product-discovery

product-discovery skill 概览

product-discovery 能做什么

product-discovery skill 可帮助 AI agent 在团队投入工程资源之前，先开展结构化的产品发现。它适用于验证机会、梳理高风险假设、规划 discovery sprint，并辅助判断应该继续推进、调整方向还是停止。它不会停留在“想几个产品创意”这种层面，而是把工作推向证据：目标结果、机会、假设、实验，以及基于学习结果做出的决策。

最适合的 Product Management 场景

当你在 Product Management 工作中需要围绕不清晰的客户问题、新功能押注、面向市场的实验，或早期解决方案概念建立可复用的发现流程时，可以使用 product-discovery。它尤其适合产品经理、创始人、产品设计师、UX 研究员，以及希望让 AI assistant 结构化产出 discovery artifacts，而不是生成泛泛 roadmap 的跨职能小队。

这个 skill 的差异点

该 skill 聚焦实用的产品发现框架：Opportunity Solution Trees、assumption mapping、Jobs-to-be-Done、Kano、design sprint thinking 和 experiment planning。它最突出的差异点是内置的 scripts/assumption_mapper.py：这个脚本可以根据 CSV 中的风险分数和确定性分数对假设排序，并按假设类别建议合适的验证测试。

什么时候不适合使用

如果你的主要需求是交付计划、sprint backlog grooming、PRD 格式整理、增长文案，或 analytics instrumentation，就不建议安装这个 skill。product-discovery 的价值主要体现在交付之前：团队还需要澄清用户问题、识别最有风险的信念，并选择低成本验证方式的时候。

如何使用 product-discovery skill

product-discovery 安装方式与仓库路径

请通过你的 skill manager 所使用的 GitHub repository path 安装该 skill。典型安装命令如下：

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

源码位于：

product-team/skills/product-discovery

安装后，先阅读 SKILL.md，再阅读 references/discovery-frameworks.md。如果你计划从 CSV 中为假设打分，最后再看 scripts/assumption_mapper.py。这个 skill 文件夹中没有单独的 README.md 或 metadata.json，因此主要操作说明集中在这三个文件里。

这个 skill 需要哪些输入

想获得高质量的 product-discovery usage，不要只给 agent 一个功能需求。应包含：

• 目标结果：你希望改善的指标或行为
• 用户细分：谁遇到了这个问题，以及发生在什么情境中
• 现有证据：访谈、客服工单、分析数据、销售记录、流失原因
• 候选机会：痛点、需求或待完成的任务
• 约束条件：时间、团队产能、合规、市场、技术限制
• 需要做出的决策：继续、转向、停止、做访谈、做原型，或设计实验

较弱的提示：

Help us validate a new onboarding feature.

更强的提示：

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.

第一次使用的推荐工作流

先让 skill 定义一个可衡量的目标结果，并构建一棵 Opportunity Solution Tree：outcome → opportunities → solution ideas → experiments。然后要求它区分有证据支持的机会和内部意见。接着生成 desirability、viability、feasibility 和 usability 假设。最后，把风险最高的假设转化为访谈、原型测试、fake-door tests、pricing tests 或 technical spikes。

如果你已经准备好了假设，可以创建一个包含以下列的 CSV：

assumption,category,risk,certainty

risk 和 certainty 使用 0 到 1 之间的值，然后运行：

python3 scripts/assumption_mapper.py assumptions.csv

该脚本会优先处理高风险、低确定性的假设，并建议验证测试类型。

实用提示词模式

要求产出可支持决策的结果，而不只是套用框架。好的请求包括：

• “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.”

当你强制要求明确标注证据类型时，这个 skill 的表现会更好：observed behavior、direct quote、metric、internal opinion 或 unknown。

product-discovery skill FAQ

product-discovery 只适合产品经理吗？

不是。product-discovery skill 的定位偏向 Product Management，但它同样适合参与降低产品押注风险的创始人、设计师、研究员、增长团队和技术负责人。关键前提是，使用者能够提供关于客户、业务目标和约束条件的上下文。

它比普通的 discovery prompt 好在哪里？

普通 prompt 可能会产出一组问题或实验。product-discovery 会给 agent 一个更明确的工作模型：可衡量目标、Opportunity Solution Tree、假设类别、风险/确定性评分、问题验证、解决方案验证，以及 discovery sprint 决策。这样的结构能减少猜测，也让不同机会之间的输出更容易比较。

它能替代用户研究吗？

不能。它可以帮助规划和综合 discovery，但不能替代访谈、行为数据、原型测试或市场证据。应把它的输出视为假设和执行计划。结果质量高度依赖你提供的证据，以及团队是否愿意否定薄弱机会。

新手应该先读什么？

先从 SKILL.md 开始，了解工作流；然后阅读 references/discovery-frameworks.md，理解各个框架定义。如果你刚接触 discovery，优先掌握三个概念：Opportunity Solution Tree、Jobs-to-be-Done 访谈 framing，以及假设优先级矩阵。只有在理解每个假设含义之后，再使用 Python 脚本。

如何改进 product-discovery skill

用更好的证据提升 product-discovery 结果

提升 product-discovery 输出质量最快的方法，是提供原始证据，而不是包装好的结论。可以包含访谈摘录、行为指标、客服工单、丢单原因、使用漏斗或原型观察记录。要求 agent 区分“证据”和“解读”，避免团队不小心把内部偏好当成已验证事实。

避免常见失败模式

常见的弱输出包括：从解决方案出发的树、模糊假设、过大的实验，以及带有诱导性问题的访谈计划。可以通过提示词要求以下内容来规避：

• 先机会，后解决方案
• 假设必须表述为可测试的主张
• 最小但可信的实验
• 成功与失败阈值
• 测试后会改变什么决策

例如，把“users want better onboarding”改成“new workspace admins fail to invite teammates because they do not understand permission consequences.”

在第一版输出后继续迭代

不要把第一次结果当作最终方案。让 skill 从成本、速度、证据质量和决策影响几个维度批判自己的 discovery plan。然后要求它移除那些不会改变真实决策的实验。一个有用的二次提示是：

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.

为你的团队定制这个 skill

为了获得更好的长期使用效果，可以加入团队专属示例：你的产品指标、客户细分、研究模板、实验标准和决策阈值。如果你的组织有严格合规要求、企业销售周期、marketplace dynamics 或硬件约束，也应在提示中说明。product-discovery 最擅长的场景，是把通用框架落到你真实的运营环境中。