Vibe Coding 实战项目
Vibe Coding = 用自然语言驱动 AI 写代码，PM 不用会编程也能做出真实可用的产品。
为什么 AI PM 需要做这件事
简历上写"了解 RAG"和"用 Dify 搭了一个 RAG 产品并内测 30 人"，面试官的反应完全不同。
Vibe Coding 给你带来的竞争优势：
- 对 AI 能力边界有感性认知（知道哪些 Prompt 能跑通、哪些坑会踩）
- 可以独立验证产品想法，不依赖工程师
- 简历/作品集有具体的项目，面试时能深入展开
- 快速理解工程师在说什么（有上手经验后沟通更顺畅）
工具选择
低代码方向（推荐入门）
| 工具 | 适合做什么 | 上手难度 |
|---|---|---|
| Dify | RAG 知识库、AI 对话流程、Agent 工作流 | ⭐⭐ |
| Coze（扣子） | AI Bot、多工具集成、发布到多渠道 | ⭐⭐ |
| FastGPT | 企业知识库问答，数据上传简单 | ⭐ |
| n8n | 自动化工作流，接入 AI 节点 | ⭐⭐⭐ |
代码方向（有一定 Python 基础）
| 工具 | 适合做什么 | 上手难度 |
|---|---|---|
| Cursor | 用自然语言写代码，AI 辅助全流程 | ⭐⭐ |
| Claude Code | 命令行 AI 编程，适合完整项目 | ⭐⭐⭐ |
| Replit | 云端 IDE，一键部署，无需本地配置 | ⭐⭐ |
| Bolt.new | 自然语言生成完整 Web App | ⭐ |
推荐实战项目（按难度排序）
项目 1：AI PM 面试押题器（Dify，1-2 天）
搭建目标：粘贴 JD → 生成定制化面试题 + 答题思路
核心步骤：
- 在 Dify 创建一个 Chatflow
- System Prompt 写押题逻辑（参考本站 JD 押题器的设计）
- 添加知识库：上传 AI PM 面试题库文档
- 配置输出格式：每题输出题目 + 押题依据 + 答题框架
- 发布为 Web App，分享链接给朋友内测
典型踩坑和解法：
| 问题 | 原因 | 解法 |
|---|---|---|
| 生成的题目太泛，像模板 | System Prompt 没有给足上下文约束 | 在 Prompt 中加入"基于以下 JD 关键词…"，强制锚定具体技能点 |
| 每次生成结果差异很大 | Temperature 太高 | 调低到 0.3-0.5，输出更稳定 |
| 知识库没被召回 | Chunk 大小不合适，或召回 TopK 太小 | 拆小 Chunk（500-800字），TopK 调到 5 |
| 格式混乱，不按要求输出 | 模型没遵循 Prompt 格式 | 在 Prompt 里加 Few-shot 示例（给 1-2 个标准输出样本） |
简历写法：
用 Dify 搭建 AI PM 面试押题器，集成知识库 RAG + 结构化输出，内测 20+ 人，收集反馈后迭代 3 个版本，平均评分 4.2/5
项目 2：个人知识库问答助手（FastGPT，半天）
搭建目标：上传笔记/文档 → 可对话查询
核心步骤：
- 注册 FastGPT，创建知识库
- 上传你的学习笔记、收藏文章、工作文档（PDF/Markdown）
- 配置问答流程，调整召回参数
- 测试不同问题，记录表现差的 case
- 调整 Chunk 策略或 System Prompt 改善效果
如何评估效果（PM 视角）：
建一个简单的测试集：准备 20 个你知道答案的问题，测试 AI 回答的准确率。
测试维度：
- 事实准确性：回答是否与文档一致
- 召回完整性：有没有漏掉关键信息
- 拒答率：对知识库里没有的问题，有没有编造答案
- 追问表现：追问细节时，回答是否仍然准确关键学习收获：
- 亲身体验 RAG 的召回精度问题（"为什么 AI 答不对这道题"）
- 理解 Chunk 大小对回答质量的影响
- 实际操作过"知识库更新"流程
面试可说的话：
"我搭过个人知识库，发现 RAG 最大的问题不是模型，是数据质量。我有两份结构类似的文档，AI 总是召回旧的。最后发现是因为旧文档 Chunk 更小、匹配分更高。这让我理解了为什么工程师说'垃圾进垃圾出'——数据治理比调模型更重要。"
项目 3：简历润色 Bot（Coze，1 天）
搭建目标：输入简历片段 → AI 润色 + 给出量化建议
核心步骤：
- 在 Coze 创建 Bot
- System Prompt 设计：角色（资深 HR）+ 输出格式（原文 / 问题分析 / 润色后版本）
- 加入几组 few-shot 示例，稳定输出格式
- 接入飞书或微信渠道，分享给身边的求职者
- 收集反馈，迭代 Prompt
迭代记录示例（适合写进作品集）：
v1 → 发现问题：输出只有润色结果，没有解释为什么改
修改：Prompt 加入"每处修改后说明修改理由"
v2 → 发现问题：用户不知道量化数据怎么找，给了空指导
修改：加入"如果用户的描述没有数字，给出3个可以追加的量化角度"
v3 → 发现问题：对AI PM简历优化效果差（不懂术语）
修改：在知识库里上传AI PM关键词词表，让Bot输出更专业项目 4：AI 自动化工作流（n8n + Dify，3-5 天）
搭建目标：每天自动抓取 AI 新闻 → 总结 → 发送到微信/飞书
核心步骤：
- n8n 设置定时触发（每天早 8 点）
- 抓取 RSS 源（Anthropic Blog / 量子位 / TLDR AI）
- 调用 Dify/OpenAI 接口，总结当日重点（3 条）
- 推送到飞书机器人或微信服务号
典型踩坑：
| 问题 | 解法 |
|---|---|
| RSS 源格式不一致，解析报错 | 用 n8n 的 HTML 节点加一层格式清洗 |
| 有时内容为空（没有新文章） | 加判断节点：内容为空时跳过，不发消息 |
| Token 超限，长文章无法处理 | 先截取前 2000 字再传给 AI 总结 |
| 飞书 Webhook 偶发失败 | 加重试节点（失败后等 30 秒重试 1 次） |
关键学习收获：
- 实际操作 API 调用（理解 Request/Response 结构）
- 体验 Token 成本计算（每天消耗多少，月成本多少）
- 理解自动化 Agent 的可靠性问题（错误处理、重试机制）
项目 5：完整 Web 应用（Cursor / Bolt.new，1-2 周）
搭建目标：用自然语言描述需求 → 生成完整的 Web 产品
适合做什么：
- 个人作品集网站（包含你的案例和 AI 工具）
- 细分场景的 AI 工具（针对某个垂直需求）
- 本站这样的 VitePress 文档站
使用 Cursor 的工作方式：
1. 描述你想要的产品："做一个输入 JD 生成面试题的网页，
调用 Claude API，支持流式输出"
2. Cursor 生成代码框架
3. 你负责测试、发现问题、用自然语言描述修改需求
4. 迭代直到满意
5. 部署到 Vercel / GitHub PagesPM 的核心工作方式：
你是 PM，Cursor 是工程师——你负责定义需求和验收，不需要看懂每行代码。但你需要：
- 写清楚需求：越具体越好。"做一个聊天框"不如"做一个聊天框，用户发消息后 AI 以流式方式返回，最多支持 20 轮对话历史"
- 会描述 Bug：不说"它不对了"，而是"当我输入超过 500 字时，按钮变灰不能点击，我期望的是截断后继续发送"
- 做验收测试：每个功能上线前，自己跑 5 个边界 case（空输入/超长输入/快速连点/网络断开）
一个完整项目的里程碑参考：
Week 1：
Day 1-2：明确产品定义（用户是谁/核心功能/成功标准）
Day 3-4：用 Bolt.new 生成 MVP 框架，调通 API
Day 5-7：迭代 UI，打通完整流程
Week 2：
Day 1-3：找 5 个目标用户内测，收集反馈
Day 4-5：根据反馈修改（重点改最影响完成率的问题）
Day 6-7：部署上线，整理作品集文档踩坑总结：PM 做 Vibe Coding 最常见的 5 个问题
常见失误
1. 需求太模糊，AI 乱猜 "做个 AI 工具"让 Cursor 生成出来的东西和你想的完全不一样。解法：写 PRD，哪怕是 5 行的简版，把核心功能、输入输出、边界条件写清楚。
2. Prompt 写了，但不测边界 你的 System Prompt 对标准输入表现很好，但用户一旦输入奇怪的内容就崩了。解法：每个 Prompt 上线前，测试 10 个非标准输入（空值、超长、注入攻击尝试）。
3. 没有记录迭代过程 改了 10 版 Prompt，但不记得每次改了什么、为什么改。解法：建一个 Notion 表格，记录版本号、改动内容、测试结果。这个记录本身就是作品集素材。
4. 内测范围太小 自己测了觉得没问题，发给 3 个朋友发现一堆问题。解法：至少找 10 个目标用户内测，让他们在没有你指导的情况下独立使用，观察卡在哪里。
5. 没有成本意识 每次调用消耗多少 Token、月成本多少，说不清楚。解法：上线前算一遍：日均使用量 × 每次 Token 消耗 × 模型单价 = 月成本。这是面试必考题。
如何把项目写进简历和作品集
简历写法模板
[项目名称]（个人/副业项目）[时间]
- 背景：[为什么做这个，解决什么问题]
- 实现：用 [工具] 搭建，核心功能：[1-2 个]
- 结果：内测 X 人，满意度 X/5，[具体反馈或数据]
- 学到的：[遇到的核心挑战和解法]（可在面试中展开）好的简历写法示例：
独立开发 AI 简历润色工具（Coze），上线后被 50+ 求职者使用，累计润色简历 200+ 份。在迭代过程中发现"量化建议"功能完成率比"润色内容"高 40%，调整产品重心后次日留存从 23% 提升至 41%。
差的简历写法：
用 Coze 做了一个简历润色的 AI 工具。（没有结果数据，看不出产品思维）
作品集展示要点
- 截图/录屏：产品 UI + 实际使用效果（GIF 比截图更有说服力）
- 架构说明：用一张流程图说明技术架构，标注每个节点用了什么工具
- 遇到的问题：诚实描述遇到的挑战，比"一切顺利"更有说服力
- 迭代记录：v1 → v2 的改动和原因，体现产品迭代思维
- 数据支撑：哪怕是小数据（内测 15 人、5 条用户反馈）也比没有好
快速上手：第一个项目的建议
如果你是零基础：从 FastGPT 知识库开始，当天就能跑起来一个可对话的知识库。
如果你有一点技术基础：直接用 Cursor 配合 Claude API 做一个有界面的工具，成就感更强。
如果你有 Python 基础：用 LangChain + Streamlit 搭一个有完整 RAG 的问答系统，技术深度更好展示。
延伸资源
- Dify 官方文档：dify.ai/docs
- Coze 官方文档：coze.cn/docs
- Cursor 使用指南：cursor.com/docs
- Bolt.new 快速入门：bolt.new
延伸阅读
为什么 AI PM 需要做这件事
简历上写"了解 RAG"和"用 Dify 搭了一个 RAG 产品并内测 30 人"，面试官的反应完全不同。
Vibe Coding 给你带来的竞争优势：
- 对 AI 能力边界有感性认知（知道哪些 Prompt 能跑通、哪些坑会踩）
- 可以独立验证产品想法，不依赖工程师
- 简历/作品集有具体的项目，面试时能深入展开
- 快速理解工程师在说什么（有上手经验后沟通更顺畅）
工具选择
低代码方向（推荐入门）
| 工具 | 适合做什么 | 上手难度 |
|---|---|---|
| Dify | RAG 知识库、AI 对话流程、Agent 工作流 | ⭐⭐ |
| Coze（扣子） | AI Bot、多工具集成、发布到多渠道 | ⭐⭐ |
| FastGPT | 企业知识库问答，数据上传简单 | ⭐ |
| n8n | 自动化工作流，接入 AI 节点 | ⭐⭐⭐ |
代码方向（有一定 Python 基础）
| 工具 | 适合做什么 | 上手难度 |
|---|---|---|
| Cursor | 用自然语言写代码，AI 辅助全流程 | ⭐⭐ |
| Claude Code | 命令行 AI 编程，适合完整项目 | ⭐⭐⭐ |
| Replit | 云端 IDE，一键部署，无需本地配置 | ⭐⭐ |
| Bolt.new | 自然语言生成完整 Web App | ⭐ |
推荐实战项目（按难度排序）
项目 1：AI PM 面试押题器（Dify，1-2 天）
搭建目标：粘贴 JD → 生成定制化面试题 + 答题思路
核心步骤：
- 在 Dify 创建一个 Chatflow
- System Prompt 写押题逻辑（参考本站 JD 押题器的设计）
- 添加知识库：上传 AI PM 面试题库文档
- 配置输出格式：每题输出题目 + 押题依据 + 答题框架
- 发布为 Web App，分享链接给朋友内测
简历写法：
用 Dify 搭建 AI PM 面试押题器，集成知识库 RAG + 结构化输出，内测 20+ 人，收集反馈后迭代 3 个版本
项目 2：个人知识库问答助手（FastGPT，半天）
搭建目标：上传笔记/文档 → 可对话查询
核心步骤：
- 注册 FastGPT，创建知识库
- 上传你的学习笔记、收藏文章、工作文档（PDF/Markdown）
- 配置问答流程，调整召回参数
- 测试不同问题，记录表现差的 case
- 调整 Chunk 策略或 System Prompt 改善效果
关键学习收获：
- 亲身体验 RAG 的召回精度问题（"为什么 AI 答不对这道题"）
- 理解 Chunk 大小对回答质量的影响
- 实际操作过"知识库更新"流程
项目 3：简历润色 Bot（Coze，1 天）
搭建目标：输入简历片段 → AI 润色 + 给出量化建议
核心步骤：
- 在 Coze 创建 Bot
- System Prompt 设计：角色（资深 HR）+ 输出格式（原文 / 问题分析 / 润色后版本）
- 加入几组 few-shot 示例，稳定输出格式
- 接入飞书或微信渠道，分享给身边的求职者
- 收集反馈，迭代 Prompt
项目 4：AI 自动化工作流（n8n + Dify，3-5 天）
搭建目标：每天自动抓取 AI 新闻 → 总结 → 发送到微信/飞书
核心步骤：
- n8n 设置定时触发（每天早 8 点）
- 抓取 RSS 源（Anthropic Blog / 量子位 / TLDR AI）
- 调用 Dify/OpenAI 接口，总结当日重点（3 条）
- 推送到飞书机器人或微信服务号
关键学习收获：
- 实际操作 API 调用（理解 Request/Response 结构）
- 体验 Token 成本计算（每天消耗多少，月成本多少）
- 理解自动化 Agent 的可靠性问题（抓取失败/格式变化的处理）
项目 5：完整 Web 应用（Cursor / Bolt.new，1-2 周）
搭建目标：用自然语言描述需求 → 生成完整的 Web 产品
适合做什么：
- 个人作品集网站（包含你的案例和 AI 工具）
- 细分场景的 AI 工具（针对某个垂直需求）
- 本站这样的 VitePress 文档站
使用 Cursor 的工作方式：
1. 描述你想要的产品："做一个输入 JD 生成面试题的网页，
调用 Claude API，支持流式输出"
2. Cursor 生成代码框架
3. 你负责测试、发现问题、用自然语言描述修改需求
4. 迭代直到满意
5. 部署到 Vercel / GitHub Pages核心原则：你是 PM，Cursor 是工程师——你负责定义需求和验收，不需要看懂每行代码。
如何把项目写进简历和作品集
简历写法模板
[项目名称]（个人/副业项目）[时间]
- 背景：[为什么做这个，解决什么问题]
- 实现：用 [工具] 搭建，核心功能：[1-2 个]
- 结果：内测 X 人，满意度 X/5，[具体反馈或数据]
- 学到的：[遇到的核心挑战和解法]（可在面试中展开）作品集展示要点
- 截图/录屏：产品 UI + 实际使用效果
- 架构说明：用一张流程图说明技术架构（即使是低代码）
- 遇到的问题：诚实描述遇到的挑战，比"一切顺利"更有说服力
- 迭代记录：v1 → v2 的改动和原因，体现产品迭代思维
快速上手：第一个项目的建议
如果你是零基础：从 FastGPT 知识库开始，当天就能跑起来一个可对话的知识库。
如果你有一点技术基础：直接用 Cursor 配合 Claude API 做一个有界面的工具，成就感更强。
如果你有 Python 基础：用 LangChain + Streamlit 搭一个有完整 RAG 的问答系统，技术深度更好展示。
延伸资源
- Dify 官方文档：dify.ai/docs
- Coze 官方文档：coze.cn/docs
- Cursor 使用指南：cursor.com/docs
- Bolt.new 快速入门：bolt.new