Xchange PM Mentorship：把產品思考接上 Coding Agent 的兩個月實戰培訓
在 Xchange PM Mentorship，我將培訓設計成一個端到端的產品實戰：三位學員各自從問題定義、北極星指標與 MVP 邊界出發，再以 Coding Agent 將產品推進到可操作、可驗證的版本。重點不是「用 AI 把網站做出來」，而是練習 PM 如何在 AI 時代同時擁有產品判斷與實作落地能力。
專案概述與核心痛點
產品判斷先行，Coding Agent 放大執行。
2 個月 × 3 位 PM × 3 個上線的 MVP
XChange 是全台灣最大的網路人才社群。自 2017 年推動互聯網大學至今，已累積八年培訓、50 位業界導師與超過 310 位結業學員；透過職能課程、業界 Mentor 與實戰專案，讓學生更早建立對數位產業與職涯選擇的理解。（ 👉 Xchange 互聯網大學 ）
在這個背景下，我帶領的 PM Mentorship 不以「學會某個工具」為目標，而是處理一個更迫切的能力落差：當 Coding Agent 大幅降低製作介面與串接功能的門檻後，PM 能否判斷哪個問題值得做、MVP 應刻意不做什麼，以及如何定義成功，而不是只定義功能完成。
因此，這是一個橫跨兩個月、以三個真實題目進行的 PM 培訓專案。三位學員各自擁有不同背景與題目，但都必須交付同一條完整的產品證據鏈：問題定義 → 策略與指標 → MVP 範圍 → Coding Agent 實作 → 上線／驗收。
策略思考
這次培訓採取的不是「先教工具、再找題目」的順序，而是從產品判斷開始，再讓 Coding Agent 放大執行槓桿。
把培訓設計成一條產品證據鏈
每個題目一開始都必須回答三件事：痛點背景 / 既有產品價值可優化點在哪、優化後的成功定義為何、如何透過產品指標提，驗證成功提升產品價值交付。這一步讓 Lynne 回到 Open NCCU「每天完成排課人數」的北極星指標；讓 Rex 定義「從進站到深度追問」的研究漏斗；也讓 Shawn 以「促進招募者理解專案」而非單純視覺美感作為作品集的核心目標。
先切 MVP，再讓 Coding Agent 加速
Coding Agent 最容易帶來的誤解，是把「可以做」誤認為「現在就該做」。因此，我們先明確切出 P1 邊界：CryptoSense 不做登入、金流、自動下單與企業級 SLA；Career to Course 不嘗試取代既有選課系統，而是以課號與收藏／排志願流程接回既有主幹道。這些限制不是犧牲功能，而是保留最快驗證核心假設的路徑。
讓技術選擇回到產品驗證
實作討論不只停在 prompt，而是進一步拆解資料來源、RAG、tool calling、測試、部署與錯誤邊界。PM 不必親自寫完所有程式碼，但必須能對產品如何運作、為何可信、下一步該如何驗證提出清楚判斷。
解決方案亮點
Lynne｜Career to Course：讓 Open NCCU 從搜尋型工具走向職涯規劃入口
Open NCCU 已提供「查課 → 收藏 → 排志願 → 批量選課」的完整流程，並在前次選課期間累積 2,830 位活躍使用者。它的北極星指標是「每天完成排課人數」，但使用情境高度集中在開課前 2–3 天，且搜尋型介面預設使用者早已知道自己要選什麼課。
Lynne 找到的目標使用者，是「對未來職涯有想像，但面對上千門課不知道怎麼開始」的學生。Career to Course 讓學生先用自然語言輸入目標職位，再由系統拆解職位相關能力、匹配政大真實課程，並以課號、課綱原文確認與收藏／排志願功能接回既有流程。
成功不只定義為生成推薦，而是：選課期間經 AI 協助完成排課達 300 人以上，且占每日完成排課人數至少 10%；再以「推薦採用數」衡量功能價值，並以採用後移除率不高於 15% 作為護欄。
點擊放大 ⤢使用者輸入「我想成為科技業產品經理」後，系統產生 20 門、分四批的推薦課程；每張課程卡顯示能力關聯、課號、學分與課綱原文連結，右側同步形成可採用的學期課表。
Career to Course 流程圖：Query Rewriting + RAG
點擊放大 ⤢Rex｜CryptoSense：將即時市場、新聞與 AI 分析收斂成可追溯的風險研究
CryptoSense 從自主投資人的研究情境出發：行情、新聞、情緒與個人筆記分散在不同服務中，使用者容易只看見片段訊號，也難以回頭檢查自己的判斷依據。
Rex 沒有把產品定位成「明牌機」，而是把它設計成進場前風險研究助手：不下買賣指令、不保證獲利；透過正反觀點、風險脈絡與來源，讓使用者做出自己的判斷。產品由市場總覽進入個幣頁，讓使用者在同一個工作台閱讀即時行情、7 日走勢與近期新聞，並直接向 AI 追問。
AI 具備三種工具：行情查詢、新聞檢索與個人知識庫檢索；回答採「結論先行 → 正反觀點 → 可點擊來源」的結構，並對範疇外問題與指令注入保持明確邊界。P1 的成效則被設計為完整漏斗：週訪客數 × 進入幣頁率 × AI 回答觸發率 × AI 追問率。目前尚未有正式流量數據，因此這是一套上線後待驗證的產品假設。
實作上，Rex 以 12 個任務、先寫失敗測試再實作的節奏推進，完成 85 項測試並部署正式環境。
點擊放大 ⤢BTC 個幣頁左側顯示價格、走勢與新聞；右側 AI 研究助手針對「BTC 近 24 小時波動」回覆，呈現工具執行、風險解讀、可回溯的 CoinGecko 來源與非投資建議聲明。
CryptoSense 流程圖：Tool Calling + 可追溯回答
點擊放大 ⤢Shawn｜Personal Portfolio：將個人經歷轉譯成招募方能快速理解的介面
Shawn 處理的是求職者的資訊呈現問題：即使專案經驗足夠，若缺少高頻寬、可快速理解的展示平台，HR、獵頭與招聘者仍很難在有限時間內看見能力與價值。
他的 P1 是以 Coding Agent 建立個人作品集網站，並透過 design.md 定義科技感設計語言，把既有、資訊密度高的專案論述轉譯為更容易閱讀的 GUI。這個專案的北極星不是「網站是否好看」，而是是否降低招募方理解專案的成本；當產品、決策與成果能被快速理解，作品集才可能進一步轉換為職涯機會。
專案成效與商業影響
從成果展示，升級成產品驗收
這次 Mentorship 的直接產出，是三個具備產品邏輯、MVP 邊界與驗證設計的作品。學習不再停在寫 PRD 或做簡報，而是走完整個「定義問題、切 MVP、設計指標、實作、上線、驗收」循環。
建立可複用的 PM Workflow
三個題目都避免了為 AI 而 AI：Career to Course 延伸 Open NCCU 的使用者旅程；CryptoSense 把投資資訊整理成可追溯的研究流程；Shawn 的作品集以降低招聘理解成本為目標。不同題目最後都回到同一套可複用的方法：問題定義、成功標準、MVP 邊界與驗證節奏。
Post-AI 時代，產品判斷成為更稀缺的能力
Coding Agent 將實作速度從瓶頸移除後，產品判斷變得更關鍵。真正稀缺的能力，是定義對的問題、設計可被驗證的機制，以及在快速迭代中守住產品邊界。這也是本次培訓最重要的結論：PM 不只是把需求交給工程師的人，而是能把模糊問題收斂為可驗證產品、並利用 AI 將它推進到真實世界的人。