：“我们部门，没人能做到这个。”
整个过程我只做了三件事：把客户的业务诉求翻译给 Codex、给它一个端到端的目标、让客户站在业务专家角度 review 它的方案。
两个案例摆在一起，你就明白了：新一代 AI 产品经理的真正力量，不是写 PRD，而是当着客户的面，把客户的核心业务现场自动化 50~70%。
你不是辅助、不是工具人、不是流程对齐者，你是直接交付业务价值的那个人。
六、AI Coding 实战的几个核心心法
把我这三个月用得最爽的几条，直接打包给你们——
1、Codex + Claude Code 双开，各干各的
我的标准工作流是：让 Claude Code 出 Plan，丢给 Codex 让它独立 review、提改进意见，综合两边意见去执行。写文章、调研、改文案、做 AI 模块 prompt ，都让 Claude 来。
2、Codex 协作的核心：先看，不落地
3、Agent 看护的自动化测试（我个人最自豪的一套）
4、把“反复 review 架构”做成习惯
5、让 AI 看 AI
6、开 200 美元的套餐，学会浪费 Token
最后一条，讲个反直觉的。学 AI Coding，必须开最贵的套餐，必须学会浪费 Token。
我观察一个非常明显的现象：开 200 美元套餐的人，学这些东西，比开 20 美元套餐的人，快得多得多。
为什么？因为今天学习 AI Coding 的关键，是要给自己充分的实验机会。在做研发的时候，完全不要考虑省 Token 的问题。你只有“敢于来回冲撞、敢于反复试错”，才能真正验证你和 AI 在解决一个复杂软件工程问题时，边界到底在哪里。
如果你每发一个 prompt ，都在心疼那几分钱，你就永远到不了 Agent 真正强的那个深度。这是一笔投资，不是消费。你买的不是 Token，是你认知边界的扩张速度。
最后
那种“今天不搞完，明天就不踏实“的亢奋感、“上万付费用户在等你修 bug“的紧迫感，这是我刻意给自己设计的处境。我把自己沉浸到最严酷的真实挑战里，让它来打我，我才能真的应对它。
如果你也有一段可自由支配的时间，我建议你给自己安排一段闭关：
软件工程的革ming，已经开始了。我们这一代 AI 产品经理，不是要做这场革ming的旁观者，而是要做亲自下场的引领者。
专栏作家
