{"id":"07a001a3-ba15-44da-bfc7-dec1a0df6a3d","shortId":"Ar6tgd","kind":"skill","title":"combo-needs-to-direction","tagline":"需求发现 → 方向定界 组合 Skill。从用户痛点出发，系统跑完微需求检测、 真需求验证、四层拆解，输出可直接进入方向定界的 Direction","description":"# 需求发现 → 方向定界\n\n## 一句话定位\n\n从一个模糊的痛点线索出发，跑完需求发现全流程，直接输出 Direction Brief。\n\n## 何时触发\n\n- 你有一个产品想法，需要快速验证并进入方向定界\n- 不想分别调用多个工具卡，需要一站式输出\n- 需要从\"我有一个想法\"到\"方向定界简报\"的最短路径\n\n## 输入\n\n一个模糊的产品想法或痛点描述。\n\n**示例输入**：\n```\n\"我想做一个帮律师自动审查合同的 AI 产品\"\n```\n\n## 编排流程\n\n```\n输入: 模糊想法\n  ↓\n【Step 1】微需求检测 (p0a)\n  → 是否存在被忽视的微需求？\n  → 是否需要重新定义问题？\n  ↓\n【Step 2】需求四层拆解 (p0c)\n  → 表达层：用户说了什么\n  → 场景层：问题发生在哪里\n  → 处境层：谁被困住了\n  → 代价层：不解决会怎样\n  ↓\n【Step 3】真需求验证 (p0b)\n  → 5问验证：长期性、代价、补偿行为、结构性、自然存续\n  → 真/伪判定\n  ↓\n【Step 4】方向定界准备\n  → 将需求发现结果转化为 Direction Brief 输入\n  → 明确问题定义、场景切入、资料条件\n  ↓\n输出: Direction Brief（可直接进入 p1）\n```\n\n## 综合输出格式\n\n```yaml\ndirection_brief_input:\n  source: \"原始想法\"\n  \n  problem_definition:\n    surface_problem: \"表面问题\"\n    deep_problem: \"深层问题\"\n    why_different: \"为什么不同\"\n  \n  scenario_entry:\n    user: \"目标用户\"\n    scenario: \"使用场景\"\n    pain_point: \"核心痛点\"\n  \n  evidence:\n    micro_needs: [\"微需求发现\"]\n    real_need_validation: \"真需求验证结果\"\n    cost_evidence: \"代价证据\"\n    compensation_behaviors: [\"补偿行为\"]\n  \n  data_readiness:\n    available_data: \"可获取的数据\"\n    data_sensitivity: \"数据敏感度\"\n    access_difficulty: \"获取难度\"\n  \n  preliminary_judgment:\n    worth_pursuing: true/false\n    confidence: \"high/medium/low\"\n    key_risks: [\"风险列表\"]\n    next_step: \"进入方向定界 (p1)\"\n```\n\n## 一句判断\n\n> 好的方向定界，始于好的需求发现。不要带着假设进入方向定界，要带着证据。\n\n## 核心概念\n\n### 概念一：需求发现和方向定界是两个不同的判断\n\n需求发现回答\"这个问题值不值得做\"，方向定界回答\"这个问题怎么切入\"。很多团队跳过需求发现直接做方向定界，结果是在一个伪需求上浪费方向定界的时间。\n\n**两阶段的核心差异**：\n\n| 维度 | 需求发现 (P0) | 方向定界 (P1) |\n|------|---------------|---------------|\n| 核心问题 | 这个问题真实吗？ | 这个问题怎么切入？ |\n| 关键判断 | 真/伪需求 | go/no-go |\n| 输出物 | Needs Brief | Direction Brief |\n| 方法论 | 微需求检测+四层拆解+真需求验证 | 五维度判断+资料审查+能力评估 |\n\n> 不要带着假设进入方向定界，要带着证据。\n\n### 概念二：从需求发现到方向定界的转换逻辑\n\n需求发现的输出必须转化为方向定界的输入。转换的关键是把\"问题语言\"转化为\"实验语言\"：\n\n```\n需求发现输出：\n  - 核心问题是什么（问题定义）\n  - 用户在什么处境中遇到这个问题（场景切入）\n  - 问题的深层结构是什么（约束条件）\n  \n方向定界输入：\n  - 问题定义 → 问题是否真实且高频？\n  - 场景切入 → 场景是否可切入？\n  - 约束条件 → 资料是否可得？能力是否可能？\n```\n\n### 概念三：三个拦截点——在进入方向定界前必须通过\n\n| 拦截点 | 判断标准 | 不通过则 |\n|--------|----------|----------|\n| 真需求验证 | 五问 ≥3 通过 | 回到需求发现重新定义 |\n| Agent 适配 | 评分 ≥60 | 考虑非 AI 方案 |\n| 处境清晰度 | 能描述 ≥2 个具体场景 | 补充用户研究 |\n\n> 三个拦截点不是形式检查，而是防止在错误方向上浪费资源。\n\n### 概念四：Direction Brief 的五个必答问题\n\n从需求发现到方向定界，最终输出的 Direction Brief 必须回答五个问题：\n\n1. **问题是否真实且高频？** → 来自需求发现的真需求验证\n2. **场景是否可切入？** → 来自需求发现的处境映射\n3. **资料是否可得且可控？** → 新增审查（可得性、可脱敏性、可授权性、可结构化、持续供给）\n4. **能力是否可能成立？** → 新增评估（用最强模型做最小验证）\n5. **价值是否值得继续？** → 新增判断（即使技术可行，是否足以形成产品价值）\n\n### 概念五：不建议推进的四种情况\n\n| 情况 | 原因 | 建议 |\n|------|------|------|\n| 资料条件不成立 | 没有足够资料或无法脱敏/授权 | 先解决资料问题 |\n| 容错率极低且不能保留人工接管 | 医疗诊断、法律结论等 | 重新定义场景边界 |\n| 场景频率太低、价值太弱 | 投入产出不划算 | 寻找更高频场景 |\n| 团队无法获得真实反馈 | 无法验证假设 | 先建立反馈渠道 |\n\n## 分步执行\n\n### Step 1：需求发现——微需求检测 + 四层拆解 + 真需求验证\n\n**输入**：用户原始想法\n\n**处理**：\n1. 微需求检测：用五问检测是否存在被忽视的微需求\n2. 四层拆解：表达层→场景层→处境层→代价层\n3. 真需求验证：五问判断（长期性、代价、补偿行为、结构性、自然存续）\n\n**输出**：需求验证结果 + 重定义的问题（如有）\n\n---\n\n### Step 2：拦截点检查——是否值得进入方向定界\n\n**输入**：Step 1 的需求验证结果\n\n**处理**：\n1. 真需求验证：五问 ≥3 通过？\n2. Agent 适配：评分 ≥60？\n3. 处境清晰度：能描述 ≥2 个具体场景？\n\n**输出**：通过/不通过 + 不通过的原因和建议\n\n---\n\n### Step 3：问题语言转换——从功能语言到问题语言\n\n**输入**：已验证的需求\n\n**处理**：\n1. 将\"我想做 X 产品\"转换为\"用户在 Y 场景下遇到 Z 问题\"\n2. 明确问题的真实性和频率\n3. 明确场景的切入方式\n\n**输出**：问题语言描述（含场景和频率）\n\n---\n\n### Step 4：资料条件审查——五维度审查\n\n**输入**：问题语言描述\n\n**处理**：\n1. 可得性：团队能拿到哪些资料？\n2. 可脱敏性：资料能否脱敏处理？\n3. 可授权性：资料使用是否获得合规授权？\n4. 可结构化：资料能否被清理、索引和持续供给？\n5. 持续供给：资料是否会持续更新？\n\n**输出**：资料条件审查报告\n\n---\n\n### Step 5：能力评估 + 价值判断\n\n**输入**：问题描述 + 资料条件\n\n**处理**：\n1. 用最强模型做最小验证，判断 AI 在该场景的能力上限\n2. 评估即使技术可行，这个方向是否足以形成产品价值\n3. 评估进入实验的条件\n\n**输出**：能力评估 + 价值判断 + 进入条件\n\n---\n\n### Step 6：输出 Direction Brief\n\n**输入**：Step 1-5 的全部输出\n\n**处理**：\n1. 整合问题定义、场景切入、资料清单\n2. 明确风险边界和必须人工接管的场景\n3. 定义进入实验的条件\n4. 如果条件不满足，给出\"不建议推进\"的明确结论\n\n**输出**：Direction Brief\n\n### 示例 1：律师合同审查——从需求发现到方向定界\n\n**场景描述**：用户说\"我想做一个帮律师自动审查合同的 AI 产品\"。\n\n**Step 1 需求发现**：\n- 微需求检测：律师每天花大量时间审查合同中的重复性条款，这是高频微需求\n- 四层拆解：\n  - 表达层：\"帮律师自动审查合同\"\n  - 场景层：律师在办公室审合同，面对几十页 PDF\n  - 处境层：初级律师不敢漏掉风险条款（怕被合伙人骂），但又不确定哪些条款有风险\n  - 代价层：漏掉一个风险条款 → 客户损失 → 律所声誉受损\n- 真需求验证：5/5 通过（长期存在、代价持续、有补偿行为、有结构、自然存续）\n\n**Step 2 拦截点检查**：\n- 真需求？✅\n- Agent 适配？✅（合同审查有明确边界，错误可人工兜底）\n- 处境清晰？✅（初级律师审合同、合伙人复核）\n\n**Step 3 问题语言转换**：\n- 原始：\"帮律师自动审查合同\"\n- 转换：\"初级律师在审查合同时，无法快速识别高风险条款，导致漏检和效率低下\"\n\n**Step 4 资料条件审查**：\n- 可得性：✅ 监管规则（公开）、历史合同（需脱敏）\n- 可脱敏性：⚠️ 需移除客户信息\n- 可授权性：⚠️ 需法务确认\n- 可结构化：✅ 可整理为知识库\n- 持续供给：✅ 合同持续产生\n\n**Step 5 能力评估 + 价值判断**：\n- 能力评估：AI 能识别合同中的关键条款（80%+准确率），能匹配相关法规\n- 价值判断：审查时间从 2 小时降至 30 分钟，新人培训周期从 3 个月降至 1 个月\n- 进入条件：获取 100 份脱敏合同、法务确认可用性、完成影子验证\n\n**Step 6 Direction Brief**：\n```markdown\n# Direction Brief：AI 合同审查助手\n\n## 目标问题\n初级律师审查合同效率低、漏检风险高，过度依赖合伙人经验\n\n## 场景边界\n- 先做：风险条款高亮、法规引用、相似案例提示\n- 暂不做：最终合规判断、替代律师签字\n\n## 资料盘点\n- ✅ 监管规则（公开）\n- ⚠️ 历史合同（需脱敏+法务确认）\n\n## 能力假设\nAI 能识别关键条款、匹配法规、标记风险\n\n## 风险边界\n- 所有 AI 输出仅供律师参考，不作为法律意见\n- 最终判断权归律师\n\n## 进入条件\n- [ ] 获取 100 份脱敏合同\n- [ ] 法务确认可用性\n- [ ] 完成影子验证（AI vs 律师对比）\n- [ ] 条款识别准确率 > 85%\n```\n\n---\n\n### 示例 2：AIOps 故障分诊——从需求发现到方向定界\n\n**场景描述**：用户说\"我们想做 AIOps，自动修复生产故障\"。\n\n**Step 1 需求发现**：\n- 微需求检测：运维团队每周多次面对告警风暴，每次故障触发几十条告警\n- 四层拆解：\n  - 表达层：\"自动修复生产故障\"\n  - 场景层：值班工程师在监控大屏前，告警不断弹出\n  - 处境层：新人值班时不敢做判断（怕误操作放大事故），老工程师被频繁打扰\n  - 代价层：定位时间长 → 故障影响扩大 → 用户投诉\n- 真需求验证：5/5 通过\n\n**Step 2 拦截点检查**：\n- 真需求？✅\n- Agent 适配？⚠️ \"自动修复\"风险极高，但\"辅助分诊\"适配\n- 处境清晰？✅\n\n**Step 3 问题语言转换**：\n- 原始：\"自动修复生产故障\"（过于激进）\n- 转换：\"故障发生时，如何更快完成初步判断和分诊\"\n\n**Step 4 资料条件审查**：\n- 可得性：✅ 历史故障工单、日志样本、监控信号、处理手册\n- 可脱敏性：✅ 已脱敏\n- 可结构化：✅ 可整理为知识库\n- 持续供给：✅ 故障持续产生\n\n**Step 5 能力评估 + 价值判断**：\n- 能力评估：告警聚类、日志解释、案例召回可行\n- 价值判断：定位时间从 45 分钟降至 15 分钟\n- 关键边界：错误归因可能放大事故，不适合全自动\n\n**Step 6 Direction Brief**：\n```markdown\n# Direction Brief：AIOps 故障分诊辅助系统\n\n## 目标问题\n故障告警过多（平均 30 条/次），定位时间长（平均 45 分钟），过度依赖专家经验\n\n## 场景边界\n- 先做：告警聚类、日志摘要、相似案例召回、初步归因建议\n- 明确不做：自动修复、自动重启、自动切流\n\n## 资料盘点\n- ✅ 历史故障工单（2000 条，已脱敏）\n- ✅ 日志样本（ELK 可查询）\n- ✅ 监控信号（Prometheus）\n- ✅ 处理手册（Confluence）\n\n## 能力假设\n能理解日志、关联多源信号、召回历史案例，输出\"先看哪里\"的建议\n\n## 风险边界\n- 所有输出只能作为建议，不作为命令\n- 高风险动作必须双人确认\n- AI 不能直接操作生产环境\n\n## 进入条件\n- [x] 资料可用性确认\n- [x] 风险边界与 SRE 团队达成一致\n- [ ] 完成影子验证（对比人工判断）\n- [ ] 召回准确率 > 80%\n```\n\n> 需求发现是方向定界的地基。地基不稳，方向定界就是在沙子上盖楼。","tags":["combo","needs","direction","native","product","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native","ai-product"],"capabilities":["skill","source-gmaxxxie","skill-combo-needs-to-direction","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/combo-needs-to-direction","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 (5,727 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":"2026-05-18T18:57:25.776Z","embedding":null,"createdAt":"2026-05-01T01:02:51.456Z","updatedAt":"2026-05-18T18:57:25.776Z","lastSeenAt":"2026-05-18T18:57:25.776Z","tsv":"'-5':433 '1':44,251,296,304,331,334,360,385,411,432,436,453,462,545,613 '100':549,593 '15':682 '2':50,237,254,307,326,339,347,371,388,416,440,491,538,603,636 '2000':719 '3':62,225,257,313,337,344,354,373,391,419,442,502,543,648 '30':540,699 '4':74,265,379,394,444,511,657 '45':680,704 '5':269,398,404,527,671 '5/5':483,633 '5问验证':65 '6':426,554,688 '60':231,343 '80':533,752 '85':601 'access':137 'agent':228,340,494,639 'ai':38,233,414,459,531,560,581,587,597,740 'aiop':604,610,694 'avail':131 'behavior':127 'brief':23,78,85,91,183,185,244,249,429,451,556,559,690,693 'combo':2 'combo-needs-to-direct':1 'compens':126 'confid':145 'confluenc':728 'cost':123 'data':129,132,134 'deep':100 'definit':96 'differ':104 'difficulti':138 'direct':5,15,22,77,84,90,184,243,248,428,450,555,558,689,692 'elk':723 'entri':107 'evid':115,124 'go/no-go':180 'high/medium/low':146 'input':92 'judgment':141 'key':147 'markdown':557,691 'micro':116 'need':3,117,120,182 'next':150 'p0':171 'p0a':46 'p0b':64 'p0c':52 'p1':87,153,173 'pain':112 'pdf':473 'point':113 'preliminari':140 'problem':95,98,101 'prometheus':726 'pursu':143 'readi':130 'real':119 'risk':148 'scenario':106,110 'sensit':135 'skill':9 'skill-combo-needs-to-direction' 'sourc':93 'source-gmaxxxie' 'sre':747 'step':43,49,61,73,151,295,325,330,353,378,403,425,431,461,490,501,510,526,553,612,635,647,656,670,687 'surfac':97 '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' 'true/false':144 'user':108 'valid':121 'vs':598 'worth':142 'x':363,743,745 'y':367 'yaml':89 'z':369 '一个模糊的产品想法或痛点描述':35 '一句判断':154 '一句话定位':18 '三个拦截点':218 '三个拦截点不是形式检查':240 '不作为命令':738 '不作为法律意见':589 '不建议推进':447 '不建议推进的四种情况':275 '不想分别调用多个工具卡':27 '不能直接操作生产环境':741 '不要带着假设进入方向定界':157,193 '不解决会怎样':60 '不适合全自动':686 '不通过':351 '不通过则':222 '不通过的原因和建议':352 '两阶段的核心差异':168 '个具体场景':238,348 '个月':546 '个月降至':544 '为什么不同':105 '五维度判断':190 '五维度审查':381 '五问':224,336 '五问判断':315 '产品':39,364,460 '从一个模糊的痛点线索出发':19 '从功能语言到问题语言':356 '从用户痛点出发':10 '从需求发现到方向定界':246,455,606 '从需求发现到方向定界的转换逻辑':196 '代价':67,317 '代价层':59,312,478,628 '代价持续':486 '代价证据':125 '价值判断':406,423,529,536,673,678 '价值太弱':288 '价值是否值得继续':270 '份脱敏合同':550,594 '伪判定':72 '伪需求':179 '但':643 '但又不确定哪些条款有风险':477 '何时触发':24 '你有一个产品想法':25 '使用场景':111 '值班工程师在监控大屏前':622 '先做':567,708 '先建立反馈渠道':293 '先看哪里':734 '先解决资料问题':282 '公开':515,576 '关联多源信号':731 '关键判断':177 '关键边界':684 '准确率':534 '分步执行':294 '分钟':541,683,705 '分钟降至':681 '初步归因建议':712 '初级律师不敢漏掉风险条款':475 '初级律师在审查合同时':507 '初级律师审合同':499 '初级律师审查合同效率低':563 '判断':413 '判断标准':221 '到':31 '匹配法规':583 '医疗诊断':284 '即使技术可行':272 '历史合同':516,577 '历史故障工单':660,718 '原因':277 '原始':504,650 '原始想法':94 '召回准确率':751 '召回历史案例':732 '可得性':260,386,513,659 '可授权性':262,392,520 '可整理为知识库':523,667 '可查询':724 '可直接进入':86 '可结构化':263,395,522,666 '可脱敏性':261,389,518,664 '可获取的数据':133 '合伙人复核':500 '合同审查助手':561 '合同审查有明确边界':496 '合同持续产生':525 '含场景和频率':377 '告警不断弹出':623 '告警聚类':675,709 '四层拆解':13,188,299,308,467,618 '回到需求发现重新定义':227 '团队无法获得真实反馈':291 '团队能拿到哪些资料':387 '团队达成一致':748 '在该场景的能力上限':415 '在进入方向定界前必须通过':219 '地基不稳':754 '场景下遇到':368 '场景切入':81,206,212,438 '场景层':55,310,470,621 '场景描述':456,607 '场景是否可切入':213,255 '场景边界':566,707 '场景频率太低':287 '处境层':57,311,474,624 '处境清晰':498,646 '处境清晰度':235,345 '处理':303,333,359,384,410,435 '处理手册':663,727 '好的方向定界':155 '如何更快完成初步判断和分诊':655 '如有':324 '如果条件不满足':445 '始于好的需求发现':156 '完成影子验证':552,596,749 '定义进入实验的条件':443 '定位时间从':679 '定位时间长':629,702 '实验语言':201 '审查时间从':537 '客户损失':480 '容错率极低且不能保留人工接管':283 '对比人工判断':750 '寻找更高频场景':290 '导致漏检和效率低下':509 '将':361 '将需求发现结果转化为':76 '小时降至':539 '已脱敏':665,721 '已验证的需求':358 '帮律师自动审查合同':469,505 '平均':698,703 '建议':278 '很多团队跳过需求发现直接做方向定界':166 '律师合同审查':454 '律师在办公室审合同':471 '律师对比':599 '律师每天花大量时间审查合同中的重复性条款':465 '律所声誉受损':481 '微需求发现':118 '微需求检测':45,187,298,305,464,615 '必须回答五个问题':250 '怕被合伙人骂':476 '怕误操作放大事故':626 '情况':276 '我们想做':609 '我想做':362 '我想做一个帮律师自动审查合同的':37,458 '我有一个想法':30 '所有':586 '所有输出只能作为建议':737 '投入产出不划算':289 '拦截点':220 '拦截点检查':327,492,637 '持续供给':264,399,524,668 '授权':281 '故障分诊':605 '故障分诊辅助系统':695 '故障发生时':654 '故障告警过多':697 '故障影响扩大':630 '故障持续产生':669 '数据敏感度':136 '整合问题定义':437 '新人值班时不敢做判断':625 '新人培训周期从':542 '新增判断':271 '新增审查':259 '新增评估':267 '方向定界':7,17,172 '方向定界准备':75 '方向定界回答':164 '方向定界就是在沙子上盖楼':755 '方向定界简报':32 '方向定界输入':209 '方案':234 '方法论':186 '无法快速识别高风险条款':508 '无法验证假设':292 '日志摘要':710 '日志样本':661,722 '日志解释':676 '明确不做':713 '明确场景的切入方式':374 '明确问题定义':80 '明确问题的真实性和频率':372 '明确风险边界和必须人工接管的场景':441 '是否值得进入方向定界':328 '是否存在被忽视的微需求':47 '是否足以形成产品价值':273 '是否需要重新定义问题':48 '暂不做':571 '替代律师签字':573 '最终判断权归律师':590 '最终合规判断':572 '最终输出的':247 '有结构':488 '有补偿行为':487 '条':700,720 '条款识别准确率':600 '来自需求发现的处境映射':256 '来自需求发现的真需求验证':253 '标记风险':584 '核心概念':159 '核心痛点':114 '核心问题':174 '核心问题是什么':203 '案例召回可行':677 '概念一':160 '概念三':217 '概念二':195 '概念五':274 '概念四':242 '模糊想法':42 '次':701 '每次故障触发几十条告警':617 '没有足够资料或无法脱敏':280 '法务确认':579 '法务确认可用性':551,595 '法律结论等':285 '法规引用':569 '深层问题':102 '漏掉一个风险条款':479 '漏检风险高':564 '用五问检测是否存在被忽视的微需求':306 '用户原始想法':302 '用户在':366 '用户在什么处境中遇到这个问题':205 '用户投诉':631 '用户说':457,608 '用户说了什么':54 '用最强模型做最小验证':268,412 '的五个必答问题':245 '的全部输出':434 '的建议':735 '的明确结论':448 '的最短路径':33 '的需求验证结果':332 '监控信号':662,725 '监管规则':514,575 '目标用户':109 '目标问题':562,696 '直接输出':21 '相似案例召回':711 '相似案例提示':570 '真':71,178 '真需求':493,638 '真需求验证':12,63,189,223,300,314,335,482,632 '真需求验证结果':122 '示例':452,602 '示例输入':36 '系统跑完微需求检测':11 '索引和持续供给':397 '约束条件':208,214 '组合':8 '结构性':69,319 '结果是在一个伪需求上浪费方向定界的时间':167 '给出':446 '维度':169 '综合输出格式':88 '编排流程':40 '老工程师被频繁打扰':627 '考虑非':232 '而是防止在错误方向上浪费资源':241 '能力假设':580,729 '能力是否可能':216 '能力是否可能成立':266 '能力评估':192,405,422,528,530,672,674 '能匹配相关法规':535 '能描述':236,346 '能理解日志':730 '能识别关键条款':582 '能识别合同中的关键条款':532 '自动修复':641,714 '自动修复生产故障':611,620,651 '自动切流':716 '自动重启':715 '自然存续':70,320,489 '获取':548,592 '获取难度':139 '补偿行为':68,128,318 '补充用户研究':239 '表达层':53,309,468,619 '表面问题':99 '要带着证据':158,194 '评估即使技术可行':417 '评估进入实验的条件':420 '评分':230,342 '谁被困住了':58 '资料使用是否获得合规授权':393 '资料可用性确认':744 '资料审查':191 '资料是否会持续更新':400 '资料是否可得':215 '资料是否可得且可控':258 '资料条件':82,409 '资料条件不成立':279 '资料条件审查':380,512,658 '资料条件审查报告':402 '资料清单':439 '资料盘点':574,717 '资料能否脱敏处理':390 '资料能否被清理':396 '跑完需求发现全流程':20 '转化为':200 '转换':506,653 '转换为':365 '转换的关键是把':198 '辅助分诊':644 '输入':34,41,79,301,329,357,382,407,430 '输出':83,321,349,375,401,421,427,449,733 '输出仅供律师参考':588 '输出可直接进入方向定界的':14 '输出物':181 '过于激进':652 '过度依赖专家经验':706 '过度依赖合伙人经验':565 '运维团队每周多次面对告警风暴':616 '这个方向是否足以形成产品价值':418 '这个问题值不值得做':163 '这个问题怎么切入':165,176 '这个问题真实吗':175 '这是高频微需求':466 '进入方向定界':152 '进入条件':424,547,591,742 '适配':229,341,495,640,645 '通过':226,338,350,484,634 '重定义的问题':323 '重新定义场景边界':286 '错误可人工兜底':497 '错误归因可能放大事故':685 '长期存在':485 '长期性':66,316 '问题':370 '问题发生在哪里':56 '问题定义':204,210 '问题描述':408 '问题是否真实且高频':211,252 '问题的深层结构是什么':207 '问题语言':199 '问题语言描述':376,383 '问题语言转换':355,503,649 '需求发现':6,16,170,297,463,614 '需求发现和方向定界是两个不同的判断':161 '需求发现回答':162 '需求发现是方向定界的地基':753 '需求发现的输出必须转化为方向定界的输入':197 '需求发现输出':202 '需求四层拆解':51 '需求验证结果':322 '需法务确认':521 '需移除客户信息':519 '需脱敏':517,578 '需要一站式输出':28 '需要从':29 '需要快速验证并进入方向定界':26 '面对几十页':472 '风险列表':149 '风险条款高亮':568 '风险极高':642 '风险边界':585,736 '风险边界与':746 '高风险动作必须双人确认':739","prices":[{"id":"d0201816-1225-4579-b8fe-a2f7c810fe3a","listingId":"07a001a3-ba15-44da-bfc7-dec1a0df6a3d","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":"2026-05-01T01:02:51.456Z"}],"sources":[{"listingId":"07a001a3-ba15-44da-bfc7-dec1a0df6a3d","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/combo-needs-to-direction","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/combo-needs-to-direction","isPrimary":false,"firstSeenAt":"2026-05-01T01:02:51.456Z","lastSeenAt":"2026-05-18T18:57:25.776Z"}],"details":{"listingId":"07a001a3-ba15-44da-bfc7-dec1a0df6a3d","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"combo-needs-to-direction","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":"3eb5e369a1706d205416aba83f49477225c814e7","skill_md_path":"skills/combo-needs-to-direction/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/combo-needs-to-direction"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"combo-needs-to-direction","description":"需求发现 → 方向定界 组合 Skill。从用户痛点出发，系统跑完微需求检测、 真需求验证、四层拆解，输出可直接进入方向定界的 Direction"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/combo-needs-to-direction"},"updatedAt":"2026-05-18T18:57:25.776Z"}}