21%34%
7 日留存
58%76%
智能客服首解率
2.1%3.4%
付费转化率
3.2×
内容周产出
以上为案例中的真实方法与结果，具体口径与数据来源见各案例说明。
01 / 精选案例
每个案例都按「问题 → 判断 → 动作 → 结果」写，不只写漂亮结论。 数字均为上线后 4–8 周的对比口径。
新手引导重构与激活漏斗治理
问题
新用户首次生成成功率只有 41%，一周内流失 68%。访谈后发现不是模型不行，是用户不知道该往里写什么。
我的判断
把 12 类失败会话逐条听完，归因出三类：不知道输入什么（54%）、一次不满意就放弃（29%）、找不到历史结果（17%）。
做了什么
首次成功率 41% → 73%7 日留存 21% → 34%
知识库重构与周度评测机制
问题
用户投诉「答非所问」占工单三成，但团队只能靠人工抽检，改完提示词也不知道是变好还是变坏。
我的判断
缺的不是提示词技巧，是「可复现的衡量标准」。没有基线，任何优化都是猜。
做了什么
首解率 58% → 76%转人工率 −41%
付费转化与定价的 A/B 实验
问题
付费墙在第 2 张图就弹出，团队担心「弹太早」伤体验，但没人有证据。
我的判断
先确认「用户什么时候真的觉得有用」，再决定什么时候收费。凭直觉调价格是最贵的试错。
做了什么
付费转化 2.1% → 3.4%ARPU +19%
3 人团队的内容 SOP 与人机协作
问题
3 个人每周产出 12 篇，质量起伏大，同一类内容每次都要从零想结构。
我的判断
问题不在产能，在没有沉淀。重复劳动应该交给模板和 AI，人只负责判断与终审。
做了什么
周产出 12 → 38 篇返工率 −55%
02 / 我的方法
我在每个项目里跑的都是同一条链路。差别只在于，AI 产品多了一个必须被量化管理的变量：回答质量。
读会话、听工单、看漏斗断点，把「用户抱怨」翻译成可度量的指标缺口。
产出：问题定义 + 基线数据
一句能被推翻的话，而不是一个方向。写清预期变化幅度与判定标准。
产出：假设卡片 + 成功指标
能用一周验证的，绝不排一个月的计划。先跑最小可行动作，再决定是否加码。
产出：实验方案 + 埋点
建黄金集、定判分规则、每周固定跑。让每次模型或提示词变更都有可比基线。
产出：评测报告 + badcase 表
把验证过的做法写进模板、SOP 和产品流程，让它不依赖某个人的手感。
产出：模板库 + SOP 文档
03 / 能力矩阵
不是「了解」，是能自己动手把事做完的程度。标注为实际用过的工具与场景。
从行为数据里找异常，从访谈里找原因，把模糊需求拆成可验证的问题。
写得出稳定的提示词，也建得起衡量它好坏的尺子。
自己写 SQL 取数，自己设计实验，不依赖排期也能拿到结论。
把产品价值写成用户愿意读的话，并让这套产出可复制。
04 / 关于我
我是 Siliang，做产品运营五年，最近三年都在 AI 产品上。 我习惯先问「这个结论怎么验证」，再谈方案；也习惯自己动手取数、自己写提示词， 因为运营离用户最近，离数据也应该最近。
我相信 AI 产品的运营不是「教用户用 AI」，而是把模型的概率性输出， 设计成一个稳定可预期的体验。这件事一半靠产品，一半靠运营把边界摸清楚。
目前在找 AI 应用方向的产品运营岗位，偏好早期团队 —— 那里的运营需要自己定义问题， 而不是接需求。
经历
常用工具
Metabase · 神策 · Figma · Notion · Coze · Python(基础)