product-skills

Visão geral da skill product-skills

Para que serve product-skills

product-skills é uma skill orquestradora de Product Management que direciona trabalhos de produto confusos para a sub-skill de produto mais adequada e mantém o trabalho conectado a resultados, evidências de discovery e critérios de decisão mensuráveis. Ela é mais indicada para PMs, lideranças de produto, founders, trios de produto e times de produto assistidos por IA que querem apoio em perguntas como “o que devemos construir?”, “como devemos priorizar?”, “esta Opportunity Solution Tree faz sentido?” ou “como transformamos discovery em um plano de experimento?”

Casos de uso de Product Management em que product-skills se encaixa melhor

Use a skill product-skills quando sua demanda envolver estratégia de produto, discovery, analytics, priorização, roadmap, pesquisa de UX, experimentos, user stories, PRDs, avaliações de produtos de IA ou decisões sobre modelo operacional de produto. O principal valor dela não é escrever um documento genérico de PM mais bonito; ela ajuda a classificar o trabalho, escolher uma trilha e aplicar restrições específicas de produto, como resultados acima de entregas, teste de premissas, estrutura de OST e critérios mensuráveis de qualidade.

O que a torna diferente de um prompt genérico

A skill inclui um roteador determinístico, scripts/product_goal_router.py, além de dois gates práticos: scripts/discovery_cadence_tracker.py, para avaliar a saúde da discovery contínua, e scripts/ost_linter.py, para verificar a estrutura de uma Opportunity Solution Tree. Isso significa que product-skills faz mais do que dar conselhos: ela consegue checar se um hábito de discovery é saudável, se uma OST contém “oportunidades” com cara de feature e se oportunidades priorizadas têm múltiplas soluções e testes associados.

Quando product-skills não é a escolha certa

Não instale product-skills se você precisa apenas acompanhar entregas de projeto, coordenar sprints ou executar tarefas de engenharia. O repositório separa explicitamente direção de produto de gestão de projetos e de loops genéricos de agentes. Ela também não substitui evidência de clientes, acesso a analytics ou julgamento de stakeholders; funciona melhor quando você fornece metas, métricas, entrevistas, premissas e restrições reais.

Como usar a skill product-skills

Instalação de product-skills e primeiros arquivos para inspecionar

Instale a partir do repositório pai de skills no GitHub com:

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

Depois, inspecione a pasta da skill em product-team/skills/product-skills. Leia SKILL.md primeiro para entender gatilhos, roteamento e regras rígidas. Em seguida, revise references/product_operating_model.md, references/continuous_discovery_canon.md e references/ai_product_evals.md para entender a lógica de produto por trás dos prompts. Se pretende usar os scripts, abra assets/sample_discovery_log.json e assets/sample_ost.json antes de adaptar seus próprios dados.

Entradas que fazem o uso de product-skills funcionar melhor

A skill funciona melhor quando seu prompt inclui cinco elementos: o resultado de produto, a linha de base da métrica atual, o usuário ou segmento-alvo, as evidências disponíveis e a decisão que você precisa tomar. Uma entrada fraca seria “me ajude a priorizar features”. Uma entrada forte seria: “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.”

Fluxo de trabalho sugerido para uma decisão real de produto

Comece com uma pergunta de produto ainda bruta e peça ao agente para roteá-la usando product-skills, em vez de forçar você mesmo um framework. Se o problema estiver pouco claro, peça perguntas de esclarecimento antes da resposta final. Para trabalhos com forte componente de discovery, crie ou adapte um OST JSON e execute ost_linter.py como checagem estrutural. Para discovery contínua, mantenha um log de discovery e execute discovery_cadence_tracker.py semanalmente. Para features de IA, use references/ai_product_evals.md para exigir um golden set, uma rubrica e métricas de guardrail antes de tratar um PRD como completo.

Checagens práticas pela linha de comando

Os scripts em Python usam padrões da biblioteca padrão e foram pensados como gates determinísticos. O uso típico é salvar sua entrada JSON e então executar:

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

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

Use os códigos de saída como sinais de fluxo de trabalho. Por exemplo, uma falha no linter de OST deve bloquear um roadmap que cita a árvore, porque a árvore pode conter soluções órfãs, oportunidades formuladas como features ou ideias de solução sem testes.

FAQ da skill product-skills

product-skills é apenas para PMs seniores?

Não, mas iniciantes precisam fornecer contexto concreto. O guia de product-skills pode ajudar PMs mais novos a evitar armadilhas comuns, como roadmaps cheios de compromissos de entrega, OKRs que na prática são listas de shipping e discovery que não está conectada a um resultado. PMs seniores tendem a extrair mais valor dos padrões de roteamento, avaliação e gates porque conseguem encaixá-los em uma cadência operacional já existente.

Como product-skills se diferencia de templates de RICE ou OKR?

RICE e OKRs são trilhas dentro do sistema mais amplo de product-skills, não o sistema inteiro. A orquestradora é útil quando você ainda não sabe se o próximo passo certo é priorização, discovery, analytics, desenho de experimento, enquadramento de roadmap, trabalho de PRD ou desenho de avaliação de IA. Ela ajuda a evitar o uso de RICE para toda decisão de produto quando a lacuna real pode ser evidência fraca ou um resultado mal definido.

product-skills funciona fora do Claude Code?

Os metadados da skill listam compatibilidade com ferramentas como claude-code, codex-cli, cursor, antigravity, opencode e gemini-cli. Na prática, a orientação em markdown é portátil, e os scripts em Python podem ser executados em qualquer ambiente com Python disponível. Detalhes de instalação e invocação podem variar conforme a ferramenta hospedeira, então confirme como sua plataforma de agente carrega skills externas.

O que devo preparar antes de instalar?

Prepare pelo menos um problema real de produto, uma métrica ou resultado desejado e qualquer evidência disponível de clientes ou analytics. Se quiser testar as partes determinísticas, prepare um log de discovery compatível com assets/sample_discovery_log.json ou uma OST compatível com assets/sample_ost.json. Sem entradas reais, a skill ainda vai gerar estrutura, mas as recomendações serão menos confiáveis.

Como melhorar a skill product-skills

Melhore os resultados de product-skills com prompts mais precisos

Nomeie o artefato desejado e a decisão que ele precisa sustentar. Em vez de pedir “write a PRD”, peça: “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.” Isso evita a geração prematura de documentos e permite que o roteador selecione a trilha de produto correta.

Adicione evidências antes de pedir recomendações

O maior modo de falha é pedir uma estratégia de produto confiante com pouco contexto. Inclua trechos de entrevistas, números de funil, diferenças entre segmentos, temas recorrentes em suporte, histórico de experimentos e restrições conhecidas. Para trabalho de produto com IA, inclua exemplos de entradas, saídas ruins, preocupações de segurança e expectativas de qualidade, para que a resposta possa incluir desenho de avaliação em vez de critérios de aceite vagos.

Itere depois da primeira resposta

Trate a primeira resposta como um rascunho diagnóstico. Pergunte quais premissas não estão sustentadas, qual métrica mudaria a recomendação e que evidência invalidaria o plano. Se a resposta propuser uma solução cedo demais, leve-a de volta para uma OST: resultado, oportunidades, múltiplas soluções e testes de premissas. Execute novamente o linter ou o cadence tracker depois das alterações.

Modos de falha comuns para observar

Fique atento a oportunidades com cara de feature, pensamento preso a uma única solução, métricas de vaidade, logs de discovery sem ritmo semanal e PRDs de features de IA sem golden sets ou rubricas. product-skills é mais forte quando você permite que suas restrições bloqueiem trabalho de produto fraco, em vez de usá-la apenas para produzir texto de PM bem polido.