跳转至

Build a self-improving AI PM OS with Claude Code

Ch01.704 Build a self-improving AI PM OS with Claude Code

📊 Level ⭐⭐ | 4.1KB | entities/p-ai-pms-guide-to-claude.md

核心要点

相关实体

深度分析

Pawel Huryn 的 PM OS 实践揭示了 Claude ecosystem 的真实分层——Chat、Cowork、Code、Dispatch 分别适用于不同场景，而非功能的简单堆叠。 核心认知升级：Chat 是个人工具，Code 是系统构建。 Chat 有三个致命限制：跨设备无连续性、无真实文件访问、无持久化学习系统。这解释了为什么"5% Chat + 70% Dispatch + 25% Claude Code"是 Pawel 的实际配比。 Self-improving knowledge system 是本文最具深度的部分。 三个核心机制： 1. Rules（规则）：跨足够多数据确认的 patterns，直接默认应用 2. Hypotheses（假设）：观察到但未确认的 patterns，跟踪证据计数，达到阈值自动升级为 Rules 3. Rejected（拒绝）：被数据证伪的 patterns，保留避免重复测试 CLAUDE.md router pattern 的精髓在于：CLAUDE.md 只做路由，不做知识存储。把写作风格、平台规则、历史数据分别存为独立文件，agent 加载时只取相关的 domain，而非每次都灌入全部上下文。 Personal automation (Claude Code) vs Production automation (n8n) 的区分是关键洞见——前者是"agent 解读文本文件建议做什么"，后者是"代码逻辑强制执行"。这条界限决定了你应该用什么工具。

实践启示

对于 PM 和知识工作者：

  • 立即将 Chat 使用时间压缩到 5%，迁移到 Cowork 或 Code 以获得文件访问和持久化记忆
  • 在 CLAUDE.md 中实现 self-improving system：先给 10 个好例子 + 2 个坏例子，让 agent 自己提取规则

  • Dispatch 是移动场景的杀手级功能——"购物时 dispatch 任务，回家看结果"是真正的 decoupling 对于 AI 产品设计者：

  • Skills 的 progressive disclosure 机制是控制 context window 的正确范式——description 匹配后才加载 full instructions

  • 多 agent 并行（Dispatch）比串行效率高得多，但需要良好的任务分解能力

  • MCP connectors 的价值在于"数据流入"——越多系统连接，agent 越聪明 对于 AI 应用开发者：

  • Personal automation 和 Production automation 的边界就是 Claude Code 和 n8n 的边界，不要试图用 markdown 文件做确定性要求

  • Subagents + Hooks + Local MCP servers 是 Claude Code 相比 Cowork 的核心差异点

  • Hooks 可用于自动化质量门禁：在 agent 行动前后注入检查逻辑 对于想建立 AI 竞争壁垒的团队：

  • Component library + Context engineering 是护城河：每个成功的 output 都要提取 pattern 反哺 library

  • 规则库会随时间增值，竞争对手无法复制的是你的 confirmed rules 积累
  • "McKinsey-level output vs generic AI output"的差异在于 skill 定义的质量 → 原文存档