prioritize-assumptions

prioritize-assumptions 技能概览

prioritize-assumptions 技能帮助你用“影响力 × 风险”视角给假设排序，判断哪些假设最值得先关注，并为每个假设建议可执行的实验。它最适合产品团队、创始人、研究人员和战略规划者：当你手里有一长串不确定性，需要的是一套站得住脚的处理顺序，而不只是一个头脑风暴清单时，prioritize-assumptions 就很有用。

当你需要把杂乱的调研笔记转成可落地的测试计划时，用 prioritize-assumptions，尤其适合 prioritize-assumptions for Strategic Planning 这类场景。它的核心价值在于“快，但有结构”：它能帮你把现在就值得验证的假设和可以先放一放的假设区分开来，并且推动工作直接走向行动，而不是停留在模糊的优先级判断上。

prioritize-assumptions 实际会做什么

这个技能会接收一组假设，估算它们的影响力和风险，并把它们映射到相应的决策类别。它还会为每个假设推荐一个实验或测试，让输出结果可以立刻用于规划或探索阶段的工作。

prioritize-assumptions 最适合谁

它最适合那些已经有候选假设、用户洞察或产品假说的人，尤其是在需要给这些内容排出先后顺序的时候。如果你只有一个宽泛的问题陈述，还没有足够具体的假设可评估，那它的帮助就会有限。

prioritize-assumptions 为什么不一样

和通用提示词不同，prioritize-assumptions 技能对决策框架是有明确偏好的：以影响力对比风险，并附上定向实验。这让它比简单的“帮我把这些想法排个序”更适合战略规划。

如何使用 prioritize-assumptions 技能

prioritize-assumptions 安装

按照你环境里文档规定的 skills 命令，从仓库路径安装这个技能，然后把它指向 pm-product-discovery/skills/prioritize-assumptions 文件夹。如果你的工具链支持直接安装技能，请确认技能名严格是 prioritize-assumptions，这样 agent 才能稳定触发它。

提示词里该提供什么

给这个技能一组假设，而不是只给一个目标。好的输入示例如下：

• “假设：如果我们展示来源引用，用户会更信任 AI 生成的摘要。”
• “假设：如果 onboarding 控制在 5 分钟以内，SMB 买家的转化会更快。”
• “假设：如果不明确数据保留设置，采购会阻止使用。”

补充任何会改变影响力或风险的已知上下文，例如受众规模、紧急程度、信心程度、已知约束或业务目标。对于 prioritize-assumptions usage 来说，假设表述越具体，优先级判断通常越准确。

首轮使用的最佳工作流

先用自然语言直接贴出你的假设，再让技能按影响力和风险排序，并为每一项提出一个实验。如果你的假设本身很模糊，先把它们改写成可测试的陈述，再去做优先级排序。这样通常比反复微调评分措辞，更能提升矩阵结果的质量。

优先先读哪些文件

先读 SKILL.md，因为它包含运行规则、上下文和框架。如果仓库后续扩展了，再查看 README.md、AGENTS.md、metadata.json，以及任何 rules/、resources/、references/ 或 scripts/ 文件夹，了解是否有更具体的组织级指导。就当前仓库而言，SKILL.md 是主要事实来源。

prioritize-assumptions 技能 FAQ

它比普通提示词更好吗？

通常是的，前提是你想要的是一致、可复用的优先级判断，而不是临时拍脑袋式排序。普通提示词也能列出假设，但 prioritize-assumptions 会把影响力、风险和实验设计整合成一套可重复的结构。

什么时候不该用它？

当你只需要快速意见、假设还没有明确写出来，或者主要问题是框架选择而不是优先级排序时，不要用它。这些情况下，探索型提示词或更宽泛的规划技能，可能是更好的第一步。

初学者适合用吗？

适合，只要用户能先提供一份简单的假设清单。初学者在把这个技能当作决策辅助工具、并提供具体陈述而不是让它替自己“发明假设”时，通常能获得最大价值。

它和 Strategic Planning 有什么区别？

对于 prioritize-assumptions for Strategic Planning 场景，这个技能最强的作用是作为筛选层：帮助你先识别哪些不确定性应该最先影响计划。它不会替代路线图设计、资源分配或市场分析；它通过收窄假设集合，让这些决策变得更精准。

如何改进 prioritize-assumptions 技能

先把假设写得更强

最好的结果来自那些具体、可观察、并且直接关联真实决策的假设。“用户想要 AI”太笼统了；“如果高级用户可以在发布前编辑 AI 建议，他们会接受这些建议”就更适合 prioritize-assumptions，因为它给了技能一个足够具体的对象去评分和测试。

补充会改变影响力或风险的上下文

告诉技能会影响谁、赌注有多大，以及如果这个假设错了会发生什么。受众规模、收入敏感度、合规风险和交付成本，对优先级的影响通常都比泛泛的信心描述更大。

不要只要排序，要要实验

有用的 prioritize-assumptions guide 最后应该落到“下一步该测什么”。如果第一次输出只是把假设排了序，可以要求第二轮把最重要的几项转成低成本实验、验证问题或原型测试。

反复拆解不清楚或信息过载的条目

常见失败模式是：一个假设里塞了多个判断。把“用户会采用它、推荐它、并且愿意为它付费”拆成独立陈述，然后重新运行这个技能。这样通常能得到更干净的排序，以及更可执行的实验。