产品经理年终述职 / 年报#PM#年终#述职

PM 年终述职 · product judgment 优先

PM 年终述职不只是 ship 了多少 feature · 用 'shipped + learned + mis-bet + next' 四件套 · 让 leadership 看到你的 product judgment 在长。

解决的痛点 · PM 年终述职最常翻车在'罗列 features ship 列表' · leadership 真正关心的是'你的 judgment 在长吗 / 你 own 了哪个 mis-bet'。

PM 年终述职 · product judgment 优先

Prompt·进阶
Also available in English →
你是我的 PM 年终述职助手 · 我是一名 product 经理 · 帮我写一份 leadership 真愿意读的 review。

# 全年 PM 工作 dump
{paste_yearly_work}
注:含 shipped features / metric impact / 用户洞察 / mis-bet / 团队 dynamics / personal growth · 顺序无所谓。

# 我的 manager 对我的期待(年初定的)
{manager_expectations}

# 请按这 4 块输出

## 1. Shipped + impact(120 字)
不是 feature 列表 · 是 "shipped X · 用户 / business metric 动了 Y"。
- 选 3-5 个最有 impact 的 ship 摆出来 · 各 1 句 + 数字
- 1 个故事性 hook(用户怎么用 / 团队怎么 build 它)让 ship 列表有温度

## 2. Mental model updates(2-3 条 · 每条 80 字)
全年最重要的 product judgment 更新:
- 比如"我以为 power user 是 north star · 实际证明 medium-engagement 是杠杆"
- 比如"我以为 ship 慢 = 失败 · 实际证明每 ship 1 个 feature 失败 1 个 = 在学"
这是 PM 真正的 year-end value · 不是 ship 列表。

## 3. 我 own 的 1 个 mis-bet(80 字)
全年最值得 own 的 product judgment 错位:
- 不是"工程慢 2 周" execution miss
- 必须挖到 "我当时押 X · 现在看应该押 Y · 错的根本是我对 Z 的判断"
- 1 句话:这次 mis-bet 教会了我什么 mental model

## 4. 明年要做的 1 件大事(60 字)
不是 5 件事 · 是 1 件:
- 含 · 它服务的 north star · 我对它的 hypothesis · 中止条件(什么时候放弃)
- 1 句话:为什么是这件 · 不是别的

# 边界
- 不要"持续 ship" 流水账
- mis-bet 必须真挖到 judgment 层 · 不是 execution
- "明年 1 件大事"只 1 个 · 5 件 = 你没决定
每次节省 ~180 分钟

直接在你常用的 AI 上打开

一键复制 prompt · 同时打开对应平台新标签 · 粘贴即可(⌘/Ctrl + V)。

工作流 · 5

  1. 1

    年终前 2 周 · 把全年 shipped / metric / mis-bet / personal growth dump 一段 · 乱无所谓。

  2. 2

    运行 prompt(Claude / DeepSeek R1 PM reasoning)· 替换 2 个占位符。

  3. 3

    Mental model updates 这块特别要逼具体 · 抽象 = 没真学到。

  4. 4

    Mis-bet 自己 review · 必须挖到 judgment 不是 execution。

  5. 5

    述职前 1 周拿给你 manager 看一稿 · 听他的 feedback 是不是觉得'这个 PM 长了'。

发出前自查

AI 那些"几乎对"是头号痛点。把这些勾完 · 让评审找不到明显的洞。(勾选状态只存本地 · 我们不追踪。)

已自查 0 / 5

为什么这条 prompt 管用

这条 prompt 不是泛泛的“帮我写 年终述职 / 年报”,而是把 产品经理日常面对的具体上下文(目标读者、信息密度、可交付格式)塞进去。LLM 在拿到角色 + 场景 + 约束三件套时,输出质量比开放问题高一个量级 — 因为它能在“该突出什么、该省什么”上做对的取舍。

什么时候用这张卡

最佳时机:你已经知道大致要做“年终述职 / 年报”,但卡在“怎么开口问 AI”这一步 · 肌肉记忆里没有现成的好 prompt,从头写又会漏掉关键约束。把这张卡片复制走、按工作流改 2-3 个字段,30 秒内就能拿到第一版可改的草稿。

常见翻车点

  • 不改任何参数就发 · prompt 里的占位字段不替换 · 出来的草稿通用得像 GPT 默认风格 · 直接被甲方/老板看出来。
  • 跳过自查清单 · AI 那些“几乎对”的翻车通常发生在你以为它做对了某件其实没做的事。
  • 问完不追问 · 第一轮草稿通常 70 分 · 加一句“X 部分再具体些 / 再正式些”能拉到 90 分。

变体与延伸

想把这张卡片用得更顺手?推荐 3 种延伸:

  • 换语种:中英版 prompt 都在卡片里 · 出海场景直接切英版。
  • 换平台:同一条 prompt 在 ChatGPT / Claude / Kimi 上口味略不同 · 推荐字段已标注最适配平台。
  • 叠加自查清单:把清单直接粘到对话最后让 AI 自检一遍 · 翻车率显著下降。
PromptDeck Pro 全套

想再要 25 张这种 prompt?

拿全 50 张 Pro 牌 · 多步链 + 行业变体 + 每月更新。

  • 50 张 prompt · 25 免费 + 25 进阶多步链
  • PDF 印刷版 + Notion 模板
  • 终身可用 · 每月新加 5 张自动同步
  • 中英双语 · 含 5 张中文独家场景
买 Pro · $9 终身14 天无条件退款 · 由 Lemon Squeezy 提供

相关卡片