创作者故事
PRism 背后的从零到一
1/16
我是品牌营销传播专业的研究生（当然是文科生），也一直在做 AI PM。26 年校招拿了腾讯快手携程的 AIPM 的 offer，毕设做了一个 AI 选号助手，简单说就是：用 AI 帮品牌方自动选择并评估抖音/小红书达人、出投放策略。
人工智能时代，AI 带来最大的价值就是降低了所有知识与信息的获取与使用门槛。而借助 Coding 的工具，一切有业务经验的人都可以将经验工具化，借助 AI 来提高工作效率。
达人选号对于营销人员来说是一个高频、高度主观、但高能耗的事情，我希望创造一个这样的工具，实现真正的提效。
同时，对于有业务经验的同学来说，这又是一个"人人都是产品经理"的时代，且更灵活，更自由。今天想分享一下这个从零到一的过程，希望给同样想尝试 vibe coding 的文科生一点信心——从简单的记录工具跳出来，挑战复杂的任务和技术架构，做更深度有意义的产品。
由于是经验分享，我会分业务思路、设计思路和开发过程来讲。
一、业务思路：为什么做这个
做广告营销的同学应该都清楚，达人选号是媒介和 PR 在业务中遇到频率最高的工作之一。
一个中等规模的投放项目，媒介同学可能要从几百上千个达人里筛选出几十个候选人。整个流程大致是：先在星图、蒲公英上按标签粗筛一轮，然后逐个点进达人主页看内容——视频风格对不对、说话方式合不合品牌调性、评论区是真互动还是水军——这些全靠人工一个个看。筛完之后还要按头部、腰部、KOC 分层排布，计算预算分配，写推荐理由给客户。熟练的媒介一次完整选号也要 1 整天。
但在 AI 时代，大语言模型对数据、内容、文案的理解能力已经非常扎实了——它能读懂达人的内容风格，能分析评论区的舆情，能理解品牌 brief 的隐含诉求。把这些能力组合起来，完全可以为媒介提供一个智能选号助手，帮媒介去"看"达人，结合品牌的需求做达人推荐。
Agent 既然能帮助媒介和编导写内容脚本，做创意，实际上也能帮媒介选达人——选真正的活人，而不是编造一个假的数据。这就是做这个产品的出发点。
二、设计思路：做好这个产品需要什么
做一个"能用"的 demo 和做一个"真正能解决问题"的产品之间，差距其实非常大。我在过程中逐渐意识到，要做好这个产品，至少有五件事需要想清楚。
第一，数据。工具要实现动态的数据更新，获取最新的达人数据。达人的粉丝数、互动率、报价、内容标签这些信息都在持续变化，系统不能只用静态数据，必须有一个可维护、可更新的数据库在支撑。我的方案是用 Supabase 分别为抖音和小红书建了独立的达人数据表，通过脚本动态爬取和导入。
第二，业务知识。Agent 不能只是"接收指令查数据库→返回列表"。它需要懂营销——知道什么叫金字塔策略、知道 CPM/CPE 的行业基准是多少、知道不同品类在抖音和小红书上的投放逻辑差异。所以我构建了一套营销知识库（包括投放方法论、行业基准数据、平台特性等），以及 6 个 Skills（达人搜索技能、策略生成技能、深度分析技能等），在不同的业务场景中按需加载对应的操作指南。
第三，Agent 架构认知。复杂任务已经不是简单的 Agent 和 Prompt Engineering 能解决的了，而是需要多 Agent 协同、多工具协同。推理机制、工具调用、技能注入、知识检索，这些东西都要串联起来。作为产品经理，你对目标的交互方式和 Agent 形态需要有一个理想的定义——但这个定义不是凭空想出来的，你需要知道现在 Agent 发展到什么阶段、有哪些成熟的架构范式（比如 ReAct、Function Calling、Multi-Agent），你才能形成合理的产品预期，再反向利用技术去实现。
第四，技术能力与业务需求的结合。这一点特别想展开讲。作为产品经理，你必须把业务需求和当前技术的实际能力做结合，而不是想当然。 举一个具体的例子:达人深度分析需要"理解"达人的视频内容。那怎么理解?直觉上最直接的方案是:丢给一个多模态大模型，让它看视频。但你真正去:算成本就会发现，这个方案在大规模使用的场景下非常贵，而且很多时候视觉模型对营销场景的理解精度并不够。 所以我实际采用的方案是分层处理:用ASR提取视频文案(理解"说了什么")，用开源工具对画面做截帧分析(理解"看起来怎么样")。文案层面和画面层面分开处理，最后由大语言模型综合两路信息，生成对达人内容质感、风格、调性的完整评估。这样既能实现全面解析，成本又可控。类似的权衡贯穿整个产品:哪些能力用大模型做、哪些用传统工具就够了、哪些需要外部API--这些:判断不是纯技术问题，而是产品经理需要基于对技术能力边界的理解来做的设计决策。
第五，不要被工具局限。我最初对AI应用开发的理解是从Workflow工具开始的--Dify、Coze这些。最开始我打算用Coze完成一切，但做到后面发现它在复杂推理、多Agent协同、自定义交互等方面有很多局限性。后来我转向用Cursor和反重力来coding，又遇到另一个问题:AI生成的代码你完全看不懂，出了问题你很难排查，系统变成了一个黑盒。最终我的产品是在多个工具中组合完成的--核心的Agent推理和前端交互用coding实现，但很多工具能力(比如达人作品抓取、评论采集)是用Coze Workflow搭的，封装成API接口供Agent调用。Coze做它擅长的事(快速搭建数据采集流水线)，Cursor做它擅长的事(复杂逻辑和完整的应用开发)。所以不要觉得某种形态是先进的、某种形态是落后的。在特定的场景和阶段，每种工具存在都有它的价值。关键是你要清楚每种工具的能力边界，然后灵活组合。
