{"id":"c7b23b81-47c8-4645-bb93-574cad1c71c3","shortId":"HXp7dV","kind":"skill","title":"ai-native-agent-skill-design","tagline":"AI Native 产品方法论——智能体与技能单元设计的实操 Skill。\n用户提供任务场景，Skill 自动执行能力编排设计流程：\n任务拆解 → Agent 角色定义 → Skill 拆分 → Tool 映射 → 边界与回退设计 → 输出能力编排方案。\n基于《AI Native 产品方法论》第12章。","description":"# AI Native 智能体与技能单元设计 Skill\n\n## 使用场景\n\n- 产品需要从单轮问答进化到多步任务推进\n- 需要设计可复用的能力模块（Skill）和任务编排层（Agent）\n- 需要明确智能体的边界：可以推进到哪里、何时必须停下并把控制权交还给人\n\n## 触发条件\n\n当用户提到以下任一场景时触发：\n- 需要把 AI 能力封装成可复用的 Skill 或 Agent\n- 产品从单轮问答升级到多步任务编排\n- 设计智能体的任务拆解、角色分工或边界控制\n- 输出 Agent/Skill 设计方案或架构文档\n\n## 执行步骤\n\n1. **判断是否真的需要 Agent**：分析任务特征，如果只是单轮问答或单次分类，Prompt + RAG 或固定 Workflow 通常就足够。\n2. **任务拆解**：将复杂任务拆解为可独立执行的子任务，形成任务拆解图。\n3. **Agent 角色定义**：定义目标理解、任务规划、Skill 选择、结果组织四个核心职责。\n4. **Skill 设计**：为每个子任务设计 Skill，明确输入范围、输出约束和失败条件。\n5. **Tool 映射**：将每个 Skill 映射到具体的系统接口或外部工具。\n6. **边界与回退设计**：定义什么情况下必须停下并交还给人，设计回退、降级和超时处理机制。\n7. **输出能力编排方案**：整合任务拆解图、Agent 角色定义、Skill 清单、Tool 映射和边界设计。\n\n## 核心概念\n\n- **智能体（Agent）**：面向目标组织任务、编排能力与调用动作的系统层\n- **技能单元（Skill）**：围绕一类任务封装的可复用能力单元\n- **工具（Tool）**：可被调用的具体接口、系统能力或外部动作\n- **智能体边界**：智能体可以推进到哪里、何时必须停下并把控制权交还给人\n\n## 什么时候真的需要 Agent\n\n不是所有 AI 产品都需要 Agent。以下场景通常需要：\n\n- 用户提出的不是单一问题，而是一项任务\n- 任务需要多步骤完成：理解目标 → 拆解任务 → 调用工具 → 组织结果\n- 中间步骤可能失败，需要回退、重试或请求补充信息\n\n如果只是单轮问答、单次总结、单次分类，通常 Prompt + RAG 或固定 Workflow 就足够。\n\n## Agent 的基本结构\n\n```\nReason（理解目标）\n  → Plan（拆解任务）\n    → Act（执行动作）\n```\n\n三个动作对应三种难点：\n\n- **Reason**：系统是否真正理解了用户目标\n- **Plan**：系统是否能把复杂任务拆成可执行步骤\n- **Act**：系统是否能在真实环境中可靠完成动作\n\n任何一环不稳定，Agent 最终都会退化成\"说得很多，但做不成事\"。\n\n## Agent、Skill 与 Tool 的关系\n\n| 层级 | 定义 | 例子 |\n|------|------|------|\n| Tool | 具体工具或系统接口 | 查询订单、检索日志、调用 CRM |\n| Skill | 围绕某类任务封装的能力模块 | 客服问题归因、运维告警诊断、经营指标解释 |\n| Agent | 任务层面编排技能与工具 | 理解用户问题 → 选择 Skill → 调用 Tool → 组织结果 |\n\n### 分工原则\n\n- **Tool** 做具体事：查询、调用、写入\n- **Skill** 做一类事：封装任务逻辑、输入输出约束、评估标准\n- **Agent** 决定做哪些事：目标理解、任务拆解、Skill 选择、结果组织\n\n## 能力编排流程\n\n```\n用户目标\n  → Agent 理解与规划\n    → Skill 选择\n      → Tool 调用\n        → 结果组织\n          → 用户确认 / 人工接管\n```\n\n如果这条链路里任何一层边界不清，Agent 就会退化成大黑盒。\n\n## Skill 设计原则\n\n### 1. 能力可拆分\n\n把复杂任务拆成独立、可复用的能力单元。例如：\n\n- 查询订单 → 解释物流状态 → 判断是否需要升级人工\n\n### 2. 边界可治理\n\n每个 Skill 必须有清晰的：\n\n- 输入范围：接受什么、不接受什么\n- 输出约束：返回什么格式、什么精度\n- 失败条件：什么情况下必须回退或交还给人\n\n### 3. 执行可回退\n\n每个 Skill 必须有明确的回退机制：\n\n- 失败时如何回退\n- 超时时如何处理\n- 结果不可信时如何降级\n\n## 技术层 vs 方法层\n\n技术层会持续变化：\nn- 单智能体 vs 多智能体\n- Planner / Executor / Router 等不同编排结构\n- Function Calling vs MCP 等不同动作连接方式\n- 提示词技能 vs 代码技能的不同封装方式\n\n方法层更长期稳定：\nn- 能力如何拆分\n- 调用如何授权\n- 执行如何回退\n- 过程如何观测\n- 责任如何界定\n\n## 输出物：能力编排方案\n\n1. **任务拆解图**：复杂任务如何拆成子任务\n2. **Agent 角色定义**：目标理解、任务规划、Skill 选择、结果组织\n3. **Skill 清单**：每个 Skill 的输入、输出、失败条件\n4. **Tool 映射**：每个 Skill 调用哪些 Tool\n5. **边界与回退设计**：什么情况下必须停下并交还给人\n\n## 使用方式\n\n当用户提供任务场景时，自动执行：\n\n1. 判断是否真的需要 Agent（还是单轮问答就足够）\n2. 将复杂任务拆解为子任务\n3. 为每个子任务设计 Skill（输入、输出、失败条件）\n4. 映射 Skill 到具体 Tool\n5. 设计 Agent 的任务编排逻辑\n6. 设计边界与回退机制\n7. 输出能力编排方案\n\n## 示例\n\n### 示例1：AI 客服任务编排设计\n\n**场景描述**：\n用户说\"我的订单怎么还没到货\"，系统需要完成多步骤任务。\n\n**用户输入**：\n\"我的订单怎么还没到货？已经等了5天了\"\n\n**Skill 执行流程**：\n\n1. **判断是否需要 Agent**\n   - ❌ 单轮问答：只回答\"一般配送时间是3-7天\"\n   - ✅ 需要 Agent：查询订单→查物流→判断异常→提供解决方案\n\n2. **任务拆解**\n\n```\n用户目标：了解订单未到货原因并解决\n  ├─ 步骤1：识别用户身份和订单号\n  ├─ 步骤2：查询订单状态\n  ├─ 步骤3：查询物流轨迹\n  ├─ 步骤4：判断异常类型\n  └─ 步骤5：提供解决方案或升级\n```\n\n3. **Skill 设计**\n\n| Skill | 输入 | 输出 | Tool | 失败条件 |\n|-------|------|------|------|----------|\n| IdentifyUser | 会话上下文 | 用户ID、身份置信度 | CRM查询 | 置信度<0.8时请求确认 |\n| QueryOrder | 用户ID、时间范围 | 订单列表 | 订单系统 | 无订单时给出引导 |\n| TrackLogistics | 订单号 | 物流状态、轨迹 | 物流系统 | 超时未返回时降级 |\n| AnalyzeException | 物流状态 | 异常类型、原因 | 规则引擎 | 无法归类时标记\"未知\" |\n| GenerateResponse | 异常类型 | 回复内容、建议动作 | - | 高风险时转人工 |\n\n4. **Agent 编排逻辑**\n\n```yaml\nAgent: CustomerServiceAgent\n目标理解: \"用户询问订单未到货原因\"\n任务规划:\n  - 先执行 IdentifyUser（若失败则请求确认）\n  - 再执行 QueryOrder（若多订单则请用户选择）\n  - 然后执行 TrackLogistics\n  - 根据物流状态决定后续:\n      - 正常运输中 → GenerateResponse(解释预计时间)\n      - 物流异常 → GenerateResponse(说明异常+解决方案)\n      - 丢件/破损 → 标记升级人工\n技能选择策略: 按依赖顺序串行执行，每步检查失败条件\n结果组织: 结构化回复 + 可选操作按钮\n```\n\n5. **边界与回退设计**\n\n| 场景 | 边界规则 | 回退动作 |\n|------|----------|----------|\n| 用户身份不确定 | 置信度<0.8 | 请求提供手机号/订单号 |\n| 订单查询失败 | 系统超时 | 告知\"系统繁忙\"并提供自助链接 |\n| 物流信息缺失 | 3PL未返回 | 提供官方物流查询方式 |\n| 涉及赔付/退款 | 高风险承诺 | 必须人工确认 |\n| 用户情绪升级 | 检测到负面情绪 | 自动转人工 |\n\n**输出结果**：\n\n```yaml\n# 能力编排方案：AI 客服 Agent\n\nAgent:\n  name: CustomerServiceAgent\n  role: 客服任务编排与协调\n  objectives:\n    - 理解用户问题\n    - 查询相关信息\n    - 提供准确回答\n    - 控制服务风险\n\nSkills:\n  - name: IdentifyUser\n    input: [user_message, session_id]\n    output: \n      user_id: string\n      confidence: float\n    failure: confidence < 0.8\n    fallback: request_explicit_identification\n\n  - name: QueryOrder  \n    input: [user_id, time_range=\"30d\"]\n    output:\n      orders: [{id, status, amount, items}]\n    failure: orders.length == 0\n    fallback: guide_no_order\n\n  - name: TrackLogistics\n    input: [order_id]\n    output:\n      status: enum[运输中,已签收,异常]\n      events: [{time, location, status}]\n    failure: timeout > 5s\n    fallback: provide_official_tracking_link\n\n  - name: AnalyzeException\n    input: [logistics_status, events]\n    output:\n      exception_type: enum[延迟,丢件,破损,其他]\n      severity: enum[低,中,高]\n    failure: exception_type == \"其他\"\n    fallback: mark_unknown_escalate\n\n  - name: GenerateResponse\n    input: [analysis_result, user_intent]\n    output:\n      message: string\n      actions: [{type, label, payload}]\n      risk_level: enum[低,中,高]\n    failure: risk_level == \"高\"\n    fallback: escalate_to_human\n\nTools:\n  CRM.query: 用户信息查询\n  OrderSystem.query: 订单状态查询\n  Logistics.track: 物流轨迹查询\n  RuleEngine.classify: 异常类型判断\n\n边界控制:\n  max_turns: 10\n  escalation_triggers:\n    - risk_level == \"高\"\n    - user_sentiment < -0.5\n    - mention_keywords: [\"投诉\", \"法院\", \"媒体\"]\n    - 连续3次未能解决问题\n```\n\n---\n\n### 示例2：AIOps 故障诊断编排\n\n**场景描述**：\n告警系统收到多条告警，需要自动诊断并提供分诊建议。\n\n**用户输入**：\n\"收到告警：服务A响应超时、数据库连接池耗尽、CPU使用率95%\"\n\n**Skill 执行流程**：\n\n1. **任务拆解**\n\n```\n目标：分析告警并给出故障分诊建议\n  ├─ 步骤1：聚类告警（识别相关性）\n  ├─ 步骤2：查询服务依赖拓扑\n  ├─ 步骤3：检索相关日志\n  ├─ 步骤4：召回历史相似案例\n  ├─ 步骤5：生成故障摘要\n  └─ 步骤6：推荐处置优先级\n```\n\n2. **Skill 清单**\n\n| Skill | 功能 | 输入 | 输出 | Tool |\n|-------|------|------|------|------|\n| ClusterAlerts | 告警聚类 | 告警列表 | 告警组、根因候选 | 聚类算法 |\n| QueryDependency | 依赖查询 | 服务名 | 上下游服务图 | CMDB |\n| FetchLogs | 日志检索 | 服务+时间窗口 | 相关日志片段 | ELK |\n| RecallCases | 案例召回 | 告警特征 | 相似历史案例 | 向量检索 |\n| SummarizeFault | 故障摘要 | 多源信息 | 故障描述 | LLM |\n| RecommendAction | 处置建议 | 故障类型 | 优先级+建议 | 规则引擎 |\n\n3. **关键边界设计**\n\n```yaml\n高风险边界:\n  - 禁止技能: 任何直接操作生产的动作\n  - 输出性质: 永远是建议，不是命令\n  - 置信度阈值: <70% 时必须标注\"不确定，需人工确认\"\n  \n回退机制:\n  - 案例召回为空时: 标记\"无历史参考，依赖专家判断\"\n  - 日志查询失败时: 降级为\"基于告警的初步判断\"\n  - 多源信息冲突时: 列出矛盾点，不强行统一\n```\n\n**输出结果**：\n\n```yaml\n# 能力编排方案：AIOps 诊断 Agent\n\nAgent:\n  name: AIOpsDiagnosisAgent  \n  type: Observation-Only（仅观察，不执行）\n  principles:\n    - 只组织信息，不下达指令\n    - 只提供建议，不做决策\n    - 所有输出供参考，必须由工程师确认\n\nSkills:\n  ClusterAlerts:\n    input: [alerts, correlation_rules]\n    output: \n      clusters: [{root_alert, related_alerts}]\n      timeline: [event_sequence]\n\n  QueryDependency:\n    input: [service_name]\n    output:\n      upstream: [services]\n      downstream: [services]\n      impact_radius: string\n\n  FetchLogs:\n    input: [services, time_window=\"-30m,+5m\"]\n    output:\n      log_snippets: [text]\n      error_patterns: [{pattern, count}]\n\n  RecallCases:\n    input: [alert_signature, vectors]\n    output:\n      similar_cases: [{case_id, similarity, resolution}]\n      top_recommendation: string\n\n  SummarizeFault:\n    input: [clusters, logs, cases]\n    output:\n      summary: string\n      confidence: float\n      evidence_chain: [sources]\n\n  RecommendAction:\n    input: [fault_type, severity]\n    output:\n      priority: enum[P0,P1,P2]\n      suggested_actions: [strings]\n      escalation_path: string\n\n边界协议:\n  no_execution: true\n  confidence_threshold: 0.7\n  uncertainty_handling: explicit_flag\n  audit_required: true\n```","tags":["native","agent","skill","design","product","skills","gmaxxxie","agent-skills","ai-agent","ai-native","ai-product","methodology"],"capabilities":["skill","source-gmaxxxie","skill-ai-native-agent-skill-design","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-agent-skill-design","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 (7,272 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":"2026-05-18T18:57:23.308Z","embedding":null,"createdAt":"2026-05-01T01:02:48.993Z","updatedAt":"2026-05-18T18:57:23.308Z","lastSeenAt":"2026-05-18T18:57:23.308Z","tsv":"'+5':798 '-0.5':639 '-30':796 '0':536 '0.7':859 '0.8':398,465,515 '1':57,228,286,318,356,659 '10':631 '2':67,236,289,322,370,676 '3':71,249,297,324,384,717 '30d':527 '3pl未返回':474 '4':79,305,330,424 '5':86,312,335,458 '5s':558 '6':92,339 '7':97,341 '70':727 '7天':363 'act':153,160 'action':601,848 'agent':4,16,38,49,59,72,100,108,122,126,147,163,167,186,205,214,224,290,320,337,358,365,425,428,488,489,747,748 'agent/skill':54 'ai':2,7,25,29,45,124,345,486 'ai-native-agent-skill-design':1 'aiop':647,745 'aiopsdiagnosisag':750 'alert':767,773,775,810 'amount':532 'analysi':594 'analyzeexcept':412,565 'audit':864 'call':270 'case':815,816,827 'chain':834 'cluster':771,825 'clusteralert':684,765 'cmdb':694 'confid':511,514,831,857 'correl':768 'count':807 'cpu使用率95':656 'crm':180 'crm.query':620 'crm查询':396 'customerserviceag':429,491 'design':6 'downstream':786 'elk':700 'enum':548,573,579,607,843 'error':804 'escal':590,616,632,850 'event':552,569,777 'evid':833 'except':571,584 'execut':855 'executor':266 'explicit':518,862 'failur':513,534,556,583,611 'fallback':516,537,559,587,615 'fault':838 'fetchlog':695,791 'flag':863 'float':512,832 'function':269 'generaterespons':419,443,446,592 'guid':538 'handl':861 'human':618 'id':506,509,524,530,545,817 'identif':519 'identifyus':392,434,501 'impact':788 'input':502,522,543,566,593,766,780,792,809,824,837 'intent':597 'item':533 'keyword':641 'label':603 'level':606,613,635 'link':563 'llm':710 'locat':554 'log':801,826 'logist':567 'logistics.track':624 'm':797,799 'mark':588 'max':629 'mcp':272 'mention':640 'messag':504,599 'n':261,278 'name':490,500,520,541,564,591,749,782 'nativ':3,8,26,30 'object':494 'observ':753 'observation-on':752 'offici':561 'order':529,540,544 'orders.length':535 'ordersystem.query':622 'output':507,528,546,570,598,770,783,800,813,828,841 'p0':844 'p1':845 'p2':846 'path':851 'pattern':805,806 'payload':604 'plan':151,158 'planner':265 'principl':757 'prioriti':842 'prompt':62,142 'provid':560 'querydepend':690,779 'queryord':400,437,521 'radius':789 'rag':63,143 'rang':526 'reason':149,156 'recallcas':701,808 'recommend':821 'recommendact':711,836 'relat':774 'request':517 'requir':865 'resolut':819 'result':595 'risk':605,612,634 'role':492 'root':772 'router':267 'rule':769 'ruleengine.classify':626 'sentiment':638 'sequenc':778 'servic':781,785,787,793 'session':505 'sever':578,840 'signatur':811 'similar':814,818 'skill':5,11,13,18,32,36,47,76,80,83,90,102,112,168,181,190,200,209,216,226,239,252,294,298,301,309,326,332,354,385,387,499,657,677,679,764 'skill-ai-native-agent-skill-design' 'snippet':802 'sourc':835 'source-gmaxxxie' 'status':531,547,555,568 'string':510,600,790,822,830,849,852 'suggest':847 'summari':829 'summarizefault':706,823 'text':803 'threshold':858 'time':525,553,794 'timelin':776 'timeout':557 'tool':20,87,104,115,170,175,192,195,218,306,311,334,390,619,683 'top':820 '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' 'track':562 'tracklogist':406,440,542 'trigger':633 'true':856,866 'turn':630 'type':572,585,602,751,839 'uncertainti':860 'unknown':589 'upstream':784 'user':503,508,523,596,637 'vector':812 'vs':258,263,271,275 'window':795 'workflow':65,145 'yaml':427,484,719,743 '一般配送时间是3':362 '一般配送时间是3-7天':361 '三个动作对应三种难点':155 '上下游服务图':693 '不下达指令':759 '不做决策':761 '不强行统一':741 '不执行':756 '不接受什么':243 '不是命令':725 '不是所有':123 '不确定':729 '与':169 '丢件':449,575 '中':581,609 '中间步骤可能失败':135 '为每个子任务设计':82,325 '了解订单未到货原因并解决':373 '产品从单轮问答升级到多步任务编排':50 '产品方法论':9,27 '产品都需要':125 '产品需要从单轮问答进化到多步任务推进':34 '人工接管':222 '什么情况下必须停下并交还给人':314 '什么情况下必须回退或交还给人':248 '什么时候真的需要':121 '什么精度':246 '仅观察':755 '代码技能的不同封装方式':276 '以下场景通常需要':127 '任何一环不稳定':162 '任何直接操作生产的动作':722 '任务层面编排技能与工具':187 '任务拆解':15,68,208,371,660 '任务拆解图':287 '任务规划':75,293,432 '任务需要多步骤完成':130 '优先级':714 '会话上下文':393 '但做不成事':166 '低':580,608 '何时必须停下并把控制权交还给人':41,120 '使用场景':33 '使用方式':315 '例如':232 '例子':174 '依赖专家判断':735 '依赖查询':691 '做一类事':201 '做具体事':196 '先执行':433 '关键边界设计':718 '其他':577,586 '具体工具或系统接口':176 '再执行':436 '写入':199 '决定做哪些事':206 '分工原则':194 '分析任务特征':60 '分析告警并给出故障分诊建议':662 '列出矛盾点':740 '判断异常':368 '判断异常类型':381 '判断是否真的需要':58,319 '判断是否需要':357 '判断是否需要升级人工':235 '到具体':333 '功能':680 '单智能体':262 '单次分类':140 '单次总结':139 '单轮问答':359 '原因':415 '只回答':360 '只提供建议':760 '只组织信息':758 '召回历史相似案例':671 '可以推进到哪里':40 '可复用的能力单元':231 '可被调用的具体接口':116 '可选操作按钮':457 '向量检索':705 '告知':470 '告警列表':686 '告警特征':703 '告警系统收到多条告警':650 '告警组':687 '告警聚类':685 '和任务编排层':37 '回复内容':421 '回退动作':462 '回退机制':731 '围绕一类任务封装的可复用能力单元':113 '围绕某类任务封装的能力模块':182 '场景':460 '场景描述':347,649 '基于':24 '基于告警的初步判断':738 '处置建议':712 '复杂任务如何拆成子任务':288 '多智能体':264 '多源信息':708 '多源信息冲突时':739 '失败时如何回退':254 '失败条件':247,304,329,391 '如果只是单轮问答':138 '如果只是单轮问答或单次分类':61 '如果这条链路里任何一层边界不清':223 '媒体':644 '定义':173 '定义什么情况下必须停下并交还给人':94 '定义目标理解':74 '客服':487 '客服任务编排与协调':493 '客服任务编排设计':346 '客服问题归因':183 '封装任务逻辑':202 '将复杂任务拆解为可独立执行的子任务':69 '将复杂任务拆解为子任务':323 '将每个':89 '就会退化成大黑盒':225 '就足够':146 '层级':172 '工具':114 '已签收':550 '已经等了5天了':353 '并提供自助链接':472 '延迟':574 '建议':715 '建议动作':422 '异常':551 '异常类型':414,420 '异常类型判断':627 '当用户提供任务场景时':316 '当用户提到以下任一场景时触发':43 '形成任务拆解图':70 '必须人工确认':479 '必须有明确的回退机制':253 '必须有清晰的':240 '必须由工程师确认':763 '我的订单怎么还没到货':349,352 '或':48 '或固定':64,144 '所有输出供参考':762 '执行动作':154 '执行可回退':250 '执行如何回退':281 '执行步骤':56 '执行流程':355,658 '技术层':257 '技术层会持续变化':260 '技能单元':111 '技能选择策略':452 '把复杂任务拆成独立':230 '投诉':642 '拆分':19 '拆解任务':132,152 '按依赖顺序串行执行':453 '接受什么':242 '控制服务风险':498 '推荐处置优先级':675 '提供准确回答':497 '提供官方物流查询方式':475 '提供解决方案':369 '提供解决方案或升级':383 '提示词技能':274 '收到告警':653 '故障描述':709 '故障摘要':707 '故障类型':713 '故障诊断编排':648 '数据库连接池耗尽':655 '整合任务拆解图':99 '方法层':259 '方法层更长期稳定':277 '无历史参考':734 '无法归类时标记':417 '无订单时给出引导':405 '日志查询失败时':736 '日志检索':696 '时必须标注':728 '时请求确认':399 '时间窗口':698 '时间范围':402 '明确输入范围':84 '映射':21,88,307,331 '映射到具体的系统接口或外部工具':91 '映射和边界设计':105 '智能体':107 '智能体与技能单元设计':31 '智能体与技能单元设计的实操':10 '智能体可以推进到哪里':119 '智能体边界':118 '最终都会退化成':164 '服务':697 '服务a响应超时':654 '服务名':692 '未知':418 '查物流':367 '查询':197 '查询服务依赖拓扑':667 '查询物流轨迹':379 '查询相关信息':496 '查询订单':177,233,366 '查询订单状态':377 '标记':733 '标记升级人工':451 '核心概念':106 '根因候选':688 '根据物流状态决定后续':441 '案例召回':702 '案例召回为空时':732 '检测到负面情绪':481 '检索日志':178 '检索相关日志':669 '正常运输中':442 '步骤1':374,663 '步骤2':376,666 '步骤3':378,668 '步骤4':380,670 '步骤5':382,672 '步骤6':674 '每个':238,251,300,308 '每步检查失败条件':454 '永远是建议':724 '法院':643 '涉及赔付':476 '清单':103,299,678 '然后执行':439 '物流信息缺失':473 '物流异常':445 '物流状态':408,413 '物流系统':410 '物流轨迹查询':625 '理解与规划':215 '理解用户问题':188,495 '理解目标':131,150 '生成故障摘要':673 '用户id':394,401 '用户信息查询':621 '用户情绪升级':480 '用户提供任务场景':12 '用户提出的不是单一问题':128 '用户目标':213,372 '用户确认':221 '用户询问订单未到货原因':431 '用户说':348 '用户身份不确定':463 '用户输入':351,652 '的任务编排逻辑':338 '的关系':171 '的基本结构':148 '的输入':302 '目标':661 '目标理解':207,292,430 '相似历史案例':704 '相关日志片段':699 '破损':450,576 '示例':343 '示例1':344 '示例2':646 '禁止技能':721 '第12章':28 '等不同动作连接方式':273 '等不同编排结构':268 '系统是否真正理解了用户目标':157 '系统是否能在真实环境中可靠完成动作':161 '系统是否能把复杂任务拆成可执行步骤':159 '系统繁忙':471 '系统能力或外部动作':117 '系统超时':469 '系统需要完成多步骤任务':350 '组织结果':134,193 '经营指标解释':185 '结构化回复':456 '结果不可信时如何降级':256 '结果组织':211,220,296,455 '结果组织四个核心职责':78 '编排能力与调用动作的系统层':110 '编排逻辑':426 '置信度':397,464 '置信度阈值':726 '而是一项任务':129 '聚类告警':664 '聚类算法':689 '能力可拆分':229 '能力如何拆分':279 '能力封装成可复用的':46 '能力编排方案':285,485,744 '能力编排流程':212 '自动执行':317 '自动执行能力编排设计流程':14 '自动转人工':482 '若多订单则请用户选择':438 '若失败则请求确认':435 '规则引擎':416,716 '角色分工或边界控制':52 '角色定义':17,73,101,291 '解决方案':448 '解释物流状态':234 '解释预计时间':444 '触发条件':42 '订单列表':403 '订单号':407,467 '订单查询失败':468 '订单状态查询':623 '订单系统':404 '设计':81,336,386 '设计原则':227 '设计回退':95 '设计方案或架构文档':55 '设计智能体的任务拆解':51 '设计边界与回退机制':340 '评估标准':204 '识别用户身份和订单号':375 '识别相关性':665 '诊断':746 '说得很多':165 '说明异常':447 '请求提供手机号':466 '调用':179,191,198,219 '调用哪些':310 '调用如何授权':280 '调用工具':133 '责任如何界定':283 '超时时如何处理':255 '超时未返回时降级':411 '身份置信度':395 '轨迹':409 '输入':327,388,681 '输入范围':241 '输入输出约束':203 '输出':53,303,328,389,682 '输出性质':723 '输出物':284 '输出约束':244 '输出约束和失败条件':85 '输出结果':483,742 '输出能力编排方案':23,98,342 '边界与回退设计':22,93,313,459 '边界协议':853 '边界可治理':237 '边界控制':628 '边界规则':461 '过程如何观测':282 '运维告警诊断':184 '运输中':549 '返回什么格式':245 '还是单轮问答就足够':321 '连续3次未能解决问题':645 '退款':477 '选择':77,189,210,217,295 '通常':141 '通常就足够':66 '重试或请求补充信息':137 '降级为':737 '降级和超时处理机制':96 '需人工确认':730 '需要':364 '需要回退':136 '需要把':44 '需要明确智能体的边界':39 '需要自动诊断并提供分诊建议':651 '需要设计可复用的能力模块':35 '面向目标组织任务':109 '高':582,610,614,636 '高风险承诺':478 '高风险时转人工':423 '高风险边界':720","prices":[{"id":"62b42d9a-1296-4b08-97dc-66575a1f3277","listingId":"c7b23b81-47c8-4645-bb93-574cad1c71c3","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":"2026-05-01T01:02:48.993Z"}],"sources":[{"listingId":"c7b23b81-47c8-4645-bb93-574cad1c71c3","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/ai-native-agent-skill-design","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/ai-native-agent-skill-design","isPrimary":false,"firstSeenAt":"2026-05-01T01:02:48.993Z","lastSeenAt":"2026-05-18T18:57:23.308Z"}],"details":{"listingId":"c7b23b81-47c8-4645-bb93-574cad1c71c3","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"ai-native-agent-skill-design","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":"b1eed7fb5e863867820239bc813777df74be0bfd","skill_md_path":"skills/ai-native-agent-skill-design/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/ai-native-agent-skill-design"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"ai-native-agent-skill-design","description":"AI Native 产品方法论——智能体与技能单元设计的实操 Skill。\n用户提供任务场景，Skill 自动执行能力编排设计流程：\n任务拆解 → Agent 角色定义 → Skill 拆分 → Tool 映射 → 边界与回退设计 → 输出能力编排方案。\n基于《AI Native 产品方法论》第12章。"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/ai-native-agent-skill-design"},"updatedAt":"2026-05-18T18:57:23.308Z"}}