{"id":"4a121fc4-72a9-4e2f-ae76-8917e5d41fd8","shortId":"2ypcns","kind":"skill","title":"ai-native-production-ops","tagline":"'AI Native 产品方法论——生产运行与循环回灌的实操 Skill。","description":"# AI Native 生产运行与循环回灌 Skill\n\n## 使用场景\n\n- 产品已上线或即将上线，需要建立生产运行的观测和学习体系\n- 需要设计反馈回灌机制，让生产环境反过来训练产品组织\n- 需要建立价值发现循环、商业循环和客户循环\n\n## 核心概念\n\n- **生产运行（Production）**：AI 系统进入真实使用、开始暴露真实价值和真实风险的阶段\n- **AI 可观测性（AI Observability）**：围绕模型输出、上下文、工具调用、成本、人工接管和任务成功率的观测体系\n- **反馈回灌**：把生产环境中的失败、修正、行为和价值信号送回上游环节\n- **能力复利**：系统随着真实使用不断积累更好资料、评估和能力结构的长期增益\n\n## 生产运行流程\n\n```\n真实流量进入\n  → 可观测性采集\n    → 失败与人工修正识别\n      → 回灌到方向定界 / 试验展开 / 系统构建 / 审计放行\n        → 下一轮优化\n```\n\n这条链路如果断掉，生产运行就只剩被动监控；一旦打通，它才会成为方法论里的学习引擎。\n\n## 生产运行不是终点，而是现实学习的起点\n\n在传统软件里，上线往往意味着一轮交付完成；在 AI 产品里，上线更像是真实学习的开始。\n\n只有进入真实环境，团队才会看到：\nn- 用户真正如何提问，而不是测试样本里如何提问\n- 上下文在哪些地方缺失，而不是理论上应当完整\n- 哪些场景任务成功，哪些场景虽然\"回答像样\"但并没有完成任务\n- 哪些链路的成本、延迟和重试在流量放大后开始失控\n\n## 生产运行要观测什么：五层观测\n\n### 1. 基础设施层\n- 可用性、延迟、错误率、吞吐、资源消耗\n\n### 2. 模型与链路层\n- 模型版本、上下文长度、工具调用成功率、重试次数、令牌和成本\n\n### 3. 任务质量层\n- 回答质量、任务完成率、人工改写率、命中知识库效果、失败分布\n\n### 4. 交互行为层\n- 用户真正如何进入系统、在哪一步退出、哪些入口最有价值、哪些问题最常见\n\n### 5. 业务结果层\n- 是否真的缩短时长、降低成本、提升转化、增加留存或改善服务质量\n\n如果只监控第一层和第二层，团队得到的只是\"系统是否活着\"；如果连第三层到第五层也看清，团队才知道\"系统是否真的在创造价值\"。\n\n## 三张指标表\n\n生产指标至少应该分成三类：\n\n### 可靠性指标\n- 延迟、错误率、失败分布、人工接管率、回退率\n\n### 业务价值指标\n- 时长缩短、转化变化、满意度、采纳率、留存或复购\n\n### 组织学习指标\n- 新增失败样本数、人工修正沉淀量、新评测覆盖率、规则更新速度\n\n这样做的意义在于，团队不会把\"系统还在线\"误当成\"产品已经成功\"，也不会把\"业务指标暂时好看\"误当成\"系统已经稳定可复用\"。\n\n## AI 可观测性：不只是日志\n\n生产观测至少应保留以下信息：\n\n- **输入与场景**：用户问题、任务类型、入口、时间、角色\n- **关键上下文**：检索到哪些知识、拼接了哪些上下文、使用了哪个模型和版本\n- **执行轨迹**：调用了哪些工具、每一步是否成功、在哪里回退或终止\n- **输出结果**：最终回答、执行结果、结构化产物、失败类型\n- **人工信号**：人工接管、人工修改、用户反馈、投诉、升级工单\n\n这套观测不是为了国日志，而是为了后续判断问题究竟来自模型、Context、Workflow、Knowledge、权限配置，还是产品入口本身。\n\n## 反馈回灌机制\n\n生产环境中的失败、修正、行为和价值信号应该回灌到：\n\n- **方向定界**：是否需要重新定义问题或调整战略\n- **试验展开**：新的失败模式是否需要新的实验\n- **系统构建**：系统边界是否需要调整\n- **审计放行**：放行边界是否需要收紧或放宽\n\n## 三环模型\n\n### 产品循环（Product Loop）\n```\n方向定界 → 试验展开 → 系统构建 → 审计放行 → 生产运行\n```\n回答：产品如何被持续构建\n\n### 价值发现循环（Value Discovery Loop）\n```\n试验展开 → 价值发现 → 市场测试 → 定价判断 → 方向调整\n```\n回答：价值如何被持续发现\n\n### 客户循环（Customer Loop）\n```\n已验证能力 → 早期客户 → 使用反馈 → 产品改进 → 客户扩张\n```\n回答：客户如何推动产品持续成长\n\n### 三环协同\n客户反馈会影响价值判断，价值判断会影响产品方向，产品方向又会反过来决定下一轮实验重点。\n\n## 治理层与能力层\n\n### 治理层（Governance Layer）\n一套贯穿式机制：方向边界、实验评估、工程安全、审计放行、生产监控。没有治理层，循环会不断转，但转出来的东西不一定可被信任。\n\n### 能力层（Capability Layer）\n智能体、技能单元、记忆、上下文、检索增强生成、知识系统、工具和数据这些能力底座。没有能力层，循环就缺乏真正可以沉淀和复用的系统资产。\n\n## 输出物：生产运行方案\n\n1. **可观测性方案**：五层观测的具体指标和工具\n2. **三张指标表**：可靠性、业务价值、组织学习指标\n3. **反馈回灌机制**：如何把生产信号送回上游环节\n4. **循环优化计划**：下一轮优化的方向和重点\n5. **组织学习机制**：如何让团队从生产环境中持续学习\n\n## 使用方式\n\n当用户提供产品已上线或即将上线时，自动执行：\n\n1. 设计五层可观测性方案\n2. 搭建三张指标表\n3. 设计反馈回灌机制\n4. 设计循环优化计划\n5. 设计组织学习机制\n6. 输出生产运行方案\n\n## 示例\n\n### 示例：AI 客服系统生产运行设计\n\n**场景描述**：\nAI 客服 Copilot 已上线，需要设计完整的生产观测和反馈回灌体系。\n\n**用户输入**：\n\"我们的 AI 客服已经上线两周，想建立系统的观测和优化机制\"\n\n**Skill 执行流程**：\n\n1. **五层可观测性设计**\n\n```yaml\n基础设施层:\n  - API 响应时间: P50<500ms, P95<1500ms\n  - 可用性: 99.9%\n  - 错误率: <0.1%\n  \n模型与链路层:\n  - 模型版本追踪: 每次调用记录版本号\n  - 上下文长度: 平均 tokens 数\n  - 工具调用成功率: 订单查询 99.5%, 物流查询 99%\n  - 成本: 每次对话 <$0.02\n  \n任务质量层:\n  - AI 建议采纳率: >60%\n  - 人工修改率: <40%\n  - 意图识别准确率: >85%\n  - 知识库命中率: >70%\n  \n交互行为层:\n  - 会话平均轮数: 3.2轮\n  - 用户等待时间: 平均45秒\n  - 主动转人工率: 15%\n  - 升级投诉率: <2%\n  \n业务结果层:\n  - 首响时间: 从5分钟降至1分钟\n  - 会话解决率: 78%\n  - 客服满意度: 85分\n  - 培训周期: 从2周缩短至5天\n```\n\n2. **三张指标表**\n\n| 指标类型 | 指标名 | 目标值 | 预警阈值 |\n|----------|--------|--------|----------|\n| 可靠性 | 服务可用性 | 99.9% | <99.5% |\n| 可靠性 | API错误率 | <0.1% | >0.5% |\n| 业务价值 | 建议采纳率 | >60% | <50% |\n| 业务价值 | 用户满意度 | >80分 | <75分 |\n| 业务价值 | 会话解决率 | >75% | <70% |\n| 组织学习 | 新增失败样本/周 | >50 | - |\n| 组织学习 | 人工修正入库率 | >30% | <20% |\n\n3. **反馈回灌机制**\n\n```yaml\n失败识别与回灌:\n  \n  模式1_意图识别错误:\n    识别: 客服修改了AI的意图分类\n    回灌: 样本库 → 试验展开（重新评估模型）\n    周期: 每周\n    \n  模式2_知识库缺失:\n    识别: \"未找到相关信息\"触发\n    回灌: 缺失信息清单 → 系统构建（补充知识库）\n    周期: 每日\n    \n  模式3_高风险误判:\n    识别: 涉及赔付/投诉的建议被人工拦截\n    回灌: 审计放行（收紧边界规则）\n    周期: 实时\n    \n  模式4_用户不满意:\n    识别: 满意度评分 < 3\n    回灌: 方向定界（重新定义问题边界）\n    周期: 每周分析\n```\n\n4. **循环优化计划**\n\n| 阶段 | 目标 | 关键动作 | 成功标准 |\n|------|------|----------|----------|\n| 第1月 | 稳定运行 | 监控+应急响应 | 可用性>99.9% |\n| 第2月 | 优化采纳率 | 分析拒用原因 | 采纳率>70% |\n| 第3月 | 扩展场景 | 新增售后咨询 | 覆盖场景+2 |\n| 第4月 | 自动化提升 | 试点自动发送低风险建议 | 自动率20% |\n\n5. **组织学习机制**\n\n```yaml\n周度复盘会:\n  参与: 产品经理 + 技术 + 客服主管\n  内容:\n    - 本周采纳率/修改率趋势\n    - 典型案例分享（成功+失败）\n    - 新发现问题汇总\n    - 下周优化重点\n\n月度质量报告:\n  自动产出:\n    - 指标仪表板\n    - Top10 失败类型分析\n    - 知识库覆盖度报告\n    - 修正样本质量评估\n\n季度能力沉淀:\n  产出:\n    - 更新客服 SOP\n    - 补充知识库规则\n    - 优化评估 Rubric\n    - 案例库清洗与更新\n```\n\n**输出结果**：\n\n```yaml\n# 生产运行方案：AI 客服 Copilot\n\n可观测性方案:\n  监控工具: Datadog + 自建仪表板\n  告警策略:\n    - P0: 服务不可用、错误率>1%\n    - P1: 响应时间P95>3s、采纳率<50%\n    - P2: 成本单次>$0.05、投诉率>3%\n    \n  日志规范:\n    - 每次请求: 请求ID + 模型版本 + 输入摘要\n    - 每次回复: 建议内容 + 置信度 + 风险标记\n    - 每次人工操作: 采纳/修改/拒绝 + 原因标签\n\n反馈回灌链路:\n\n  生产环境 → 试验展开:\n    - 新增失败样本 → 评估数据集扩充\n    - 边界案例发现 → 新一轮能力实验\n    \n  生产环境 → 系统构建:\n    - 知识缺口清单 → 知识库更新任务\n    - 意图冲突案例 → 分类规则优化\n    \n  生产环境 → 审计放行:\n    - 误判事故 → 边界收紧\n    - 新风险场景 → 规则更新\n\n循环优化节奏:\n  每周: 指标复盘 + 快速修复\n  每月: 质量报告 + 中等优化\n  每季: 能力沉淀 + 重大升级\n\n组织学习:\n  建立\"客服-产品-技术\"三方周会\n  设立\"AI质量专员\"角色\n  建立知识库贡献激励机制\n```","tags":["p10","production","ops","native","product","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native","ai-product"],"capabilities":["skill","source-gmaxxxie","skill-p10-production-ops","topic-agent-skills","topic-ai-agent","topic-ai-native","topic-ai-product","topic-methodology","topic-product-management","topic-product-methodology","topic-product-thinking","topic-skills"],"categories":["ai-native-product-agent-skills"],"synonyms":[],"warnings":[],"endpointUrl":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p10-production-ops","protocol":"skill","transport":"skills-sh","auth":{"type":"none","details":{"cli":"npx skills add gmaxxxie/ai-native-product-agent-skills","source_repo":"https://github.com/gmaxxxie/ai-native-product-agent-skills","install_from":"skills.sh"}},"qualityScore":"0.478","qualityRationale":"deterministic score 0.48 from registry signals: · indexed on github topic:agent-skills · 56 github stars · SKILL.md body (4,694 chars)","verified":false,"liveness":"unknown","lastLivenessCheck":null,"agentReviews":{"count":0,"score_avg":null,"cost_usd_avg":null,"success_rate":null,"latency_p50_ms":null,"narrative_summary":null,"summary_updated_at":null},"enrichmentModel":"deterministic:skill-github:v1","enrichmentVersion":1,"enrichedAt":"2026-05-18T18:57:27.301Z","embedding":null,"createdAt":"2026-05-01T01:02:53.647Z","updatedAt":"2026-05-18T18:57:27.301Z","lastSeenAt":"2026-05-18T18:57:27.301Z","tsv":"'+2':465 '0.02':335 '0.05':523 '0.1':320,377 '0.5':378 '1':80,258,278,307,515 '15':353 '1500ms':316 '2':87,261,280,355,365 '20':398 '3':94,266,282,399,438,525 '3.2':348 '30':397 '3s':518 '4':101,269,284,444 '40':341 '5':107,272,286,470 '50':382,394,520 '500ms':314 '6':288 '60':339,381 '70':345,390,460 '75':389 '75分':386 '78':360 '80分':385 '85':343 '85分':362 '99':332 '99.5':330,374 '99.9':318,373,455 'ai':2,6,11,25,28,30,62,147,292,295,302,337,504 'ai-native-production-op':1 'ai质量专员':577 'api':311 'api错误率':376 'capabl':245 'context':178 'copilot':297,506 'custom':218 'datadog':509 'discoveri':208 'govern':233 'knowledg':180 'layer':234,246 'loop':198,209,219 'n':67 'nativ':3,7,12 'observ':31 'op':5 'p0':512 'p1':516 'p2':521 'p50':313 'p95':315 'product':4,24,197 'rubric':499 'skill':10,14,305 'skill-p10-production-ops' 'sop':496 'source-gmaxxxie' 'token':326 'top10':489 'topic-agent-skills' 'topic-ai-agent' 'topic-ai-native' 'topic-ai-product' 'topic-methodology' 'topic-product-management' 'topic-product-methodology' 'topic-product-thinking' 'topic-skills' 'valu':207 'workflow':179 'yaml':309,401,472,502 '一套贯穿式机制':235 '一旦打通':55 '三张指标表':119,262,366 '三方周会':575 '三环协同':227 '三环模型':195 '上下文':33,250 '上下文在哪些地方缺失':70 '上下文长度':90,324 '上线往往意味着一轮交付完成':60 '上线更像是真实学习的开始':64 '下一轮优化':52 '下一轮优化的方向和重点':271 '下周优化重点':485 '不只是日志':149 '业务价值':264,379,383,387 '业务价值指标':127 '业务指标暂时好看':144 '业务结果层':108,356 '中等优化':565 '主动转人工率':352 '也不会把':143 '五层可观测性设计':308 '五层观测':79 '五层观测的具体指标和工具':260 '交互行为层':102,346 '产出':494 '产品':573 '产品如何被持续构建':205 '产品已上线或即将上线':16 '产品已经成功':142 '产品循环':196 '产品改进':223 '产品方向又会反过来决定下一轮实验重点':230 '产品方法论':8 '产品经理':475 '产品里':63 '人工信号':170 '人工修改':172 '人工修改率':340 '人工修正入库率':396 '人工修正沉淀量':135 '人工接管':171 '人工接管和任务成功率的观测体系':36 '人工接管率':125 '人工改写率':98 '从2周缩短至5天':364 '从5分钟降至1分钟':358 '令牌和成本':93 '价值判断会影响产品方向':229 '价值发现':211 '价值发现循环':206 '价值如何被持续发现':216 '任务完成率':97 '任务类型':153 '任务质量层':95,336 '优化评估':498 '优化采纳率':457 '会话平均轮数':347 '会话解决率':359,388 '但并没有完成任务':75 '但转出来的东西不一定可被信任':243 '使用了哪个模型和版本':160 '使用反馈':222 '使用场景':15 '使用方式':275 '修改':537 '修改率趋势':480 '修正':39,185 '修正样本质量评估':492 '入口':154 '关键上下文':157 '关键动作':448 '典型案例分享':481 '内容':478 '分析拒用原因':458 '分类规则优化':552 '升级工单':175 '升级投诉率':354 '原因标签':539 '参与':474 '反馈回灌':37 '反馈回灌机制':183,267,400 '反馈回灌链路':540 '只有进入真实环境':65 '可用性':82,317,454 '可观测性':29,148 '可观测性方案':259,507 '可观测性采集':46 '可靠性':263,371,375 '可靠性指标':121 '吞吐':85 '告警策略':511 '周':393 '周度复盘会':473 '周期':411,422,432,442 '命中知识库效果':99 '响应时间':312 '响应时间p95':517 '哪些入口最有价值':105 '哪些场景任务成功':72 '哪些场景虽然':73 '哪些链路的成本':76 '哪些问题最常见':106 '商业循环和客户循环':21 '回灌':407,418,429,439 '回灌到方向定界':48 '回答':204,215,225 '回答像样':74 '回答质量':96 '回退率':126 '团队不会把':139 '团队得到的只是':114 '团队才会看到':66 '团队才知道':117 '围绕模型输出':32 '在':61 '在传统软件里':59 '在哪一步退出':104 '在哪里回退或终止':164 '场景描述':294 '培训周期':363 '基础设施层':81,310 '增加留存或改善服务质量':112 '失败':483 '失败与人工修正识别':47 '失败分布':100,124 '失败类型':169 '失败类型分析':490 '失败识别与回灌':402 '如何把生产信号送回上游环节':268 '如何让团队从生产环境中持续学习':274 '如果只监控第一层和第二层':113 '如果连第三层到第五层也看清':116 '季度能力沉淀':493 '它才会成为方法论里的学习引擎':56 '定价判断':213 '实时':433 '实验评估':237 '审计放行':51,193,202,239,430,554 '客户反馈会影响价值判断':228 '客户如何推动产品持续成长':226 '客户循环':217 '客户扩张':224 '客服':296,505,572 '客服-产品-技术':571 '客服主管':477 '客服修改了ai的意图分类':406 '客服已经上线两周':303 '客服满意度':361 '客服系统生产运行设计':293 '工具和数据这些能力底座':253 '工具调用':34 '工具调用成功率':91,328 '工程安全':238 '已上线':298 '已验证能力':220 '市场测试':212 '平均':325 '平均45秒':351 '应急响应':453 '延迟':83,122 '延迟和重试在流量放大后开始失控':77 '建立':570 '建立知识库贡献激励机制':579 '建议内容':532 '建议采纳率':338,380 '开始暴露真实价值和真实风险的阶段':27 '当用户提供产品已上线或即将上线时':276 '循环优化节奏':559 '循环优化计划':270,445 '循环会不断转':242 '循环就缺乏真正可以沉淀和复用的系统资产':255 '快速修复':562 '想建立系统的观测和优化机制':304 '意图冲突案例':551 '意图识别准确率':342 '意图识别错误':404 '成功':482 '成功标准':449 '成本':35,333 '成本单次':522 '我们的':301 '执行流程':306 '执行结果':167 '执行轨迹':161 '扩展场景':462 '技术':476,574 '技能单元':248 '把生产环境中的失败':38 '投诉':174 '投诉率':524 '投诉的建议被人工拦截':428 '拒绝':538 '拼接了哪些上下文':159 '指标仪表板':488 '指标名':368 '指标复盘':561 '指标类型':367 '提升转化':111 '搭建三张指标表':281 '收紧边界规则':431 '放行边界是否需要收紧或放宽':194 '数':327 '新一轮能力实验':546 '新发现问题汇总':484 '新增售后咨询':463 '新增失败样本':392,543 '新增失败样本数':134 '新的失败模式是否需要新的实验':190 '新评测覆盖率':136 '新风险场景':557 '方向定界':187,199,440 '方向调整':214 '方向边界':236 '日志规范':526 '早期客户':221 '时长缩短':128 '时间':155 '是否真的缩短时长':109 '是否需要重新定义问题或调整战略':188 '智能体':247 '更新客服':495 '最终回答':166 '月度质量报告':486 '服务不可用':513 '服务可用性':372 '未找到相关信息':416 '本周采纳率':479 '权限配置':181 '样本库':408 '核心概念':22 '案例库清洗与更新':500 '检索到哪些知识':158 '检索增强生成':251 '模型与链路层':88,321 '模型版本':89,529 '模型版本追踪':322 '模式1':403 '模式2':413 '模式3':424 '模式4':434 '每一步是否成功':163 '每周':412,560 '每周分析':443 '每季':566 '每日':423 '每月':563 '每次人工操作':535 '每次回复':531 '每次对话':334 '每次请求':527 '每次调用记录版本号':323 '没有治理层':241 '没有能力层':254 '治理层':232 '治理层与能力层':231 '涉及赔付':427 '满意度':130 '满意度评分':437 '物流查询':331 '生产指标至少应该分成三类':120 '生产环境':541,547,553 '生产环境中的失败':184 '生产监控':240 '生产观测至少应保留以下信息':150 '生产运行':23,203 '生产运行不是终点':57 '生产运行与循环回灌':13 '生产运行与循环回灌的实操':9 '生产运行就只剩被动监控':54 '生产运行方案':257,503 '生产运行流程':44 '生产运行要观测什么':78 '用户不满意':435 '用户反馈':173 '用户满意度':384 '用户真正如何提问':68 '用户真正如何进入系统':103 '用户等待时间':350 '用户输入':300 '用户问题':152 '留存或复购':132 '监控':452 '监控工具':508 '目标':447 '目标值':369 '真实流量进入':45 '知识库命中率':344 '知识库更新任务':550 '知识库缺失':414 '知识库覆盖度报告':491 '知识系统':252 '知识缺口清单':549 '示例':290,291 '稳定运行':451 '第1月':450 '第2月':456 '第3月':461 '第4月':466 '系统已经稳定可复用':146 '系统是否活着':115 '系统是否真的在创造价值':118 '系统构建':50,191,201,420,548 '系统边界是否需要调整':192 '系统还在线':140 '系统进入真实使用':26 '系统随着真实使用不断积累更好资料':42 '组织学习':391,395,569 '组织学习指标':133,265 '组织学习机制':273,471 '结构化产物':168 '缺失信息清单':419 '置信度':533 '而不是测试样本里如何提问':69 '而不是理论上应当完整':71 '而是为了后续判断问题究竟来自模型':177 '而是现实学习的起点':58 '能力复利':41 '能力层':244 '能力沉淀':567 '自动产出':487 '自动化提升':467 '自动执行':277 '自动率20':469 '自建仪表板':510 '行为和价值信号应该回灌到':186 '行为和价值信号送回上游环节':40 '补充知识库':421 '补充知识库规则':497 '覆盖场景':464 '规则更新':558 '规则更新速度':137 '角色':156,578 '触发':417 '订单查询':329 '让生产环境反过来训练产品组织':19 '记忆':249 '设立':576 '设计五层可观测性方案':279 '设计反馈回灌机制':283 '设计循环优化计划':285 '设计组织学习机制':287 '评估和能力结构的长期增益':43 '评估数据集扩充':544 '识别':405,415,426,436 '试点自动发送低风险建议':468 '试验展开':49,189,200,210,409,542 '误判事故':555 '误当成':141,145 '请求id':528 '调用了哪些工具':162 '质量报告':564 '资源消耗':86 '转化变化':129 '轮':349 '输入与场景':151 '输入摘要':530 '输出物':256 '输出生产运行方案':289 '输出结果':165,501 '边界收紧':556 '边界案例发现':545 '还是产品入口本身':182 '这套观测不是为了国日志':176 '这条链路如果断掉':53 '这样做的意义在于':138 '采纳':536 '采纳率':131,459,519 '重大升级':568 '重新定义问题边界':441 '重新评估模型':410 '重试次数':92 '错误率':84,123,319,514 '阶段':446 '降低成本':110 '需要建立价值发现循环':20 '需要建立生产运行的观测和学习体系':17 '需要设计反馈回灌机制':18 '需要设计完整的生产观测和反馈回灌体系':299 '预警阈值':370 '风险标记':534 '首响时间':357 '高风险误判':425","prices":[{"id":"1558790a-8eab-4714-9c29-e226e56ac140","listingId":"4a121fc4-72a9-4e2f-ae76-8917e5d41fd8","amountUsd":"0","unit":"free","nativeCurrency":null,"nativeAmount":null,"chain":null,"payTo":null,"paymentMethod":"skill-free","isPrimary":true,"details":{"org":"gmaxxxie","category":"ai-native-product-agent-skills","install_from":"skills.sh"},"createdAt":"2026-05-01T01:02:53.647Z"}],"sources":[{"listingId":"4a121fc4-72a9-4e2f-ae76-8917e5d41fd8","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/p10-production-ops","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p10-production-ops","isPrimary":false,"firstSeenAt":"2026-05-01T01:02:53.647Z","lastSeenAt":"2026-05-18T18:57:27.301Z"}],"details":{"listingId":"4a121fc4-72a9-4e2f-ae76-8917e5d41fd8","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"p10-production-ops","github":{"repo":"gmaxxxie/ai-native-product-agent-skills","stars":56,"topics":["agent-skills","ai-agent","ai-native","ai-product","methodology","product-management","product-methodology","product-thinking","skills"],"license":null,"html_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills","pushed_at":"2026-05-06T07:19:36Z","description":"AI Native Product Methodology — 80 executable skills across P0-P14 stages, covering needs discovery to aesthetic authority. From 8 books.","skill_md_sha":"35ae4a778e2db9c332c6d9dfcab137c12a0f4275","skill_md_path":"skills/p10-production-ops/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p10-production-ops"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"ai-native-production-ops","description":"'AI Native 产品方法论——生产运行与循环回灌的实操 Skill。"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p10-production-ops"},"updatedAt":"2026-05-18T18:57:27.301Z"}}