{"id":"f1c1d6ec-ed6c-4cea-9dd6-64a0bacba825","shortId":"LYx9qT","kind":"skill","title":"p13c-product-psychology","tagline":"产品心理学——用户心理模型、行为设计、动机分析","description":"# 产品心理学 Skill\n\n## 适用场景\n- 用户行为不符合理性预期\n- 需要理解用户的非理性决策\n- 产品设计涉及习惯、情绪、认知偏差\n\n## 输入\n| 字段 | 说明 |\n|------|------|\n| user_behavior | 观察到的用户行为 |\n| stated_intent | 用户表达的需求/意图 |\n| product_context | 产品功能/场景 |\n\n## 输出\n- 心理模型分析\n- 行为驱动因素清单\n- 设计建议\n\n## 工作流程\n1. **行为观察**：客观记录用户做了什么（而非说了什么）\n2. **动机推断**：推断行为背后的心理需求（安全感/归属感/成就感等）\n3. **偏差识别**：识别可能影响判断的认知偏差（锚定/确认/损失厌恶等）\n4. **设计映射**：将心理洞察转化为产品设计建议\n\n## 注意事项\n- 用户说的\"为什么\"往往不可信——观察行为更重要\n- 区分\"情绪\"与\"需求\"——情绪是即时状态，需求是深层动机\n\n## 核心概念\n\n### 1. AI 适配性 vs AI 冲动\nAI 冲动的典型特征：先有技术名词再找场景、先想演示效果再想真实使用、先讨论模型功能再回头补问题定义、一看到人工步骤就本能地想自动化。AI 适配性完全不同——它关心的是\"AI 在这里到底是不是正确的解法\"。一个问题值得解决，不代表它适合用 AI 解决。很多时候问题更适合用更清晰的流程、更少的字段、更好的默认项、更直接的规则引擎来解决，硬翻译成 AI 项目只会得到更贵、更不稳定、更难解释、更难交付的版本。\n\n### 2. \"如果没有 AI，这个问题还存在吗\"\n这是判断 AI 适配性最有效的一句话。如果答案是\"不太存在\"，那你很可能不是在解决问题，而是在给新技术找展示舞台。一个真问题即使没有 AI，也往往已经以某种成本存在很久了——它可能让人反复绕路、反复返工、反复等待、反复失误。AI 只是在这个基础上提供一种可能的更好解法，而不是凭空制造问题存在感。\n\n### 3. AI 适配性五问\n判断一个问题适不适合 AI 解决的五道关：(1) 这是语言、知识或判断辅助问题吗？AI 擅长处理文本、语义、上下文和模式识别。(2) 错误代价高吗？错了会影响金钱/合规/安全/信誉的任务更适合停留在辅助层。(3) 结果可验证吗？用户能否在低成本情况下发现并纠正错误？(4) 能回退吗？用户可以撤销、改写、跳回人工吗？(5) 用户愿意把它交给 AI 吗？用户愿意交的是哪一步？\n\n### 4. 非 AI 解法是判断基线\n非 AI 解法不是为了证明 AI 不必要，而是为了建立比较基线。写非 AI 解法会逼你看见三件事：问题是不是其实可以被更简单地解决、AI 的真实增量到底在哪里、如果最后还是要用 AI 它应该放在任务链的哪一段。一个成熟团队不是排斥 AI，而是不允许 AI 逃避比较。\n\n### 5. 五类最适合 AI 的任务\n(1) 信息理解类：邮件理解、工单分类、文档摘要、关键信息提取。(2) 内容生成类：回复草稿、话术、报告初稿。(3) 知识检索与问答类：查制度、查产品知识、查 SOP。(4) 决策辅助类：优先级建议、风险提示、审核建议。(5) 多步流程执行类：收到消息→分类→查知识库→生成回复→写回系统。高频、重复、非结构化、依赖语义理解、容错适中、能写回闭环的任务最值得优先 AI 化。\n\n## 深入核心概念\n\n### 1. 非AI解法不是保守，而是判断基线\n\n> \"非AI解法不是为了证明AI不必要，而是为了建立比较基线。你只有知道不用AI时能做到什么程度，才知道AI带来的增量到底值不值。\" ——书稿第3章\n\n写非AI解法会逼你看见三件事：问题是不是其实可以被更简单地解决、AI的真实增量到底在哪里、如果最后还是要用AI它应该放在任务链的哪一段。很多时候问题更适合用更清晰的流程、更少的字段、更好的默认项来解决，硬翻译成AI项目只会得到更贵、更不稳定、更难解释的版本。**应用**：对每个候选AI方向，先写一版非AI解法。如果非AI解法能解决八成问题，那AI的增量价值就需要非常明确才能证明引入的合理性。\n\n### 2. 结果可验证性决定人能不能接住AI\n\n> \"一个输出就算不完美，只要容易校验，问题通常都还可控。一个输出如果很难校验，就算看起来很聪明，也可能根本不适合进入真实流程。\" ——书稿第3章\n\n可验证性决定的不是模型好不好，而是人能不能在系统里稳稳地接住它。AI帮你总结会议，你能对照录音检查——可验证。AI给你\"很像专家判断\"的结论，使用者很难独立验证——风险完全不同。**应用**：对每个AI功能问一个实用问题——\"如果AI给出错误结果，使用者能否在低成本、低门槛的情况下发现并纠正？\"如果不能，这类问题就不适合轻易AI化，至少不能直接做成默认自动流程。\n\n### 3. 用户愿意交的是哪一步，而不是全交或全不交\n\n> \"用户愿意让AI帮自己起草，不代表愿意让AI直接发送。愿意让AI提醒，不代表愿意让AI拍板。\" ——书稿第3章\n\n绝大多数任务不是\"全交\"或\"全不交\"，而是分段交。如果把任务粗暴理解成\"用户愿不愿意让AI做\"，就会错过真正的采用机会——用户也许不愿意全交，但非常愿意把某一段交出来。判断AI适配性，最终要落到任务链上逐段判断。**应用**：把目标任务拆成连续步骤，逐段评估：用户在这一步愿不愿意交？错误后果有多重？用户有没有控制权？找到用户最愿意先交出的那一段，作为托付入口。\n\n## 分步执行\n\n### 步骤 1：剥掉技术想象，看问题本体\n拿到一个 AI 方向后，先问\"如果没有 AI，这个问题还存在吗\"。如果答案是不太存在，停下来——你可能是在给新技术找舞台。如果存在，继续看传统解法做到什么程度、痛点在哪里。\n\n### 步骤 2：非 AI 基线对比\n写一版非 AI 解法：用更清晰的产品设计、规则引擎、流程优化、默认项改善能做到什么程度。如果非 AI 解法能解决八成问题，那 AI 的增量价值就需要非常明确才能证明引入的合理性。\n\n### 步骤 3：AI 适配性五问\n逐问评估：(1) 是否语言/知识/判断辅助问题？(2) 错误代价有多高？(3) 结果可验证吗？(4) 能回退吗？(5) 用户愿意交的是哪一步？如果五问中有两三项明显危险，就要非常克制。\n\n### 步骤 4：任务链定位\n把问题拆成任务链，逐段判断哪些适合 AI、哪些适合规则引擎、哪些适合流程优化、哪些适合人工。AI 应该放在任务链的哪一段，而不是覆盖整条链。\n\n### 步骤 5：六维快筛\n对候选 AI 任务做快速筛选：频率高不高、重复性强不强、是否涉及非结构化信息、是否依赖人工经验判断但规则难写清、容错率高不高、能不能接进系统形成闭环。六项全过才是高优先级。\n\n## 示例 1：报销场景的 AI 适配性诊断\n\n**场景**：企业内部协作产品，很多客户反馈报销单据提交过程很慢，补充材料来回很多。团队提议做\"AI 报销助手\"。\n\n**诊断过程**：\n1. **剥掉技术想象**：没有 AI，这个问题还存在吗？→ 存在，报销慢的根因可能是字段重复、制度不清、不同部门口径不一、系统没打通。\n2. **非 AI 基线**：更直接的动作可能是删字段、改流程、接系统。\n3. **五问评估**：(1) 部分是语言问题（识别票据），但主因是流程设计差。 (2) 错误代价高——直接影响财务合规。(3) 普通员工未必能判断 AI 推断是否靠谱。(4) 直接替用户提交或替财务预判通过会有危险。(5) 员工愿意让 AI 提醒缺什么，但不愿让 AI 替自己决定怎么填。\n4. **结论**：正确方向不是\"一口气做 AI 报销助手\"，而是把问题拆开——流程/字段设计问题、规则说明问题、知识检索问题、哪些才适合 AI 辅助。真正成立的可能只是\"自动识别票据信息+缺失项提醒\"。\n\n## 示例 2：AI 适配性六维快筛对比\n\n**场景**：团队有三个 AI 功能候选方向，需要快速筛出最值得做的。\n\n| 维度 | 智能客服回复 | AI 周报生成 | AI 审批判断 |\n|------|------------|------------|------------|\n| 频率高不高 | ✅ 每天数十次 | ⚠️ 每周一次 | ⚠️ 不定 |\n| 重复性强不强 | ✅ 高度重复 | ✅ 模板性强 | ❌ 每次差异大 |\n| 非结构化信息 | ✅ 客户消息 | ✅ 会议/数据 | ⚠️ 部分 |\n| 规则难写清 | ✅ 需理解语义 | ⚠️ 有模板可循 | ❌ 规则明确 |\n| 容错率 | ✅ 可人工审核 | ✅ 可修改 | ❌ 错误代价高 |\n| 能接系统闭环 | ✅ 写回 CRM | ✅ 发到群/邮件 | ⚠️ 需权限对接 |\n| **结论** | **最值得做** | **适合嵌入** | **不适合 AI 化** |\n\n**分析**：智能客服回复六项全过，是高优先级。AI 周报生成适合嵌入现有工具而非独立产品。AI 审批判断错误代价高、规则明确，更适合规则引擎。\n\n## 三类不适合一上来就交给 AI 的任务\n\n### 第一类：纯规则、纯确定性任务\n固定字段校验、简单审批流转、确定公式计算、固定条件触发通知。这类任务更适合规则引擎、普通工作流或 RPA。不是 AI 做不了，而是没必要——会引入更高成本和更高不稳定性，却不一定换来真正增量。\n\n### 第二类：高风险且要求绝对准确的决策\n财务打款最终审批、法务最终结论、医疗诊断结论、强合规风控判罚、核心权限开通关闭。AI 可以参与辅助，但不适合全自动拍板。因为真正稀缺的不是\"先给个答案\"，而是责任边界和后果承接。\n\n### 第三类：数据太少、流程本身不稳定的场景\n如果流程天天在变、没有标准输入、没有清晰输出、连业务方自己都说不清目标，就不适合一上来做自动化。很多团队误以为是 AI 不够强，实际上是流程自己还没被整理到可以被自动化的程度。\n\n## AI 适配性诊断表\n\n| 维度 | 高适配 | 低适配 |\n|------|--------|--------|\n| 任务类型 | 语言/知识/判断辅助 | 纯规则/物理操作/情感沟通 |\n| 信息结构 | 非结构化、语义密集 | 结构化、公式化 |\n| 错误代价 | 低到中等（可纠正） | 高（影响合规/安全/信誉） |\n| 结果可验证 | 容易对照原文/事实 | 难以独立验证 |\n| 回退成本 | 低（可撤销/改写） | 高（不可逆/扩散） |\n| 用户意愿 | 愿意让 AI 先起草 | 不愿交出任何判断 |\n| 频率 | 高频重复 | 低频一次性 |\n| 人工现状 | 人工耗时且规则难写清 | 人工已高效或规则明确 |\n\n## 5 分钟练习\n\n回看你最近最想做的一个 AI 功能，写下这六句话：\n\n1. 如果没有 AI，这个问题还存在吗。\n2. 我能不能写出一个更简单的非 AI 解法。\n3. 这个场景里，AI 真正增加的价值是什么。\n4. 如果 AI 错了，后果有多大，谁来承担。\n5. 用户能不能发现错误、纠正错误、退出 AI。\n6. 用户愿意把任务链中的哪一步交给 AI，而不是哪一步都交。\n\n把这六句话写清楚，你通常会看到两种结果中的一种。\n\n要么你确认了：这确实是个适合 AI 的问题。\n\n要么你终于看清：你原来想做的，其实只是一个被 AI 包装得很好看的旧问题。\n\n## 错误代价深度评估\n\n错误代价是 AI 适配性判断中最容易被低估的一问。\n\n### 错误代价分级\n\n| 等级 | 定义 | 典型场景 | AI 进入策略 |\n|------|------|---------|------------|\n| 极低 | 多花几分钟，可快速纠正 | 文案润色、格式调整 | 可全自动 |\n| 低 | 多一轮确认，不影响业务 | 邮件起草、会议摘要 | AI 先做，人审核 |\n| 中 | 影响效率或体验，可回退 | 客服回复、工单分类 | AI 建议，人确认 |\n| 高 | 影响金钱/客户关系/合规 | 合同审核、风险评估 | AI 辅助，人决策 |\n| 极高 | 影响安全/法律/核心权限 | 财务打款、医疗诊断 | AI 仅供参考 |\n\n### 容错空间设计\n\n即使错误代价不低，也可以通过设计容错空间来降低风险：\n\n1. **分层交付**：AI 先给草稿，人审核后才生效\n2. **置信度标注**：对不确定的输出标注置信度\n3. **回退路径**：随时可以撤销、改写、跳回人工\n4. **渐进托付**：先低风险场景，再高风险场景\n5. **异常检测**：自动识别可能出错的输出并标记\n\n## 六维快筛详细操作指南\n\n### 维度 1：频率高不高\n\n| 高频信号 | 低频信号 |\n|---------|---------|\n| 每天发生多次 | 每月偶尔发生 |\n| 影响大部分用户 | 只影响少数场景 |\n| 是核心工作流的一部分 | 是边缘场景 |\n\n### 维度 2：重复性强不强\n\n| 高重复信号 | 低重复信号 |\n|-----------|-----------|\n| 客服常见问题 | 每次内容差异大 |\n| 定期报表 | 涉及创意判断 |\n| 固定格式的输入 | 输入高度非标准化 |\n\n### 维度 3：是否涉及非结构化信息\n\n| 适合 AI | 不适合 AI |\n|---------|----------|\n| 自然语言文本 | 结构化数据 |\n| 语音、图片 | 固定格式表单 |\n| 邮件、聊天记录 | 数字计算 |\n| 文档、报告 | 布尔判断 |\n\n### 维度 4：规则是否难写清\n\n| 难写清（适合 AI） | 容易写清（适合规则引擎） |\n|-------------------|------------------------|\n| 理解客户意图 | 字段格式校验 |\n| 判断邮件重要性 | 审批流程流转 |\n| 提炼文档重点 | 权限判断 |\n| 识别情感倾向 | 固定条件触发 |\n\n### 维度 5：容错率高不高\n\n| 高容错（适合 AI） | 低容错（需谨慎） |\n|-------------------|-----------------|\n| 草稿生成 | 财务审批 |\n| 信息摘要 | 合同签署 |\n| 分类建议 | 权限变更 |\n| 探索性搜索 | 合规判断 |\n\n### 维度 6：能否接系统闭环\n\n| 能闭环 | 不能闭环 |\n|--------|---------|\n| API 写回 CRM | 只能展示不能操作 |\n| webhook 触发后续流程 | 结果需要人工搬运 |\n| 自动更新数据库 | 无法接入现有系统 |\n\n## AI 适配性典型场景深度分析\n\n### 场景 1：智能客服回复\n\n| 维度 | 评估 | 说明 |\n|------|------|------|\n| 频率 | ✅ 高 | 每天数十到数百次 |\n| 重复 | ✅ 高 | 80% 是常见问题 |\n| 非结构化 | ✅ 是 | 客户消息是自然语言 |\n| 规则难写清 | ✅ 是 | 需要理解语义和上下文 |\n| 容错 | ✅ 可控 | 可人工审核后发送 |\n| 闭环 | ✅ 能 | 可写回客服系统 |\n| **结论** | **高适配** | 六维全过，值得优先做 |\n\n### 场景 2：AI 自动审批\n\n| 维度 | 评估 | 说明 |\n|------|------|------|\n| 频率 | ⚠️ 中 | 不定，取决于业务量 |\n| 重复 | ❌ 低 | 每次情况差异大 |\n| 非结构化 | ⚠️ 部分 | 有结构化字段也有文本 |\n| 规则难写清 | ❌ 否 | 规则相对明确 |\n| 容错 | ❌ 低 | 错误代价高 |\n| 闭环 | ⚠️ 需对接 | 需要权限系统配合 |\n| **结论** | **低适配** | 多项不过，适合规则引擎 |\n\n### 场景 3：知识库问答\n\n| 维度 | 评估 | 说明 |\n|------|------|------|\n| 频率 | ✅ 高 | 员工/客户每天查询 |\n| 重复 | ✅ 高 | 问题有规律可循 |\n| 非结构化 | ✅ 是 | 知识文档是非结构化的 |\n| 规则难写清 | ✅ 是 | 需要理解语义匹配 |\n| 容错 | ✅ 可控 | 可标注来源、可人工纠正 |\n| 闭环 | ✅ 能 | 可接入 IM/工单系统 |\n| **结论** | **高适配** | 六维全过，适合 RAG 方案 |\n\n## 任务链拆分示例\n\n将复杂场景拆成任务链，逐段判断 AI 适配性：\n\n### 客服回复任务链\n\n```\n收到客户消息\n  → 意图识别 [AI: 高适配]\n  → 情绪判断 [AI: 高适配]\n  → 查询知识库 [AI+规则: 混合适配]\n  → 生成回复草稿 [AI: 高适配]\n  → 审核回复 [人: 必须]\n  → 发送回复 [规则: 按风险等级决定]\n  → 更新客户记录 [规则: 自动写入]\n```\n\n### 销售跟进任务链\n\n```\n会议结束\n  → 整理会议笔记 [AI: 高适配]\n  → 提取关键承诺 [AI: 高适配]\n  → 生成跟进邮件 [AI: 高适配]\n  → 审核邮件 [人: 必须]\n  → 发送邮件 [规则: 自动发送]\n  → 更新 CRM [规则: API 写入]\n  → 设置提醒 [规则: 自动触发]\n```\n\n## AI 适配性诊断速查表\n\n| 任务类型 | 典型场景 | AI 适配度 | 关键风险 |\n|---------|---------|----------|---------|\n| 信息理解 | 邮件分类、文档摘要 | 高 | 误分类 |\n| 内容生成 | 文案、报告、话术 | 高 | 质量不稳定 |\n| 知识问答 | 制度查询、产品知识 | 高 | 幻觉 |\n| 决策辅助 | 优先级建议、风险提示 | 中 | 被误信 |\n| 多步流程 | 自动化工作流 | 中 | 链路断裂 |\n| 固定规则 | 字段校验、审批流转 | 低 | 不如规则引擎 |\n| 高风险判断 | 财务审批、医疗诊断 | 极低 | 错误代价极高 |","tags":["p13c","product","psychology","native","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native","ai-product","methodology"],"capabilities":["skill","source-gmaxxxie","skill-p13c-product-psychology","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/p13c-product-psychology","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 (7,562 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":"2026-05-18T18:57:29.728Z","embedding":null,"createdAt":"2026-05-01T01:02:55.977Z","updatedAt":"2026-05-18T18:57:29.728Z","lastSeenAt":"2026-05-18T18:57:29.728Z","tsv":"'1':36,67,125,179,217,297,336,376,388,407,597,687,709,797 '2':40,98,132,185,240,314,340,398,411,445,601,692,720,826 '3':46,119,138,190,267,332,342,405,414,605,695,731,856 '4':52,141,151,196,344,351,418,427,609,700,749 '5':146,175,201,346,363,420,591,615,704,765 '6':620,781 '80':807 'ai':68,71,73,79,82,86,93,100,103,110,116,120,123,128,148,153,156,158,162,165,168,171,173,177,214,301,305,316,319,326,329,333,355,359,366,378,385,391,400,416,422,425,431,439,446,450,455,457,490,495,497,502,515,527,542,545,582,594,599,603,607,611,619,622,628,633,637,643,656,664,673,682,689,734,736,753,769,794,827,892,897,900,903,907,921,924,927,943,947 'ai帮你总结会议':251 'ai的真实增量到底在哪里':227 'ai给你':254 'api':785,938 'behavior':21 'context':28 'crm':482,787,936 'im':881 'intent':24 'p13c':2 'p13c-product-psychology':1 'product':3,27 'psycholog':4 'rag':887 'rpa':513 'skill':10 'skill-p13c-product-psychology' 'sop':195 'source-gmaxxxie' 'state':23 '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' 'user':20 'vs':70 'webhook':789 '一个成熟团队不是排斥':170 '一个真问题即使没有':109 '一个输出如果很难校验':245 '一个输出就算不完美':242 '一个问题值得解决':84 '一口气做':430 '一看到人工步骤就本能地想自动化':78 '三类不适合一上来就交给':501 '上下文和模式识别':131 '不代表它适合用':85 '不代表愿意让ai拍板':273 '不代表愿意让ai直接发送':271 '不可逆':578 '不同部门口径不一':396 '不够强':543 '不太存在':106 '不如规则引擎':979 '不定':462,834 '不影响业务':653 '不必要':159 '不愿交出任何判断':584 '不是':514 '不能闭环':784 '不适合':489,735 '与':62 '中':659,833,969,973 '为什么':57 '也可以通过设计容错空间来降低风险':686 '也可能根本不适合进入真实流程':247 '也往往已经以某种成本存在很久了':111 '书稿第3章':224,248,274 '事实':571 '五类最适合':176 '五问评估':406 '产品功能':29 '产品心理学':5,9 '产品知识':963 '产品设计涉及习惯':14 '人':910,930 '人决策':675 '人审核':658 '人审核后才生效':691 '人工已高效或规则明确':590 '人工现状':588 '人工耗时且规则难写清':589 '人确认':666 '仅供参考':683 '任务做快速筛选':367 '任务类型':550,945 '任务链定位':352 '任务链拆分示例':889 '企业内部协作产品':381 '优先级建议':198,967 '会引入更高成本和更高不稳定性':518 '会议':469 '会议摘要':655 '会议结束':919 '但不愿让':424 '但不适合全自动拍板':529 '但主因是流程设计差':410 '但非常愿意把某一段交出来':284 '低':574,651,837,846,978 '低到中等':563 '低容错':770 '低适配':549,852 '低重复信号':723 '低门槛的情况下发现并纠正':263 '低频一次性':587 '低频信号':712 '作为托付入口':294 '你原来想做的':631 '你只有知道不用ai时能做到什么程度':222 '你可能是在给新技术找舞台':309 '你能对照录音检查':252 '你通常会看到两种结果中的一种':625 '使用者很难独立验证':257 '使用者能否在低成本':262 '依赖语义理解':211 '信息摘要':774 '信息理解':950 '信息理解类':180 '信息结构':557 '信誉':568 '信誉的任务更适合停留在辅助层':137 '值得优先做':824 '偏差识别':47 '做不了':516 '停下来':308 '先低风险场景':702 '先做':657 '先写一版非ai解法':237 '先想演示效果再想真实使用':76 '先有技术名词再找场景':75 '先给个答案':531 '先给草稿':690 '先讨论模型功能再回头补问题定义':77 '先起草':583 '先问':303 '全不交':278 '全交':276 '公式化':561 '六维全过':823,885 '六维快筛':364 '六维快筛详细操作指南':707 '六项全过才是高优先级':374 '关键信息提取':184 '关键风险':949 '其实只是一个被':632 '典型场景':642,946 '内容生成':955 '内容生成类':186 '再高风险场景':703 '写一版非':318 '写下这六句话':596 '写入':939 '写回':481,786 '写回系统':207 '写非':161 '写非ai解法会逼你看见三件事':225 '冲动':72 '冲动的典型特征':74 '决策辅助':966 '决策辅助类':197 '分层交付':688 '分析':492 '分步执行':295 '分类':204 '分类建议':776 '分钟练习':592 '判断ai适配性':285 '判断一个问题适不适合':122 '判断辅助':553 '判断辅助问题':339 '判断邮件重要性':758 '制度不清':395 '制度查询':962 '剥掉技术想象':298,389 '功能':595 '功能候选方向':451 '动机分析':8 '动机推断':41 '包装得很好看的旧问题':634 '化':215,491 '区分':60 '医疗诊断':681,982 '医疗诊断结论':524 '即使错误代价不低':685 '却不一定换来真正增量':519 '反复失误':115 '反复等待':114 '反复返工':113 '发到群':483 '发送回复':912 '发送邮件':932 '取决于业务量':835 '只影响少数场景':716 '只是在这个基础上提供一种可能的更好解法':117 '只能展示不能操作':788 '只要容易校验':243 '可人工审核':477 '可人工审核后发送':817 '可人工纠正':877 '可以参与辅助':528 '可修改':478 '可全自动':650 '可写回客服系统':820 '可回退':661 '可快速纠正':647 '可接入':880 '可控':816,875 '可撤销':575 '可标注来源':876 '可纠正':564 '可验证':253 '可验证性决定的不是模型好不好':249 '合同审核':671 '合同签署':775 '合规':135,670 '合规判断':779 '后果有多大':613 '吗':149 '否':843 '员工':863 '员工愿意让':421 '周报生成':456 '周报生成适合嵌入现有工具而非独立产品':496 '哪些才适合':438 '哪些适合人工':358 '哪些适合流程优化':357 '哪些适合规则引擎':356 '回复草稿':187 '回看你最近最想做的一个':593 '回退成本':573 '回退路径':696 '因为真正稀缺的不是':530 '团队提议做':384 '团队有三个':449 '固定字段校验':507 '固定条件触发':763 '固定条件触发通知':510 '固定格式的输入':728 '固定格式表单':741 '固定规则':975 '图片':740 '在这里到底是不是正确的解法':83 '场景':30,380,448,796,825,855 '基线':401 '基线对比':317 '多一轮确认':652 '多步流程':971 '多步流程执行类':202 '多花几分钟':646 '多项不过':853 '如果':610 '如果ai给出错误结果':261 '如果不能':264 '如果五问中有两三项明显危险':348 '如果存在':310 '如果把任务粗暴理解成':280 '如果最后还是要用':167 '如果最后还是要用ai它应该放在任务链的哪一段':228 '如果没有':99,304,598 '如果流程天天在变':536 '如果答案是':105 '如果答案是不太存在':307 '如果非':325 '如果非ai解法能解决八成问题':238 '字段':18 '字段校验':976 '字段格式校验':757 '字段设计问题':435 '存在':393 '它关心的是':81 '它可能让人反复绕路':112 '它应该放在任务链的哪一段':169 '安全':136,567 '安全感':43 '定义':641 '定期报表':726 '实际上是流程自己还没被整理到可以被自动化的程度':544 '审批判断':458 '审批判断错误代价高':498 '审批流程流转':759 '审批流转':977 '审核回复':909 '审核建议':200 '审核邮件':929 '客户关系':669 '客户每天查询':864 '客户消息':468 '客户消息是自然语言':811 '客服回复':662 '客服回复任务链':894 '客服常见问题':724 '客观记录用户做了什么':38 '容易写清':754 '容易对照原文':570 '容错':815,845,874 '容错率':476 '容错率高不高':372,766 '容错空间设计':684 '容错适中':212 '对不确定的输出标注置信度':694 '对候选':365 '对每个ai功能问一个实用问题':260 '对每个候选ai方向':236 '将复杂场景拆成任务链':890 '将心理洞察转化为产品设计建议':54 '就不适合一上来做自动化':540 '就会错过真正的采用机会':282 '就算看起来很聪明':246 '就要非常克制':349 '工作流程':35 '工单分类':182,663 '工单系统':882 '布尔判断':747 '幻觉':965 '应用':235,259,287 '应该放在任务链的哪一段':360 '建议':665 '异常检测':705 '强合规风控判罚':525 '归属感':44 '影响合规':566 '影响大部分用户':715 '影响安全':677 '影响效率或体验':660 '影响金钱':668 '往往不可信':58 '很像专家判断':255 '很多团队误以为是':541 '很多客户反馈报销单据提交过程很慢':382 '很多时候问题更适合用更清晰的流程':88,229 '心理模型分析':32 '必须':911,931 '情感沟通':556 '情绪':15,61 '情绪判断':899 '情绪是即时状态':64 '意图':26 '意图识别':896 '愿意让':581 '愿意让ai提醒':272 '成就感等':45 '我能不能写出一个更简单的非':602 '或':277 '才知道ai带来的增量到底值不值':223 '扩散':579 '找到用户最愿意先交出的那一段':293 '把目标任务拆成连续步骤':288 '把这六句话写清楚':624 '把问题拆成任务链':353 '报告':746,957 '报告初稿':189 '报销助手':386,432 '报销场景的':377 '报销慢的根因可能是字段重复':394 '拿到一个':300 '按风险等级决定':914 '损失厌恶等':51 '探索性搜索':778 '接系统':404 '推断是否靠谱':417 '推断行为背后的心理需求':42 '提取关键承诺':923 '提炼文档重点':760 '提醒缺什么':423 '擅长处理文本':129 '收到客户消息':895 '收到消息':203 '改写':144,576,698 '改流程':403 '数字计算':744 '数据':470 '数据太少':534 '整理会议笔记':920 '文案':956 '文案润色':648 '文档':745 '文档摘要':183,952 '方向后':302 '方案':888 '无法接入现有系统':793 '是':810,813,869,872 '是否依赖人工经验判断但规则难写清':371 '是否涉及非结构化信息':370,732 '是否语言':337 '是常见问题':808 '是核心工作流的一部分':717 '是边缘场景':718 '是高优先级':494 '普通员工未必能判断':415 '普通工作流或':512 '智能客服回复':454,798 '智能客服回复六项全过':493 '更不稳定':95,233 '更好的默认项':90 '更好的默认项来解决':231 '更少的字段':89,230 '更新':935 '更新客户记录':915 '更直接的动作可能是删字段':402 '更直接的规则引擎来解决':91 '更适合规则引擎':500 '更难交付的版本':97 '更难解释':96 '更难解释的版本':234 '替自己决定怎么填':426 '最值得做':487 '最终要落到任务链上逐段判断':286 '有模板可循':474 '有结构化字段也有文本':841 '权限判断':761 '权限变更':777 '极低':645,983 '极高':676 '查':194 '查产品知识':193 '查制度':192 '查知识库':205 '查询知识库':902 '核心权限':679 '核心权限开通关闭':526 '核心概念':66 '格式调整':649 '模板性强':465 '正确方向不是':429 '步骤':296,313,331,350,362 '每周一次':461 '每天发生多次':713 '每天数十到数百次':804 '每天数十次':460 '每月偶尔发生':714 '每次内容差异大':725 '每次差异大':466 '每次情况差异大':838 '没有':390 '没有标准输入':537 '没有清晰输出':538 '法务最终结论':523 '法律':678 '注意事项':55 '流程':434 '流程优化':323 '流程本身不稳定的场景':535 '涉及创意判断':727 '深入核心概念':216 '混合适配':905 '渐进托付':701 '物理操作':555 '理解客户意图':756 '生成回复':206 '生成回复草稿':906 '生成跟进邮件':926 '用户也许不愿意全交':283 '用户可以撤销':143 '用户在这一步愿不愿意交':290 '用户心理模型':6 '用户意愿':580 '用户愿不愿意让ai做':281 '用户愿意交的是哪一步':150,268,347 '用户愿意把任务链中的哪一步交给':621 '用户愿意把它交给':147 '用户愿意让ai帮自己起草':270 '用户有没有控制权':292 '用户能不能发现错误':616 '用户能否在低成本情况下发现并纠正错误':140 '用户行为不符合理性预期':12 '用户表达的需求':25 '用户说的':56 '用更清晰的产品设计':321 '痛点在哪里':312 '的任务':178,503 '的增量价值就需要非常明确才能证明引入的合理性':330 '的真实增量到底在哪里':166 '的结论':256 '的问题':629 '直接影响财务合规':413 '直接替用户提交或替财务预判通过会有危险':419 '看问题本体':299 '真正增加的价值是什么':608 '真正成立的可能只是':441 '知识':338,552 '知识库问答':857 '知识或判断辅助问题吗':127 '知识文档是非结构化的':870 '知识检索与问答类':191 '知识检索问题':437 '知识问答':961 '硬翻译成':92 '硬翻译成ai项目只会得到更贵':232 '确定公式计算':509 '确认':50 '示例':375,444 '第一类':504 '第三类':533 '第二类':520 '等级':640 '简单审批流转':508 '系统没打通':397 '纠正错误':617 '纯确定性任务':506 '纯规则':505,554 '结构化':560 '结构化数据':738 '结果可验证':569 '结果可验证吗':139,343 '结果可验证性决定人能不能接住ai':241 '结果需要人工搬运':791 '结论':428,486,821,851,883 '绝大多数任务不是':275 '继续看传统解法做到什么程度':311 '维度':453,547,708,719,730,748,764,780,799,829,858 '缺失项提醒':443 '置信度标注':693 '而不是全交或全不交':269 '而不是凭空制造问题存在感':118 '而不是哪一步都交':623 '而不是覆盖整条链':361 '而是不允许':172 '而是为了建立比较基线':160,221 '而是人能不能在系统里稳稳地接住它':250 '而是分段交':279 '而是判断基线':219 '而是在给新技术找展示舞台':108 '而是把问题拆开':433 '而是没必要':517 '而是责任边界和后果承接':532 '而非说了什么':39 '聊天记录':743 '能':819,879 '能不能接进系统形成闭环':373 '能写回闭环的任务最值得优先':213 '能否接系统闭环':782 '能回退吗':142,345 '能接系统闭环':480 '能闭环':783 '自动写入':917 '自动化工作流':972 '自动发送':934 '自动审批':828 '自动更新数据库':792 '自动触发':942 '自动识别可能出错的输出并标记':706 '自动识别票据信息':442 '自然语言文本':737 '至少不能直接做成默认自动流程':266 '草稿生成':772 '行为观察':37 '行为设计':7 '行为驱动因素清单':33 '补充材料来回很多':383 '被误信':970 '要么你确认了':626 '要么你终于看清':630 '观察到的用户行为':22 '观察行为更重要':59 '规则':904,913,916,933,937,941 '规则引擎':322 '规则明确':475,499 '规则是否难写清':750 '规则相对明确':844 '规则说明问题':436 '规则难写清':472,812,842,871 '解决':87 '解决的五道关':124 '解法':320,604 '解法不是为了证明':157 '解法会逼你看见三件事':163 '解法是判断基线':154 '解法能解决八成问题':327 '触发后续流程':790 '认知偏差':16 '设置提醒':940 '设计建议':34 '设计映射':53 '评估':800,830,859 '识别可能影响判断的认知偏差':48 '识别情感倾向':762 '识别票据':409 '诊断过程':387 '话术':188,958 '语义':130 '语义密集':559 '语言':551 '语音':739 '误分类':954 '说明':19,801,831,860 '谁来承担':614 '财务审批':773,981 '财务打款':680 '财务打款最终审批':522 '质量不稳定':960 '跳回人工':699 '跳回人工吗':145 '辅助':440,674 '输入':17 '输入高度非标准化':729 '输出':31 '这个场景里':606 '这个问题还存在吗':101,306,392,600 '这是判断':102 '这是语言':126 '这确实是个适合':627 '这类任务更适合规则引擎':511 '这类问题就不适合轻易ai化':265 '进入策略':644 '连业务方自己都说不清目标':539 '退出':618 '适合':733,752,768,886 '适合嵌入':488 '适合规则引擎':755,854 '适用场景':11 '适配度':948 '适配性':69,893 '适配性五问':121,334 '适配性六维快筛对比':447 '适配性典型场景深度分析':795 '适配性判断中最容易被低估的一问':638 '适配性完全不同':80 '适配性最有效的一句话':104 '适配性诊断':379 '适配性诊断表':546 '适配性诊断速查表':944 '逃避比较':174 '逐段判断':891 '逐段判断哪些适合':354 '逐段评估':289 '逐问评估':335 '那':328 '那ai的增量价值就需要非常明确才能证明引入的合理性':239 '那你很可能不是在解决问题':107 '邮件':484,742 '邮件分类':951 '邮件理解':181 '邮件起草':654 '部分':471,840 '部分是语言问题':408 '重复':209,805,836,865 '重复性强不强':369,463,721 '链路断裂':974 '销售跟进任务链':918 '错了':612 '错了会影响金钱':134 '错误代价':562 '错误代价分级':639 '错误代价是':636 '错误代价有多高':341 '错误代价极高':984 '错误代价深度评估':635 '错误代价高':412,479,847 '错误代价高吗':133 '错误后果有多重':291 '锚定':49 '闭环':818,848,878 '问题是不是其实可以被更简单地解决':164,226 '问题有规律可循':867 '问题通常都还可控':244 '随时可以撤销':697 '难以独立验证':572 '难写清':751 '需对接':849 '需权限对接':485 '需求':63 '需求是深层动机':65 '需理解语义':473 '需要快速筛出最值得做的':452 '需要权限系统配合':850 '需要理解用户的非理性决策':13 '需要理解语义匹配':873 '需要理解语义和上下文':814 '需谨慎':771 '非':152,155,315,399 '非ai解法不是为了证明ai不必要':220 '非ai解法不是保守':218 '非结构化':210,558,809,839,868 '非结构化信息':467 '项目只会得到更贵':94 '频率':585,802,832,861 '频率高不高':368,459,710 '风险完全不同':258 '风险提示':199,968 '风险评估':672 '高':565,577,667,803,806,862,866,953,959,964 '高容错':767 '高度重复':464 '高适配':548,822,884,898,901,908,922,925,928 '高重复信号':722 '高频':208 '高频信号':711 '高频重复':586 '高风险且要求绝对准确的决策':521 '高风险判断':980 '默认项改善能做到什么程度':324","prices":[{"id":"f11e58ce-1fe2-4c69-b1b6-50dccf705361","listingId":"f1c1d6ec-ed6c-4cea-9dd6-64a0bacba825","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":"2026-05-01T01:02:55.977Z"}],"sources":[{"listingId":"f1c1d6ec-ed6c-4cea-9dd6-64a0bacba825","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/p13c-product-psychology","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p13c-product-psychology","isPrimary":false,"firstSeenAt":"2026-05-01T01:02:55.977Z","lastSeenAt":"2026-05-18T18:57:29.728Z"}],"details":{"listingId":"f1c1d6ec-ed6c-4cea-9dd6-64a0bacba825","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"p13c-product-psychology","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":"b894026a72f37a1ded1745fad339bb4ebe9a0501","skill_md_path":"skills/p13c-product-psychology/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p13c-product-psychology"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"p13c-product-psychology","description":"产品心理学——用户心理模型、行为设计、动机分析"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p13c-product-psychology"},"updatedAt":"2026-05-18T18:57:29.728Z"}}