product-skills

product-skills skill 개요

product-skills가 필요한 경우

product-skills는 정리되지 않은 제품 업무를 적절한 제품 하위 skill로 라우팅하고, 그 작업이 성과, 디스커버리 근거, 측정 가능한 의사결정 게이트와 계속 연결되도록 돕는 Product Management 오케스트레이터 skill입니다. “무엇을 만들어야 할까?”, “어떻게 우선순위를 정해야 할까?”, “이 Opportunity Solution Tree가 타당한가?”, “디스커버리를 어떻게 실험 계획으로 전환할까?” 같은 질문을 다루는 PM, 제품 리드, 창업자, product trio, AI 지원 제품팀에 특히 잘 맞습니다.

Product Management에 잘 맞는 활용 사례

제품 전략, 디스커버리, 분석, 우선순위 결정, 로드맵, UX 리서치, 실험, 사용자 스토리, PRD, AI 제품 평가, 제품 운영 모델 의사결정이 걸쳐 있는 요청이라면 product-skills skill을 사용하세요. 핵심 가치는 보기 좋은 범용 PM 문서를 작성하는 데 있지 않습니다. 업무를 분류하고, 하나의 진행 방향을 선택하며, 산출물보다 성과를 우선하는 관점, 가정 검증, OST 구조, 측정 가능한 품질 게이트 같은 제품 고유의 제약을 적용하도록 돕는 데 있습니다.

일반 프롬프트와 다른 점

이 skill에는 결정론적 라우터인 scripts/product_goal_router.py와 두 가지 실무 게이트가 포함되어 있습니다. 지속적 디스커버리 상태를 확인하는 scripts/discovery_cadence_tracker.py, Opportunity Solution Tree 구조를 점검하는 scripts/ost_linter.py입니다. 따라서 product-skills는 조언을 넘어, 디스커버리 습관이 건강한지, OST에 기능처럼 표현된 “opportunities”가 들어 있는지, 타깃 opportunities에 여러 solutions와 tests가 연결되어 있는지 확인할 수 있습니다.

product-skills가 맞지 않는 경우

프로젝트 납기 추적, 스프린트 조율, 엔지니어링 태스크 실행만 필요하다면 product-skills를 설치하지 않는 편이 좋습니다. 이 저장소는 제품 방향 설정을 프로젝트 관리나 일반적인 에이전트 루프와 명확히 구분합니다. 또한 고객 근거, 분석 접근 권한, 이해관계자의 판단을 대체하지 않습니다. 실제 목표, 지표, 인터뷰, 가정, 제약 조건을 제공할 때 가장 잘 작동합니다.

product-skills skill 사용 방법

product-skills 설치와 먼저 살펴볼 파일

상위 GitHub skills 저장소에서 다음 명령으로 설치합니다.

npx skills add alirezarezvani/claude-skills --skill product-skills

그다음 product-team/skills/product-skills에 있는 skill 폴더를 확인하세요. 먼저 SKILL.md를 읽어 트리거, 라우팅 방식, 반드시 지켜야 할 규칙을 이해합니다. 이어서 references/product_operating_model.md, references/continuous_discovery_canon.md, references/ai_product_evals.md를 검토해 프롬프트 뒤에 있는 제품 논리를 확인하세요. 스크립트를 사용할 계획이라면, 자체 데이터를 맞추기 전에 assets/sample_discovery_log.json과 assets/sample_ost.json을 열어 구조를 확인하는 것이 좋습니다.

product-skills 활용도를 높이는 입력값

이 skill은 프롬프트에 다섯 가지가 포함될 때 가장 잘 작동합니다. 제품 성과, 현재 지표 기준선, 타깃 사용자 또는 세그먼트, 사용 가능한 근거, 그리고 내려야 할 결정입니다. 약한 입력은 “기능 우선순위 정하는 것 좀 도와줘”입니다. 좋은 입력은 다음과 같습니다. “Use product-skills for Product Management. We are a B2B SaaS onboarding team. Outcome: raise week-4 retention from 22% to 30%. Evidence: 8 support tickets about setup uncertainty, 5 interviews, activation funnel drop at integration verification. Options: checklist, sample-data preview, concierge setup. Help choose the right lane and produce the next decision artifact.”

실제 제품 의사결정을 위한 권장 워크플로

먼저 거친 제품 질문에서 시작하고, 직접 프레임워크를 강제로 적용하기보다 에이전트에게 product-skills를 사용해 라우팅하도록 요청하세요. 문제가 불명확하다면 결과물을 내기 전에 명확화 질문을 먼저 하도록 요청합니다. 디스커버리 비중이 큰 작업이라면 OST JSON을 새로 만들거나 수정한 뒤 ost_linter.py로 구조를 점검하세요. 지속적 디스커버리의 경우 discovery log를 유지하고 매주 discovery_cadence_tracker.py를 실행합니다. AI 기능이라면 references/ai_product_evals.md를 활용해 PRD를 완료된 것으로 보기 전에 golden set, rubric, guardrail metrics를 반드시 요구하세요.

실무에서 쓰는 커맨드라인 점검

Python 스크립트는 표준 라이브러리 패턴을 사용하며 결정론적 게이트로 설계되어 있습니다. 일반적인 사용 방식은 JSON 입력을 저장한 뒤 다음을 실행하는 것입니다.

python scripts/ost_linter.py path/to/ost.json

python scripts/discovery_cadence_tracker.py path/to/discovery_log.json

exit code를 워크플로 신호로 사용하세요. 예를 들어 OST linter가 실패했다면 그 tree를 근거로 삼는 로드맵은 막아야 합니다. 해당 tree에 고아 solutions, 기능처럼 표현된 opportunities, 검증되지 않은 solution ideas가 포함되어 있을 수 있기 때문입니다.

product-skills skill FAQ

product-skills는 시니어 PM 전용인가요?

아닙니다. 다만 초보자는 구체적인 맥락을 제공해야 합니다. product-skills 가이드는 산출물 약속으로 가득 찬 로드맵, 사실상 출시 목록에 가까운 OKR, 성과와 연결되지 않은 디스커버리 같은 흔한 함정을 피하는 데 도움을 줄 수 있습니다. 시니어 PM은 라우팅, 평가, 게이팅 패턴을 기존 운영 리듬에 연결할 수 있기 때문에 더 큰 가치를 얻기 쉽습니다.

product-skills는 RICE나 OKR 템플릿과 어떻게 다른가요?

RICE와 OKR은 더 넓은 product-skills 시스템 안에 있는 하나의 진행 방향일 뿐, 전체 시스템은 아닙니다. 오케스트레이터는 다음에 해야 할 일이 우선순위 결정인지, 디스커버리인지, 분석인지, 실험 설계인지, 로드맵 프레이밍인지, PRD 작업인지, AI 평가 설계인지 확신이 없을 때 유용합니다. 실제 격차가 약한 근거 또는 유효하지 않은 성과에 있는데도 모든 제품 결정에 RICE를 적용하는 실수를 피하게 해줍니다.

product-skills를 Claude Code 밖에서도 사용할 수 있나요?

skill 메타데이터에는 claude-code, codex-cli, cursor, antigravity, opencode, gemini-cli 같은 도구와의 호환성이 명시되어 있습니다. 실제로 markdown 가이드는 다른 환경에서도 활용할 수 있고, Python 스크립트는 Python을 실행할 수 있는 곳이면 어디서든 사용할 수 있습니다. 다만 설치와 호출 방식은 호스트 도구마다 달라질 수 있으므로, 사용하는 에이전트 플랫폼이 외부 skill을 어떻게 로드하는지 확인하세요.

설치 전에 무엇을 준비해야 하나요?

최소한 하나의 실제 제품 문제, 지표 또는 원하는 성과, 그리고 사용 가능한 고객 근거나 분석 근거를 준비하세요. 결정론적 부분을 테스트하고 싶다면 assets/sample_discovery_log.json에 맞는 discovery log 또는 assets/sample_ost.json에 맞는 OST를 준비합니다. 실제 입력이 없어도 skill은 구조를 만들어낼 수 있지만, 추천의 신뢰도는 낮아집니다.

product-skills skill 개선 방법

더 선명한 프롬프트로 product-skills 결과 개선하기

원하는 산출물과 그 산출물이 뒷받침해야 하는 결정을 명시하세요. “PRD를 써줘”라고 묻기보다 이렇게 요청하세요. “Route this with product-skills, identify whether the missing work is discovery, analytics, prioritization, or spec writing, then produce only the artifact needed to decide the next step.” 이렇게 하면 성급하게 문서부터 생성하는 일을 막고, 라우터가 적절한 제품 진행 방향을 선택할 수 있습니다.

추천을 요청하기 전에 근거 추가하기

가장 큰 실패 모드는 빈약한 맥락만으로 확신에 찬 제품 전략을 요구하는 것입니다. 인터뷰 발췌, 퍼널 수치, 세그먼트별 차이, 지원 문의 주제, 실험 이력, 알려진 제약 조건을 추가하세요. AI 제품 작업의 경우 sample inputs, bad outputs, safety concerns, quality expectations를 포함해야 답변이 모호한 acceptance criteria가 아니라 eval design까지 다룰 수 있습니다.

첫 결과 이후 반복 개선하기

첫 답변은 진단용 초안으로 다루세요. 어떤 가정이 근거 부족인지, 어떤 지표가 바뀌면 추천이 달라지는지, 어떤 근거가 나오면 계획이 무효화되는지 물어보세요. 결과물이 너무 이르게 solution을 제안한다면 OST를 통해 다시 밀어 넣으세요. outcome, opportunities, multiple solutions, assumption tests 순서로 재정렬하는 것입니다. 변경 후에는 linter나 cadence tracker를 다시 실행하세요.

자주 발생하는 실패 모드

기능처럼 표현된 opportunities, 하나의 solution만 고려하는 사고, vanity metrics, 주간 리듬이 없는 discovery logs, golden sets나 rubrics가 없는 AI feature PRDs를 특히 주의하세요. product-skills는 그저 매끄러운 PM 문장을 만들어내는 용도로 쓸 때보다, 약한 제품 작업을 제약 조건으로 막아내게 할 때 가장 강력합니다.