AI 辅助产品研发全链路 SOP（长页交流稿）

从「量化信息搜集 → 前期梳理 → 基因库匹配 → 配方推荐 → 打样验证 → 卖点与设计图生成 → 客户交付」的完整作业规程
编制：王慧程 · 速品食品 AI高级项目经理　|　版本：v0.1（交流稿）　|　日期：2026-09-12
基因库 + 原料库拼配预测成本/库存联动卖点与设计图自动生成Mermaid 时序图
⚠️ 流程图依赖网络加载 Mermaid 渲染库。若图形未显示，请联网刷新；下方各流程均已配文字版环节说明，不影响阅读。

①岗位定位与北极星指标

本 SOP 服务于一个核心命题：把"凭记忆、靠手感、等排队"的传统茶饮研发，重构为"数据说话、模型预测、并行响应"的 AI 辅助研发体系。AI 产品经理是该体系的设计者与交付负责人，对"按期上线、被真实使用、产生可量化经营结果"负责。

2-4周 → 小时级
需求响应周期（含检索+推荐）
-60%
物理打样次数（AI 模拟替代）
-50%
原料年损耗（按年采购 500 万计省约 50 万）
+20%
客户一次通过率

支撑性指标：研发并行接单能力 3-5 倍；多承接小客户年增收约 100 万元；新人培养周期 1-2 年 → 3 个月。

本页使用方式：每章末尾设有「待你确认」问题，逐条批注后回传，即可把本稿迭代为正式版岗位 SOP（v1.0）。

②业务痛点与 AI 解法映射

痛点现状与问题AI 解法验证指标
① 海量原料大海捞针
检索原始		 上万 SKU、属性复杂（产地/海拔/季节/发酵度/香气类型/理化指标）；找茶底靠"翻台账、凭记忆"，无法用抽象需求（如"高香低涩带茉莉花香的绿茶"）直接筛选；小众原料沉睡，反复用"老面孔"。 基因库语义检索：原料基因卡 + 风味标签体系，抽象需求 → 结构化向量匹配，秒级返回 TOP-N 候选，附历史使用记录与测评得分。 检索命中率、沉睡原料唤醒数、选料多样性
② 拼配靠"手感"
经验难传承		 拼配被视为玄学，依赖资深研发"金舌头"；A+B 比例口感只能物理打样，试错耗时耗料；关键人离职经验流失，新人培养 1-2 年，品质一致性差。 拼配预测模型：以历史配方 + 0-12 分测评数据训练，输入候选组合与比例，输出预测风味剖面（前中后调）与和谐度，人工只验证 AI 推荐的少数方案。 打样次数、预测-实测偏差、配方复现率
③ 需求响应滞后
错失窗口期		 从接需到打样确认 2-4 周；需求超 5 个即排队；成本核算滞后导致"好喝但超成本"，无法商业化；小客户响应慢年流失率或增 15-30%。 全链路并行流水线：需求结构化 → 检索推荐 → 自动核价 → 打样验证 → 卖点/设计图生成，全程小时级流转，成本红线前置校验。 响应周期、并行单量、成本超标率
④ 质量与信任波动 多任务切换致感官疲劳，评判标准漂移；寄样与承诺不符，客户反复修改，专业信任度下降。 数据化品控：统一 0-12 分测评量表 + 测评记录入库，评判锚点固定、可追溯、可复现。 一次通过率、修改轮次、客户满意度

③总体架构：对齐「速品 AI 场景方案建设架构」

研发 AI 化不是孤立工具，而是公司「数据 + AI 双引擎」架构下的第一批场景落地。本页仅保留与研发相关层，便于聚焦讨论。

flowchart TB subgraph SC["场景层：数据+AI 研发场景"] direction LR S1["智能选品"] --- S2["智能配方"] --- S3["原料价格预测"] --- S4["配方优化"] --- S5["库存优化"] end subgraph PL["平台层：数据+AI 双引擎"] direction LR subgraph DI["DI 数据引擎"] D1["主数据管理"] --- D2["指标管理"] --- D3["智能数仓"] --- D4["数据资产地图"] --- D5["数据治理与安全"] end subgraph AI["AI 智能引擎"] A1["数智分身（知识/经验/记忆）"] --- A2["主-子智能体"] --- A3["工具管理 MCP·Skill·CLI"] --- A4["知识库 RAG"] --- A5["模型管理·安全沙箱"] end end subgraph DA["数据层：统一数据底座"] direction LR T1["结构化业务数据
ERP·MES·QMS·WMS·CRM·SRM·PLM·OA"] T2["非结构化知识资料
技术文档·研究报告·测评报告（txt/word/pdf/md/xlsx）"] T3["互联网与第三方数据
行情·政策·竞品·消费热点"] end DA --> PL --> SC
图 3-1　研发 AI 场景在公司数据+AI 双引擎架构中的位置（自下而上：数据统一 → 能力支撑 → 场景交付）

④数据资产底座：基因库与原料库数据模型

4.1 基因库 = 三类基因 + 一套学习机制

研发基因库是把茶叶原料特性、历史配方、感官评价、工艺参数、客户反馈结构化、数字化，形成可被 AI 学习与调用的知识资产——它不是数据仓库的别名，而是"企业研发智慧的大脑"。

基因类型内容来源系统 / 载体
原料基因产地、海拔、季节、发酵度、香气类型、滋味特征、理化指标、价格、库存量、供应商及批次研发样品库（现有）、WMS、SRM、采购价格库
配方基因拼配组合与比例、工艺参数、目标风味剖面、适配应用（纯茶/果茶/奶茶/康普茶）历史打样记录、配方文档（word/pdf）
案例基因客户画像、需求原文、打样轮次、客户测试反馈、成交与复购结果CRM、业务跟进记录、客户反馈表

4.2 现有「研发样品库」盘点与升级项

现有样品库（3 个工作表、约 276 行）已具备第一批种子数据，字段 14 列：供应商编码、茶叶分类、品名、批次、分级、测评方式、汤色/液体状态、香气、滋味、和谐度、气泡强度、主体味型分布区域、简评、综合。实测记录翔实（如"桂花乌龙804：前香高，香较短促，回酸"）。

升级项（SOP 第一步要解决的） ① 香气/滋味/简评为自由文本，未结构化 → 无法被模型学习；② 味型"前/中/后"分区混在单列；③ 缺决策字段：产地/海拔/季节/发酵度/理化指标/采购价/库存量；④ 批次与供应商稳定性未建模。

4.3 原料主数据标准模型（目标字段）

字段组字段结构化方式
身份原料ID、品名、分类、供应商编码、批次、分级枚举/编码（沿用现有）
本源属性产地、海拔、采摘季节、发酵度、工艺（焙火/韵香/清香…）受控词表（新建，约 60-100 个标签）
风味基因香气类型×强度×分区（前/中/后）、滋味维度（苦/涩/酸/甜/鲜/厚度/收敛性）、和谐度、特征味型测评量表数字化（见⑦章）+ 文本抽取
理化指标水分、水浸出物、茶多酚、氨基酸、农残检测结论等质检报告解析（PDF → 字段）
商业属性采购价、价格波动、库存量、库龄、最小起订、交期对接 WMS/采购库，自动同步
供应稳定性批次合格率、感官审评均分与波动（标准差/变异系数）、准时率AI 稳定性建模（自动计算）
待你确认1）受控词表由谁维护（研发 vs 数据团队）？2）历史纸质台账回溯录入的范围与优先级？3）理化指标是否有电子化质检报告可批量解析？

⑤量化信息搜集与前期梳理 SOP（含权重评估框架）

本章回答三个问题：搜集什么（5.1/5.2 信源清单）、怎么定权重（5.3 三维权重模型）、如何区分因果与相关（5.4 判定规则）。目标：任何一次需求判断前，信息搜集动作标准化、可复用、可审计。

5.1 内部数据源清单（事实层，优先级最高）

数据源关键内容更新节奏决策用途
研发样品库276 行实测记录：汤色/香气/滋味/和谐度/气泡强度/简评/综合分每次打样即更新原料匹配、拼配预测训练集
历史配方与打样记录拼配比例、工艺、轮次、失败原因按项目配方基因、避免重复试错
CRM 销售与客户反馈客户成交/复购/测试反馈/投诉周案例基因、需求优先级
WMS 库存与损耗库存量、库龄、呆滞料、损耗金额日推荐时联动库存（唤醒沉睡料）
采购价格与批次质检采购价、农残/理化检测、准时率按批次成本模拟、供应商稳定性指数
财务核价记录历史核价公式、毛利红线按单自动核价规则训练

5.2 外部信息源清单（按信源属性分层）

层级具体信源典型内容采集要点
事实·政策市场监管总局/海关总署/茶叶流通协会/产区地方政府食安标准、进出口量、产区气候与产量、产业政策利好落地落实的政策文件原文，注明文号与生效日期
事实·行情原料行情平台、拍卖市场报告、供应商报价单毛茶/精制茶价格指数、供需变化记录采集日期——行情时效衰减最快
研究·技术食品科学期刊、检测机构报告、行业展会获奖名录风味化学机理、新工艺、新原料评测可解释机制的主要来源，支撑因果判定
观点·竞品竞品官号（微博/公众号）、第三方新品测评、电商销量榜上新方向、卖点话术、销量信号注意官号营销立场，记录是否付费推广
热点·消费抖音/小红书话题、外卖平台评价、自有客服记录"低糖/清爽/季节限定"等需求信号只作"假设输入"，不得直接进配方决策

5.3 三维权重模型：每条信息先打分，再决定怎么用

你提到的三个影响判断的因素，固化为三个可打分的权重维度：

维度评分要点分值建议
W1 时效权重
（时间节点）		信息发布时间距决策日的远近；是否当季/当期；政策是否仍在有效期7 天内 1.0 → 30 天 0.8 → 半年 0.5 → 1 年以上 0.2；政策类按有效期另行校准
W2 立场权重
（利益相关）		发布方与结论的利益关系：无利益第三方 > 客户直接反馈 > 行业媒体 > 竞品官号 > 带货 KOL检测机构/论文 1.0；客户反馈 0.9；行业媒体 0.7；竞品官号 0.5；带货 KOL 0.3
W3 信源属性权重
（平台特性）		官方渠道=政策文件与利好（事实）；专业平台=研究与行情（事实）；微博官号=观点；抖音/小红书=热点注意力政府/标准文件 1.0；行业数据平台 0.9；专业期刊 0.85；微博官号 0.5；短视频热点 0.4
综合可信度 C = W1 × W2 × W3（0~1）。使用规则：C ≥ 0.7 事实类 → 可直接支撑配方/成本决策；0.4 ≤ C < 0.7 → 须≥2 个独立信源交叉验证后使用；C < 0.4 → 只进"趋势观察池"，不进决策。

5.4 因果 vs 相关性判定（四验法）

外部热点与内部数据之间，只有通过以下四问才能建立"因果"关系，否则一律按"相关"处理：

检验问什么示例（茉莉花香案例）
① 时序原因是否发生在结果之前？话题热度上升是否早于销量/询盘变化
② 机制有无可解释的理化/感官机制？茉莉花香的芳樟醇等成分与"高香"感官评分的对应关系
③ 对照控制变量后差异是否仍在？同产地同工艺，含/不含茉莉花香的打样对照测评
④ 复现跨批次、跨客户是否稳定重现？≥3 个客户打样一次通过且复购
flowchart LR A["多源信息采集"] --> B["登记信息源台账
(日期/信源/类型)"] B --> C{"三维权重评分
C = W1xW2xW3"} C -- "C≥0.7 事实" --> E["支撑决策
(配方/成本/选品)"] C -- "0.4-0.7 存疑" --> D["双信源交叉验证"] --> E C -- "C小于0.4 信号" --> F["趋势观察池"] F --> G["内部数据因果验证
(对照打样/历史销售)"] G -- "四验成立" --> E G -- "不成立" --> H["归档不复用"]
图 5-1　信息搜集 → 权重评分 → 因果验证 → 进入决策的处理管道

5.5 输出物：《信息源台账》标准模板

编号采集日期信源/链接类型W1W2W3C值结论进入决策？验证动作
I-0012026-09-10（示例）茶叶流通协会秋茶产量通报事实·政策1.01.01.01.0秋茶减产，原料涨价预期✅ 进入成本模拟更新价格预测参数
I-0022026-09-11（示例）抖音"茉莉奶绿"话题热榜热点·消费1.00.30.40.12消费者注意力信号❌ 仅观察池发起 3 客户对照打样
待你确认1）三维权重分值是否贴合你们实际？2）信息源台账由 AI 产品经理维护还是各业务方提报？3）"趋势观察池"多久复盘一次（建议双周）？

⑥核心业务流程 SOP（Mermaid 时序图）

以下三张时序图把"调研 → 研发 → 上市"全链路的角色、动作、系统与数据流转展开。每张图后附环节说明表。

6.1 主流程：客户需求 → 配方推荐 → 打样 → 交付

sequenceDiagram autonumber actor C as 客户-品牌方 participant B as 业务-销售中心 actor PM as AI产品经理 participant AI as AI研发助理-智能体 participant G as 研发基因库 participant F as 财务核价 actor R as 研发工程师 participant D as 豆包-设计平台 participant P as 生产-ERP C->>B: 提出需求(风味方向/应用场景/成本区间/时间窗) B->>PM: 需求登记(价格·包装规格·类目·应用方式) PM->>AI: 触发需求结构化解析 AI->>AI: 抽象需求转风味标签(香气/滋味/和谐度/成本) AI->>G: 语义检索(原料基因+配方基因+案例基因) G-->>AI: 返回TOP-N候选原料与历史成功配方 AI->>AI: 拼配预测(风味剖面模拟)+成本模拟(联动库存与行情) AI-->>PM: 配方推荐报告(预测风味/成本/风险/替代方案) PM->>F: 触发核价(常规品公式核价/非常规品精细核价) F-->>PM: 原料价格参考与毛利红线校验 PM->>R: 下发打样验证单(仅验证AI推荐的少数方案) R->>R: 物理打样+标准化测评(0-12量表) R-->>G: 测评数据回流(基因库持续学习) alt 测评达标且客户确认 PM->>D: 生成产品卖点文案+产品设计图 D-->>PM: 卖点与设计图初稿 PM->>C: 发送完整方案(配方建议+卖点+设计图+报价) C-->>B: 确认下单 B->>P: 订单录入ERP+生产可执行性校验 P-->>C: 生产交付 else 测评不达标 PM->>AI: 反馈偏差点(≤2轮迭代) AI-->>R: 调整后的新候选配方 end PM->>G: 项目全量数据归档(配方/测评/反馈/成交)
图 6-1　端到端主流程：AI 把"串行人工摸索"改造为"并行模型推荐 + 少量人工验证"
环节传统耗时AI 化后关键变化
需求理解与选料1-2 天（翻台账/凭记忆）分钟级抽象需求 → 语义检索 TOP-N，沉睡原料被唤醒
拼配方案多轮物理试错模拟为主70% 试错转为计算机模拟，打样次数 -60%
成本核算滞后、易超标前置校验核价公式内置，成本红线在推荐阶段即校验
卖点/设计图外包/另行排期当天出稿豆包等平台批量生成，人工优选
整体响应2-4 周小时级流转 + 0.5 天打样并行处理所有需求，不再排队

6.2 基因库数据沉淀流程（越用越强的飞轮）

sequenceDiagram autonumber participant S as 供应商 participant Q as 采购-质控 actor R as 研发工程师 participant E as 数据管道(清洗-结构化-向量化) participant G as 基因库(原料/配方/案例) participant AI as AI引擎(检索/预测/推荐) S->>Q: 供货批次+质检报告(农残/理化) Q->>E: 供应商主数据与批次数据登记 R->>E: 打样测评记录(0-12量表/前中后分区/简评) B->>E: 客户测试反馈与成交结果(CRM) E->>E: 文本抽取→受控词表映射→向量化 E->>G: 入库(原料基因/配方基因/案例基因) G->>AI: 定期训练与知识更新 AI-->>G: 原料标签自动补全/拼配预测模型升级/供应商稳定性指数 Note over G,AI: 闭环复利：每次打样、每笔订单都是新训练数据
图 6-2　数据沉淀飞轮：基因库的资产价值随使用次数递增

6.3 供应商智能管理流程（延伸价值）

sequenceDiagram autonumber participant Q as 采购-质控 participant AI as AI引擎 actor PM as AI产品经理 actor R as 研发工程师 Q->>AI: 上传批次质检/感官审评/准时率/价格数据 AI->>AI: 稳定性建模(标准差/变异系数) AI-->>PM: 输出供应商稳定性指数报告 alt 风险信号(质量下滑/价格异常/缺货) AI-->>PM: 自动预警 PM->>R: 推荐质量最接近的备选供应商与原料 R-->>PM: 备选方案验证结论(研发不中断) else 正常 AI-->>Q: 选源建议(质量·稳定性·价格·库存综合最优) end PM->>Q: 供应商协同改进建议(原料在成品中的表现反馈)
图 6-3　从"依赖采购经验"到"数据驱动优选 + 风险预警"
待你确认1）主流程中 AI 推荐的审批节点放在哪里（PM 一审 vs 研发+PM 双审）？2）打样迭代上限 2 轮是否合理？3）ERP 订单校验由谁对接？

⑦打样与测评标准化 SOP（模型训练的数据地基）

拼配预测模型的上限由测评数据质量决定。现行测评模板（纯茶/果茶/奶茶/康普茶四类）已非常专业，本 SOP 将其固化为数字入规：所有打样必须按统一量表评分并回流基因库。

7.1 四类产品测评量表（满分 12 分制）

产品类型维度与分值附加项
纯茶（茶+冰/水+糖）色泽 0-2 ｜ 香气 0-5 ｜ 滋味 0-5主体香型以滋味中表现的香气为依据
果茶（茶+冰+果）香气 0-5 ｜ 滋味 0-5 ｜ 和谐度 0-2视觉颜色/净度有差异、无好坏
奶茶（茶+冰+奶）香气 0-5 ｜ 滋味 0-5 ｜ 和谐度 0-2关注尾端透奶、香入汤
康普茶液体状态 ｜ 香气 0-5 ｜ 滋味 0-5 ｜ 和谐度 0-2气泡强度/沙口感 0-5 仅作强度标注，不计分

7.2 评分锚点（统一评判语言，消除"标准漂移"）

分值香气锚点滋味锚点
0有杂异有杂异/粗涩无味
1无杂，香弱浓苦/涩重
2清香，香短促轻薄
3有特征香清爽，适度
4特征香显，香气扎实有特征，味型特征显
5香气饱满高扬，香长口感饱满，爽利
和谐度0=不和谐　1=尚和谐　2=和谐

7.3 测评执行规程

标注分区
香气与滋味按「前 / 中 / 后」分区记录（如"前香高、中段果香、尾香长"），避免混合描述。
双杯对照
同批双杯冲泡核对一致性（现有记录已有"双杯汤色差异"实践，固化为必填项）。
即时录入
测评完成当场录入基因库（品名/批次/得分/简评），禁止事后补记。
感官疲劳控制
单场次测评 ≤8 个样，超量分场——解决现状"评判标准飘忽"的质量根因。
回流训练
测评数据与配方比例、工艺参数一并归档，作为拼配预测模型的增量训练集。

⑧ROI 量化分析（立项依据）

收益维度机制量化测算
时间成本70% 试错转计算机模拟；并行能力 3-5 倍单客户成单周期 1.5 天 → 0.5 天；多承接 20 个小客户 × 5 万 = 年增收约 100 万
原料成本AI 推荐准确后物理打样 -60%原料年损耗 -50%+；按年采购 500 万计，年省约 50 万
客户体验按历史成功数据推荐，成功率高于人工摸索一次通过率 +20%，修改减少 → 满意度与复购提升
隐性收益知识资产沉淀 + 抗人员风险新人培养 1-2 年 → 3 个月；核心配方不再随离职流失

无 AI vs 有 AI 对比（立项陈述版）

维度无 AI 基因库（现状）有 AI 基因库（目标）
响应速度1-2 天/需求，只能挑大客户做小时级响应，并行处理所有需求
成本原料损耗高，试错成本大模拟为主，损耗降低 50% 以上
质量感官疲劳，标准波动数据化品控，稳定输出
客户信任反复修改，信任度低高通过率，专业形象
供应链依赖采购经验，稳定性难控数据驱动优选，风险预警
核心资产储存在个人脑中沉淀为企业知识库
结论（供立项引用）：建设基因库短期可降损耗、提升接单能力（年化约 150 万直接收益），长期构建数据驱动的研发竞争力与组织知识资产——这是战略投资，不是工具采购。

⑨最终分析报告模板（流程末端的标准输出）

每次客户需求跑完全链路，产出一份《新品研发可行性分析报告》。结构固定如下，AI 生成初稿、PM 定稿：

章模块内容与数据依据来源
1需求摘要客户/场景/抽象风味需求/成本区间/时间窗业务登记单
2数据依据与信息源清单内部数据快照 + 外部信息源台账（含 W1/W2/W3 与 C 值、因果四验结论）⑤章台账
3候选方案 TOP-3配方组合与比例、预测风味剖面（前中后）、模拟成本、库存与供应风险、替代方案基因库检索 + 拼配预测
4核价与毛利校验原料价格参考、毛利红线、价格敏感度财务核价联动
5打样验证结果实测 0-12 分 vs 预测分偏差、调整记录测评标准化数据
6卖点与设计图产品卖点文案、设计图（豆包等平台生成，人工优选）、适配渠道AIGC 平台
7上市建议与追踪指标定价建议、上市节奏、风险预案；追踪：复购率/退货率/投诉率/毛利达成闭环复利设计
报告纪律① 每个结论必须标注数据来源或【推理假设】；② C<0.4 的信息不得作为结论依据；③ 预测分与实测分偏差 >1 分时必须复盘模型并在报告中披露。

⑩实施路线图与岗位 SOP 连接

gantt title AI辅助研发落地路线（建议12周MVP，自2026-09-14起） dateFormat YYYY-MM-DD axisFormat %m-%d section 阶段1 数据资产 样品库电子化与字段标准化(14列升级) :p1, 2026-09-14, 14d 受控词表与测评量表数字化 :p1b, 2026-09-14, 14d section 阶段2 基因库MVP 原料语义检索上线(抽象需求匹配) :p2, after p1, 21d section 阶段3 智能推荐 配方推荐+拼配预测+成本模拟 :p3, after p2, 21d section 阶段4 全链路集成 自动核价+卖点设计图+ERP联动 :p4, after p3, 21d section 阶段5 闭环沉淀 数据回流机制与模型迭代复盘 :p5, after p4, 7d
图 10-1　五阶段路线：先数据、后能力、再场景，每阶段有可验收产出

阶段验收标准

阶段可验收产出验证指标
1 数据资产标准化原料主数据库 + 受控词表 v1 + 测评数据入规存量 276 行记录 100% 结构化；新增测评 100% 按量表录入
2 基因库 MVP语义检索可用：输入"高香低涩茉莉花香绿茶"返回 TOP-N研发实际使用率 ≥60%；检索命中率人工评估 ≥80%
3 智能推荐配方推荐报告（含预测风味/成本）自动生成打样次数 -40%（MVP 目标）；预测-实测偏差 ≤1 分
4 全链路需求 → 推荐 → 核价 → 卖点/设计图全流程贯通单需求端到端 ≤2 天；成本超标率下降
5 闭环沉淀月度模型迭代复盘机制运行月活使用率、一次通过率 +20% 达成立项口径

与岗位周计划 / 日结果的连接（王慧程职责表落位）

岗位职责（权重）对应 SOP 环节周计划动作日结果事实
① 需求洞察与场景评估（20%）⑤ 信息搜集与权重、② 痛点映射重点客户需求访谈、信息源台账复盘访谈纪要、需求结构化单、ROI 评估表
② AI 项目交付管理（35%）⑥ 三张时序图全流程、⑩ 路线图里程碑排期、风险对冲阶段验收记录、阻塞项与解决方案
③ 业务融合与推广（20%）⑦ 测评入规、研发使用培训培训场次、使用率推广动作培训人数、使用率报表、一线反馈
④ 数据驱动运营（15%）⑨ 报告追踪指标、⑧ ROI 复核A/B 测试与迭代任务测试数据、预测偏差复盘、优化日志
⑤ 供应商管理（10%）6.3 供应商智能管理流程供应商评审、稳定性指数解读交付物质量评估、预警处置记录
待你确认（全局收尾）1）五阶段排期与公司预算节奏是否匹配？2）MVP 阶段先覆盖乌龙/红茶/绿茶三大类是否合适？3）本 SOP 的评审人名单与评审时间？