当年'人人都是产品经理'的口号很流行，但说实话，它更像一个美好的愿望。传统产品经理那摊子事，要懂用户研究、画原型、协调开发、跟测试……技能树点满，一般人根本搞不定。就算有想法，没有研发资源支持，创意也只能烂在肚子里。
现在不一样了。大语言模型和生成式 AI 的成熟，正在把那些高高的门槛一个个锯掉。我亲眼见到非技术同事用自然语言生成原型，靠 AI 分析用户评论提炼需求——这在以前是不可想象的。
需求分析：不用再做一千份问卷
以前做需求分析，靠访谈、问卷、拍脑袋。效率低不说，还容易跑偏。AI 能干点什么？
拿最常见的场景——用户反馈分析来说。产品评论区、客服聊天记录、社交媒体上的吐槽，这些散落的数据里藏着大量真实需求。靠人工一条条看，累死也看不完。但用 NLP 模型，可以批量提取关键信息，连情感倾向都给你标出来。
下面这段 Python 代码演示了怎么用 Hugging Face 的 pipeline 快速处理几条用户评论：
from transformers import pipeline
# 初始化情感分析和关键词抽取模型
sentiment_analyzer = pipeline("sentiment-analysis", model="distilbert-base-uncased-finetuned-sst-2-english")
keyword_extractor = pipeline("token-classification", model="dbmdz/bert-large-cased-finetuned-conll03-english")
# 模拟用户评论数据
user_comments = [
"这个 APP 的支付步骤太繁琐了，每次都要输好几次验证码",
"希望能增加夜间模式，晚上看眼睛太疼了",
"导出的报表格式太单一，能不能支持 Excel 格式？"
]
# 分析评论并提取需求
for comment in user_comments:
sentiment = sentiment_analyzer(comment)
keywords = [entity["word"] for entity in keyword_extractor(comment) if entity["entity"] == "MISC"]
print(f"评论内容：{comment}")
print(f"情感倾向：{sentiment['label']}，置信度：{sentiment['score']:.2f}")
print(f"核心需求关键词：{','.join(keywords)}")
print("-" * )
