{"id":"01a96261-869e-468c-b3e6-590e3c7899e7","shortId":"QU3Uxw","kind":"skill","title":"p11-product-team","tagline":"'AI Native 产品方法论——AI Native 产品团队设计的实操 Skill。","description":"# AI Native 产品团队 Skill\n\n## 使用场景\n\n- 团队正在或计划引入 AI 能力，需要重新设计工作角色和协作流程\n- 团队中 AI 能力与传统产品能力之间出现职责重叠或空白\n- 需要建立 AI Native 时代的团队能力建设和招募路径\n\n## 核心概念\n\n- **人机分工设计**：根据能力特征分配给人类或 AI，避免\"所有人都要用 AI\"或\"AI 能做的就不需要人\"\n- **能力缺口识别**：评估团队在 AI 时代缺少哪些新能力（如 AI 评估、Agent 设计、反馈工程）\n- **AI 质量专员**：专门负责 AI 输出质量的评估、反馈和优化的新角色\n\n## 团队设计四步法\n\n### 第一步：角色梳理\n\n现有角色 × AI 能力矩阵：\n\n| 传统角色 | AI 可承接的工作 | 人仍主导的工作 | 需新增的能力 |\n|---------|---------------|--------------|------------|\n| 产品经理 | 文档草稿、竞品分析、数据汇总 | 方向判断、关系管理、决策 | AI 评估能力 |\n| 设计师 | 设计稿初稿、变体生成 | 用户体验判断、品牌把控 | AI 协作设计 |\n| 研发工程师 | 代码补全、测试生成、文档 | 架构设计、系统集成 | Agent 运维能力 |\n| 数据分析师 | 数据清洗、报表生成、可视化 | 业务洞察、假设提出 | AI 质量评估 |\n| 运营 | 内容生成、客服辅助 | 策略制定、关系维护 | 反馈工程 |\n\n### 第二步：人机分工设计\n\n原则：\n\n- **AI 接管高频、高重复、有标准答案的工作**\n- **人类保留低频、高风险、需要判断的工作**\n- **新增\"AI 质量评估\"类角色，专门负责评估 AI 输出的质量**\n\n### 人机分工决策框架\n\n| 任务特征 | 分配 |\n|---------|------|\n| 高频、标准化、有评估标准 | AI 主导 |\n| 低频、模糊、无标准答案 | 人类主导 |\n| 高风险、不可逆 | 人类主导 + AI 建议 |\n| 需要跨角色协作 | 人在回路中 |\n| 全新领域、无历史数据 | 人类主导 + 快速实验 |\n\n### 第三步：能力缺口识别\n\nAI Native 团队新增能力项：\n\n| 能力项 | 描述 | 优先级 |\n|--------|------|--------|\n| AI 评估能力 | 评估 AI 输出质量、稳定性和适用场景 | P0 |\n| 反馈工程 | 设计反馈机制让 AI 持续改进 | P0 |\n| Agent 运维 | 监控、调试、优化 Agent 行为 | P1 |\n| 上下文设计 | 设计和维护高质量的上下文输入 | P1 |\n| AI 风险管理 | 识别和管理 AI 相关的风险和合规问题 | P1 |\n| 人机协作设计 | 设计自然的人机交互流程 | P2 |\n\n### 第四步：团队协作流程\n\n#### 传统流程 vs AI Native 流程\n\n```\n传统流程:\n  产品经理 → 写PRD → 设计师 → 设计稿 → 研发 → 实现 → 测试 → 上线\n\nAI Native 流程:\n  产品经理 + AI → PRD草稿 → 快速原型实验\n  设计师 + AI → 设计变体 → 人类选择与优化\n  研发 + AI Copilot → 代码 → 人类review\n  持续反馈 → AI 质量评估 → 持续优化\n```\n\n### AI 质量专员职责\n\n这个角色是 AI Native 团队的新增核心角色：\n\n- **评估 AI 输出质量**：建立评估标准和 Rubric\n- **反馈工程**：设计反馈机制，让 AI 持续改进\n- **边界维护**：确保 AI 不超出能力边界\n- **案例沉淀**：积累成功和失败案例，形成团队知识\n\n## 输出物：AI Native 团队方案\n\n1. **角色 × AI 能力矩阵**：每个角色的 AI 化程度和新增能力要求\n2. **人机分工协议**：明确哪些工作归 AI、哪些归人类、哪些需要协作\n3. **能力建设路线图**：团队需要建设哪些新能力、优先级和获取路径\n4. **新增角色 JD**：AI 质量专员等新角色的职责和能力要求\n5. **协作流程改造**：从传统流程到 AI Native 流程的具体变化点\n\n## 与其他 Skill 的关系\n\n- **前置**：了解完整方法论后可系统性设计团队\n- **协同**：@ai-native-production-ops（AI 质量评估嵌入生产运行）\n- **配套**：@ai-native-ux-design（UX团队 AI 化），@ai-native-agent-skill-design（Agent 运维能力）\n\n## 示例\n\n### 用户输入\n\"我们的 AI 客服团队有 5 人：1 个 PM、2 个客服、2 个研发，正在引入 AI Copilot，需要重新设计团队\"\n\n### Skill 执行\n\n```yaml\n角色 × AI 能力矩阵:\n  PM:\n    AI承接: 文档草稿、竞品分析模板、数据汇总\n    人类主导: 需求判断、优先级决策、客户沟通\n    新增能力: AI评估能力（评估Copilot输出质量）\n  \n  客服:\n    AI承接: 常见问题回复、工单分类、FAQ检索\n    人类主导: 复杂投诉、情绪处理、高风险沟通\n    新增能力: 反馈工程（高质量反馈 → 模型优化）\n  \n  研发:\n    AI承接: 代码补全、测试生成、文档\n    人类主导: 架构设计、Agent运维、系统集成\n    新增能力: Agent运维能力（监控+调试+优化）\n\n人机分工协议:\n  AI主导场景:\n    - 订单状态查询 → AI自动回复\n    - FAQ检索 → AI回答\n    - 意图分类 → AI + 人工确认\n  \n  人类主导场景:\n    - 退款决策 → 人工\n    - 投诉处理 → 人工\n    - 系统架构 → 人类\n  \n  协作场景:\n    - 回复建议 → AI生成 + 人工确认\n    - 知识库更新 → AI建议 + 人工审核\n    - 新功能设计 → 人类主导 + AI辅助\n\n能力建设路线图:\n  第1月:\n    - 全员AI工具培训（ChatGPT/Copilot基础）\n    - 建立反馈收集机制\n    - 目标: 人均AI使用频率>3次/天\n  \n  第2-3月:\n    - PM: 学习AI评估方法，建立Copilot评估标准\n    - 客服: 建立反馈工程机制\n    - 研发: Agent运维基础培训\n  \n  第4-6月:\n    - 新增AI质量专员（从现有PM或客服中选拔）\n    - 建立完整的AI质量评估体系\n    - 目标: Copilot采纳率>70%\n\n新增角色 JD - AI质量专员:\n  职责:\n    - 建立AI输出质量评估标准和Rubric\n    - 设计反馈工程机制，持续优化AI表现\n    - 监控AI系统在生产环境的质量指标\n  能力要求:\n    - 理解AI能力边界和局限性\n    - 有数据分析能力（评估质量指标）\n    - 有产品Sense（判断AI输出是否满足用户需求）\n    - 擅长跨角色沟通（协调PM/客服/研发）\n```\n\n## 深入核心概念\n\n### 1. 组织先要具备最小实验环境\n\n要让方法论落地，组织必须先建设基本实验环境，包括模型平台、数据平台、实验工具、样本与评估机制。一个最低可用的实验环境通常包括：可切换的模型能力入口、可用的资料与数据访问层、基本的样本集和评估方式、可快速搭建 Prompt/RAG/Agent/Workflow 的试验工具、最基础的权限和审计边界。\n\n### 2. 角色正在发生根本变化\n\n在 AI Native 团队里，产品经理不再只是需求整理者，而更像能力设计者；工程师不再只是实现者，而更像 AI 系统设计者；数据工程师与领域专家的地位明显上升，因为数据质量和场景知识直接决定能力质量。AI 产品经理是围绕问题、资料、能力、评估和价值组织实验的人。\n\n### 3. 实验文化比工具更重要\n\n再好的平台，如果组织还坚持\"先定全量需求、再按计划开发\"，也很难做出真正的 AI 产品。AI Native 团队必须接受三件事：不是所有实验都会成功；失败实验同样提供信息；产品方向可以在实验中被修正。实验文化的核心不是鼓励混乱试错，而是建立一套有节奏的工作方式：用小范围问题定义替代大而全需求定义、用阶段性证据替代主观拍板、用失败样本和人工修正推动下一轮实验。\n\n### 4. 方法论落地要按组织规模展开\n\n同一套方法论在不同规模组织里落地方式不同。个人要解决的是\"如何先把能力用起来\"；小团队要解决的是\"如何让协作不失真\"；大公司要解决的是\"如何在规模化推进时不失控\"。组织结构应该服务于方法论落地，而不是先画一张组织图再倒逼项目去适应。\n\n### 5. 围绕问题链协作而非功能交接\n\n传统软件团队常用功能交接模式：产品提需求、研发做实现、测试做验证、运维负责上线。AI Native 团队更适合围绕同一个问题做协同推进：产品定义问题和价值目标、AI 工程师验证能力和系统方案、数据工程师处理资料供给、领域专家提供场景判断与成功标准。让\"问题、资料、能力、评估、工程\"在同一条链上被讨论。\n\n## 分步执行\n\n### 步骤 1：建立最小实验环境\n\n**输入**：组织现状、可用基础设施\n\n**执行要点**：\n- 评估现有能力：是否有可切换的模型能力入口？是否有可用的数据访问层？是否有基本的评估机制？\n- 补齐基础设施：模型接入层、数据平台、实验工具、样本管理、权限审计\n- 目标不是建成\"大平台\"，而是让团队有能力稳定地做\"方向定界 → 试验展开 → 系统构建\"的前半段工作\n\n**输出**：最小实验环境清单（已有 / 需补齐 / 优先级）\n\n### 步骤 2：角色梳理——现有角色 × AI 能力矩阵\n\n**输入**：团队现状、业务场景\n\n**执行要点**：\n- 盘点现有角色：产品经理、设计师、研发工程师、数据分析师、运营等\n- 分析每个角色的 AI 化程度：哪些工作 AI 可承接？哪些人仍主导？需新增哪些能力？\n- 识别关键角色变化：AI 产品经理（能力设计者）、AI 工程师（系统设计者）、领域专家（场景判断者）\n\n**输出**：角色 × AI 能力矩阵\n\n### 步骤 3：人机分工设计\n\n**输入**：角色矩阵、业务场景\n\n**执行要点**：\n- 应用分工决策框架：高频标准化 → AI 主导；低频模糊 → 人类主导；高风险不可逆 → 人类主导 + AI 建议\n- 设计协作模式：自动模式、Copilot 模式、人在回路中模式\n- 定义 AI 质量评估角色：专门负责评估 AI 输出质量的新角色\n\n**输出**：人机分工协议\n\n### 步骤 4：能力缺口识别与能力建设路线图\n\n**输入**：人机分工协议、团队能力现状\n\n**执行要点**：\n- 识别新增能力项：AI 评估能力（P0）、反馈工程（P0）、Agent 运维（P1）、上下文设计（P1）、AI 风险管理（P1）、人机协作设计（P2）\n- 设计获取路径：内部培训、外部招聘、项目实战\n- 制定时间表：第 1 月基础培训 → 第 2-3 月专项能力 → 第 4-6 月新增角色\n\n**输出**：能力建设路线图\n\n### 步骤 5：协作流程改造\n\n**输入**：人机分工协议、能力路线图\n\n**执行要点**：\n- 设计 AI Native 流程：产品经理 + AI → PRD 草稿 → 快速原型实验；设计师 + AI → 设计变体 → 人类选择与优化；研发 + AI Copilot → 代码 → 人类 review\n- 建立共享实验面板：让产品、工程、领域专家至少对\"什么算有效、什么算无效\"形成共同语言\n- 减少串行交接，避免反馈链条太长\n\n**输出**：协作流程改造方案\n\n### 步骤 6：按规模选择落地路径\n\n**输入**：组织规模、业务复杂度\n\n**执行要点**：\n- **个人**：选一个高频重复任务，围绕它跑通最小闭环，形成可复用的个人系统\n- **小团队（3-8 人）**：围绕一个共享问题形成稳定协作，建立共享实验面板，把一条真实业务闭环跑通\n- **大公司**：从业务单元跑通闭环 → 平台层沉淀通用能力 → 组织层面推广，建立\"局部试验、平台沉淀、分层治理、逐步复制\"的推进机制\n\n**输出**：组织落地方案\n\n## 示例 1：传统软件团队转型 AI 客服团队\n\n### 背景\n\n某传统软件公司有 20 人产品团队（5 PM、8 研发、4 测试、3 运营），计划做 AI 客服产品。当前状态：\n- 团队无 AI 产品经验\n- 有 3 年客服行业经验的领域专家 1 人\n- 已有工单系统和客服数据\n- 管理层要求 6 个月内出 MVP\n\n### Skill 执行输出\n\n```yaml\n# AI Native 团队方案：传统团队转型 AI 客服\n\n最小实验环境:\n  已有:\n    - 工单系统和历史数据（10 万+ 条）\n    - 基本的开发和测试环境\n    - 领域专家（1 人，客服行业 3 年经验）\n  需补齐:\n    - 模型接入层（接入 LLM API）\n    - 评估工具（自动评估 + 人工评估）\n    - 样本管理（标注工具 + 样本库）\n    - 权限审计（数据脱敏 + 操作日志）\n  优先级:\n    P0: 模型接入层 + 评估工具\n    P1: 样本管理\n    P2: 权限审计\n\n角色 × AI 能力矩阵:\n  PM（5人）:\n    AI承接: 文档草稿、竞品分析模板、数据汇总、用户画像\n    人类主导: 需求判断、优先级决策、客户沟通、方向决策\n    新增能力: AI 评估能力（评估 Copilot 输出质量）\n    转型路径: 2 人转 AI 产品经理，3 人保持传统 PM\n  研发（8人）:\n    AI承接: 代码补全、测试生成、文档、简单 Bug 修复\n    人类主导: 架构设计、Agent 运维、系统集成、安全审计\n    新增能力: Agent 运维能力（监控 + 调试 + 优化）\n    转型路径: 4 人转 AI 工程师，4 人保持后端/前端\n  测试（4人）:\n    AI承接: 测试用例生成、回归测试、性能测试\n    人类主导: 测试策略、边界场景、用户体验测试\n    新增能力: AI 质量评估（评估 AI 输出的准确性和稳定性）\n    转型路径: 2 人转 AI 质量专员，2 人保持测试\n  运营（3人）:\n    AI承接: 内容生成、数据报告、客服辅助\n    人类主导: 策略制定、关系维护、危机处理\n    新增能力: 反馈工程（设计反馈机制让 AI 持续改进）\n  领域专家（1人）:\n    AI承接: 无（领域专家是 AI 的输入源）\n    人类主导: 业务规则、例外情况、成功标准、案例审核\n    新增能力: 无（保持领域深度，学习如何与 AI 协作）\n\n人机分工协议:\n  AI 主导场景:\n    - FAQ 自动回答 → AI 直接回复\n    - 工单分类 → AI 自动分类 + 人工抽检\n    - 意图识别 → AI 识别 + 人工确认\n  人类主导场景:\n    - 退款决策 → 人工确认\n    - 投诉处理 → 人工处理\n    - 系统架构 → 人类设计\n  协作场景:\n    - 回复建议 → AI 生成 + 人工确认\n    - 知识库更新 → AI 建议 + 人工审核\n    - 产品设计 → 人类主导 + AI 辅助\n\n能力建设路线图:\n  第 1 月:\n    - 全员 AI 工具培训（ChatGPT/Copilot 基础）\n    - 建立反馈收集机制\n    - 目标: 人均 AI 使用频率 >3 次/天\n  第 2-3 月:\n    - PM: 学习 AI 评估方法，建立 Copilot 评估标准\n    - 研发: Agent 运维基础培训（LangChain/LlamaIndex）\n    - 测试: AI 质量评估培训\n    - 领域专家: 学习如何提供高质量的领域知识\n  第 4-6 月:\n    - 新增 AI 质量专员（从测试中选拔）\n    - 建立完整的 AI 质量评估体系\n    - 目标: Copilot 采纳率 >70%\n\n新增角色 JD - AI 质量专员:\n  职责:\n    - 建立 AI 输出质量评估标准和 Rubric\n    - 设计反馈工程机制，持续优化 AI 表现\n    - 监控 AI 系统在生产环境的质量指标\n    - 沉淀成功和失败案例，形成团队知识\n  能力要求:\n    - 理解 AI 能力边界和局限性\n    - 有数据分析能力（评估质量指标）\n    - 有产品 Sense（判断 AI 输出是否满足用户需求）\n    - 擅长跨角色沟通（协调 PM/客服/研发）\n\n协作流程:\n  传统流程:\n    产品经理 → 写 PRD → 设计师 → 设计稿 → 研发 → 实现 → 测试 → 上线\n  AI Native 流程:\n    PM + AI → PRD 草稿 → 快速原型实验 → 验证\n    设计师 + AI → 设计变体 → 人类选择与优化\n    研发 + AI Copilot → 代码 → 人类 review\n    测试 + AI → 测试用例 → 人工补充边界场景\n    持续反馈 → AI 质量评估 → 持续优化\n\n落地方案（小团队路径）:\n  第一步: 选一个高频、可验证、资料可得的问题（客服 Copilot）\n  第二步: 搭出最小实验闭环（问题 → 资料 → 能力 → 评估 → 人工修正）\n  第三步: 围绕这条闭环暴露的真实需求，反推需要什么角色和工具\n  目标: 3 个月内跑通第一条业务闭环，6 个月内出 MVP\n```\n\n### 关键决策点\n\n| 决策点 | 选择 | 理由 |\n|--------|------|------|\n| 转型路径 | 渐进式转型 | 团队无 AI 经验，不能一次性全转 |\n| 新增角色 | AI 质量专员 | 确保 AI 输出质量可控 |\n| 落地路径 | 小团队路径 | 20 人规模，适合围绕一个问题跑通闭环 |\n| 领域专家 | 专职 1 人 | 客服行业经验是核心壁垒 |\n\n---\n\n## 示例 2：大公司 AI 产品团队能力升级\n\n### 背景\n\n某大型互联网公司有 200+ 产品技术团队，计划在多个业务线推广 AI Native 方法论。当前状态：\n- 各业务线已独立开展 AI 项目，但缺乏统一方法论\n- 有成熟的模型平台和数据平台\n- 缺少 AI 产品经理和领域专家\n- 成功经验无法跨团队复用\n\n### Skill 执行输出\n\n```yaml\n# AI Native 团队方案：大公司能力升级\n\n最小实验环境:\n  已有:\n    - 模型平台（统一的 LLM 接入和管理）\n    - 数据平台（数据仓库 + 数据治理）\n    - 基本的开发和部署工具\n  需补齐:\n    - 统一的实验工具（Prompt 管理 + 评估 + 样本库）\n    - 跨团队知识共享机制\n    - 统一的治理框架（权限 + 审计 + 合规）\n  优先级:\n    P0: 统一实验工具\n    P1: 跨团队知识共享\n    P2: 统一治理框架\n\n角色变化:\n  AI 产品经理（新增）:\n    职责: 围绕问题、资料、能力、评估和价值组织实验\n    来源: 从现有 PM 中选拔 + 外部招聘\n    数量: 每个业务线 1-2 人\n  领域专家（强化）:\n    职责: 提供业务规则、真实案例、例外情况和判断标准\n    来源: 从业务团队中选拔\n    数量: 每个业务线 1-2 人\n  AI 工程师（转型）:\n    职责: AI 系统设计、Agent 开发、模型调优\n    来源: 从后端/算法工程师中转型\n    数量: 每个业务线 3-5 人\n  数据工程师（强化）:\n    职责: 资料供给、结构化、权限管理\n    来源: 现有数据团队\n    数量: 每个业务线 2-3 人\n\n落地方案（大公司路径）:\n  第一层 - 业务单元跑通闭环:\n    - 选择 3 个高密度、高价值、强约束的业务场景\n    - 每个场景组建最小团队（AI PM + AI 工程师 + 数据工程师 + 领域专家）\n    - 目标: 3 个月内验证问题 → 资料 → 能力 → 评估 → 价值的完整链路\n  第二层 - 平台层沉淀通用能力:\n    - 模型接入统一管理\n    - 权限控制和日志审计\n    - 样本评估和知识接入\n    - 工作流编排工具\n    - 目标: 6 个月内建成可复用的平台能力\n  第三层 - 组织层面推广:\n    - 建立\"局部试验、平台沉淀、分层治理、逐步复制\"的推进机制\n    - 每季度跨团队分享会，沉淀最佳实践\n    - 建立统一但不过度僵化的治理框架\n    - 目标: 12 个月内覆盖 80% 业务线\n\n能力建设路线图:\n  第 1-3 月:\n    - 选拔 AI 产品经理（每业务线 1-2 人）\n    - 领域专家赋能（学习如何与 AI 团队协作）\n    - AI 工程师培训（Agent 开发 + 评估方法）\n    - 目标: 3 个示范性闭环跑通\n  第 4-6 月:\n    - 平台能力建设（实验工具 + 知识共享 + 治理框架）\n    - 跨团队分享会（每月一次）\n    - 目标: 平台能力可复用\n  第 7-12 月:\n    - 推广到更多业务线\n    - 建立统一治理框架\n    - 沉淀组织级 AI 产品能力\n    - 目标: 80% 业务线覆盖\n\n治理框架:\n  分层治理:\n    - 业务层: 各业务线自主决策实验方向和节奏\n    - 平台层: 统一模型接入、权限控制、日志审计\n    - 组织层: 统一方法论、最佳实践、治理边界\n  推进机制:\n    - 局部试验: 允许各业务线自主探索\n    - 平台沉淀: 成功经验沉淀为平台能力\n    - 分层治理: 不同层级有不同决策权\n    - 逐步复制: 成功模式逐步推广到更多业务线\n```\n\n### 关键决策点\n\n| 决策点 | 选择 | 理由 |\n|--------|------|------|\n| 落地路径 | 三层推进 | 大公司需要平台支撑和治理框架 |\n| 示范场景 | 3 个业务线 | 有代表性，可复制 |\n| 新增角色 | AI PM + 领域专家 | 大公司最缺的是这两个角色 |\n| 治理方式 | 分层治理 | 避免过度统一压死创新 |","tags":["p11","product","team","native","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native","ai-product","methodology"],"capabilities":["skill","source-gmaxxxie","skill-p11-product-team","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/p11-product-team","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 (9,604 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":"2026-05-18T18:57:27.745Z","embedding":null,"createdAt":"2026-05-01T01:02:54.484Z","updatedAt":"2026-05-18T18:57:27.745Z","lastSeenAt":"2026-05-18T18:57:27.745Z","tsv":"'-12':1341 '-2':1210,1223,1313 '-3':659,980,1253,1306 '-5':1240 '-6':663,1000,1329 '-8':717 '1':246,311,441,531,655,735,761,785,963,1132,1209,1222,1305,1312 '10':780 '12':1299 '1人':909 '2':253,314,316,457,560,658,834,887,891,979,1136,1252 '20':741,1127 '200':1142 '3':259,476,597,716,749,759,788,838,975,1104,1239,1260,1272,1325,1380 '3人':894 '3月':405 '3次':401 '4':263,496,627,662,747,863,867,999,1328 '4人':871 '5':268,309,507,668,743 '5人':816 '6':705,765,1106,1285 '6月':415 '7':1340 '70':421,1012 '8':745 '80':1301,1349 '8人':842 'agent':45,87,163,168,299,302,639,852,857,990,1231,1321 'agent运维':360 'agent运维基础培训':412 'agent运维能力':363 'ai':5,8,12,18,22,25,31,34,36,40,43,48,51,58,61,72,79,95,106,114,118,126,135,145,151,154,160,174,177,187,199,203,207,211,216,219,222,226,233,237,243,248,251,256,266,271,281,285,289,294,297,307,319,326,374,460,467,471,483,485,514,518,563,576,579,584,587,594,605,611,619,622,634,644,675,679,684,688,737,752,756,771,775,813,828,836,865,881,884,889,906,913,924,927,931,934,938,950,954,959,966,973,984,994,1003,1007,1015,1019,1024,1027,1033,1040,1058,1062,1068,1072,1078,1082,1116,1120,1123,1138,1145,1150,1155,1161,1194,1225,1229,1265,1267,1309,1317,1319,1346,1385 'ai-native-agent-skill-design':296 'ai-native-production-op':280 'ai-native-ux-design':288 'ai主导场景':368 'ai回答':372 'ai建议':388 'ai承接':329,341,354,817,843,872,895,910 'ai生成':385 'ai自动回复':370 'ai评估能力':338 'ai质量专员':424 'ai辅助':392 'api':794 'bug':848 'chatgpt/copilot':396,968 'copilot':212,320,615,689,831,987,1010,1073,1092 'copilot采纳率':420 'design':292,301 'faq':929 'faq检索':344,371 'jd':265,423,1014 'langchain/llamaindex':992 'llm':793,1169 'mvp':767,1108 'nativ':6,9,13,26,146,188,200,223,244,272,282,290,298,461,486,515,676,772,1059,1146,1162 'op':284 'p0':157,162,636,638,805,1187 'p1':170,173,179,641,643,646,808,1189 'p11':2 'p11-product-team':1 'p2':182,648,810,1191 'pm':313,328,406,744,815,840,982,1044,1061,1204,1266,1386 'prd':680,1051,1063 'prd草稿':204 'product':3,283 'prompt':1177 'prompt/rag/agent/workflow':454 'review':692,1076 'rubric':229,1021 'sens':1038 'skill':11,15,275,300,322,768,1158 'skill-p11-product-team' 'source-gmaxxxie' 'team':4 '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' 'ux':291 'ux团队':293 'vs':186 'yaml':324,770,1160 '一个最低可用的实验环境通常包括':449 '万':781 '三层推进':1377 '上下文设计':171,642 '上线':198,1057 '不可逆':133 '不同层级有不同决策权':1369 '不是所有实验都会成功':488 '不能一次性全转':1118 '不超出能力边界':238 '与其他':274 '专职':1131 '专门负责':50 '专门负责评估':117,621 '业务单元跑通闭环':1258 '业务场景':567,601 '业务复杂度':709 '业务层':1353 '业务洞察':93 '业务线':1302 '业务线覆盖':1350 '业务规则':916 '个':312 '个业务线':1381 '个人':711 '个人要解决的是':499 '个客服':315 '个月内出':766,1107 '个月内建成可复用的平台能力':1286 '个月内覆盖':1300 '个月内跑通第一条业务闭环':1105 '个月内验证问题':1273 '个研发':317 '个示范性闭环跑通':1326 '个高密度':1261 '中选拔':1205 '主导':127,606 '主导场景':928 '也很难做出真正的':482 '了解完整方法论后可系统性设计团队':278 '产品':484 '产品团队':14 '产品团队能力升级':1139 '产品团队设计的实操':10 '产品定义问题和价值目标':517 '产品技术团队':1143 '产品提需求':510 '产品方向可以在实验中被修正':490 '产品方法论':7 '产品经理':65,191,202,570,585,678,837,1049,1195,1310 '产品经理不再只是需求整理者':463 '产品经理和领域专家':1156 '产品经理是围绕问题':472 '产品经验':757 '产品能力':1347 '产品设计':957 '人':310,718,762,786,1133,1211,1224,1241,1254,1314 '人产品团队':742 '人仍主导的工作':63 '人保持传统':839 '人保持后端':868 '人保持测试':892 '人在回路中':138 '人在回路中模式':617 '人均':972 '人均ai使用频率':400 '人工':378,380 '人工修正':1099 '人工处理':945 '人工审核':389,956 '人工抽检':936 '人工确认':375,386,940,943,952 '人工补充边界场景':1080 '人工评估':797 '人机分工决策框架':120 '人机分工协议':254,367,625,630,671,926 '人机分工设计':29,104,598 '人机协作设计':180,647 '人类':382,691,1075 '人类review':214 '人类主导':131,134,141,333,345,358,391,608,610,822,850,876,899,915,958 '人类主导场景':376,941 '人类保留低频':110 '人类设计':947 '人类选择与优化':209,686,1070 '人规模':1128 '人转':835,864,888 '什么算无效':698 '什么算有效':697 '从业务单元跑通闭环':723 '从业务团队中选拔':1219 '从传统流程到':270 '从后端':1235 '从测试中选拔':1005 '从现有':1203 '从现有pm或客服中选拔':417 '代码':213,690,1074 '代码补全':82,355,844 '价值的完整链路':1277 '任务特征':121 '优先级':150,558,804,1186 '优先级决策':335,824 '优先级和获取路径':262 '优化':167,366,861 '传统团队转型':774 '传统流程':185,190,1048 '传统角色':60 '传统软件团队常用功能交接模式':509 '传统软件团队转型':736 '但缺乏统一方法论':1152 '低频':128 '低频模糊':607 '使用场景':16 '使用频率':974 '例外情况':917 '例外情况和判断标准':1217 '保持领域深度':922 '修复':849 '假设提出':94 '允许各业务线自主探索':1365 '先定全量需求':480 '全员':965 '全员ai工具培训':395 '全新领域':139 '关系管理':70 '关系维护':101,901 '关键决策点':1109,1372 '内容生成':98,896 '内部培训':650 '再好的平台':478 '再按计划开发':481 '写':1050 '写prd':192 '决策':71 '决策点':1110,1373 '减少串行交接':700 '分层治理':729,1292,1352,1368,1390 '分析每个角色的':575 '分步执行':529 '分配':122 '判断':1039 '判断ai输出是否满足用户需求':435 '制定时间表':653 '前端':869 '前置':277 '包括模型平台':445 '化':295 '化程度':577 '化程度和新增能力要求':252 '协作':925 '协作场景':383,948 '协作流程':1047 '协作流程改造':269,669 '协作流程改造方案':703 '协作设计':80 '协同':279 '协调':1043 '协调pm':437 '危机处理':902 '原则':105 '反推需要什么角色和工具':1102 '反馈和优化的新角色':53 '反馈工程':47,102,158,230,350,637,904 '变体生成':76 '可切换的模型能力入口':450 '可复制':1383 '可快速搭建':453 '可承接':580 '可承接的工作':62 '可用基础设施':535 '可用的资料与数据访问层':451 '可视化':92 '可验证':1089 '各业务线已独立开展':1149 '各业务线自主决策实验方向和节奏':1354 '合规':1185 '同一套方法论在不同规模组织里落地方式不同':498 '品牌把控':78 '哪些人仍主导':581 '哪些工作':578 '哪些归人类':257 '哪些需要协作':258 '回复建议':384,949 '回归测试':874 '因为数据质量和场景知识直接决定能力质量':470 '团队中':21 '团队协作':1318 '团队协作流程':184 '团队必须接受三件事':487 '团队新增能力项':147 '团队方案':245,773,1163 '团队无':755,1115 '团队更适合围绕同一个问题做协同推进':516 '团队正在或计划引入':17 '团队现状':566 '团队的新增核心角色':224 '团队能力现状':631 '团队设计四步法':54 '团队里':462 '团队需要建设哪些新能力':261 '围绕一个共享问题形成稳定协作':719 '围绕它跑通最小闭环':713 '围绕这条闭环暴露的真实需求':1101 '围绕问题':1198 '围绕问题链协作而非功能交接':508 '在':459 '在同一条链上被讨论':528 '场景判断者':591 '基本的开发和测试环境':783 '基本的开发和部署工具':1174 '基本的样本集和评估方式':452 '基础':397,969 '复杂投诉':346 '外部招聘':651,1206 '大公司':722,1137 '大公司最缺的是这两个角色':1388 '大公司能力升级':1164 '大公司要解决的是':503 '大公司路径':1256 '大公司需要平台支撑和治理框架':1378 '大平台':548 '天':402,977 '失败实验同样提供信息':489 '如':42 '如何先把能力用起来':500 '如何在规模化推进时不失控':504 '如何让协作不失真':502 '如果组织还坚持':479 '学习':983 '学习ai评估方法':407 '学习如何与':923,1316 '学习如何提供高质量的领域知识':997 '安全审计':855 '定义':618 '实现':196,1055 '实验工具':447,544,1332 '实验文化比工具更重要':477 '实验文化的核心不是鼓励混乱试错':491 '审计':1184 '客户沟通':336,825 '客服':340,409,438,776,1045,1091 '客服产品':753 '客服团队':738 '客服团队有':308 '客服行业':787 '客服行业经验是核心壁垒':1134 '客服辅助':99,898 '小团队':715 '小团队要解决的是':501 '小团队路径':1086,1126 '局部试验':727,1290,1364 '工作流编排工具':1283 '工具培训':967 '工单分类':343,933 '工单系统和历史数据':779 '工程':527,695 '工程师':588,866,1226,1268 '工程师不再只是实现者':465 '工程师培训':1320 '工程师验证能力和系统方案':519 '已有':556,778,1166 '已有工单系统和客服数据':763 '常见问题回复':342 '平台层':1355 '平台层沉淀通用能力':724,1279 '平台沉淀':728,1291,1366 '平台能力可复用':1338 '平台能力建设':1331 '年客服行业经验的领域专家':760 '年经验':789 '应用分工决策框架':603 '建立':726,986,1018,1289 '建立ai输出质量评估标准和rubr':426 '建立copilot评估标准':408 '建立共享实验面板':693,720 '建立反馈工程机制':410 '建立反馈收集机制':398,970 '建立完整的':1006 '建立完整的ai质量评估体系':418 '建立最小实验环境':532 '建立统一但不过度僵化的治理框架':1297 '建立统一治理框架':1344 '建立评估标准和':228 '建议':136,612,955 '开发':1232,1322 '强化':1213,1243 '强约束的业务场景':1263 '当前状态':754,1148 '形成共同语言':699 '形成可复用的个人系统':714 '形成团队知识':241,1030 '快速原型实验':205,682,1065 '快速实验':142 '性能测试':875 '情绪处理':347 '意图分类':373 '意图识别':937 '成功标准':918 '成功模式逐步推广到更多业务线':1371 '成功经验无法跨团队复用':1157 '成功经验沉淀为平台能力':1367 '我们的':306 '或':35 '所有人都要用':33 '执行':323 '执行要点':536,568,602,632,673,710 '执行输出':769,1159 '把一条真实业务闭环跑通':721 '投诉处理':379,944 '报表生成':91 '持续优化':218,1023,1084 '持续优化ai表现':428 '持续反馈':215,1081 '持续改进':161,234,907 '按规模选择落地路径':706 '接入':792 '接入和管理':1170 '接管高频':107 '推广到更多业务线':1343 '推进机制':1363 '描述':149 '提供业务规则':1215 '搭出最小实验闭环':1094 '擅长跨角色沟通':436,1042 '操作日志':803 '数据仓库':1172 '数据分析师':89,573 '数据工程师':1242,1269 '数据工程师与领域专家的地位明显上升':469 '数据工程师处理资料供给':520 '数据平台':446,543,1171 '数据报告':897 '数据汇总':68,332,820 '数据治理':1173 '数据清洗':90 '数据脱敏':802 '数量':1207,1220,1237,1250 '文档':84,357,846 '文档草稿':66,330,818 '新功能设计':390 '新增':113,1002,1196 '新增ai质量专员':416 '新增能力':337,349,362,827,856,880,903,920 '新增角色':264,422,1013,1119,1384 '方向决策':826 '方向判断':69 '方向定界':550 '方法论':1147 '方法论落地要按组织规模展开':497 '无':911,921 '无历史数据':140 '无标准答案':130 '日志审计':1358 '时代的团队能力建设和招募路径':27 '时代缺少哪些新能力':41 '明确哪些工作归':255 '是否有可切换的模型能力入口':538 '是否有可用的数据访问层':539 '是否有基本的评估机制':540 '最佳实践':1361 '最基础的权限和审计边界':456 '最小实验环境':777,1165 '最小实验环境清单':555 '月':964,981,1001,1307,1330,1342 '月专项能力':660 '月基础培训':656 '月新增角色':664 '有':758 '有产品':1037 '有产品sens':434 '有代表性':1382 '有成熟的模型平台和数据平台':1153 '有数据分析能力':432,1035 '有标准答案的工作':109 '有评估标准':125 '权限':1183 '权限审计':546,801,811 '权限控制':1357 '权限控制和日志审计':1281 '权限管理':1247 '条':782 '来源':1202,1218,1234,1248 '架构设计':85,359,851 '某传统软件公司有':740 '某大型互联网公司有':1141 '标准化':124 '标注工具':799 '样本与评估机制':448 '样本库':800,1180 '样本管理':545,798,809 '样本评估和知识接入':1282 '核心概念':28 '根据能力特征分配给人类或':30 '案例审核':919 '案例沉淀':239 '模型优化':352 '模型平台':1167 '模型接入层':542,791,806 '模型接入统一管理':1280 '模型调优':1233 '模式':616 '模糊':129 '次':976 '正在引入':318 '步骤':530,559,596,626,667,704 '每业务线':1311 '每个业务线':1208,1221,1238,1251 '每个场景组建最小团队':1264 '每个角色的':250 '每季度跨团队分享会':1295 '每月一次':1336 '沉淀成功和失败案例':1029 '沉淀最佳实践':1296 '沉淀组织级':1345 '治理方式':1389 '治理框架':1334,1351 '治理边界':1362 '流程':189,201,677,1060 '流程的具体变化点':273 '测试':197,748,870,993,1056,1077 '测试做验证':512 '测试生成':83,356,845 '测试用例':1079 '测试用例生成':873 '测试策略':877 '深入核心概念':440 '渐进式转型':1114 '现有数据团队':1249 '现有角色':57,562 '理由':1112,1375 '理解':1032 '理解ai能力边界和局限性':431 '生成':951 '用失败样本和人工修正推动下一轮实验':495 '用小范围问题定义替代大而全需求定义':493 '用户体验判断':77 '用户体验测试':879 '用户画像':821 '用户输入':305 '用阶段性证据替代主观拍板':494 '的关系':276 '的前半段工作':553 '的推进机制':731,1294 '的试验工具':455 '的输入源':914 '监控':165,364,859,1026 '监控ai系统在生产环境的质量指标':429 '盘点现有角色':569 '目标':399,419,971,1009,1103,1271,1284,1298,1324,1337,1348 '目标不是建成':547 '直接回复':932 '相关的风险和合规问题':178 '真实案例':1216 '知识共享':1333 '知识库更新':387,953 '研发':195,210,353,411,439,687,746,841,989,1046,1054,1071 '研发做实现':511 '研发工程师':81,572 '确保':236,1122 '示例':304,734,1135 '示范场景':1379 '积累成功和失败案例':240 '稳定性和适用场景':156 '竞品分析':67 '竞品分析模板':331,819 '第':654,657,661,962,978,998,1304,1327,1339 '第1月':394 '第2':404 '第2-3月':403 '第4':414 '第4-6月':413 '第一层':1257 '第一步':55,1087 '第三层':1287 '第三步':143,1100 '第二层':1278 '第二步':103,1093 '第四步':183 '策略制定':100,900 '简单':847 '算法工程师中转型':1236 '管理':1178 '管理层要求':764 '类角色':116 '系统在生产环境的质量指标':1028 '系统构建':552 '系统架构':381,946 '系统设计':1230 '系统设计者':468,589 '系统集成':86,361,854 '组织先要具备最小实验环境':442 '组织层':1359 '组织层面推广':725,1288 '组织必须先建设基本实验环境':444 '组织现状':534 '组织结构应该服务于方法论落地':505 '组织落地方案':733 '组织规模':708 '经验':1117 '结构化':1246 '统一实验工具':1188 '统一方法论':1360 '统一模型接入':1356 '统一治理框架':1192 '统一的':1168 '统一的实验工具':1176 '统一的治理框架':1182 '缺少':1154 '而不是先画一张组织图再倒逼项目去适应':506 '而是建立一套有节奏的工作方式':492 '而是让团队有能力稳定地做':549 '而更像':466 '而更像能力设计者':464 '职责':425,1017,1197,1214,1228,1244 '背景':739,1140 '能做的就不需要人':37 '能力':19,474,525,1097,1200,1275 '能力与传统产品能力之间出现职责重叠或空白':23 '能力建设路线图':260,393,666,961,1303 '能力矩阵':59,249,327,564,595,814 '能力缺口识别':38,144 '能力缺口识别与能力建设路线图':628 '能力要求':430,1031 '能力设计者':586 '能力路线图':672 '能力边界和局限性':1034 '能力项':148 '自动分类':935 '自动回答':930 '自动模式':614 '自动评估':796 '草稿':681,1064 '落地方案':1085,1255 '落地路径':1125,1376 '行为':169 '补齐基础设施':541 '表现':1025 '要让方法论落地':443 '角色':247,325,593,812 '角色变化':1193 '角色梳理':56,561 '角色正在发生根本变化':458 '角色矩阵':600 '计划做':751 '计划在多个业务线推广':1144 '订单状态查询':369 '让':232,522 '让产品':694 '设计':46,674 '设计协作模式':613 '设计反馈工程机制':427,1022 '设计反馈机制':231 '设计反馈机制让':159,905 '设计变体':208,685,1069 '设计和维护高质量的上下文输入':172 '设计师':74,193,206,571,683,1052,1067 '设计稿':194,1053 '设计稿初稿':75 '设计自然的人机交互流程':181 '设计获取路径':649 '评估':44,153,225,526,830,883,1098,1179,1276 '评估copilot输出质量':339 '评估和价值组织实验':1201 '评估和价值组织实验的人':475 '评估团队在':39 '评估工具':795,807 '评估方法':985,1323 '评估标准':988 '评估现有能力':537 '评估能力':73,152,635,829 '评估质量指标':433,1036 '识别':939 '识别关键角色变化':583 '识别和管理':176 '识别新增能力项':633 '试验展开':551 '调试':166,365,860 '质量专员':49,890,1004,1016,1121 '质量专员等新角色的职责和能力要求':267 '质量专员职责':220 '质量评估':96,115,217,882,1083 '质量评估体系':1008 '质量评估培训':995 '质量评估嵌入生产运行':286 '质量评估角色':620 '资料':473,524,1096,1199,1274 '资料供给':1245 '资料可得的问题':1090 '跨团队分享会':1335 '跨团队知识共享':1190 '跨团队知识共享机制':1181 '转型':1227 '转型路径':833,862,886,1113 '辅助':960 '输入':533,565,599,629,670,707 '输出':554,592,624,665,702,732 '输出是否满足用户需求':1041 '输出物':242 '输出的准确性和稳定性':885 '输出的质量':119 '输出质量':155,227,832 '输出质量可控':1124 '输出质量的新角色':623 '输出质量的评估':52 '输出质量评估标准和':1020 '边界场景':878 '边界维护':235 '运维':164,640,853 '运维基础培训':991 '运维能力':88,303,858 '运维负责上线':513 '运营':97,750,893 '运营等':574 '这个角色是':221 '退款决策':377,942 '适合围绕一个问题跑通闭环':1129 '选一个高频':1088 '选一个高频重复任务':712 '选拔':1308 '选择':1111,1259,1374 '逐步复制':730,1293,1370 '避免':32 '避免反馈链条太长':701 '避免过度统一压死创新':1391 '配套':287 '采纳率':1011 '问题':523,1095 '需新增哪些能力':582 '需新增的能力':64 '需求判断':334,823 '需补齐':557,790,1175 '需要判断的工作':112 '需要建立':24 '需要跨角色协作':137 '需要重新设计团队':321 '需要重新设计工作角色和协作流程':20 '项目':1151 '项目实战':652 '领域专家':590,784,908,996,1130,1212,1270,1387 '领域专家提供场景判断与成功标准':521 '领域专家是':912 '领域专家至少对':696 '领域专家赋能':1315 '风险管理':175,645 '验证':1066 '高价值':1262 '高质量反馈':351 '高重复':108 '高频':123 '高频标准化':604 '高风险':111,132 '高风险不可逆':609 '高风险沟通':348","prices":[{"id":"2c5a6fea-bc4a-47e7-ae07-c7717f2cd4b4","listingId":"01a96261-869e-468c-b3e6-590e3c7899e7","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":"2026-05-01T01:02:54.484Z"}],"sources":[{"listingId":"01a96261-869e-468c-b3e6-590e3c7899e7","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/p11-product-team","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p11-product-team","isPrimary":false,"firstSeenAt":"2026-05-01T01:02:54.484Z","lastSeenAt":"2026-05-18T18:57:27.745Z"}],"details":{"listingId":"01a96261-869e-468c-b3e6-590e3c7899e7","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"p11-product-team","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":"c16650a0abfff36576d274b3df3ab279de09e85a","skill_md_path":"skills/p11-product-team/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p11-product-team"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"p11-product-team","description":"'AI Native 产品方法论——AI Native 产品团队设计的实操 Skill。"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p11-product-team"},"updatedAt":"2026-05-18T18:57:27.745Z"}}