{"id":"f16c3e52-4b6d-4b9f-9d4d-04dff3c98c7f","shortId":"8vSEKZ","kind":"skill","title":"ai-native-system-building","tagline":"AI Native 产品方法论——系统构建阶段的总论 Skill。\n用户提供实验结论报告，Skill 自动执行系统构建流程：\n实验证据输入 → 系统边界定义 → 能力模块设计 → 治理与观测补齐 → 输出系统构建方案。\n基于《AI Native 产品方法论》第11章。","description":"# AI Native 系统构建 Skill\n\n## 使用场景\n\n- 试验展开已验证能力成立，需要转为可维护、可交付、可治理的产品系统\n- 需要设计 AI Native 产品架构，而不是简单把模型 API 接入旧系统\n- 需要判断实验代码中哪些可以继承，哪些必须重写\n\n## 执行步骤\n\n1. **实验证据输入**：从试验展开阶段继承能力边界、产品形态建议、资料缺口、风险边界和失败案例。\n2. **系统边界定义**：定义能力范围、用户角色、权限分层，回答\"这项能力如何被稳定调用\"。\n3. **能力模块设计**：按 Agent → Skill → Tool → Model → Data 的分层结构设计 AI Native 架构。\n4. **失败处理策略**：为每种失败场景定义触发条件、处理策略和人工接管规则。\n5. **治理与观测补齐**：设计可观测性、可审计性、可回退性、可更新性四个治理维度。\n6. **输出系统构建方案**：整合系统边界、能力模块图、失败处理策略和治理方案，定义进入审计放行的条件。\n\n## 核心概念\n\n- **系统构建（Building）**：把已验证能力改写为可维护、可治理、可观测系统的阶段\n- **能力系统**：由智能体、技能单元、工具、模型、数据、记忆系统、上下文等共同组成的产品能力底座\n- **实验代码**：用于快速验证假设的短周期代码\n- **产品代码**：用于长期承载能力、支持治理和迭代的系统代码\n\n## 系统构建流程\n\n```\n实验证据输入\n  → 系统边界定义\n    → 能力模块设计\n      → 治理与观测补齐\n        → 进入审计放行\n```\n\n## 第一步：实验证据输入\n\n从试验展开阶段继承：\n\n- 能力边界：哪些场景能稳定成立\n- 产品形态建议：问答、Copilot、工作流、智能体\n- 资料缺口：已解决和未解决的\n- 风险边界：必须人工接管的动作\n- 失败案例：已沉淀的失败模式和人工修正\n\n## 第二步：系统边界定义\n\n系统构建不是补工程细节，而是重写系统形态。需要回答：\n\n- 这项能力如何被稳定调用\n- 它如何与产品交互、工作流、知识系统和权限体系协同\n- 它在失败时如何退回、解释、降级或交还给人\n- 它如何被监控、被审计、被持续优化\n\n## 第三步：能力模块设计\n\n### AI Native 架构的核心结构\n\n```\nUser\n  → Agent\n    → Skill\n      → Tool\n        → System\n          → Model\n            → Data\n```\n\n这是一个多层能力系统：\n\n- **智能体（Agent）**：负责理解目标与编排任务\n- **技能单元（Skill）**：封装可复用能力\n- **工具（Tool）**：连接外部系统\n- **模型（Model）**：提供推理能力\n- **数据（Data）**：提供知识与记忆基础\n\n### 传统架构 vs AI Native 架构\n\n| 维度 | 传统软件架构 | AI Native 架构 |\n|------|------------|---------------|\n| 稳定中心 | 功能执行链 | 能力执行链 |\n| 抽象单元 | 模块/接口 | 智能体/技能/工具 |\n| 输入组织 | 数据库/表单 | 上下文/记忆/知识 |\n| 失败处理 | 异常捕获 | 回退/降级/人工接管 |\n| 治理重心 | 权限/审计 | 边界/观测/放行 |\n\n## 第四步：治理与观测补齐\n\n系统构建的目标不是尽快交付一个可演示版本，而是形成一个可被审计、可被维护、可被持续优化的系统结构。\n\n### 必须补齐的治理能力\n\n- **可观测性**：系统如何被监控，关键指标是什么\n- **可审计性**：如何追溯输入、上下文、模型版本、工具调用、人工接管、最终结果\n- **可回退性**：失败时如何降级、回滚、交还给人\n- **可更新性**：模型、提示词、知识、工具如何独立更新\n\n## 实验代码 → 产品代码的转换原则\n\n1. 实验代码证明的是\"能力在某些条件下可以成立\"\n2. 产品代码要解决的是\"能力如何被稳定调用、失败时如何处理、如何被治理\"\n3. 很多团队失败不是因为模型不行，而是因为没有完成这次系统形态转换\n\n## 输出物：系统构建方案\n\n1. **系统边界**：能力范围、用户角色、权限分层\n2. **能力模块图**：Agent → Skill → Tool 的层级结构\n3. **失败处理策略**：回退、降级、人工接管的触发条件\n4. **治理与观测方案**：监控指标、审计记录、异常处理\n5. **进入审计放行的条件**：什么条件满足后可以进入审计放行\n\n## 使用方式\n\n当用户提供实验结论报告时，自动执行：\n\n1. 检查实验证据是否充分\n2. 定义系统边界（能力范围、用户角色、权限）\n3. 设计能力模块图（Agent/Skill/Tool 分层）\n4. 设计失败处理策略\n5. 补齐治理与观测方案\n6. 输出系统构建方案\n\n## 示例\n\n### 示例：AI 客服系统从实验到产品\n\n**场景描述**：\n基于已完成的实验结论，将 AI 客服原型系统转化为可维护、可治理的生产系统。\n\n**用户输入**：\n实验结论报告：AI 客服 Copilot 能力验证\n\n**Skill 执行流程**：\n\n1. **实验证据输入**\n\n```yaml\n从实验阶段继承的证据:\n  \n能力边界:\n  - 订单查询: 92%准确率 ✅\n  - 物流解释: 85%准确率 ✅\n  - 售后政策: 78%准确率 ⚠️（需改进）\n  - 投诉处理: 不适合AI ❌\n  \n产品形态建议:\n  - 类型: Copilot（人工确认模式）\n  - 界面: 侧边栏候选回复\n  - 关键交互: 一键采纳、快速编辑\n  \n资料缺口:\n  - 需补充200条售后政策边界案例\n  - 需建立敏感承诺规则库\n  \n风险边界:\n  - 退款、赔付相关: 必须人工确认\n  - 价格相关: 必须引用最新数据源\n  - 情感升级: 自动转人工\n```\n\n2. **系统边界定义**\n\n| 维度 | 实验阶段 | 系统构建后 |\n|------|----------|------------|\n| 用户范围 | 内部测试客服 | 全部一线客服 |\n| 能力范围 | 订单+物流 | 订单+物流+售后（80%+准确率） |\n| 权限分层 | 单一角色 | 专员/主管/管理员 |\n| 可用时间 | 工作日白天 | 7x24小时 |\n| 失败处理 | 直接报错 | 优雅降级+人工接管 |\n\n3. **能力模块设计**\n\n```yaml\n# AI Native 架构：AI 客服 Copilot\n\n系统边界:\n  \n  用户层:\n    - 客服专员（主要用户）\n    - 客服主管（审核/管理）\n    - 系统管理员（配置/监控）\n    \n  产品层:\n    - 客服工作台界面\n    - 浏览器插件 / Web端\n    \n  能力系统层:\n    \n    Agent层（CustomerServiceAgent）:\n      - 目标理解: 识别用户意图、情绪\n      - 任务规划: 选择Skill、编排执行顺序\n      - 结果组织: 组装回复、标记风险\n      \n    Skill层:\n      - UnderstandIntent: 意图识别（92%准确率）\n      - QueryOrder: 订单查询\n      - TrackLogistics: 物流追踪\n      - GenerateResponse: 回复生成\n      - CheckRisk: 风险检测\n      \n    Tool层:\n      - OrderSystem.query: 订单系统查询\n      - LogisticsAPI.track: 物流API\n      - KnowledgeBase.search: 知识库检索\n      - CRM.getUserProfile: 用户画像\n      \n    Model层:\n      - GPT-4o: 主推理模型（意图理解+回复生成）\n      - text-embedding-3: 向量化（知识检索）\n      \n    Data层:\n      - 知识库: 政策文档、FAQ\n      - 案例库: 成功案例、失败案例\n      - 记忆系统: 用户偏好、会话状态\n      \n  治理层:\n    - 可观测性: 指标监控、日志审计\n    - 权限控制: RBAC\n    - 失败处理: 降级+人工接管\n```\n\n4. **失败处理策略**\n\n| 失败场景 | 触发条件 | 处理策略 | 人工接管 |\n|----------|----------|----------|----------|\n| 意图识别失败 | 置信度<70% | 提示\"请重述问题\" | 连续2次 → 人工 |\n| 订单查询失败 | API超时 | 提供自助查询链接 | 用户要求 → 人工 |\n| 高风险内容 | 涉及赔付 | 只生成候选，不发送 | 必须人工确认 |\n| 模型服务异常 | API不可用 | 关闭AI建议，纯人工 | 自动 |\n| 多轮对话失控 | 超过10轮 | 建议转人工 | 自动转人工 |\n\n5. **治理与观测方案**\n\n```yaml\n可观测性:\n  \n  监控指标:\n    - 采纳率: >60%\n    - 修改率: <40%\n    - 响应延迟: P95<2s\n    - 服务可用性: 99.9%\n    \n  审计日志:\n    - 每次请求: 输入摘要、模型版本、上下文\n    - 每次输出: 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\n    \n可回退性:\n  - 功能开关: 可关闭AI建议（5分钟内）\n  - 模型降级: 主模型异常时切换备用模型\n  - 人工接管: 指定场景自动转人工\n  \n可更新性:\n  - 模型: 支持A/B测试切换\n  - 提示词: 独立配置，热更新\n  - 知识库: 增量更新，无需重启\n  - 规则: 实时生效\n```\n\n**输出结果**:\n\n```yaml\n# 系统构建方案：AI 客服 Copilot\n\n系统边界:\n  用户: 300名一线客服 + 30名主管\n  场景: 订单查询(92%)、物流解释(85%)、售后咨询(78%)\n  边界: 投诉处理、高风险承诺不在范围内\n\n能力模块:\n  \n  Agent层:\n    - CustomerServiceAgent\n    - 负责任务编排、边界控制\n    \n  Skill层（6个）:\n    - UnderstandIntent / QueryOrder / TrackLogistics\n    - GenerateResponse / CheckRisk / SummarizeSession\n    \n  Tool层:\n    - 订单系统、物流API、知识库、用户画像\n    \n  Model层:\n    - GPT-4o（主）、Claude-3.5（备）\n    \n  Data层:\n    - 知识库、案例库、记忆系统\n\n失败处理:\n  - 12种失败场景定义\n  - 分级处理策略\n  - 自动转人工机制\n  \n治理方案:\n  - 7大类监控指标\n  - 完整审计日志\n  - 5分钟热回退能力\n  \n进入审计放行条件:\n  ✅ 实验证据完整\n  ✅ 系统边界清晰\n  ✅ 失败处理策略完备\n  ✅ 治理方案就绪\n  ✅ 团队准备就绪（已培训）\n```\n\n---\n\n### 示例 2：AIOps 故障诊断系统\n\n**场景描述**：\n\n某互联网公司运维团队拥有 200+ 微服务，日常值班工程师面对的问题不是\"没有监控\"，而是监控信号过多——每次故障爆发时同时涌入几十条告警、不同服务的日志、业务侧反馈和群聊中的经验判断。团队已完成试验展开，验证了日志解释、告警聚类和相似案例召回三项核心能力，现需将实验原型转化为可治理的值班辅助系统。\n\n**用户输入**：\n\n```\n实验结论报告：AIOps 故障分诊辅助系统\n\n已验证能力：\n- 单条日志解释：90% 可理解\n- 告警聚类与去噪：告警量降低 65%\n- 历史案例召回：Top-3 命中率 72%\n- 初步归因建议：与专家判断一致率 68%\n\n未验证能力：\n- 自动执行修复动作（风险过高，暂不进入）\n- 跨服务级联故障的完整链路推断\n\n已知风险：\n- 错误归因可能导致工程师沿错误方向排查 30 分钟+\n- 错误扩容/重启建议可能放大故障\n- 新型故障模式超出案例库覆盖范围\n```\n\n**执行流程**：\n\n**1. 实验证据输入**\n\n```yaml\n从实验阶段继承的证据:\n\n  能力边界:\n    - 日志解释: 90%可理解 ✅\n    - 告警聚类: 告警量降65% ✅\n    - 案例召回: Top-3命中72% ✅\n    - 初步归因: 一致率68% ⚠️（需持续优化）\n    - 自动修复: 风险过高 ❌（不纳入）\n\n  产品形态建议:\n    - 类型: 值班Copilot（建议+证据模式）\n    - 界面: 告警面板 + 侧边栏分析面板\n    - 关键交互: 一键查看证据链、采纳建议、标记误判\n\n  资料缺口:\n    - 需补充50+跨服务级联故障案例\n    - 需建立\"禁止自动执行\"动作清单\n\n  风险边界:\n    - 所有修复建议: 仅展示，不执行\n    - 扩容/重启/切流建议: 必须双人确认\n    - 归因建议: 必须附带证据链\n```\n\n**2. 系统边界定义**\n\n| 维度 | 实验阶段 | 系统构建后 |\n|------|----------|------------|\n| 用户范围 | 2名资深工程师试用 | 全部值班工程师（3班 x 5人） |\n| 能力范围 | 单服务日志解释 | 多服务告警聚类 + 案例召回 + 归因建议 |\n| 权限分层 | 无 | 值班工程师 / 领域专家 / 服务负责人 |\n| 动作边界 | 仅展示 | 仅建议，禁止直接执行生产操作 |\n| 失败处理 | 人工兜底 | 证据缺失时明确标注 + 自动降级 |\n\n**3. 能力模块设计**\n\n```yaml\n# AI Native 架构：AIOps 故障分诊系统\n\n能力系统层:\n\n  Agent层（IncidentAgent）:\n    - 目标理解: 解析告警信号、关联多源数据\n    - 任务规划: 选择聚类→解释→召回→归因的执行链\n    - 结果组织: 压缩混乱信号为结构化故障摘要\n\n  Skill层:\n    - ClusterAlerts: 告警聚类与去噪\n    - ExplainLog: 单条/批量日志解释\n    - RecallCases: 历史相似案例召回\n    - SuggestRootCause: 初步归因建议\n    - BuildEvidenceChain: 证据链组装\n    - CheckEscalation: 升级判断（是否需领域专家介入）\n\n  Tool层:\n    - LogSearch.query: 日志检索\n    - AlertManager.getActive: 告警系统\n    - MetricsAPI.query: 监控指标\n    - CaseBase.search: 历史案例库\n    - TopologyGraph.getDependencies: 服务拓扑\n\n  Model层:\n    - GPT-4o: 主推理模型（归因+案例分析）\n    - text-embedding-3: 日志/案例向量化\n\n  Data层:\n    - 案例库: 历史故障工单、复盘材料\n    - 知识库: 运维手册、服务SLA、依赖拓扑\n    - 记忆系统: 近期故障上下文、值班交接状态\n```\n\n**4. 失败处理策略**\n\n| 失败场景 | 触发条件 | 处理策略 | 人工接管 |\n|----------|----------|----------|----------|\n| 日志格式未知 | 解析失败 | 标注\"未识别格式\"，展示原文 | 值班工程师手动分析 |\n| 案例库无匹配 | Top-3 相似度<50% | 标注\"无历史参考\" | 领域专家介入 |\n| 归因置信度低 | 一致率<50% | 仅展示候选，不排序 | 必须人工判断 |\n| 多服务级联故障 | 涉及>3个服务 | 标注\"复杂场景\" | 自动升级服务负责人 |\n| 模型服务异常 | API不可用 | 降级为纯告警面板 | 全部回归人工 |\n\n**5. 治理与观测方案**\n\n```yaml\n可观测性:\n  监控指标:\n    - 故障分诊时间: 目标缩短40%\n    - 建议采纳率: >50%\n    - 误判率: <15%\n    - 证据链完整率: >80%\n    - 系统可用性: 99.5%\n\n  审计日志:\n    - 每次分析: 输入告警集、模型版本、召回案例\n    - 每次建议: 归因结论、证据链、置信度\n    - 每次人工操作: 采纳/拒绝/标记误判 + 原因\n\n可回退性:\n  - 功能开关: 可按服务粒度关闭AI分析（1分钟内生效）\n  - 证据缺失时: 自动降级为\"仅展示原始信号\"\n  - 连续误判: 触发告警，建议关闭该服务的AI分析\n\n可更新性:\n  - 案例库: 每次故障复盘后增量更新\n  - 规则: 升级路径、禁止动作清单可热更新\n  - 模型: 支持灰度发布，按服务逐步放开\n```\n\n**输出结果**：\n\n```yaml\n# 系统构建方案：AIOps 故障分诊辅助系统\n\n系统边界:\n  用户: 15名值班工程师 + 10名领域专家\n  场景: 告警聚类(65%降噪)、日志解释(90%)、案例召回(72%)、归因建议(68%)\n  边界: 仅建议，禁止自动执行任何生产操作\n\n能力模块:\n  Agent层:\n    - IncidentAgent — 任务编排、边界控制、证据链组装\n  Skill层（6个）:\n    - ClusterAlerts / ExplainLog / RecallCases\n    - SuggestRootCause / BuildEvidenceChain / CheckEscalation\n  Tool层:\n    - 日志检索、告警系统、监控指标、案例库、服务拓扑\n  Model层:\n    - GPT-4o（主推理）+ text-embedding-3（向量检索）\n  Data层:\n    - 案例库、运维知识库、值班记忆系统\n\n失败处理:\n  - 5种失败场景分级处理\n  - 证据缺失自动降级\n  - 复杂场景自动升级\n\n治理方案:\n  - 故障分诊时间、采纳率、误判率等7项指标\n  - 完整审计日志（含证据链追溯）\n  - 服务粒度功能开关（1分钟回退）\n\n进入审计放行条件:\n  ✅ 三项核心能力指标达到阈值\n  ✅ \"禁止自动执行\"动作清单完备\n  ✅ 升级链路定义清晰\n  ✅ 误判反馈机制已建立\n  ✅ 值班团队已培训\n```\n\n---\n\n### 示例 3：智能研发知识助手系统\n\n**场景描述**：\n\n某 SaaS 产品研发团队规模快速增长，新人上手周期长（平均 4-6 周），技术文档分散在 Confluence、飞书文档、代码仓库 README 和 Slack 历史消息中。团队已完成试验展开，验证了 RAG 知识检索和上下文问答两项能力，现需将原型转化为覆盖\"文档理解 → 知识检索 → 上下文问答 → 经验沉淀\"全链路的研发知识助手系统。\n\n**用户输入**：\n\n```\n实验结论报告：研发知识助手 RAG 系统\n\n已验证能力：\n- 文档问答（Confluence + 飞书）：相关性评分 4.1/5\n- 代码上下文解释：开发者满意度 3.8/5\n- 新人引导问答：首问解决率 75%\n\n未验证能力：\n- 跨文档推理（如\"这个设计决策的背景是什么\"）\n- 自动生成技术文档\n\n已知问题：\n- 文档口径不一致，同一概念在不同文档中描述不同\n- 代码注释质量参差不齐，影响检索效果\n- 敏感信息（密钥、凭证）偶尔出现在文档中\n```\n\n**执行流程**：\n\n**1. 实验证据输入**\n\n```yaml\n从实验阶段继承的证据:\n\n  能力边界:\n    - 文档问答: 相关性4.1/5 ✅\n    - 代码解释: 满意度3.8/5 ⚠️（需优化检索质量）\n    - 新人引导: 首问解决率75% ✅\n    - 跨文档推理: 未验证 ❌（纳入后续迭代）\n    - 自动生文档: 未验证 ❌（不在本期范围）\n\n  产品形态建议:\n    - 类型: 研发Copilot（IDE插件 + Chat界面）\n    - 界面: VS Code侧边栏 + 独立问答页\n    - 关键交互: 选中代码右键解释、自然语言提问、来源追溯\n\n  资料缺口:\n    - 需统一500+核心概念的术语表\n    - 需建立文档质量评分机制\n    - 需增加敏感信息过滤规则\n\n  风险边界:\n    - 涉及安全凭证的回答: 必须过滤\n    - 涉及架构决策的回答: 必须标注来源和时效\n    - 代码修改建议: 仅展示，不自动应用\n```\n\n**2. 系统边界定义**\n\n| 维度 | 实验阶段 | 系统构建后 |\n|------|----------|------------|\n| 用户范围 | 5名工程师试用 | 全部研发团队（80人） |\n| 能力范围 | Confluence问答 | 文档+代码+PR+会议纪要全源检索 |\n| 权限分层 | 无 | 按项目/团队/文档权限继承 |\n| 数据源 | 静态文档快照 | 增量同步（每小时） |\n| 失败处理 | 返回空结果 | 优雅降级 + 来源标注 + 反馈入口 |\n\n**3. 能力模块设计**\n\n```yaml\n# AI Native 架构：研发知识助手\n\n能力系统层:\n\n  Agent层（KnowledgeAgent）:\n    - 目标理解: 解析研发问题、判断信息类型\n    - 任务规划: 选择检索策略（文档/代码/混合）\n    - 结果组织: 综合多源结果、标注来源、过滤敏感信息\n\n  Skill层:\n    - ParseQuery: 问题解析与意图分类\n    - SearchDocs: 文档检索（Confluence/飞书/README）\n    - SearchCode: 代码检索（仓库/PR/Commit Message）\n    - ExplainContext: 上下文解释与关联\n    - FilterSensitive: 敏感信息过滤\n    - CiteSource: 来源标注与时效提示\n\n  Tool层:\n    - VectorStore.search: 向量检索\n    - ConfluenceAPI.query: Confluence查询\n    - FeishuDocAPI.query: 飞书文档查询\n    - CodeSearch.query: 代码仓库搜索\n    - GitHubAPI.getPR: PR与评论查询\n    - SensitivityFilter.scan: 敏感信息扫描\n\n  Model层:\n    - GPT-4o: 主推理模型（问答+解释）\n    - text-embedding-3-large: 向量化（多源文档）\n\n  Data层:\n    - 知识库: 技术文档、API文档、设计文档\n    - 术语表: 统一概念定义（500+词条）\n    - 代码索引: 仓库代码 + PR + Commit\n    - 记忆系统: 用户最近查询、项目上下文\n```\n\n**4. 失败处理策略**\n\n| 失败场景 | 触发条件 | 处理策略 | 人工接管 |\n|----------|----------|----------|----------|\n| 文档未覆盖 | 检索结果相关度<0.5 | 提示\"暂无相关文档\"，引导反馈 | 提交文档需求工单 |\n| 口径冲突 | 多文档描述不一致 | 并列展示，标注时间戳和来源 | 用户自行判断或提交术语修订 |\n| 敏感信息泄露 | 命中过滤规则 | 自动替换为\"[已过滤]\" | 安全团队审核 |\n| 代码上下文不足 | 函数调用链过深 | 展示直接上下文 + 提供\"展开更多\" | 开发者手动溯源 |\n| 索引过期 | 文档更新>24小时 | 标注\"数据可能过期\" | 触发增量索引 |\n\n**5. 治理与观测方案**\n\n```yaml\n可观测性:\n  监控指标:\n    - 问答相关性: >4.0/5\n    - 首问解决率: >70%\n    - 来源可追溯率: 100%\n    - 敏感信息泄露: 0次\n    - 索引新鲜度: <24小时\n\n  审计日志:\n    - 每次查询: 用户、问题、检索源、返回结果\n    - 每次反馈: 有用/无用 + 原因\n    - 敏感过滤: 触发次数、类型分布\n\n可回退性:\n  - 数据源降级: 单源异常时自动切换剩余源\n  - 功能开关: 可按团队/项目关闭特定能力\n  - 索引回滚: 支持回退到上一个健康索引版本\n\n可更新性:\n  - 知识源: 增量同步，无需重建全量索引\n  - 术语表: 支持团队自主维护\n  - 过滤规则: 安全团队实时更新\n```\n\n**输出结果**：\n\n```yaml\n# 系统构建方案：研发知识助手\n\n系统边界:\n  用户: 80名研发人员（含新人引导场景）\n  场景: 文档问答(4.1/5)、代码解释(3.8/5)、新人引导(75%首问解决)\n  边界: 不自动生成文档、不自动修改代码\n\n能力模块:\n  Agent层:\n    - KnowledgeAgent — 多源检索编排、敏感信息过滤、来源标注\n  Skill层（6个）:\n    - ParseQuery / SearchDocs / SearchCode\n    - ExplainContext / FilterSensitive / CiteSource\n  Tool层:\n    - 向量检索、Confluence、飞书、代码搜索、GitHub、敏感过滤\n  Model层:\n    - GPT-4o（主推理）+ text-embedding-3-large（多源向量化）\n  Data层:\n    - 知识库、术语表(500+)、代码索引、用户记忆\n\n失败处理:\n  - 5种失败场景分级处理\n  - 口径冲突并列展示\n  - 敏感信息零泄露保障\n\n治理方案:\n  - 相关性、解决率、追溯率等5项指标\n  - 完整查询审计日志\n  - 数据源粒度功能开关\n\n进入审计放行条件:\n  ✅ 术语表覆盖核心概念\n  ✅ 敏感信息过滤规则就绪\n  ✅ 索引同步机制稳定运行\n  ✅ 文档权限继承正确\n  ✅ 研发团队已培训并完成试点\n```","tags":["native","system","building","product","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native","ai-product","methodology"],"capabilities":["skill","source-gmaxxxie","skill-ai-native-system-building","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/ai-native-system-building","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 (11,381 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":"2026-05-18T18:57:25.148Z","embedding":null,"createdAt":"2026-05-01T01:02:50.883Z","updatedAt":"2026-05-18T18:57:25.148Z","lastSeenAt":"2026-05-18T18:57:25.148Z","tsv":"'-3':638,819 '-3.5':586 '-6':974 '/5':1005,1009,1227,1276,1279 '/b':532 '/pr/commit':1134 '/readme':1130 '0.5':1193 '0次':1233 '1':43,232,245,272,307,657,1028 '100':1231 '10名领域专家':897 '12种失败场景定义':593 '15':851 '15名值班工程师':896 '1分钟内生效':873 '1分钟回退':956 '2':49,235,250,274,344,608,705,1072 '200':613 '24小时':1216,1235 '2s':504 '2名资深工程师试用':711 '3':56,240,256,279,372,439,734,791,939,965,1101,1165,1315 '3.8':1008,1278 '30':651 '300名一线客服':550 '30名主管':551 '3个服务':833 '3命中72':670 '3班':713 '4':68,261,283,461,805,973,1185 '4.0':1226 '4.1':1004,1275 '40':501 '4o':432,583,784,934,1158,1310 '5':72,266,285,493,841,1220 '50':821,827,849 '500':1176,1321 '5人':715 '5分钟内':524 '5分钟热回退能力':599 '5名工程师试用':1078 '5种失败场景分级处理':946,1325 '6':78,287 '60':499 '65':635,900 '68':643,907 '6个':568,918,1293 '70':469,1229 '72':640,905 '75':1012,1281 '78':319,558 '7x24小时':367 '7大类监控指标':597 '80':358,853 '80人':1080 '80名研发人员':1271 '85':316,556 '90':631,663,903 '92':313,410,554 '99.5':855 '99.9':506 'agent':59,146,154,252 'agent/skill/tool':281 'agent层':396,563,743,912,1109,1287 'ai':2,6,20,24,34,65,142,170,175,291,296,301,375,378,545,737,1104 'ai-native-system-build':1 'aiop':609,627,740,892 'alertmanager.getactive':773 'api':38 'api不可用':485,838 'api文档':1172 'api超时':475 'build':5,86 'buildevidencechain':765,923 'casebase.search':777 'chat界面':1050 'checkescal':767,924 'checkrisk':418,573 'citesourc':1140,1299 'claud':585 'clusteralert':756,919 'codesearch.query':1149 'code侧边栏':1053 'commit':1181 'confluenc':977,1001,1128,1302 'confluenceapi.query':1145 'confluence查询':1146 'confluence问答':1082 'copilot':116,303,326,380,547 'crm.getuserprofile':427 'customerserviceag':397,564 'data':63,151,166 'data层':442,588,794,941,1169,1318 'embed':438,790,938,1164,1314 'explaincontext':1136,1297 'explainlog':758,920 'faq':445 'feishudocapi.query':1147 'filtersensit':1138,1298 'generaterespons':416,572 'github':1305 'githubapi.getpr':1151 'gpt':431,582,783,933,1157,1309 'gpt-4o':430,581,782,932,1156,1308 'ide插件':1049 'incidentag':744,913 'knowledgeag':1110,1288 'knowledgebase.search':425 'larg':1166,1316 'logisticsapi.track':423 'logsearch.query':771 'messag':1135 'metricsapi.query':775 'model':62,150,163 'model层':429,580,781,931,1155,1307 'nativ':3,7,21,25,35,66,143,171,176,376,738,1105 'ordersystem.query':421 'p95':503 'parsequeri':1124,1294 'pr':1085,1180 'pr与评论查询':1152 'queryord':412,570 'rag':986,997 'rbac':457 'readm':980 'recallcas':761,921 'saa':969 'searchcod':1131,1296 'searchdoc':1126,1295 'sensitivityfilter.scan':1153 'skill':10,12,27,60,147,157,253,305 'skill-ai-native-system-building' 'skill层':407,567,755,917,1123,1292 'slack':982 'source-gmaxxxie' 'suggestrootcaus':763,922 'summarizesess':574 'system':4,149 'text':437,789,937,1163,1313 'text-embed':436,788,936,1162,1312 'tool':61,148,160,254 'tool层':420,575,770,925,1142,1300 'top':637,669,818 'top-3命中72':668 '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' 'topologygraph.getdependencies':779 'tracklogist':414,571 'understandint':408,569 'user':145 'vectorstore.search':1143 'vs':169,1052 'web端':394 'x':714 'yaml':309,374,495,543,659,736,843,890,1030,1103,1222,1266 '一致率':826 '一致率68':672 '一键查看证据链':686 '一键采纳':331 '三项核心能力指标达到阈值':958 '上下文':190,216,511 '上下文等共同组成的产品能力底座':97 '上下文解释与关联':1137 '上下文问答':991 '不发送':482 '不同服务的日志':619 '不在本期范围':1045 '不执行':698 '不排序':829 '不纳入':676 '不自动修改代码':1285 '不自动应用':1071 '不自动生成文档':1284 '不适合ai':323 '与专家判断一致率':642 '专员':362 '业务侧反馈和群聊中的经验判断':620 '为每种失败场景定义触发条件':70 '主':584 '主推理':935,1311 '主推理模型':433,785,1159 '主模型异常时切换备用模型':526 '主管':363 '主要用户':384 '交还给人':224 '产品代码':100 '产品代码的转换原则':231 '产品代码要解决的是':236 '产品层':391 '产品形态建议':46,114,324,677,1046 '产品方法论':8,22 '产品架构':36 '产品研发团队规模快速增长':970 '人工':473,478 '人工兜底':731 '人工接管':197,219,371,460,466,527,810,1190 '人工接管的触发条件':260 '人工确认模式':327 '什么条件满足后可以进入审计放行':268 '仅展示':697,727,1070 '仅展示候选':828 '仅展示原始信号':876 '仅建议':728,909 '从实验阶段继承的证据':310,660,1031 '从试验展开阶段继承':111 '从试验展开阶段继承能力边界':45 '仓库':1133 '仓库代码':1179 '代码':1084,1117 '代码上下文不足':1208 '代码上下文解释':1006 '代码仓库':979 '代码仓库搜索':1150 '代码修改建议':1069 '代码搜索':1304 '代码检索':1132 '代码注释质量参差不齐':1021 '代码索引':1178,1322 '代码解释':1035,1277 '价格相关':340 '任务编排':914 '任务规划':401,748,1114 '优雅降级':370,1098 '会议纪要全源检索':1086 '会话状态':451 '传统架构':168 '传统软件架构':174 '使用场景':28 '使用方式':269 '依赖拓扑':801 '侧边栏候选回复':329 '侧边栏分析面板':684 '修改':518 '修改率':500 '值班copilot':679 '值班交接状态':804 '值班团队已培训':963 '值班工程师':723 '值班工程师手动分析':816 '值班记忆系统':944 '偶尔出现在文档中':1026 '全部一线客服':351 '全部值班工程师':712 '全部回归人工':840 '全部研发团队':1079 '全链路的研发知识助手系统':993 '关联多源数据':747 '关键交互':330,685,1055 '关键指标是什么':213 '关闭ai建议':486 '内部测试客服':350 '准确率':314,317,320,359,411 '凭证':1025 '函数调用链过深':1209 '分层':282 '分级处理策略':594 '分钟':652 '切流建议':701 '初步归因':671 '初步归因建议':641,764 '判断信息类型':1113 '功能开关':522,871,1252 '功能执行链':179 '动作清单':694 '动作清单完备':960 '动作边界':726 '升级判断':768 '升级路径':884 '升级链路定义清晰':961 '单一角色':361 '单服务日志解释':717 '单条':759 '单条日志解释':630 '单源异常时自动切换剩余源':1251 '历史故障工单':796 '历史案例召回':636 '历史案例库':778 '历史消息中':983 '历史相似案例召回':762 '压缩混乱信号为结构化故障摘要':754 '原因':520,869,1245 '反馈入口':1100 '口径冲突':1198 '口径冲突并列展示':1326 '只生成候选':481 '召回':751 '召回案例':860 '可交付':31 '可关闭ai建议':523 '可回退性':76,221,521,870,1249 '可审计性':75,214 '可按团队':1253 '可按服务粒度关闭ai分析':872 '可更新性':225,529,880,1257 '可更新性四个治理维度':77 '可治理':88 '可治理的产品系统':32 '可治理的生产系统':298 '可理解':632,664 '可用时间':365 '可被持续优化的系统结构':209 '可被维护':208 '可观测性':211,453,496,844,1223 '可观测系统的阶段':89 '同一概念在不同文档中描述不同':1020 '向量化':440,1167 '向量检索':940,1144,1301 '含新人引导场景':1272 '含证据链追溯':954 '告警系统':774,927 '告警聚类':665,899 '告警聚类与去噪':633,757 '告警聚类和相似案例召回三项核心能力':623 '告警量降65':666 '告警量降低':634 '告警面板':683 '周':975 '命中率':639 '命中过滤规则':1204 '和':981 '响应延迟':502 '哪些场景能稳定成立':113 '哪些必须重写':41 '售后':357 '售后咨询':557 '售后政策':318 '回复生成':417,435 '回滚':223 '回答':54 '回退':195,258 '团队':1090 '团队准备就绪':605 '团队已完成试验展开':621,984 '场景':552,898,1273 '场景描述':293,611,967 '基于':19 '基于已完成的实验结论':294 '增量同步':1094,1259 '增量更新':538 '处理策略':465,809,1189 '处理策略和人工接管规则':71 '备':587 '复杂场景':835 '复杂场景自动升级':948 '复盘材料':797 '多文档描述不一致':1199 '多服务告警聚类':718 '多服务级联故障':831 '多源向量化':1317 '多源文档':1168 '多源检索编排':1289 '多轮对话失控':489 '失败场景':463,807,1187 '失败处理':193,368,458,592,730,945,1096,1324 '失败处理策略':69,257,462,806,1186 '失败处理策略和治理方案':82 '失败处理策略完备':603 '失败时如何处理':238 '失败时如何降级':222 '失败案例':123,448 '如':1015 '如何被治理':239 '如何追溯输入':215 '它在失败时如何退回':134 '它如何与产品交互':131 '它如何被监控':137 '安全团队实时更新':1264 '安全团队审核':1207 '完整审计日志':598,953 '完整查询审计日志':1332 '定义系统边界':275 '定义能力范围':51 '定义进入审计放行的条件':83 '实时生效':541 '实验代码':98,230 '实验代码证明的是':233 '实验结论报告':300,626,995 '实验证据完整':601 '实验证据输入':14,44,104,110,308,658,1029 '实验阶段':347,708,1075 '审核':386 '审计':200 '审计日志':507,856,1236 '审计记录':264 '客服':302,379,546 '客服专员':383 '客服主管':385 '客服原型系统转化为可维护':297 '客服工作台界面':392 '客服系统从实验到产品':292 '密钥':1024 '封装可复用能力':158 '将':295 '展开更多':1212 '展示原文':815 '展示直接上下文':1210 '工作日白天':366 '工作流':117,132 '工具':93,159,186 '工具如何独立更新':229 '工具调用':218 '已培训':606 '已沉淀的失败模式和人工修正':124 '已知问题':1018 '已知风险':649 '已解决和未解决的':120 '已过滤':1206 '已验证能力':629,999 '平均':972 '并列展示':1200 '建议':680 '建议关闭该服务的ai分析':879 '建议内容':513 '建议转人工':491 '建议采纳率':848 '开发者手动溯源':1213 '开发者满意度':1007 '异常处理':265 '异常捕获':194 '引导反馈':1196 '归因':786 '归因建议':703,720,906 '归因的执行链':752 '归因结论':862 '归因置信度低':825 '当用户提供实验结论报告时':270 '影响检索效果':1022 '很多团队失败不是因为模型不行':241 '微服务':614 '必须人工判断':830 '必须人工接管的动作':122 '必须人工确认':339,483 '必须双人确认':702 '必须引用最新数据源':341 '必须标注来源和时效':1068 '必须补齐的治理能力':210 '必须过滤':1066 '必须附带证据链':704 '快速编辑':332 '情感升级':342 '情绪':400 '意图理解':434 '意图识别':409 '意图识别失败':467 '成功案例':447 '所有修复建议':696 '执行步骤':42 '执行流程':306,656,1027 '扩容':699 '批量日志解释':760 '技术文档':1171 '技术文档分散在':976 '技能':185 '技能单元':92,156 '把已验证能力改写为可维护':87 '投诉处理':322,560 '抽象单元':181 '拒绝':519,867 '指定场景自动转人工':528 '指标监控':454 '按':58 '按服务逐步放开':888 '按项目':1089 '接入旧系统':39 '接口':183 '提交文档需求工单':1197 '提供':1211 '提供推理能力':164 '提供知识与记忆基础':167 '提供自助查询链接':476 '提示':470,1194 '提示词':227,534 '支持a':531 '支持回退到上一个健康索引版本':1256 '支持团队自主维护':1262 '支持治理和迭代的系统代码':102 '支持灰度发布':887 '放行':203 '政策文档':444 '故障分诊时间':846,950 '故障分诊系统':741 '故障分诊辅助系统':628,893 '故障诊断系统':610 '敏感信息':1023 '敏感信息扫描':1154 '敏感信息泄露':1203,1232 '敏感信息过滤':1139,1290 '敏感信息过滤规则就绪':1336 '敏感信息零泄露保障':1327 '敏感过滤':1246,1306 '数据':95,165 '数据可能过期':1218 '数据库':188 '数据源':1092 '数据源粒度功能开关':1333 '数据源降级':1250 '整合系统边界':80 '文档':1083,1116 '文档口径不一致':1019 '文档更新':1215 '文档未覆盖':1191 '文档权限继承':1091 '文档权限继承正确':1338 '文档检索':1127 '文档理解':989 '文档问答':1000,1033,1274 '新人上手周期长':971 '新人引导':1038,1280 '新人引导问答':1010 '新型故障模式超出案例库覆盖范围':655 '无':722,1088 '无历史参考':823 '无用':1244 '无需重启':539 '无需重建全量索引':1260 '日常值班工程师面对的问题不是':615 '日志':792 '日志审计':455 '日志格式未知':811 '日志检索':772,926 '日志解释':662,902 '是否需领域专家介入':769 '智能体':118,153,184 '智能研发知识助手系统':966 '暂不进入':647 '暂无相关文档':1195 '最终结果':220 '有用':1243 '服务sla':800 '服务可用性':505 '服务拓扑':780,930 '服务粒度功能开关':955 '服务负责人':725 '未识别格式':814 '未验证':1041,1044 '未验证能力':644,1013 '术语表':1174,1261,1320 '术语表覆盖核心概念':1335 '权限':199,278 '权限分层':53,249,360,721,1087 '权限控制':456 '来源可追溯率':1230 '来源标注':1099,1291 '来源标注与时效提示':1141 '来源追溯':1058 '架构':67,172,177,377,739,1106 '架构的核心结构':144 '某':968 '某互联网公司运维团队拥有':612 '标注':813,822,834,1217 '标注时间戳和来源':1201 '标注来源':1121 '标记误判':688,868 '标记风险':406 '核心概念':84 '核心概念的术语表':1061 '案例分析':787 '案例召回':667,719,904 '案例向量化':793 '案例库':446,590,795,881,929,942 '案例库无匹配':817 '检查实验证据是否充分':273 '检索源':1240 '检索结果相关度':1192 '模块':182 '模型':94,162,226,530,886 '模型服务异常':484,837 '模型版本':217,510,859 '模型降级':525 '每小时':1095 '每次人工操作':516,865 '每次分析':857 '每次反馈':1242 '每次建议':861 '每次故障复盘后增量更新':882 '每次故障爆发时同时涌入几十条告警':618 '每次查询':1237 '每次请求':508 '每次输出':512 '没有监控':616 '治理与观测方案':262,494,842,1221 '治理与观测补齐':17,73,107,205 '治理层':452 '治理方案':596,949,1328 '治理方案就绪':604 '治理重心':198 '测试切换':533 '浏览器插件':393 '涉及':832 '涉及安全凭证的回答':1065 '涉及架构决策的回答':1067 '涉及赔付':480 '混合':1118 '满意度3.8/5':1036 '热更新':536 '物流':354,356 '物流api':424,577 '物流解释':315,555 '物流追踪':415 '独立配置':535 '独立问答页':1054 '现需将原型转化为覆盖':988 '现需将实验原型转化为可治理的值班辅助系统':624 '用于快速验证假设的短周期代码':99 '用于长期承载能力':101 '用户':549,895,1238,1270 '用户偏好':450 '用户层':382 '用户提供实验结论报告':11 '用户最近查询':1183 '用户画像':428,579 '用户自行判断或提交术语修订':1202 '用户范围':349,710,1077 '用户要求':477 '用户角色':52,248,277 '用户记忆':1323 '用户输入':299,625,994 '由智能体':91 '界面':328,682,1051 '的分层结构设计':64 '的层级结构':255 '监控':390 '监控指标':263,497,776,845,928,1224 '目标理解':398,745,1111 '目标缩短40':847 '直接报错':369 '相似度':820 '相关性':1329 '相关性4.1/5':1034 '相关性评分':1003 '知识':192,228 '知识库':443,537,578,589,798,1170,1319 '知识库检索':426 '知识检索':441,990 '知识检索和上下文问答两项能力':987 '知识源':1258 '知识系统和权限体系协同':133 '研发copilot':1048 '研发团队已培训并完成试点':1339 '研发知识助手':996,1107,1268 '示例':289,290,607,964 '禁止动作清单可热更新':885 '禁止直接执行生产操作':729 '禁止自动执行':693,959 '禁止自动执行任何生产操作':910 '稳定中心':178 '第11章':23 '第一步':109 '第三步':140 '第二步':125 '第四步':204 '管理':387 '管理员':364 '类型':325,678,1047 '类型分布':1248 '系统':998 '系统可用性':854 '系统如何被监控':212 '系统构建':26,85 '系统构建不是补工程细节':127 '系统构建后':348,709,1076 '系统构建方案':244,544,891,1267 '系统构建流程':103 '系统构建的目标不是尽快交付一个可演示版本':206 '系统构建阶段的总论':9 '系统管理员':388 '系统边界':246,381,548,894,1269 '系统边界定义':15,50,105,126,345,706,1073 '系统边界清晰':602 '索引同步机制稳定运行':1337 '索引回滚':1255 '索引新鲜度':1234 '索引过期':1214 '纯人工':487 '纳入后续迭代':1042 '组装回复':405 '经验沉淀':992 '结果组织':404,753,1119 '统一概念定义':1175 '维度':173,346,707,1074 '综合多源结果':1120 '编排执行顺序':403 '置信度':468,514,864 '而不是简单把模型':37 '而是因为没有完成这次系统形态转换':242 '而是形成一个可被审计':207 '而是监控信号过多':617 '而是重写系统形态':128 '能力在某些条件下可以成立':234 '能力如何被稳定调用':237 '能力执行链':180 '能力模块':562,911,1286 '能力模块图':81,251 '能力模块设计':16,57,106,141,373,735,1102 '能力系统':90 '能力系统层':395,742,1108 '能力范围':247,276,352,716,1081 '能力边界':112,311,661,1032 '能力验证':304 '自动':488 '自动修复':674 '自动升级服务负责人':836 '自动执行':271 '自动执行修复动作':645 '自动执行系统构建流程':13 '自动替换为':1205 '自动生成技术文档':1017 '自动生文档':1043 '自动转人工':343,492 '自动转人工机制':595 '自动降级':733 '自动降级为':875 '自然语言提问':1057 '补齐治理与观测方案':286 '表单':189 '被审计':138 '被持续优化':139 '观测':202 '规则':540,883 '解决率':1330 '解析告警信号':746 '解析失败':812 '解析研发问题':1112 '解释':135,750,1161 '触发告警':878 '触发增量索引':1219 '触发条件':464,808,1188 '触发次数':1247 '订单':353,355 '订单查询':312,413,553 '订单查询失败':474 '订单系统':576 '订单系统查询':422 '记忆':191 '记忆系统':96,449,591,802,1182 '设计可观测性':74 '设计失败处理策略':284 '设计文档':1173 '设计能力模块图':280 '证据模式':681 '证据缺失时':874 '证据缺失时明确标注':732 '证据缺失自动降级':947 '证据链':863 '证据链完整率':852 '证据链组装':766,916 '识别用户意图':399 '词条':1177 '试验展开已验证能力成立':29 '误判反馈机制已建立':962 '误判率':850 '误判率等7项指标':952 '请重述问题':471 '负责任务编排':565 '负责理解目标与编排任务':155 '资料缺口':47,119,333,689,1059 '赔付相关':338 '超过10轮':490 '跨文档推理':1014,1040 '跨服务级联故障案例':691 '跨服务级联故障的完整链路推断':648 '输入告警集':858 '输入摘要':509 '输入组织':187 '输出物':243 '输出系统构建方案':18,79,288 '输出结果':542,889,1265 '边界':201,559,908,1283 '边界控制':566,915 '过滤敏感信息':1122 '过滤规则':1263 '运维手册':799 '运维知识库':943 '近期故障上下文':803 '返回空结果':1097 '返回结果':1241 '这个设计决策的背景是什么':1016 '这是一个多层能力系统':152 '这项能力如何被稳定调用':55,130 '进入审计放行':108 '进入审计放行条件':600,957,1334 '进入审计放行的条件':267 '连接外部系统':161 '连续2次':472 '连续误判':877 '追溯率等5项指标':1331 '退款':337 '选中代码右键解释':1056 '选择skill':402 '选择检索策略':1115 '选择聚类':749 '配置':389 '采纳':517,866 '采纳建议':687 '采纳率':498,951 '重启':700 '重启建议可能放大故障':654 '错误归因可能导致工程师沿错误方向排查':650 '错误扩容':653 '问答':115,1160 '问答相关性':1225 '问题':1239 '问题解析与意图分类':1125 '降噪':901 '降级':196,259,459 '降级为纯告警面板':839 '降级或交还给人':136 '需优化检索质量':1037 '需增加敏感信息过滤规则':1063 '需建立':692 '需建立敏感承诺规则库':335 '需建立文档质量评分机制':1062 '需持续优化':673 '需改进':321 '需统一500':1060 '需补充200条售后政策边界案例':334 '需补充50':690 '需要判断实验代码中哪些可以继承':40 '需要回答':129 '需要设计':33 '需要转为可维护':30 '静态文档快照':1093 '项目上下文':1184 '项目关闭特定能力':1254 '领域专家':724 '领域专家介入':824 '风险标记':515 '风险检测':419 '风险边界':121,336,695,1064 '风险边界和失败案例':48 '风险过高':646,675 '飞书':1002,1129,1303 '飞书文档':978 '飞书文档查询':1148 '首问解决':1282 '首问解决率':1011,1228 '首问解决率75':1039 '验证了':985 '验证了日志解释':622 '高风险内容':479 '高风险承诺不在范围内':561","prices":[{"id":"cb01f498-b95f-4aa1-8068-c33f19fdb381","listingId":"f16c3e52-4b6d-4b9f-9d4d-04dff3c98c7f","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":"2026-05-01T01:02:50.883Z"}],"sources":[{"listingId":"f16c3e52-4b6d-4b9f-9d4d-04dff3c98c7f","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/ai-native-system-building","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/ai-native-system-building","isPrimary":false,"firstSeenAt":"2026-05-01T01:02:50.883Z","lastSeenAt":"2026-05-18T18:57:25.148Z"}],"details":{"listingId":"f16c3e52-4b6d-4b9f-9d4d-04dff3c98c7f","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"ai-native-system-building","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":"5ed8bb5ea3833553b9309184f5930109ff326df4","skill_md_path":"skills/ai-native-system-building/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/ai-native-system-building"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"ai-native-system-building","description":"AI Native 产品方法论——系统构建阶段的总论 Skill。\n用户提供实验结论报告，Skill 自动执行系统构建流程：\n实验证据输入 → 系统边界定义 → 能力模块设计 → 治理与观测补齐 → 输出系统构建方案。\n基于《AI Native 产品方法论》第11章。"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/ai-native-system-building"},"updatedAt":"2026-05-18T18:57:25.148Z"}}