recommendation-canvas

recommendation-canvas 技能概览

recommendation-canvas 是一套结构化决策技能，帮助你在真正投入开发前评估 AI 产品想法。它通过梳理业务结果、客户结果、问题定义、解决方案假设、定位和风险，把一个模糊提案整理成一份站得住脚的 recommendation-canvas。

recommendation-canvas 适合做什么

当你需要判断某个 AI 功能、工作流或产品值不值得投入时，可以使用 recommendation-canvas 技能。它尤其适合 Product Management 团队：你需要的不只是头脑风暴，而是一份可以拿去和 stakeholders 沟通的 recommendation canvas。

recommendation-canvas 适合谁使用

这个技能适合 PM、创始人、产品策略师，以及需要用证据和假设来证明一个想法的 AI solution owner。如果你已经有一份完整明确的 feature brief，只需要实现细节，那它的价值就没那么大。

recommendation-canvas 的不同之处

它和通用 prompt 不同的地方在于，recommendation-canvas 会强制你同时看见价值、不确定性和风险。这也是 recommendation-canvas for Product Management 更有优势的原因：它能帮助你说明为什么这个想法重要、哪些前提必须成立，以及如何尽早判断它值不值得继续投入。

如何使用 recommendation-canvas 技能

安装并加载 recommendation-canvas

按照 skill 文件中的 repository 安装流程操作，然后从 skills/recommendation-canvas/SKILL.md 开始。如果你是手动浏览，也请同时打开 template.md 和 examples/sample.md，先看清目标格式，再开始写你自己的 canvas。

给 skill 一个明确的决策，而不是一个主题

recommendation-canvas 的安装和使用，最适合输入一个具体的产品选择，而不是一个宽泛主题。比如“Should we add AI summaries to support tickets?” 就比 “Explore AI for support” 更合适。这个 skill 需要明确的目标用户、业务目标，以及决策发生的上下文。

把粗糙想法整理成强提示词

一个薄弱的 brief 只会说“给我一个 AI idea 的 recommendation canvas”。更强的 recommendation-canvas usage prompt 应该说明产品是给谁用的、什么结果最重要、有哪些可替代方案，以及最大的风险是什么。

示例输入结构：

• 产品或功能名称
• 目标 persona
• 期望的业务指标
• 客户痛点或待完成任务
• 已知约束、风险或未知项
• 首选竞品或当前替代方案

先读这几个文件

先看 SKILL.md，了解框架；再看 template.md，了解输出结构；最后看 examples/sample.md，把握期望的具体程度。这三个文件能最快帮你理解 recommendation-canvas 的逻辑和格式。

recommendation-canvas 技能常见问题

recommendation-canvas 只是一个 strategy template 吗？

不是。recommendation-canvas 技能是专门为 AI 产品提案设计的决策工具。它的目标是把假设显性化，而不是产出打磨精致的营销文案或 feature spec。

什么情况下不应该用 recommendation-canvas？

如果你只是想随手收集一些点子、写一份技术设计文档，或者创建一个 roadmap ticket，就不适合用 recommendation-canvas。它最强的场景，是当这个选择影响重大，而且你需要一份经得起 stakeholders review 的 recommendation。

recommendation-canvas 适合新手吗？

适合，只要你能用简单直接的语言描述产品想法。真正的难点不是写作能力，而是要给 canvas 足够上下文，让它区分业务价值、客户价值和风险。

recommendation-canvas 如何融入 AI 产品工作流？

它通常放在发现阶段的前期，早于 solution design 和 implementation planning。团队一般会在初步 ideation 之后、实验之前使用它，因为 canvas 能帮助决定先验证哪些假设最值得投入。

如何改进 recommendation-canvas 技能

提供更精准的输入

recommendation-canvas 的最佳结果，来自明确的约束条件：目标细分人群、当前替代做法、成功指标和决策截止时间。如果你只给一个宽泛主题，输出就容易过于笼统，抓不住真正重要的 tradeoffs。

明确要求写出假设和风险

告诉 skill 哪些地方还不确定：用户信任、数据质量、工作流匹配度、法律风险，还是采用门槛。这样能提升 recommendation-canvas guide 的输出质量，因为 canvas 可以更清楚地分开哪些内容已经被验证，哪些仍然需要继续探索。

从 recommendation 继续推进到 experiment

完成第一版 canvas 后，可以再要求它收紧到一个更具体的版本，只聚焦一个受众、一个结果或一个风险。然后再进一步要求 experiments、proof-of-life signals 或定位替代方案，让 recommendation 变得可测试，而不是停留在抽象层面。