原始标题: Claude Code + Analytics Masterclass: Automate Product Analytics (2026)

发布日期: 2026-02-25 | 来源频道: @growproduct

📝 深度摘要

1. 讨论背景与核心主题

本视频由 @Lenny 播客主理人主持，邀请了 Amplitude 负责 AI 产品（Agents 与 MCP）的首席产品经理。嘉宾分享了如何利用 Claude Code、Cursor、MCP（Model Context Protocol）等 AI 工具实现产品分析工作流自动化。核心元问题是：产品经理如何借助 AI 技术将原本需要数小时的数据分析、周报撰写、客户反馈处理等工作压缩到分钟级别完成。

2. 核心干货概览 (Key Takeaways & Stack)

类别 名称 核心用途 / 战略意义
工具/模型 Claude Code / Cursor + MCP 通过自然语言查询访问 Amplitude 数据、GitHub、Linear 等外部系统，实现端到端产品工作流
思维模型 MCP as Data & Action Bridge 将 MCP 视为 AI 与外部系统交互的轻量级协议，而非复杂工作流引擎
关键指标 手动分析耗时：6小时 → AI 自动化：1.5分钟 在周日分析 25 个 WBR 仪表盘的典型场景中实现 240 倍效率提升

3. 深度逻辑拆解 (Deep Dive / SOP)

核心挑战

产品经理在日常工作中面临多重数据困境：在多个 Tableau 仪表盘间切换、复制粘贴数据点、手动撰写周报、跨平台整合客户反馈（Zendesk、Intercom、Salesforce、Gong、Slack）、将洞察转化为产品需求文档（PRD）。这些工作每周占用 6-10 小时，且高度重复。

步进 SOP

工作流一：深度图表分析（Deep Chart Analysis）

  • Step 1: 准备/输入

    • 在 Claude Code 或 Cursor 中激活 Amplitude MCP
    • 提供自然语言指令，如"分析我的外部 MCP 使用仪表盘，给出 TLDDR（太长不看版）"

  • Step 2: 核心转换

    • MCP 自动调用 Amplitude 搜索 API，定位相关仪表盘
    • 使用图表查询工具按批次（每次 3 个图表 ID）拉取数据
    • 模型基于上下文数据生成快速概览

  • Step 3: 交付/结果

    • 1.5 分钟内完成原本需 10 分钟的手动扫描+分析+复制粘贴
    • 输出关键指标摘要与异常标注

工作流二：自动化周报生成（Automated Weekly Reporting）

  • Step 1: 准备/输入

    • 在 Amplitude 中预配置 Dashboard Agent
    • 设置定时任务（每周一自动触发）

  • Step 2: 核心转换

    • Agent 自动遍历预设的 25 个 WBR 仪表盘
    • 提取关键指标、目标偏差、趋势变化
    • 生成结构化报告

  • Step 3: 交付/结果

    • 报告自动推送至各产品团队 Slack 频道或 Email
    • PM 无需手动汇总，直接进入战术会议讨论

工作流三：客户反馈综合分析（Feedback Synthesis）

  • Step 1: 准备/输入

    • 通过 Amplitude AI Feedback 连接多数据源：Zendesk、Intercom、Salesforce、Gong、公开渠道（G2、App Store）
    • Slack 集成正在原型测试中

  • Step 2: 核心转换

    • MCP 暴露两类工具：预处理的洞察（Pre-processed Insights）+ 原始反馈元数据
    • 使用自然语言指定分析维度（如"只看竞品对比相关反馈"或"只关注紧急问题"）

  • Step 3: 交付/结果

    • 输出分类型的客户反馈摘要
    • 支持按主题、情绪、渠道筛选

工作流四：洞察转化为 PRD（Insight to Spec）

  • Step 1: 准备/输入

    • 将工作流三生成的洞察作为上下文输入
    • 指定输出格式：PRD 模板、验收标准、优先级

  • Step 2: 核心转换

    • 在 Claude Code 中调用 GitHub MCP + Linear MCP
    • AI 生成 Markdown 格式的 PRD 文件
    • 建议使用 Opus 模型以获得更高质量输出

  • Step 3: 交付/结果

    • PRD 自动写入指定仓库目录
    • 可选择推送到 Linear 创建任务工单
    • 或直接在 Cursor 中启动代码原型开发

工作流五：行动闭环（Action Closure）

  • 方式 A：通过 Linear MCP 将 PRD 转化为带标签的任务工单，纳入团队迭代规划
  • 方式 B：通过 Slack MCP 直接@相关工程师，发送带有上下文的任务描述
  • 方式 C：在 Cursor 中打开对应代码仓库，创建分支并开始原型开发

案例/细节支撑

  • 嘉宾在 Epic Games 任职期间，周一会议前需花费 6 小时手动汇总 25 个 WBR 仪表盘数据
  • Amplitude 于 2025 年 11 月推出 AI Feedback 产品，数据源整合持续扩展
  • 2026 年 2 月 17 日发布全平台 Agent：Global Agent（嵌入式）+ Sub Agents（Dashboard / Session Replay / Feedback / Website Optimization）
  • MCP 已在 Claude、ChatGPT、Cursor 等主流 AI 客户端形成事实标准

4. 核心干货运用 (Hard Assets / Prompts)

MCP 工具配置最佳实践

Prompt 还原：

Analyze [specific dashboard name] and give me a TLDDR. Pull the latest data points, 
identify any anomalies compared to the previous week, and summarize the top 3 insights.

逻辑注释：

  • 明确指定仪表盘名称或自然语言描述，避免模糊查询
  • 要求模型先搜索再分析，而非一次性拉取全部数据
  • 限制输出格式（TLDDR = Too Long; Didn’t Read），确保简洁

Skill 机制

Claude Code 中的 Skills 功能允许：

  • 仅在模型判定相关时加载特定技能指令
  • 避免所有 MCP 工具描述常驻上下文导致的"上下文腐化"（Context Rot）
  • 解决大量 MCP 工具导致的响应延迟问题

5. PM 避坑与实战洞察 (Insights & Reflections)

反直觉结论

  • MCP 不是工作流引擎：MCP 是 AI 与外部系统交互的轻量级协议，不应期望它处理复杂多步骤任务
  • 连接 MCP 越多，延迟越高：未使用的工具描述会浪费上下文 token，导致响应变慢和不一致
  • Sono 模型速度快但质量略低：演示中使用 Sono 生成 PRD，但质量不如 Opus，需人工迭代

适用边界

  • 当 MCP 服务器包含大量工具时，建议隐藏不相关工具或使用动态工具调用（Cursor 已实现基于 RAG 的工具选择）
  • 对于非技术用户，手动配置 MCP 仍有一定门槛，建议使用托管连接器（Managed Connectors）一键授权
  • 需要高度准确的 PRD 输出时，建议提供 PRD 模板并在 Prompt 中明确指定格式

实战陷阱

  • 不要一次性连接所有 MCP：仅连接当前工作流所需的工具集
  • 不要忽略工具命名优化：模糊的工具名称会导致模型选错工具，需提供准确的描述和参数格式说明
  • 不要跳过迭代：AI 生成的 PRD 通常过于冗长，需要明确指令"压缩到 1-2 段"或"仅保留前 3 个验收标准"
  • 不要忽略认证配置：部分 MCP 需要处理 OAuth 或 API Key，建议使用托管连接器简化

6. 金句 (Golden Quotes)

  • “MCP 是 AI 与外部系统交互的最简单方式，但不是复杂工作流的解决方案。”
  • “我们不再需要花 6 小时做周报，AI 在 1.5 分钟内完成，然后我们直接进入战术讨论。”
  • “Skills 解决了上下文腐化问题——只有模型认为相关时，才加载对应的指令。”
  • “Cursor 时刻的意思是：让之前不会编码的人能够编码，让会编码的人实现 10 倍效率提升。”
  • “工具不是越多越好——只连接你的工作流真正需要的 MCP。”

📺 视频原片

视频ID: WK0bZrS8pVs