Build a self-improving AI PM OS with Claude Code¶

Ch01.790 Build a self-improving AI PM OS with Claude Code¶

📊 Level ⭐⭐ | 8.0KB | entities/p-ai-pms-guide-to-claude.md

摘要¶

本实体源自 Aakash Gupta《Product Growth》播客对 Pawel Huryn（Product Compass 作者、11K+ star 的 PM Skills Marketplace 作者）的访谈，主题是用 Claude 全家桶搭建"自我改进的 AI PM 操作系统"。核心结论：Chat 已不适合严肃 PM 工作，真实配比是"5% Chat + 70% Dispatch + 25% Claude Code"；让系统持续变强的机制是 CLAUDE.md 路由 + Rules/Hypotheses/Rejected 三态知识循环。

核心要点¶

Chat 是死胡同：无跨设备连续性、无真实文件访问、无可持久化学习系统，三大硬约束决定了它只配占 5% 的时间。
Claude 生态四层分工：Chat（临时问答）→ Cowork（桌面文件工作）→ Claude Code（多文件系统构建）→ Dispatch（移动端并行任务中心），按场景而非按能力堆叠。
Self-improving 知识系统：agent 分析数据后自动生成三类知识——Rules（跨足够数据确认、默认应用）、Hypotheses（带证据计数、达阈值升级为 Rule）、Rejected（被证伪但保留以避免重复测试）。
CLAUDE.md 只做路由不做存储：项目描述、文件结构、知识系统说明与工作流指针留在 CLAUDE.md；写作风格、好坏例子、平台规则、历史数据分别放独立文件，按需加载对应 domain。
Personal vs Production automation：Claude Code 是"agent 解读文本文件的建议"，n8n 是"代码逻辑的确定性执行"；重试、权限、数据隔离等硬保证只能靠后者。
"为 agent 建第二大脑"：喂 10 篇高表现内容，agent 自动提取 hook 模式、金句结构、声音原型与互动指标，按平台分域沉淀，越写越好。
GitHub 即操作系统：把 CLAUDE.md、Skills、知识文件放进 GitHub repo，Code web sessions 指向该 repo，任意设备可访问同一系统。
技能迭代是 ROI 核心：marketplace 技能只是基线，"安装→实战→喂具体失败→重写→再测"迭代 5-6 轮即可覆盖 99% 场景。

深度分析¶

Chat 的三大硬约束：为什么"不该再用了"¶

第一是无连续性——桌面开始的复杂任务无法在手机或浏览器接续，只能整段复制对话进新上下文，指望 agent 重建状态。第二是无文件访问——Chat 读不了真实桌面；而 Cowork 能接收一文件夹混杂的 PDF、图片与重复发票，agent 自行制定步骤、用 hash 去重、按月建文件夹并验证，几秒完成。第三是无持久化——跨会话几乎没有可控记忆，无法构建"从错误中学习、从数据中提取模式并自动应用于下一任务"的系统。三约束叠加，Chat 机会成本极高。

Cowork 与 Claude Code：界面、控制与系统的规模¶

Cowork 是 Code 的用户友好外壳，适合 50 文件内的桌面知识工作：Skills 采用 progressive disclosure——agent 先读名称与描述，匹配任务才加载完整指令，避免无关指令占用 context；MCP connectors 让 Gmail、Google Drive、Slack、CRM 数据流入，配合 draft-only 模式形成"起草→审批→学习"闭环；用 slash command 触发产品策略技能，可产出带 north star 指标与 guardrails 的"McKinsey 级"策略画布 PPT。但系统长到 50+ 文件（知识库、技能文件、模板、合同、品牌指南）后，需要 Claude Code 的 explorer 面板、Hooks（工具调用前后注入质量检查）、Subagents（并行处理子任务）与按项目隔离凭据的 Local MCP servers——Cowork 的 MCP 连接全局共享，是安全硬伤。HTML infographics 与 component library 是另一复利场景：每个爆款信息图被拆解为布局、视觉组件与密度特征入库，新图从已验证组件组装，新产出再反哺库。

Self-improving 知识系统：Rules / Hypotheses / Rejected¶

这是"用 Claude"与"用 Claude 构建"的分水岭。agent 分析数据（帖子表现、offer 转化、候选人录取）时，不只总结，而是生成三类知识：Rules 是跨足够多数据确认的模式，默认直接应用——例如"achievement-as-proof 钩子优于 achievement-as-point 钩子"，在 46+ 条帖子中得到确认，之后每个新 hook 都自动套用；Hypotheses 是观察到但未确认的模式，以证据计数跟踪，证据累积升级为 Rule、出现反证则降级为 Rejected；Rejected 是被数据证伪的想法，保留是为了避免将来重复测试死路。三行提示即可启动：任务前 review 该 domain 的 rules/hypotheses、工作中默认应用已确认规则、完成后根据反馈更新知识。知识按 domain 自动组织（定价规则留在定价、测试规则留在测试），agent 甚至能产出构建者从未见过的假设——这就是复利效应。

24/7 工作流与自动化边界¶

Anthropic 四个远程 surface 中，Dispatch 对 PM 最有用：手机上的单一聊天界面可同时启动多个后台任务线程，购物或陪孩子时 dispatch 任务、回来看结果、再派下一个——把 PM 工作与办公桌解耦。完整决策框架：Dispatch 用于移动端轻量并行任务与快速反馈；Code web sessions 用于需要完整文件树与终端的专注工作（笔记本可离线）；Cowork 是桌面日常主力；Claude Code 处理复杂多文件系统；Chat 只留 5% 给语法检查与一次性问答。最后回答"n8n 是否已死"：没有。Claude Code 属于 personal automation——agent 解读文本文件并给建议，你审批、你决策；生产自动化（客服响应、合规检查、数据管道）需要 n8n 这类确定性执行引擎，因为 markdown 文件无法保证"API 失败重试三次"或"发送前校验客户邮箱"，也无法阻止一个客户看到另一个客户的数据。

实践启示¶

本周就把三行 self-improving prompt 加进 CLAUDE.md，喂 10 个领域优秀示例，跑一个真实任务观察它应用了哪些 rules——领先大多数每次从零 briefing 的 PM。
把 Chat 使用压缩到 5%：迁移到 Cowork/Claude Code 以获得文件访问、工具连接与持久上下文；移动场景用 Dispatch 并行派发任务。
对 marketplace 技能迭代而非照搬：给 agent 具体失败描述（如"acceptance criteria 缺 null 值边界、优先级标签与 P0-P3 不符"），让它读对话、定位根因、从第一性原理重写，5-6 轮后覆盖 99% 场景。
用 draft-only 模式配置 Gmail/Slack connectors：agent 起草、你审批、它从你的修改中学习，审批通过率随时间上升。
把整个操作系统放进 GitHub（CLAUDE.md、Skills、知识文件），用 Code web sessions 指向 repo——多数 PM 跳过的关键同步步骤。
明确 personal 与 production 边界：涉及确定性保证（重试、权限、数据隔离）的场景交给 n8n 类工作流引擎，别指望 markdown 指令。