PRD 寫作革命：類 Git Flow 的高效「離線優化」工作流

TL;DR

離線協作 (Offline-First)：不再受限於網頁編輯器的緩慢與分心。這套工作流程讓你在慣用的 IDE（如 Cursor, VS Code）或 AI 代理（如 Claude Code, Antigravity）中，以 Markdown 專注產出。
混合效率 (Hybrid Efficiency)：利用精準的 API 腳本負責「大量數據傳輸」（精準且節省 Token），而將 Claude Code/MCP 用於「邏輯分析、關聯參考與內容產出」。
擺脫瀏覽器限制：像寫代碼一樣對待 PRD。在本地環境「拉取 (Pull)」上下文，使用 Markdown 進行高效編輯，並在審閱差異 (Diff) 後「推回 (Push)」雲端。
安全至上 (Safety First)：務必在沙盒環境進行測試，並建立「審閱差異」的思維，嚴防自動化工具導致的 Jira 或 Confluence 內容大規模覆蓋。

作為一名 Technical Product Manager (TPM)，你的工作處於高層戰略與深層技術實現的交匯點。日常使用的工具——通常是 Jira、Confluence 和 Slack 的大雜燴——有時會讓人感到與實際的工程開發脫節。現在，是時候借鑒開發者的工具箱了：像管理代碼一樣管理你的需求。

這就是所謂的 Claude Code PRD 工作流。

現狀：瀏覽器與上下文的瓶頸

撰寫一份 PRD 通常意味著：

打開 Confluence，在編輯器不穩定的格式中苦苦掙扎。
在 15 個以上的瀏覽器分頁中切換，查找技術文檔與相關 Jira Tickets。這個過程不僅緩慢，且難以讓 LLM 發揮最大價值。若只是單純將混亂的資料丟給 AI，往往會因為上下文過多而導致 Token 浪費，甚至產生幻覺。

解決方案：「混合型」Pull/Push 工作流

最有效率的工作流並不完全依賴 AI Agent 來搬運數據，而是採用 「混合模式 (Hybrid Approach)」：

API 腳本：負責精準、高效的原始數據傳輸（省 Token、保證格式）。
Claude Code + MCP：負責智能推理、跨文檔參考與草案生成。

第一步：精準拉取 (Pull) 上下文

比起要求 AI Agent 在茫茫文檔中「搜尋」，直接利用針對 Jira REST API 編寫的腳本會更有效率。

混合策略：使用 API 腳本來處理 複雜的過濾條件 並精準控制 Fetch Data 的範圍。這正是 API 腳本的價值所在——當你面臨複雜的 JQL 條件、需要遞歸抓取子頁面，或是根據特定自定義字段進行篩選時，API 腳本能提供比 AI Agent 更穩定的精準度。

# 示例：針對複雜過濾條件的精準抓取
python scripts/fetch_jira.py --jql "project = 'AUTH' AND status = 'In Progress' AND labels in ('v2-refactor')" --depth 2 --output target_scope.md

透過 API 處理「數據搬運」，你能為 Claude 提供一個乾淨且高度精煉的上下文。這在過濾條件複雜、數據範圍需要嚴格掌控時尤為重要，同時也避免了 Agent 在「尋找與過濾」過程中浪費的大量 Token。

第二步：智能關聯參考 (Cross-Referencing) 與撰寫

這是最具魔力的部分。你不再只是編輯文字，而是與一個擁有「全域視野」的智能夥伴共同開發需求。

多源導引：利用 Claude Code + MCP 來關聯參考從 Jira 和 Confluence 抓取的數據。

指令示例：「Claude，分析我剛剛從 Jira 拉取的 user-stories，並與 Confluence 上的 architecture-spec 進行關聯參考。找出我們提議的 API 身份驗證流程中可能存在的技術缺口。」

進階技巧：引入 RAG 與 NotebookLM 當你的技術文檔累積到數百頁時，即使是再大的上下文窗口 (Context Window) 也難免力不從心。

策略：將 NotebookLM 作為你的外部大腦。索引大量的 PDF 規格書、舊版 Confluence 導出文檔以及 Slack 對話紀錄。
橋樑：利用如 NotebookLM Claude Skill 這樣的工具，直接從 CLI 查詢你索引的知識庫。這讓你能「與文檔對話」並將精準的片段提取到 PRD 草案中，完全無需手動搜索。

第三步：安全推回 (Push) 更新

⚠️ 安全至上：使用自動化工具更新生產環境的 Confluence 或 Jira 具有極高的風險。如果解析出現故障，可能會意外抹除數月來的協作歷史。

安全標準操作程序 (SOP)：

沙盒優先：在應用到正式環境前，務必先在測試用的 Jira 專案或獨立的 Confluence 空間進行流程測試。
審閱差異 (Review Diffs)：像 Code Review 一樣審視文檔更新。在同步回雲端前，務必對比本地 Markdown 與雲端版本的差異，確保沒有非預期的變更。
草稿模式：如果可能，請先將更新推送到「草稿」或「評論」區，而非直接覆蓋主頁面內容。

常見陷阱與避免方案

ADF 格式轉換：Confluence 使用的是 ADF 格式。Markdown -> ADF 的轉換可能不完美，建議使用功能完整的庫（如 atlassian-python-api）來處理。
上下文窗口限制：面對超大型 PRD，不要一次丟入所有內容。利用 Anthropic 的 MCP 進行局部索引。
權限管理：確保你的 API Token 遵循「最小權限原則」，僅授權寫入特定的專案或空間。

權威資源參考

Anthropic Academy：學習與 Claude 進行 Agentic Coding 的最佳實踐。
Atlassian Rovo MCP Server：連接 Claude 與 Atlassian 數據的官方橋樑。
Jira Cloud API 参考：開發自定義精準腳本的必備文檔。
Model Context Protocol (MCP)：AI 數據集成的開放標準。

透過消除需求定義與開發工具之間的隔閡，你不僅能寫出更高質量的 PRD，還能與工程團隊建立更深層的技術共識。