产品案例库
面试时说"我研究过 Cursor 的产品设计"，比说"我了解 AI 产品"有力 10 倍。
案例拆解框架
每个案例按以下维度分析，方便快速调用：
用户是谁 → 解决什么问题 → 核心 AI 能力 → 关键产品决策 → 增长/商业逻辑To C 产品
Cursor — AI 代码编辑器
一句话定位：让 AI 成为工程师的结对编程伙伴，而不只是代码补全工具。
| 维度 | 内容 |
|---|---|
| 目标用户 | 专业开发者（从初级到高级） |
| 核心痛点 | 写代码慢、找 Bug 耗时、学新技术成本高 |
| 核心 AI 能力 | Codebase-aware（理解整个项目上下文）、多文件编辑、自然语言改代码 |
| 差异化 | 不是插件而是整个 IDE，Context 更完整；Tab 补全准确率高 |
| 商业模式 | 订阅制（$20/月），Pro 用户增长飞轮：用得越多越依赖 |
关键产品决策值得学习：
- Fork VS Code 而非插件：换取对 UI 的完全控制权，代价是维护成本高
- "Apply" 而非自动修改：AI 建议代码，人决定是否接受，保留控制感
- Composer 模式（Agent）：一次指令改多个文件，从辅助升级为自主执行
PM 面试加分话术：
"Cursor 的成功在于把 Context 做到了极致——知道你在哪个项目、有什么依赖、过去改了什么。这是纯插件形态很难做到的，这也是他们选择 Fork VS Code 而非做插件的核心原因。"
Perplexity — AI 搜索引擎
一句话定位：用 AI 回答问题，而不是给你一堆链接让你自己找答案。
| 维度 | 内容 |
|---|---|
| 目标用户 | 想要直接答案的信息消费者（而非需要原始资料的研究者） |
| 核心痛点 | Google 给链接不给答案，答案质量参差不齐 |
| 核心 AI 能力 | 实时联网搜索 + RAG + 来源引用 |
| 差异化 | 每个回答都附来源，减少幻觉恐慌；支持追问，对话式探索 |
| 商业模式 | Freemium（免费版限速，Pro $20/月 用更强模型） |
关键产品决策：
- 强制显示来源：降低用户对 AI 幻觉的不信任，这是与 ChatGPT 的核心差异
- 搜索 + 问答分离：左侧搜索结果，右侧 AI 总结，满足不同信任程度的用户
- Pages 功能：把 AI 生成内容变成可分享的"报告"，带来社交传播
Notion AI — 知识管理 + AI 写作
一句话定位：在你已有笔记的地方直接调用 AI，而不是切换到另一个工具。
| 维度 | 内容 |
|---|---|
| 目标用户 | 已经在用 Notion 的个人/团队用户 |
| 核心痛点 | 写文档慢、整理信息费时、知识沉淀后很难用上 |
| 核心 AI 能力 | 基于文档上下文的生成/摘要/翻译；AI 问答知识库 |
| 差异化 | 数据已经在 Notion 里，AI 直接使用，比另开 ChatGPT 更省步骤 |
| 商业模式 | AI 功能作为订阅附加项（$10/用户/月），提升 ARPU |
PM 值得学习的设计：
- 嵌入式 AI：不是新产品，是在原有工作流中插入 AI 能力，减少迁移成本
- Q&A 功能：把静态知识库变成可对话的资产，体现"AI 让存量内容增值"
To B 产品
飞书 My AI — 企业级 AI 助手
一句话定位：接入企业内部数据，让 AI 真正了解你们公司。
| 维度 | 内容 |
|---|---|
| 目标用户 | 企业员工（销售/运营/产品/HR 均覆盖） |
| 核心痛点 | 企业知识散落各处，找信息效率极低 |
| 核心 AI 能力 | 连接飞书文档/多维表格/会议记录，企业私域 RAG |
| 差异化 | 数据在飞书生态内，合规更有保证；与飞书 OA 流程打通 |
| 商业模式 | 随企业版飞书订阅，强化平台粘性（降低迁出成本） |
核心挑战（PM 面试可以主动说）：
- 数据权限边界：AI 不能让 A 看到 B 无权访问的文档——权限系统是企业 AI 最难的问题
- 知识质量参差：企业文档往往过时、格式混乱，RAG 效果直接受制于数据治理水平
- 采用率问题：员工习惯不好改变，需要用成功案例和培训推动
销售易 / Salesforce Einstein — AI CRM
一句话定位：让销售人员用自然语言查询数据、生成跟进邮件、预测成单概率。
| 维度 | 内容 |
|---|---|
| 目标用户 | 销售代表、销售管理层 |
| 核心痛点 | CRM 录入繁琐、销售机会预测不准、写跟进邮件费时 |
| 核心 AI 能力 | NL2SQL（自然语言查数据）、邮件生成、机会评分预测 |
| 商业模式 | CRM 订阅基础上加 AI 功能溢价 |
关键洞察：To B AI 产品的成功 = 用 AI 降低 CRM 的"输入摩擦"，而不是新增功能。
国内 To C 产品
豆包 — 字节系 AI 助手
一句话定位：用字节的内容生态和流量优势，把 AI 助手做成日活最高的国内产品。
| 维度 | 内容 |
|---|---|
| 目标用户 | 泛大众用户（学生/职场/创作者），尤其是抖音/今日头条的已有用户 |
| 核心痛点 | 日常信息获取、学习辅助、创意写作、娱乐陪伴 |
| 核心 AI 能力 | 多模态（文/图/语音）、角色扮演、AI 搜索、长文档阅读 |
| 差异化 | 字节生态分发（抖音/头条入口）+ 极低价格策略（长期免费） |
| 商业模式 | 免费为主，靠规模优势积累数据和用户习惯，广告和会员为辅 |
关键产品决策：
- 价格战打法：豆包长期免费甚至倒贴，以规模换市场份额，挤压 Kimi/文心等竞对的付费空间
- 角色扮演强化：重点投入 AI 陪伴/角色卡功能，差异化拉新（尤其是 Z 世代用户）
- 多端覆盖：App / Web / VS Code 插件 / 抖音内嵌，最大化触达路径
PM 面试加分话术：
"豆包的核心竞争力不是模型，是字节的分发能力和内容生态。它可以在抖音 DAU 里做冷启动，这是其他 AI 产品花多少钱都复制不了的。这个案例说明 AI 产品的护城河可以来自生态位，而不只是技术领先。"
值得思考的挑战：免费策略带来高 DAU，但用户深度使用率和付费转化如何提升是长期问题。
Kimi — 长文本理解专家
一句话定位：主打超长上下文，让用户能"喂"进一整本书或一整份报告来提问。
| 维度 | 内容 |
|---|---|
| 目标用户 | 研究者、律师、咨询顾问、学生——需要处理大量文档的专业用户 |
| 核心痛点 | 长文档（合同/报告/论文）读起来慢，关键信息难定位 |
| 核心 AI 能力 | 超长上下文（最高 1M tokens）、文档问答、联网搜索 |
| 差异化 | 国内最早主打长文本，形成用户认知；搜索+问答一体 |
| 商业模式 | Freemium，免费版有限额，Pro 版（￥199/年）解除限制 |
关键产品决策：
- 用长文本建立心智：在 GPT 还没开放超长上下文时，Kimi 率先主打这个场景，形成差异化认知
- k1.5 推理模型：跟进 o1/DeepSeek-R1 趋势，推出慢思考版本，从工具升级为"会推理的助手"
- 探索模式：深度搜索+多步推理报告生成，对标 Perplexity 的 Pro Search
PM 值得学习的设计：Kimi 的产品路径说明了从单一差异化切入，再逐步补全功能矩阵是国内 AI 产品的典型打法。
文心一言 / 文小言 — 百度 AI 助手
一句话定位：百度搜索 + 知识图谱 + 文心大模型，做有"知识深度"的 AI 助手。
| 维度 | 内容 |
|---|---|
| 目标用户 | 百度搜索的已有用户；需要专业知识查询的用户 |
| 核心痛点 | 搜索给链接不给答案，医疗/法律/财经等垂直问题需要可信答案 |
| 核心 AI 能力 | 知识图谱增强 RAG、多模态理解、代码生成 |
| 差异化 | 百度搜索流量入口 + 知识图谱积累（医疗/法律/百科） |
| 商业模式 | 免费为主，企业版 API 按 Token 收费 |
核心挑战（PM 面试可聊）：
- 先发劣势：作为国内第一家发布的大模型产品，早期因演示效果差被大量负面报道，用户印象修复慢
- 搜索入口整合：如何让文心和百度搜索形成协同而非互相替代，是产品层的核心命题
- 品牌重塑：从"文心一言"到"文小言"的品牌调整，说明百度在用户定位上的反复摸索
通义千问 — 阿里 AI 助手
一句话定位：阿里云底座 + 电商/企业数据，做有商业落地深度的 AI 助手。
| 维度 | 内容 |
|---|---|
| 目标用户 | 企业用户（阿里云客户）+ 个人专业用户 |
| 核心痛点 | 企业需要私有化部署、数据合规、与现有系统集成 |
| 核心 AI 能力 | 多模态（Qwen-VL）、代码（CodeQwen）、长文本（Qwen-Long） |
| 差异化 | 阿里云生态打通（OSS/函数计算/钉钉）；开源模型 Qwen 系列影响力大 |
| 商业模式 | C 端免费，B 端阿里云 API 按 Token 计费 |
PM 加分点：Qwen 系列开源策略是教科书级别的用开源建立技术公信力，带动云服务商业化。类比 MongoDB/Redis 的开源商业化路径。
智谱 AI / ChatGLM — 企业知识库专家
一句话定位：国产开源模型先驱，主打企业私有化部署和知识库问答。
| 维度 | 内容 |
|---|---|
| 目标用户 | 对数据安全要求高的企业（金融/政府/医疗） |
| 核心痛点 | 不能把企业数据发给 OpenAI；需要完全可控的私有化方案 |
| 核心 AI 能力 | GLM-4（对话）+ CogView（图像）+ 企业知识库 RAG |
| 差异化 | 清华系技术背书 + 可私有化部署 + 工具调用能力强 |
| 商业模式 | API 按量计费 + 私有化部署企业合同（大单为主） |
PM 值得学习：智谱是合规驱动型市场的典型——不是靠产品最好，而是靠"数据不出门"满足监管要求，在特定行业形成壁垒。
平台型产品
OpenAI Platform — 模型 API 开放平台
一句话定位：让开发者用 API 调用 GPT 能力，构建自己的 AI 应用。
| 维度 | 内容 |
|---|---|
| 目标用户 | 开发者、企业技术团队 |
| 核心价值 | 无需训练模型，直接调用 SOTA 模型 |
| 关键产品决策 | Playground（可视化调试）+ API + Fine-tuning + Assistants API |
| 商业模式 | 按 Token 计费（用量越大越便宜），企业合同走量折扣 |
增长飞轮：开发者用 API → 把产品卖给用户 → 用量增长 → 续约/升级
PM 加分点：能聊清楚 Assistants API 和自己调 Chat API 的区别（前者托管状态/文件，适合快速开发；后者更灵活，适合定制化要求高的场景）。
Dify — 开源 LLM 应用开发平台
一句话定位：让没有 AI 工程背景的团队也能搭出生产级 AI 应用。
| 维度 | 内容 |
|---|---|
| 目标用户 | 中小企业技术团队、AI 产品 PM（验证阶段） |
| 核心价值 | 可视化搭建 RAG 流程 + Prompt 管理 + 多模型切换 |
| 开源策略 | 核心免费开源，企业版加收高级功能（SSO/私有化） |
| 国内地位 | GitHub Stars 最多的国产 LLM 开发平台之一 |
面试实战：如何用案例加分
错误做法：泛泛说"我用过 Cursor"
正确做法：
"我研究过 Cursor 的产品设计。它最核心的决策是 Fork 了 VS Code 而不是做插件——这让他们能控制整个 UI 层，把 Codebase 级别的上下文完整传给 AI。这是 GitHub Copilot 插件形态很难做到的。
但这也带来了维护成本问题：他们要持续跟进 VS Code 的更新，同时维护自己的改动，团队压力很大。这说明 AI 产品的护城河有时候是技术架构决策，而不只是模型能力。"
🔍 AI 竞品分析辅助
输入产品名称和分析维度，AI 帮你生成结构化竞品分析报告
🔑 API 配置
💡 配置仅保存在本地浏览器，不会上传到任何服务器
🔍 竞品分析辅助
输入产品名称和分析维度，AI 帮你生成结构化竞品分析报告
💡 AI 基于公开信息和训练数据生成分析，建议结合最新官网/新闻验证