用途：帮助非工程背景的产品经理和设计师从“空谈”走向“交付”，借助 LLM 把产品意图翻译成可投产的软件。核心思路是不从零写代码，而是充当“产品教练”，提供方向、定义品味，并通过迭代循环把 AI 输出推向生产质量。
主要能力与阶段： 一、培养产品品味（曝光时长）。每周固定时间观察用户使用产品、体验同类前沿应用；拆解构成品质的技术“token”（如 Shadcn 组件、Tailwind 样式、Canvas 渲染、响应式汉堡菜单）；留意移动端与桌面端交互差异等细节。 二、意图优先提示。从“要完成的任务”而非实现细节出发，例如“为高端金融机构创建联系销售表单”，而非“做一个带蓝色按钮的表单”；可上传灵感截图或 Figma 文件作为视觉起点；遇到写作瓶颈时用“增强提示”工具把简单提示扩展为含无障碍规范与最佳实践的详细规格；也可在社区仓库（如 v0.dev/community）寻找相似架构模式并 fork 定制。 三、迭代教练循环。把 AI 当作“超级天才的五岁博士”，需要持续引导：用对话式打磨（“换个方案”“更爵士/流行一点”“应用新粗野主义风格”）；用第二个参考点做风格迁移；先做前端体验，再提示接后端（如“把这个表单连到数据库”“把地图接入实时航班数据 API”）。 四、脱困“逃生舱”。遇到推理瓶颈或运行时错误时，把生成代码粘贴到另一个高推理模型（如 OpenAI o1）调试具体逻辑错误；性能问题只陈述问题（“有数万个数据点，提升渲染性能”）而非指定修法；用代码视图找出想改的 token 或属性，再回到对话请求具体修改（如“把那个 div 居中”）。
示例：航班雷达原型——输入“打造地球上最好的航班雷达，在地图上显示飞机”，迭代“一万架飞机时性能卡顿”后 AI 改用 Canvas 叠加层，最后“在目的地机场间画考虑地球曲率的虚线”，产出基于 Mapbox 与 Leaflet 的可交互地图。银行级联系表单——上传 Charles Schwab 网站截图，要求“更严肃、银行级排版、所有复选框加棕褐色滤镜”，产出符合品牌调性的 Shadcn/UI React 组件。
常见陷阱：过度规定（不懂 CSS 就别指定属性，说感觉或风格即可）；“一次成型”陷阱（高质量 AI 产品常需 10 到 100 次以上迭代）；忽视代码（即使不写代码，看代码能学到 filter: sepia() 这类可复用的 token）；功能贪多（每个 AI 生成功能都需维护，应克制，拒绝无核心价值的复杂度）。
限制：资料未提供具体收费、价格、平台支持范围与效果保证等信息。