AI-Product-Development-Toolkit
AI-Product-Development-Toolkit 是一套专为产品打造设计的提示词模板库,旨在帮助用户利用 AI 高效完成从创意构思到最小可行产品(MVP)落地的全过程。它解决了传统单次提问方式难以生成深度、连贯文档的痛点,通过结构化的交互流程,引导用户逐步明确需求、规划体验并制定开发方案。
这套工具特别适合产品经理、独立开发者、设计师以及希望将想法快速转化为原型的创业者使用。其核心亮点在于“以用户为中心的引导式对话”设计:不同于简单的指令输入,这些模板会让 AI 扮演顾问角色,通过针对性的提问挖掘项目细节,并在关键节点主动寻求用户确认,确保输出内容既专业又符合预期。此外,它还支持上下文关联分析,能够基于前序步骤生成的文档(如产品需求文档 PRD)自动推导后续的用户体验规范或测试计划,保持逻辑一致性。配合 v0.dev 等前端生成工具,用户甚至能直接获得可视化的代码雏形,大幅降低产品开发门槛。
使用场景
一位独立开发者试图在周末将模糊的“智能记账”想法转化为可演示的 MVP 原型,却卡在需求梳理和代码实现的断层上。
没有 AI-Product-Development-Toolkit 时
- 思路碎片化:直接在对话框中零散提问,导致生成的产品需求文档(PRD)逻辑跳跃,缺乏系统性结构。
- 上下文丢失:从需求转到 UX 设计时,需反复向 AI 重述背景,且 AI 常忽略之前的约束条件,导致方案前后矛盾。
- 范围失控:难以界定 MVP 边界,容易陷入功能堆砌,浪费大量时间开发非核心特性。
- 落地困难:生成的设计描述无法直接转化为 v0.dev 等工具可识别的高质量提示词,视觉代码生成效果差,需手动重写。
使用 AI-Product-Development-Toolkit 后
- 结构化引导:利用
Guided-PRD-Creation模板,AI 通过交互式问答主动补全缺失信息,输出一份逻辑严密的标准化 PRD。 - 无缝流转:后续步骤直接复用前序产出物(如将 PRD 输入
Guided-UX-User-Flow),确保用户体验规范与原始需求高度一致。 - 精准聚焦:通过
Guided-MVP-Concept-Definition强制进行假设验证和范围裁剪,快速锁定最核心的记账功能,避免过度开发。 - 一键生成:借助
v0.dev-visual-generation-prompt-filler自动组装上下文,生成专为视觉生成工具优化的提示词,直接产出可用的前端代码框架。
AI-Product-Development-Toolkit 通过标准化的引导式对话流程,将原本混乱的头脑风暴转变为从概念到代码的可执行流水线,让单人团队也能高效交付高质量 MVP。
运行环境要求
未说明
未说明

快速开始
AI 产品开发工具包 🧠 PromptQuick.ai
欢迎来到我的个人产品开发提示模板合集!这个仓库是一个集中存储、组织和分享针对各类 AI 模型的有效提示的地方,旨在引导用户从创意阶段逐步走向 MVP 阶段。
关于本仓库
在使用不同的 AI 工具时,我经常会设计特定的提示来获取期望的输出。这个仓库是我用来:
- 整理:记录那些效果良好的提示。
- 复用:快速找到并调整适用于新任务的提示。
- 分享:将有用的提示公开(主要是供我自己使用,但也可能对其他人有帮助!)。
- 学习:随着时间推移不断优化提示,并从中发现哪些方法有效。
引导式对话式方法
这些提示的独特之处在于其 以用户为中心的引导式对话设计:
- 交互式流程:不同于一次性提示,这些模板会引导 AI 模型与您进行迭代式的对话。
- 结构化提问:AI 会围绕项目的具体方面提出有针对性的问题,逐步构建出一份完整的文档。
- 用户确认环节:提示会明确指示 AI 在进入新部分或做出重要决策之前,先与您确认其理解是否正确以及方向是否一致。
- 上下文分析:许多模板会利用先前步骤中的输入(例如,作为背景的 PRD 和 MVP 概念),指导 AI 对信息进行交叉核对,以确保一致性。
- 自适应引导:这些模板可以帮助您思考可能遗漏的细节,同时让您始终掌控最终的方向。
这种方法结合了两者的优点:AI 能够提供结构化的框架并提出澄清性问题,而您则凭借自身的专业知识和决策能力主导整个过程。
使用方法:从创意到 MVP 的工作流
本库的设计是按顺序使用的。以下是一个典型的工作流程:
- 定义产品愿景(PRD):从您的原始想法开始,使用
PRD/Guided-PRD-Creation.md提示生成一份结构化的 产品需求文档(PRD)。 - 定义用户体验(UX):将 PRD 作为输入,使用
UX-User-Flow/Guided-UX-User-Flow.md提示创建详细的 UX 规范。 - 定义 MVP 概念:使用
MVP-Concept/Guided-MVP-Concept-Definition.md提示,结合您的 PRD(可选地加入 UX 规范),定义聚焦的 MVP 概念描述(范围、假设、功能)。 - 规划 MVP 开发:使用
MVP/Guided-MVP.md(或为了加快速度的Ultra-Lean-MVP/...),结合 PRD 和 MVP 概念,生成 MVP 开发计划 或 构建规范。 - 规划 MVP 测试:使用
Testing/Guided-Test-Plan.md提示,结合第 3 步或第 4 步中的 MVP 功能,制定 测试计划。 - 准备 v0.dev 的视觉提示:使用
v0-Design/v0.dev-visual-generation-prompt-filler.md提示,提供第 2 步的 UX 规范和第 3 步或第 4 步的 MVP 范围,生成一个专为您的 MVP 定制的 填充好的v0.dev提示。 - 生成可视化代码:将第 6 步中填充好的提示与外部的
v0.dev工具结合,获得初始的 可视化前端代码。 - 构建、集成与测试:根据第 4 步的 MVP 计划手动开发 MVP 功能,集成第 7 步生成的可视化代码,并按照第 5 步的测试计划进行测试,最终得到您的 可用 MVP。
仓库导航
本仓库按主题分为多个文件夹,每个文件夹包含专门的提示模板:
- PRD:用于创建全面的产品需求文档的模板。
- UX-User-Flow:用于将 PRD 转换为详细 UX 规范的模板。
- MVP-Concept:用于定义聚焦的 MVP 概念(范围、假设、功能)的模板。
- MVP:基于概念进一步细化 MVP 开发计划的模板。
- Ultra-Lean-MVP:专注于快速定义核心 MVP 构建规范的模板(作为详细 MVP 计划的替代方案)。
- Testing:用于创建全面软件质量保证测试计划的模板。
- v0-Design:基于 UX 规范和 MVP 范围生成
v0.dev提示的模板。
⚠️ 每个文件夹中的 README 文件都包含关键信息,请务必阅读。 ⚠️
通用使用说明:
- 浏览:根据您当前所处的步骤,进入相应的文件夹。
- 复制与调整:从
.md文件中复制提示文本。务必替换所有占位符,例如[ <<< PASTE ... HERE >>> ]或[example],代入您具体的项目细节以及先前步骤的输入。 - 参与互动:将调整后的提示粘贴到您的 AI 工具中。请认真回答 AI 的问题——您的回复将引导整个流程。
- 确认:留意 AI 的检查点,以确保输出始终符合您的愿景。
- 迭代:继续对话,直到完成所需的文档或计划草案。
模型兼容性
这些提示是为具有大上下文窗口的模型设计的(如 Google Gemini、GPT-4、Claude 3),因为它们需要在可能较长的对话过程中保持上下文连贯,常常需要参考大型输入文档(如 PRD 或 UX 规范)。为了获得最佳的最终文档草稿生成效果,建议使用较低的温度设置(0.2–0.5),以促使 AI 生成更准确、更专注的输出。
我的设计思路
我在设计这些提示时,结合了 AI 工具的帮助,以及我个人的 Prompt Rulebook 和多年来学习与工程实践中积累的元知识。
贡献
虽然这主要是我的个人收藏,但如果您有任何建议或改进意见,欢迎随时私信我:
许可证
您通常可以自由地使用、修改和分享这些提示。更多详情请参阅 LICENSE 文件。
免责声明
人工智能模型及其输出可能存在不可预测性。这些提示仅作为起点,可能需要进行大幅修改才能达到您期望的结果。请务必审查并验证由人工智能生成的内容,尤其是在准确性、偏见或适当性方面。在每个环节都需有人工监督、战略决策和技术验证,以确保质量与合规。
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备