product-discovery

product-discovery skill 概覽

product-discovery 的用途

product-discovery skill 可協助 AI agent 在團隊投入工程資源前，先進行結構化的產品探索。它適合用來驗證機會、盤點高風險假設、規劃 discovery sprint，並判斷下一步應該繼續推進、轉向，或停止。這個 skill 不是讓你單純索取「產品點子」，而是把工作導向證據：成果、機會、假設、實驗，以及基於學習結果做出的決策。

最適合 Product Management 工作的情境

當你需要針對不明確的顧客問題、新功能押注、面向市場的實驗，或早期解法概念建立可重複的探索流程時，可以在 Product Management 工作中使用 product-discovery。它特別適合產品經理、創辦人、產品設計師、UX 研究員，以及希望 AI assistant 協助整理 discovery artifacts、而不是產出一般性 roadmap 的跨職能團隊。

這個 skill 的差異化之處

這個 skill 聚焦在實務型 discovery framework：Opportunity Solution Trees、assumption mapping、Jobs-to-be-Done、Kano、design sprint thinking，以及 experiment planning。它最突出的差異化功能，是內建的 scripts/assumption_mapper.py，可根據 CSV 中的 risk 與 certainty 分數排列假設優先順序，並依照假設類別建議合適的驗證測試。

什麼情況不適合使用

如果你主要需要的是 delivery planning、sprint backlog grooming、PRD formatting、growth copy，或 analytics instrumentation，就不建議安裝這個 skill。product-discovery 的價值主要出現在交付之前：團隊仍需要釐清使用者問題、找出最有風險的信念，並選擇低成本驗證方式的階段。

如何使用 product-discovery skill

product-discovery 安裝方式與 repository path

請從你的 skill manager 使用的 GitHub repository path 安裝此 skill。常見安裝指令如下：

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

原始碼位於：

product-team/skills/product-discovery

安裝後，先閱讀 SKILL.md，接著看 references/discovery-frameworks.md；如果你打算從 CSV 為假設評分，再閱讀 scripts/assumption_mapper.py。這個 skill folder 中沒有獨立的 README.md 或 metadata.json，因此主要操作說明集中在這三個檔案裡。

product-discovery 需要的輸入

若要有良好的 product-discovery usage，請提供比功能需求更多的背景給 agent。建議包含：

• Target outcome：你想改善的指標或行為
• User segment：誰遇到這個問題，以及問題發生在什麼情境
• Current evidence：訪談、客服工單、analytics、sales notes、流失原因
• Candidate opportunity：痛點、需求，或待完成的 job
• Constraints：時程、團隊能量、合規、市場、技術限制
• Decision needed：繼續推進、轉向、停止、進行訪談、製作 prototype，或設計實驗

較弱的 prompt：

Help us validate a new onboarding feature.

較好的 prompt：

Use product-discovery to plan discovery for reducing activation drop-off from 42% to 30% in 8 weeks. Segment: self-serve B2B admins setting up their first workspace. Evidence: 12 support tickets mention confusing permissions; analytics show most drop-offs happen before inviting teammates. We are considering an onboarding checklist but are unsure if the real opportunity is permissions clarity, team invitation anxiety, or lack of perceived value. Produce an Opportunity Solution Tree, risky assumptions, and a 1-week validation plan.

第一次使用的建議流程

一開始先請 skill 定義一個可衡量的 outcome，並建立 Opportunity Solution Tree：outcome → opportunities → solution ideas → experiments。接著請它區分哪些 opportunity 有證據支持、哪些只是內部意見。下一步，產出 desirability、viability、feasibility 與 usability assumptions。最後，把風險最高的假設轉成訪談、prototype tests、fake-door tests、pricing tests，或 technical spikes。

如果你已經準備好 assumptions，請建立包含以下欄位的 CSV：

assumption,category,risk,certainty

risk 與 certainty 使用 0 到 1 的數值，然後執行：

python3 scripts/assumption_mapper.py assumptions.csv

這個 script 會優先列出高風險、低確定性的假設，並建議一種 validation test type。

實用 prompt 寫法

請要求可支援決策的輸出，而不只是框架。好的請求包括：

• “Create an OST and mark which branches need more evidence.”
• “Turn these interview notes into opportunity themes and confidence levels.”
• “Map assumptions and identify the cheapest test for each top risk.”
• “Design a 1-week discovery sprint with daily evidence reviews.”
• “Define stop, pivot, and proceed criteria before we run tests.”

當你要求 agent 明確標示證據類型時，這個 skill 的表現會更好：observed behavior、direct quote、metric、internal opinion，或 unknown。

product-discovery skill 常見問題

product-discovery 只適合產品經理嗎？

不是。product-discovery skill 雖然以 Product Management 為主要使用情境，但對創辦人、設計師、研究員、growth teams，以及參與降低產品押注風險的 technical leads 也很有用。關鍵條件是使用者能提供顧客、商業目標與限制條件的背景。

它比一般 discovery prompt 好在哪裡？

一般 prompt 可能只會產出一串問題或實驗。product-discovery 會給 agent 更明確的操作模型：measurable outcome、Opportunity Solution Tree、assumption categories、risk/certainty scoring、problem validation、solution validation，以及 discovery sprint decisions。這樣的結構能減少猜測，也讓不同 opportunity 的輸出更容易比較。

它可以取代 user research 嗎？

不行。它可以協助規劃與彙整 discovery，但無法取代訪談、行為資料、prototype testing，或市場證據。請把它的輸出視為假設與操作計畫。結果品質高度取決於你提供的證據，以及團隊是否願意否決證據薄弱的 opportunity。

初學者應該先讀什麼？

先從 SKILL.md 開始，了解整體工作流程；接著閱讀 references/discovery-frameworks.md，理解各個 framework 的定義。如果你剛接觸 discovery，先聚焦三個概念：Opportunity Solution Tree、Jobs-to-be-Done interview framing，以及 assumption prioritization matrix。只有在你理解每個 assumption 的意義之後，再使用 Python script。

如何改善 product-discovery skill 的使用效果

用更好的證據改善 product-discovery 結果

改善 product-discovery 輸出的最快方法，是提供原始證據，而不是整理過的結論。可包含訪談摘錄、行為指標、客服工單、lost-deal reasons、usage funnels，或 prototype observations。請 agent 區分「證據」與「詮釋」，避免團隊不小心把內部偏好當成已驗證的事實。

避免常見失敗模式

常見的弱輸出包括：先從 solution 出發的 tree、模糊的 assumptions、規模過大的 experiments，以及帶有引導性問題的 interview plans。你可以透過 prompt 要求以下內容來修正：

• Opportunities before solutions
• Assumptions stated as testable claims
• Smallest credible experiment
• Success and failure thresholds
• What decision will change after the test

例如，把「users want better onboarding」改成「new workspace admins fail to invite teammates because they do not understand permission consequences」。

在第一版輸出後繼續迭代

不要把第一版結果當成最終版本。請 skill 依照成本、速度、證據品質與決策影響力，批判自己的 discovery plan。接著要求它移除不會改變實際決策的 experiments。實用的第二輪 prompt 如下：

Review this discovery plan. Identify assumptions that are too vague, experiments that are too expensive, and places where we are testing preference instead of behavior. Revise into a 5-day plan with clear proceed, pivot, and stop criteria.

依照你的團隊客製化 skill

若要提升長期使用效果，請加入團隊專屬範例：你的 product metrics、customer segments、research templates、experiment standards，以及 decision thresholds。如果你的組織有嚴格合規要求、enterprise sales cycles、marketplace dynamics，或 hardware constraints，也要在 prompt 中明確提供。當 product-discovery 的通用框架能落地到你真實的營運環境時，它的效果最好。