{"id":"a5ad469f-b193-4146-a22c-38132fddc880","shortId":"bfH2VG","kind":"skill","title":"ai-native-business-model","tagline":"AI Native 商业模式设计 Skill。基于《AI确定性商业模式》方法论， 帮助用户设计以\"确定性溢价\"为核心的 AI 商业模式：","description":"# AI Native 商业模式设计 — SKILL.md\n\n## 一句话定位\n\nAI 让生产边际成本趋近于零，但大多数公司还在按\"成本+加成\"收费。本 Skill 教你如何从\"卖 AI 功能\"升级为\"卖确定性\"，用确定性溢价公式设计高价值商业模式。\n\n## 何时触发\n\n- 已有 AI 产品，需要设计或优化商业模式\n- 现有商业模式收入遇到瓶颈（价格战、ARPU低、转化差）\n- 需要回答\"AI 到底值多少\"这个定价难题\n- 想要构建可持续的护城河，而非依赖技术先发优势\n\n## 核心方法论（来自书稿）\n\n### 核心命题\n\n现有 AI 商业模式都绕不开一个根本矛盾：\n> AI 让生产边际成本趋近于零，但你的收费模式还在拼命计算边际成本。\n\n当生产成本趋近于零时，还按生产成本收费的商业模式，必然走向崩溃。\n\n### 确定性溢价公式\n\n```\n确定性溢价 = 用户的恐惧程度 × 出错的代价 × 替代成本\n```\n\n- **用户的恐惧程度**：用户对不确定性的敏感度（不是害怕情绪，而是对不确定性的耐受阈值）\n- **出错的代价**：AI 出错时用户会损失多少（金钱、职业风险、机会成本）\n- **替代成本**：用户找到另一个同等确定性解决方案的代价\n\n### 三个确定性维度\n\n| 维度 | 核心承诺 | 客户痛点 | 代表案例 |\n|------|----------|----------|----------|\n| **事实确定性** (Truth) | 每个数字都是真的 | AI 假消息泛滥 | NeoTax 可信度分层 |\n| **合规确定性** (Compliance) | 不违法、不被罚 | 法规秒变 | 实时合规追踪系统 |\n| **结果确定性** (Result) | 输入即所得 | Prompt 调试痛苦 | Intercom Fin $0.99/次解决 |\n\n### 四种确定性商业模式\n\n#### Model 1：Arbiter Mode（真相即服务）\n- **核心**：提供可验证的真实信息和判断\n- **定价**：订阅制或按验证量收费\n- **案例**：Harvey AI（法律研究）、专业事实核查平台\n- **关键**：建立可追溯的证据链和权威背书\n\n#### Model 2：Insurance Mode（结果担保）\n- **核心**：为 AI 的输出结果提供担保，出错则赔偿或免费\n- **定价**：成功费 / 结果分成（如 NeoTax 收退税额 10-20%）\n- **案例**：NeoTax、Intercom Fin ($0.99/次解决，失败不收费)\n- **关键**：准确定义\"成功\"标准，建立风险评估模型\n\n#### Model 3：Closed-Loop Infrastructure（主权基础设施）\n- **核心**：提供数据不离开企业边界的私有化 AI 基础设施\n- **定价**：部署费 + 维护费 / 私有化订阅\n- **案例**：Databricks、企业私有化大模型部署\n- **关键**：解决数据安全和合规焦虑，提供持续迭代能力\n\n#### Model 4：Prediction Arbitrage（时间套利）\n- **核心**：利用 AI 的预测能力帮客户抢占时间窗口\n- **定价**：按预测准确度分成 / 按节省时间收费\n- **案例**：Pencil（广告 CTR 预测，按效果分成）\n- **关键**：预测准确度必须可量化、可验证\n\n## 执行流程\n\n### Step 1：现有模式诊断（Current Model Diagnosis）\n\n识别你当前的商业模式属于哪种（以及为什么可能失效）：\n\n| 模式 | 定价逻辑 | 失效信号 | 风险等级 |\n|------|----------|----------|----------|\n| Token 计费 | 调用量×单价 | 价格战、收入=算力成本+薄利 | 🔴 高 |\n| 按调用收费 | 成功次数×单价 | 天花板低、无法捕获高价值 | 🟡 中 |\n| SaaS 订阅 | 用户数×月费 | ARPU 低、大厂价格战 | 🟡 中 |\n| 买断制 | License×价格 | 迭代困境、二次收费矛盾 | 🟡 中 |\n| 免费增值 | 流量×广告 | 转化率低、算力黑洞 | 🔴 高 |\n| 项目制 | 项目数×金额 | 不可规模化、人力密集 | 🟠 中高 |\n\n**输出**：商业模式健康度评分（0-100）+ 主要风险点清单\n\n### Step 2：确定性价值评估（Certainty Value Assessment）\n\n评估你的产品可以在哪个维度提供确定性价值。\n\n**评估三问**：\n1. **你的用户现在为\"不确定性\"付什么代价？**\n   - 花多少时间检查 AI 输出？\n   - 因为不确定做出了多少次保守决策？\n   - 承担了多少次\"AI 出错\"的损失？\n\n2. **你的产品可以在哪个确定性维度提供不可替代的价值？**\n   - 事实确定性（让用户相信每个数字都是真的）\n   - 合规确定性（让用户不用担心下一秒会违法）\n   - 结果确定性（让用户不用调试，直接得到可用输出）\n\n3. **你的商业模式能不能把\"确定性\"明码标价？**\n   - Intercom Fin: $0.99/次成功解决\n   - NeoTax: 退税额的 10-20%\n   - 你的确定性怎么定价？\n\n**输出**：确定性价值矩阵\n\n### Step 3：商业模式选择（Model Selection）\n\n根据确定性维度和行业特征，选择最适合的商业模式。\n\n**决策树**：\n```\n你的产品核心交付物是什么？\n├── 可验证的信息/判断 → Arbiter Mode（真相即服务）\n├── 可担保的结果/成果 → Insurance Mode（结果担保）\n├── 基础设施/平台能力 → Closed-Loop Infrastructure（主权基础设施）\n└── 可量化的预测能力 → Prediction Arbitrage（时间套利）\n```\n\n**混合模式**：大多数成功的 AI 公司会混合使用多种模式。例如：\n- 基础层：Closed-Loop Infrastructure（私有化部署）\n- 应用层：Insurance Mode（按结果收费）\n- 增值层：Arbiter Mode（高级验证服务）\n\n**输出**：推荐商业模式 + 备选模式\n\n### Step 4：定价设计（Pricing Design）\n\n基于确定性溢价公式设计定价策略。\n\n**定价公式推导**：\n```\n价格上限 = 确定性溢价 = 恐惧程度 × 出错代价 × 替代成本\n价格下限 = 交付成本 + 合理利润\n最优定价 = 价格下限 + (价格上限 - 价格下限) × 客户支付意愿系数\n```\n\n**定价模式选择**：\n\n| 模式 | 适用场景 | 案例 |\n|------|----------|------|\n| 按结果收费 | 结果可明确定义、成功可验证 | NeoTax 10-20%成功费 |\n| 按节省收费 | 时间/成本节省可量化 | 按节省工时收费 |\n| 订阅分级 | 需要持续使用、功能差异化 | 基础版/专业版/企业版 |\n| 用量阶梯 | 使用量差异大 | 前 1000 次 $X，之后 $Y |\n| 风险共担 | 高价值、高风险场景 | 基础费 + 成功分成 |\n\n**输出**：Pricing Strategy Document（定价策略文档）\n\n### Step 5：护城河评估（Moat Assessment）\n\n评估你的商业模式是否具备长期护城河。\n\n**AI 时代护城河四问**：\n1. **数据飞轮**：用户使用是否产生数据 → 数据是否训练更好的模型 → 更好的模型是否吸引更多用户？\n2. **网络效应**：用户越多，每个用户的价值是否越大？\n3. **转换成本**：客户离开你需要付出什么代价？\n4. **品牌确定性**：你的品牌是否成为\"确定性\"的代名词？\n\n**输出**：护城河强度评估 + 增强建议\n\n### Step 6：商业模式简报输出（Business Model Brief）\n\n```yaml\nbusiness_model_brief:\n  current_model:\n    type: \"SaaS订阅\"\n    health_score: 45\n    key_risks: [\"大厂价格战\", \"ARPU低\"]\n  certainty_value:\n    dimension: \"结果确定性\"\n    fear_level: 8  # 1-10\n    error_cost: \"每次错误损失$5000\"\n    alternative_cost: \"人工客服$30/次\"\n  recommended_model:\n    primary: \"Insurance Mode\"\n    secondary: \"Arbiter Mode\"\n    pricing: \"按成功解决次数收费，失败不收费\"\n  moat_assessment:\n    data_flywheel: \"弱 - 暂无数据回流机制\"\n    switching_cost: \"中 - 客户需要重新训练AI\"\n    brand: \"弱 - 新品牌\"\n  go_no_go: \"go\"  # go / no-go / revisit\n  next_stage: \"p6\"\n```\n\n## 关键原则\n\n1. **卖确定性，不卖功能**：客户买的不是\"AI 能做什么\"，而是\"AI 保证什么\"。\n2. **按结果收费，不按过程收费**：Token 计费、调用计费都是过程思维，结果思维才能捕获高价值。\n3. **确定性是可以分层定价的**：基础层给\"信息\"，进阶层给\"担保\"，最高层给\"结果\"。\n4. **护城河来自数据飞轮，不是技术壁垒**：技术差距在缩小，数据差距在放大。\n\n## 常见陷阱\n\n- **陷阱 1**：\"我的 AI 准确率 95%\" → 准确率是对过去的统计，用户要的是对未来的保证\n- **陷阱 2**：把\"确定性\"当营销话术 → 确定性必须能被验证、被追责、被量化\n- **陷阱 3**：低估\"幻觉税\" → AI 出错的损失往往远超用户支付的费用\n- **陷阱 4**：大厂做什么我做什么 → 大厂卖的是基础设施，你卖的是确定性应用\n\n## 与其他 Skill 的关系\n\n- **上游输入**：`ai-native-system-building`（系统构建，提供成本结构和技术约束）\n- **下游输出**：`ai-native-marketing-growth`（增长策略，商业模式决定增长方式）\n- **冲突检测**：与 `ai-native-system-building` 的成本输出进行\"成本-定价匹配\"验证\n\n---\n\n## 核心概念\n\n### 概念 1：确定性溢价的本质\n\n确定性溢价不是你的 AI 值多少钱，而是你的 AI 为用户消除了多少恐惧。它的计算公式：\n\n```\n确定性溢价 = 用户的恐惧程度 × 出错的代价 × 替代成本\n```\n\n- **用户的恐惧程度**：用户对不确定性的敏感度。每天处理几百笔税务申报的 CFO 比偶尔报一次税的小公司老板愿意付更多钱——他每天都在不确定性里煎熬。\n- **出错的代价**：金钱损失（IRS 罚款数十万）、职业风险（CFO 签字负责）、机会成本（等待\"更确定的答案\"而错过决策窗口）。\n- **替代成本**：找到同等确定性方案的代价。NeoTax 的替代方案是聘请专业税务律师，收费更高且也不能 100% 保证不出错。\n\nNeoTax 的 10%-20% 成功费正是这个公式的体现：恐惧程度高（每年被审计的担忧）× 出错代价大（罚款加声誉损失）× 替代成本高（真正懂行的税务律师既贵又稀缺）。Intercom Fin 的 $0.99/次 同理：替代方案人工客服要 $15-30/次。\n\n### 概念 2：确定性的三个递进维度\n\n确定性有三个核心维度，从基础到高级递进：\n\n| 维度 | 核心承诺 | 客户痛点 | 定价逻辑 | 代表案例 |\n|------|----------|----------|----------|----------|\n| **事实确定性** (Truth) | 每个数字都是真的 | AI 假消息泛滥，错误事实比没事实更危险 | \"我付钱是为了确保每个数字是真的\" | NeoTax 可信度分层 |\n| **合规确定性** (Compliance) | 不违法、不被罚 | 法规秒变，不知道下一秒什么违规 | \"我付钱是为了买不违法的保险\" | 实时合规追踪系统 |\n| **结果确定性** (Result) | 输入即所得 | Prompt 调试痛苦，AI 答错需人工兜底 | \"我付钱是为了省调试时间\" | Intercom Fin $0.99/次解决 |\n\n确定性可以分层定价：基础层给\"信息\"（事实确定性），进阶层给\"担保\"（合规确定性），最高层给\"结果\"（结果确定性）。每升一级，客户愿意支付的溢价倍增。\n\n### 概念 3：6 种失效模式的共同根源\n\n现有 AI 商业模式都在为**生产过程**收费，而非为**结果**收费。当 AI 让生产边际成本趋近于零时，这套逻辑必然崩溃：\n\n| 模式 | 定价逻辑 | 失效信号 | 风险等级 | 共同缺陷 |\n|------|----------|----------|----------|----------|\n| Token 计费 | 调用量×单价 | 价格战，收入=算力成本+薄利 | 🔴 高 | 为过程付费 |\n| 按调用收费 | 成功次数×单价 | 天花板低，\"幻觉税\"问题 | 🟡 中 | 为过程付费 |\n| SaaS 订阅 | 用户数×月费 | ARPU 低，\"玩具税\"问题 | 🟡 中 | 为使用权付费 |\n| 买断制 | License×价格 | 迭代困境，二次收费矛盾 | 🟡 中 | 为资产付费 |\n| 免费增值 | 流量×广告 | 转化率 1-5%，算力黑洞 | 🔴 高 | 为流量付费 |\n| 项目制 | 项目数×金额 | 不可规模化，卖人头 | 🟠 中高 | 为人力付费 |\n\nDHH 的 Basecamp 故事是缩影：花三个月重写开发流程，省了钱，但客户没为此多付一分钱。**客户买的不是\"AI 能做什么\"，而是\"AI 保证什么\"。**\n\n### 概念 4：确定性公式——分子分母的商业含义\n\n```\n确定性 = (可验证的事实 + 逻辑因果链) ÷ 实时噪音\n```\n\n**分子**：AI 输出里可以被验证的部分——数据来源可靠性、结论可追溯性、过往表现一致性、推理路径可检验性。\n\n**分母**：正在干扰判断的噪音——新法规出台、行业突发事件、市场情绪变化、竞争对手动作、AI 幻觉。\n\n提高确定性不是单纯\"提高 AI 准确率\"就够了。当分母（实时噪音）增大时，即使最强 AI 准确率也可能大幅下降。**降低分母（过滤噪音）有时候比提高分子（提升 AI 能力）更有效。** NeoTax 的做法是：做大分子（专业税务知识、历史数据验证、专家团队）的同时管理分母（持续追踪法规变化、建立审计日志）。\n\n### 概念 5：确定性税与确定性溢价的转化\n\n\"确定性税\"是客户因 AI 不确定性而付出的隐性代价——额外时间成本、风险成本和机会成本。只存在于出错代价高的场景（写邮件草稿不算）。\n\n商业模式设计的核心就是**将\"确定性税\"转化为\"确定性溢价\"**：\n- 确定性税 = 客户因不确定性自己承担的代价（人工审核、反复调试、保守决策）\n- 确定性溢价 = 客户为消除不确定性愿意付给你的钱\n\nIntercom Fin 的 $0.99/次，从客户视角就是用本来要花的人工审核成本（确定性税），换成了明码标价的确定性保证（确定性溢价）。设计商业模式时，先量化客户的确定性税，再定价你的确定性溢价。\n\n---\n\n## 分步执行\n\n### Step 1：现有模式诊断\n\n**目标**：识别当前商业模式属于哪种失效模式，评估健康度。\n\n**执行方法**：\n1. 对照 6 种失效模式表格，确认当前主要收费模式\n2. 评估失效信号是否已出现（价格战、ARPU 下降、转化率低等）\n3. 计算商业模式健康度评分（0-100）\n4. 识别主要风险点和优先改进方向\n\n**诊断清单**：\n- 收入是否与客户的成功挂钩？\n- 客户离开你的成本有多高？\n- 你的定价能否回答\"AI 到底值多少\"？\n- 大厂进入后你的价格优势是否消失？\n\n**输出**：商业模式健康度评分 + 主要风险点清单 + 优先改进方向\n\n### Step 2：确定性价值评估\n\n**目标**：找到可以在哪个维度提供确定性价值。\n\n**执行方法**：\n1. 量化客户的\"确定性税\"：花多少时间检查 AI 输出？做了多少次保守决策？承担了多少次 AI 出错损失？\n2. 评估三个确定性维度的适配度：\n   - 事实确定性：用户是否因信息不可信而痛苦？\n   - 合规确定性：用户是否因法规变化而焦虑？\n   - 结果确定性：用户是否因 AI 输出不可用而浪费时间？\n3. 确定性溢价计算：恐惧程度(1-10) × 出错代价(金额) × 替代成本(金额) = 溢价上限\n4. 竞品对标：竞品在哪个确定性维度做得好/差\n\n**输出**：确定性价值矩阵（三维度评分 + 溢价空间估算）\n\n### Step 3：商业模式选择\n\n**目标**：根据确定性维度选择最适合的商业模式。\n\n**决策树**：\n```\n你的产品核心交付物是什么？\n├── 可验证的信息/判断 → Arbiter Mode（真相即服务）\n│   定价：订阅制或按验证量收费\n│   案例：Harvey AI 法律研究\n│\n├── 可担保的结果/成果 → Insurance Mode（结果担保）\n│   定价：成功费 / 结果分成\n│   案例：NeoTax 退税额 10-20%\n│\n├── 基础设施/平台能力 → Closed-Loop Infrastructure（主权基础设施）\n│   定价：部署费 + 维护费 / 私有化订阅\n│   案例：Databricks 企业私有化部署\n│\n└── 可量化的预测能力 → Prediction Arbitrage（时间套利）\n    定价：按预测准确度分成 / 按节省时间收费\n    案例：Pencil 广告 CTR 预测按效果分成\n```\n\n**混合模式设计**：大多数成功的 AI 公司混合使用多种模式——基础层 Closed-Loop + 应用层 Insurance + 增值层 Arbiter。\n\n**输出**：推荐商业模式 + 备选模式 + 混合模式架构\n\n### Step 4：定价设计\n\n**目标**：基于确定性溢价公式设计定价策略。\n\n**执行方法**：\n1. 计算价格上限 = 确定性溢价 = 恐惧程度 × 出错代价 × 替代成本\n2. 计算价格下限 = 交付成本 + 合理利润\n3. 最优定价 = 下限 + (上限 - 下限) × 客户支付意愿系数\n4. 选择定价模式并设计具体方案\n\n**定价模式选择指南**：\n\n| 模式 | 适用场景 | 关键条件 | 案例 |\n|------|----------|----------|------|\n| 按结果收费 | 结果可明确定义、成功可验证 | 需定义清晰的\"成功\"标准 | NeoTax 10-20% 成功费 |\n| 按节省收费 | 时间/成本节省可量化 | 需建立基线对比 | 按节省工时收费 |\n| 订阅分级 | 需持续使用、功能差异化 | 需明确每级价值差异 | 基础版/专业版/企业版 |\n| 风险共担 | 高价值高风险场景 | 需建立信任基础 | 基础费 + 成功分成 |\n\n**输出**：定价策略文档（含价格锚点、收费规则、客户 ROI 计算）\n\n### Step 5：护城河评估与增强\n\n**目标**：评估商业模式的长期可持续性。\n\n**AI 时代护城河四问**：\n1. **数据飞轮**：用户使用 → 产生数据 → 训练更好模型 → 吸引更多用户？飞轮转速如何？\n2. **网络效应**：用户越多，每个用户的价值是否越大？是否存在跨边网络效应？\n3. **转换成本**：客户离开你需付出什么代价？数据迁移？重新训练？流程重建？\n4. **品牌确定性**：你的品牌是否成为\"确定性\"的代名词？客户提到你的品类是否会首先想到你？\n\n**护城河强度评估**：每个维度评分 1-10，并给出增强建议。\n\n**输出**：护城河强度评估报告 + 增强路线图\n\n### Step 6：商业模式简报输出\n\n**目标**：整合以上所有分析，输出可执行的商业模式简报。\n\n**简报模板**：\n```yaml\nbusiness_model_brief:\n  current_model:\n    type: \"当前模式类型\"\n    health_score: 0-100\n    key_risks: [\"风险1\", \"风险2\"]\n  certainty_value:\n    dimension: \"事实/合规/结果确定性\"\n    fear_level: 1-10\n    error_cost: \"每次错误损失金额\"\n    alternative_cost: \"替代方案成本\"\n  recommended_model:\n    primary: \"主模式\"\n    secondary: \"辅模式\"\n    pricing: \"定价策略描述\"\n  moat_assessment:\n    data_flywheel: \"强/中/弱 + 说明\"\n    switching_cost: \"强/中/弱 + 说明\"\n    brand: \"强/中/弱 + 说明\"\n  go_no_go: \"go / no-go / revisit\"\n  next_stage: \"下一步行动\"\n```\n\n**输出**：商业模式简报 + 行动计划\n\n---\n\n### 示例 1：客服 AI 从 SaaS 订阅升级为结果担保模式\n\n**场景**：某公司做电商客服 AI，当前按 SaaS 订阅收费 ¥2000/月/店铺，ARPU 低，大厂（如阿里智能客服）以更低价格竞争。\n\n**现有模式诊断**：\n- 模式：SaaS 订阅\n- 健康度：40/100\n- 失效信号：ARPU 低、大厂价格战、客户流失率 8%/月\n- 客户确定性税：AI 答错时客服需人工兜底，每次约 ¥15，月均 200 次 = ¥3000（超过订阅费本身）\n\n**确定性价值评估**：\n- 维度：结果确定性（输入即所得）\n- 恐惧程度：7/10（怕 AI 答错导致差评和退货）\n- 出错代价：每次答错损失 ¥50（退货 + 差评 + 人工补救）\n- 替代成本：人工客服 ¥30/次\n\n**模式选择**：Insurance Mode（结果担保）\n- 定价：¥5/次成功解决，失败不收费\n- 客户 ROI：人工客服 ¥30/次 vs AI ¥5/次，节省 83%\n- 月收入预估：客户月均 1000 次咨询，成功率 90% → 收入 ¥4500/月（比原来 ¥2000 翻倍+）\n\n**护城河**：\n- 数据飞轮：每次成功解决 → 训练数据 → 更高成功率 → 更多客户\n- 转换成本：客户的 FAQ 库、对话历史、品牌话术都沉淀在系统中\n- 品牌：成为\"电商客服确定性\"的代名词\n\n**结果**：ARPU 从 ¥2000 提升到 ¥4500，客户 LTV 提升 125%，因为客户只在 AI 成功时付费，满意度和续约率同步提升。\n\n### 示例 2：法律 AI 从 Token 计费升级为真相即服务模式\n\n**场景**：某公司做合同审查 AI，当前按 GPT API Token 加成收费（约 ¥0.5/千 Token），月收入 ¥8 万，利润微薄。\n\n**现有模式诊断**：\n- 模式：Token 计费（变相）\n- 健康度：25/100\n- 失效信号：大模型降价 95%，利润趋零；客户可直接用 ChatGPT 替代\n- 客户确定性税：AI 标注的\"风险条款\"可能遗漏真正风险，律师需逐条复核，每次 4 小时 × ¥800/时 = ¥3200\n\n**确定性价值评估**：\n- 维度：事实确定性（每个风险标注都有依据）+ 合规确定性（符合最新法规）\n- 恐惧程度：9/10（合同出错可能导致数百万损失甚至诉讼）\n- 出错代价：一次合同漏洞平均损失 ¥50 万\n- 替代成本：聘请外部律所审查一份合同 ¥2-5 万\n\n**模式选择**：Arbiter Mode（真相即服务）+ Insurance Mode（结果担保）\n- 基础层：¥5000/月订阅，提供合同审查 + 风险标注 + 法规追踪\n- 担保层：¥2000/份合同担保，AI 担保审查结果完整，遗漏风险则赔偿（上限 ¥50 万）\n- 客户 ROI：外部律所 ¥2-5 万/份 vs AI ¥2000/份，节省 90%+\n\n**护城河**：\n- 数据飞轮：审查过的合同 → 训练数据 → 更精准的风险识别\n- 因果理解：不只是\"这个条款看起来有风险\"，而是\"如果被诉，这个条款会导致什么后果\"\n- 品牌：成为\"合同确定性\"的代名词\n\n**结果**：月收入从 ¥8 万提升到 ¥35 万（50 个客户 × 平均 ¥7000），利润率达 70%+，因为定价锚点从\"Token 成本\"转移到\"客户规避的风险价值\"。","tags":["business","model","native","product","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native","ai-product","methodology"],"capabilities":["skill","source-gmaxxxie","skill-p6-business-model","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/p6-business-model","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 (10,676 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":"2026-05-18T18:57:33.005Z","embedding":null,"createdAt":"2026-05-01T01:03:00.786Z","updatedAt":"2026-05-18T18:57:33.005Z","lastSeenAt":"2026-05-18T18:57:33.005Z","tsv":"'-10':469,951,1135,1172 '-100':255,907,1158 '-20':143,297,382,646,995,1075 '-30':662 '-5':776,1409,1437 '0':254,906,1157 '0.5':1360 '0.99':107,148,292,657,701,876 '1':111,200,265,420,468,516,547,606,775,887,893,927,950,1044,1108,1134,1171,1221 '10':142,296,381,645,994,1074 '100':641 '1000':397,1304 '125':1339 '15':661,1258 '2':127,258,277,425,525,555,665,898,922,937,1050,1115,1345,1408,1436 '200':1260 '2000':1233,1312,1333,1425,1442 '25/100':1373 '3':157,286,302,429,532,563,716,904,947,966,1054,1120 '30':477,1281,1294 '3000':1262 '3200':1392 '35':1465 '4':178,354,432,540,569,801,908,957,1039,1060,1126,1388 '40/100':1246 '45':456 '4500':1309,1335 '5':413,851,1102,1288,1298 '50':1275,1404,1431,1467 '5000':473,1419 '6':441,717,895,1141 '7/10':1269 '70':1472 '7000':1470 '8':467,1252,1364,1463 '800':1390 '83':1301 '9/10':1400 '90':1307,1445 '95':551,1376 'ai':2,6,16,18,23,33,40,48,57,59,75,90,121,133,165,184,270,274,333,418,520,523,549,566,578,586,595,609,612,677,696,720,728,795,798,809,821,825,832,838,855,914,931,935,945,981,1024,1106,1223,1229,1255,1271,1297,1341,1347,1353,1382,1427,1441 'ai-native-business-model':1 'ai-native-marketing-growth':585 'ai-native-system-build':577,594 'ai确定性商业模式':11 'altern':474,1176 'api':1356 'arbit':112,312,347,485,974,1033,1412 'arbitrag':180,329,1012 'arpu':230,758,901,1236,1248,1331 'arpu低':45,460 'assess':262,416,491,1188 'basecamp':789 'brand':500,1201 'brief':445,449,1150 'build':581,598 'busi':4,443,447,1148 'certainti':260,461,1163 'cfo':622,630 'chatgpt':1379 'close':159,323,338,999,1028 'closed-loop':158,322,337,998,1027 'complianc':95,684 'cost':471,475,497,1174,1177,1196 'ctr':192,1020 'current':202,450,1151 'data':492,1189 'databrick':172,1008 'design':357 'dhh':787 'diagnosi':204 'dimens':463,1165 'document':410 'error':470,1173 'faq':1322 'fear':465,1169 'fin':106,147,291,655,700,874 'flywheel':493,1190 'go':503,505,506,507,510,1206,1208,1209,1212 'gpt':1355 'growth':589 'harvey':120,980 'health':454,1155 'infrastructur':161,325,340,1001 'insur':128,317,343,482,985,1031,1284,1415 'intercom':105,146,290,654,699,873 'ir':627 'key':457,1159 'level':466,1170 'licens':235,765 'loop':160,324,339,1000,1029 'ltv':1337 'market':588 'moat':415,490,1187 'mode':113,129,313,318,344,348,483,486,975,986,1285,1413,1416 'model':5,110,126,156,177,203,304,444,448,451,480,1149,1152,1180 'nativ':3,7,19,579,587,596 'neotax':92,140,145,294,380,638,643,681,841,992,1073 'next':512,1214 'no-go':508,1210 'p6':514 'pencil':190,1018 'predict':179,328,1011 'price':356,408,487,1185 'primari':481,1181 'prompt':103,694 'recommend':479,1179 'result':101,692 'revisit':511,1213 'risk':458,1160 'roi':1099,1292,1434 'saa':226,754,1225,1231,1243 'saas订阅':453 'score':455,1156 'secondari':484,1183 'select':305 'skill':9,30,574 'skill-p6-business-model' 'skill.md':21 'source-gmaxxxie' 'stage':513,1215 'step':199,257,301,353,412,440,886,921,965,1038,1101,1140 'strategi':409 'switch':496,1195 'system':580,597 'token':211,528,736,1349,1357,1362,1369,1474 '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' 'truth':88,675 'type':452,1153 'valu':261,462,1164 'vs':1296,1440 'x':399 'y':401 'yaml':446,1147 '一句话定位':22 '一次合同漏洞平均损失':1403 '万':1365,1405,1410,1432,1438,1466 '万提升到':1464 '三个确定性维度':82 '三维度评分':963 '上游输入':576 '上限':1057,1430 '下一步行动':1216 '下游输出':584 '下降':902 '下限':1056,1058 '不卖功能':518 '不只是':1452 '不可规模化':249,783 '不按过程收费':527 '不是害怕情绪':72 '不是技术壁垒':542 '不知道下一秒什么违规':688 '不确定性':267 '不确定性而付出的隐性代价':856 '不被罚':97,686 '不违法':96,685 '与':593 '与其他':573 '专业事实核查平台':123 '专业版':392,1087 '专业税务知识':844 '专家团队':846 '个客户':1468 '中':225,233,239,498,752,762,769,1192,1198,1203 '中高':251,785 '为':132 '为人力付费':786 '为使用权付费':763 '为核心的':15 '为流量付费':779 '为用户消除了多少恐惧':613 '为资产付费':770 '为过程付费':745,753 '主权基础设施':162,326,1002 '主模式':1182 '主要风险点清单':256,919 '之后':400 '买断制':234,764 '事实':1166 '事实确定性':87,279,674,706,939,1395 '二次收费矛盾':238,768 '交付成本':366,1052 '产品':41 '产生数据':1111 '人力密集':250 '人工审核':868 '人工客服':476,1280,1293 '人工补救':1278 '从':1224,1332,1348 '从基础到高级递进':668 '从客户视角就是用本来要花的人工审核成本':878 '他每天都在不确定性里煎熬':624 '付什么代价':268 '代表案例':86,673 '以及为什么可能失效':206 '以更低价格竞争':1240 '价格':236,766 '价格上限':360,370 '价格下限':365,369,371 '价格战':44,215,740,900 '份':1439,1443 '份合同担保':1426 '企业版':393,1088 '企业私有化大模型部署':173 '企业私有化部署':1009 '优先改进方向':920 '但你的收费模式还在拼命计算边际成本':61 '但大多数公司还在按':25 '但客户没为此多付一分钱':793 '低':231,759,1237,1249 '低估':564 '何时触发':38 '你卖的是确定性应用':572 '你的产品可以在哪个确定性维度提供不可替代的价值':278 '你的产品核心交付物是什么':309,971 '你的品牌是否成为':434,1128 '你的商业模式能不能把':287 '你的定价能否回答':913 '你的用户现在为':266 '你的确定性怎么定价':298 '使用量差异大':395 '例如':335 '保守决策':870 '保证不出错':642 '保证什么':524,799 '信息':535,705 '值多少钱':610 '假消息泛滥':91,678 '做了多少次保守决策':933 '做大分子':843 '健康度':1245,1372 '先量化客户的确定性税':883 '免费增值':240,771 '公司会混合使用多种模式':334 '公司混合使用多种模式':1025 '共同缺陷':735 '关键':124,151,174,195 '关键原则':515 '关键条件':1065 '再定价你的确定性溢价':884 '写邮件草稿不算':860 '冲突检测':592 '决策树':308,970 '准确定义':152 '准确率':550,826 '准确率也可能大幅下降':833 '准确率是对过去的统计':552 '出错':275 '出错代价':363,952,1048,1273,1402 '出错代价大':650 '出错则赔偿或免费':135 '出错损失':936 '出错时用户会损失多少':76 '出错的代价':68,74,617,625 '出错的损失往往远超用户支付的费用':567 '分子':808 '分子分母的商业含义':803 '分步执行':885 '分母':815 '判断':311,973 '利润微薄':1366 '利润率达':1471 '利润趋零':1377 '利用':183 '到底值多少':49,915 '前':396 '功能':34 '功能差异化':390,1084 '加成':27 '加成收费':1358 '千':1361 '升级为':35 '单价':214,222,739,748 '卖':32 '卖人头':784 '卖确定性':36,517 '即使最强':831 '历史数据验证':845 '反复调试':869 '变相':1371 '只存在于出错代价高的场景':859 '可信度分层':93,682 '可担保的结果':315,983 '可能遗漏真正风险':1385 '可量化的预测能力':327,1010 '可验证':197 '可验证的事实':805 '可验证的信息':310,972 '合同出错可能导致数百万损失甚至诉讼':1401 '合同确定性':1459 '合理利润':367,1053 '合规':1167 '合规确定性':94,281,683,709,941,1397 '同理':659 '含价格锚点':1096 '吸引更多用户':1113 '品牌':1326,1457 '品牌确定性':433,1127 '品牌话术都沉淀在系统中':1325 '商业模式':17 '商业模式健康度评分':253,918 '商业模式决定增长方式':591 '商业模式简报':1218 '商业模式简报输出':442,1142 '商业模式设计':8,20 '商业模式设计的核心就是':861 '商业模式选择':303,967 '商业模式都在为':721 '商业模式都绕不开一个根本矛盾':58 '四种确定性商业模式':109 '因为不确定做出了多少次保守决策':272 '因为定价锚点从':1473 '因为客户只在':1340 '因果理解':1451 '场景':1227,1351 '基于':10 '基于确定性溢价公式设计定价策略':358,1042 '基础层':336,1026,1418 '基础层给':534,704 '基础版':391,1086 '基础设施':166,320,996 '基础费':405,1092 '增值层':346,1032 '增大时':830 '增强建议':439 '增强路线图':1139 '增长策略':590 '备选模式':352,1036 '外部律所':1435 '大厂':1238 '大厂价格战':232,459,1250 '大厂做什么我做什么':570 '大厂卖的是基础设施':571 '大厂进入后你的价格优势是否消失':916 '大多数成功的':332,1023 '大模型降价':1375 '天花板低':223,749 '失效信号':209,733,1247,1374 '失败不收费':150,489,1290 '如':139 '如果被诉':1455 '如阿里智能客服':1239 '它的计算公式':614 '定价':117,136,167,186,977,988,1003,1014,1287 '定价公式推导':359 '定价匹配':602 '定价模式选择':373 '定价模式选择指南':1062 '定价策略描述':1186 '定价策略文档':411,1095 '定价设计':355,1040 '定价逻辑':208,672,732 '实时合规追踪系统':99,690 '实时噪音':807,829 '审查过的合同':1448 '客户':1098,1291,1336,1433 '客户为消除不确定性愿意付给你的钱':872 '客户买的不是':519,794 '客户可直接用':1378 '客户因不确定性自己承担的代价':867 '客户愿意支付的溢价倍增':714 '客户提到你的品类是否会首先想到你':1131 '客户支付意愿系数':372,1059 '客户月均':1303 '客户流失率':1251 '客户痛点':85,671 '客户的':1321 '客户确定性税':1254,1381 '客户离开你的成本有多高':912 '客户离开你需付出什么代价':1122 '客户离开你需要付出什么代价':431 '客户规避的风险价值':1477 '客户需要重新训练ai':499 '客服':1222 '对照':894 '对话历史':1324 '将':862 '小时':1389 '就够了':827 '差':960 '差评':1277 '已有':39 '市场情绪变化':819 '帮助用户设计以':13 '常见陷阱':545 '平台能力':321,997 '平均':1469 '并给出增强建议':1136 '幻觉':822 '幻觉税':565,750 '广告':191,242,773,1019 '库':1323 '应用层':342,1030 '店铺':1235 '建立可追溯的证据链和权威背书':125 '建立审计日志':849 '建立风险评估模型':155 '弱':494,501,1193,1199,1204 '强':1191,1197,1202 '当':727 '当分母':828 '当前按':1230,1354 '当前模式类型':1154 '当生产成本趋近于零时':62 '当营销话术':558 '律师需逐条复核':1386 '必然走向崩溃':64 '怕':1270 '恐惧程度':362,949,1047,1268,1399 '恐惧程度高':648 '想要构建可持续的护城河':51 '成为':1327,1458 '成功':153,1071 '成功分成':406,1093 '成功可验证':379,1069 '成功时付费':1342 '成功次数':221,747 '成功率':1306 '成功费':137,383,989,1076 '成功费正是这个公式的体现':647 '成本':26,601,1475 '成本-定价匹配':600 '成本节省可量化':386,1079 '成果':316,984 '我付钱是为了买不违法的保险':689 '我付钱是为了省调试时间':698 '我付钱是为了确保每个数字是真的':680 '我的':548 '执行方法':892,926,1043 '执行流程':198 '找到可以在哪个维度提供确定性价值':925 '找到同等确定性方案的代价':637 '承担了多少次':273,934 '技术差距在缩小':543 '把':556 '护城河':1314,1446 '护城河强度评估':438,1132 '护城河强度评估报告':1138 '护城河来自数据飞轮':541 '护城河评估':414 '护城河评估与增强':1103 '担保':537,708 '担保审查结果完整':1428 '担保层':1424 '持续追踪法规变化':848 '按成功解决次数收费':488 '按效果分成':194 '按结果收费':345,377,526,1067 '按节省工时收费':387,1081 '按节省收费':384,1077 '按节省时间收费':188,1016 '按调用收费':220,746 '按预测准确度分成':187,1015 '换成了明码标价的确定性保证':880 '推理路径可检验性':814 '推荐商业模式':351,1035 '提供可验证的真实信息和判断':116 '提供合同审查':1421 '提供成本结构和技术约束':583 '提供持续迭代能力':176 '提供数据不离开企业边界的私有化':164 '提升':837,1338 '提升到':1334 '提高':824 '提高确定性不是单纯':823 '收入':216,741,1308 '收入是否与客户的成功挂钩':911 '收费':28,723,726 '收费更高且也不能':640 '收费规则':1097 '收退税额':141 '故事是缩影':790 '教你如何从':31 '数据差距在放大':544 '数据是否训练更好的模型':423 '数据来源可靠性':811 '数据迁移':1123 '数据飞轮':421,1109,1315,1447 '整合以上所有分析':1144 '新品牌':502 '新法规出台':817 '方法论':12 '无法捕获高价值':224 '时':1391 '时代护城河四问':419,1107 '时间':385,1078 '时间套利':181,330,1013 '明码标价':289 '是否存在跨边网络效应':1119 '是客户因':854 '暂无数据回流机制':495 '更多客户':1319 '更好的模型是否吸引更多用户':424 '更有效':840 '更确定的答案':634 '更精准的风险识别':1450 '更高成功率':1318 '替代':1380 '替代成本':69,80,364,618,636,954,1049,1279,1406 '替代成本高':652 '替代方案人工客服要':660 '替代方案成本':1178 '最优定价':368,1055 '最高层给':538,710 '月':1234,1253,1310 '月均':1259 '月收入':1363 '月收入从':1462 '月收入预估':1302 '月订阅':1420 '月费':229,757 '有时候比提高分子':836 '本':29 '机会成本':79,632 '来自书稿':54 '某公司做合同审查':1352 '某公司做电商客服':1228 '标准':154,1072 '标注的':1383 '核心':115,131,163,182 '核心命题':55 '核心承诺':84,670 '核心方法论':53 '核心概念':604 '根据确定性维度和行业特征':306 '根据确定性维度选择最适合的商业模式':969 '案例':119,144,171,189,376,979,991,1007,1017,1066 '概念':605,664,715,800,850 '模式':207,374,731,1063,1242,1368 '模式选择':1283,1411 '次':398,478,658,663,877,1261,1282,1295,1299 '次咨询':1305 '次成功解决':293,1289 '次解决':108,149,702 '正在干扰判断的噪音':816 '每个数字都是真的':89,676 '每个用户的价值是否越大':428,1118 '每个维度评分':1133 '每个风险标注都有依据':1396 '每升一级':713 '每天处理几百笔税务申报的':621 '每年被审计的担忧':649 '每次':1387 '每次成功解决':1316 '每次答错损失':1274 '每次约':1257 '每次错误损失':472 '每次错误损失金额':1175 '比偶尔报一次税的小公司老板愿意付更多钱':623 '比原来':1311 '法律':1346 '法律研究':122,982 '法规秒变':98,687 '法规追踪':1423 '流程重建':1125 '流量':241,772 '混合模式':331 '混合模式架构':1037 '混合模式设计':1022 '溢价上限':956 '溢价空间估算':964 '满意度和续约率同步提升':1343 '玩具税':760 '现有':56,719 '现有商业模式收入遇到瓶颈':43 '现有模式诊断':201,888,1241,1367 '生产过程':722 '用户使用':1110 '用户使用是否产生数据':422 '用户对不确定性的敏感度':71,620 '用户找到另一个同等确定性解决方案的代价':81 '用户数':228,756 '用户是否因':944 '用户是否因信息不可信而痛苦':940 '用户是否因法规变化而焦虑':942 '用户的恐惧程度':67,70,616,619 '用户要的是对未来的保证':553 '用户越多':427,1117 '用确定性溢价公式设计高价值商业模式':37 '用量阶梯':394 '电商客服确定性':1328 '的':644,656,788,875 '的代名词':436,1130,1329,1460 '的做法是':842 '的关系':575 '的同时管理分母':847 '的成本输出进行':599 '的损失':276 '的替代方案是聘请专业税务律师':639 '的输出结果提供担保':134 '的预测能力帮客户抢占时间窗口':185 '目标':889,924,968,1041,1104,1143 '直接得到可用输出':285 '省了钱':792 '真正懂行的税务律师既贵又稀缺':653 '真相即服务':114,314,976,1414 '确定性':288,435,557,804,1129 '确定性价值矩阵':300,962 '确定性价值评估':259,923,1264,1393 '确定性公式':802 '确定性可以分层定价':703 '确定性必须能被验证':559 '确定性是可以分层定价的':533 '确定性有三个核心维度':667 '确定性溢价':14,66,361,615,865,871,881,1046 '确定性溢价不是你的':608 '确定性溢价公式':65 '确定性溢价的本质':607 '确定性溢价计算':948 '确定性的三个递进维度':666 '确定性税':853,863,866,879,929 '确定性税与确定性溢价的转化':852 '确认当前主要收费模式':897 '示例':1220,1344 '私有化订阅':170,1006 '私有化部署':341 '种失效模式的共同根源':718 '种失效模式表格':896 '竞争对手动作':820 '竞品在哪个确定性维度做得好':959 '竞品对标':958 '符合最新法规':1398 '等待':633 '答错导致差评和退货':1272 '答错时客服需人工兜底':1256 '答错需人工兜底':697 '签字负责':631 '简报模板':1146 '算力成本':217,742 '算力黑洞':244,777 '系统构建':582 '约':1359 '结果':539,711,725,1330,1461 '结果分成':138,990 '结果可明确定义':378,1068 '结果思维才能捕获高价值':531 '结果担保':130,319,987,1286,1417 '结果确定性':100,283,464,691,712,943,1168,1266 '结论可追溯性':812 '维度':83,669,1265,1394 '维护费':169,1005 '网络效应':426,1116 '罚款加声誉损失':651 '罚款数十万':628 '翻倍':1313 '而是':522,797,1454 '而是你的':611 '而是对不确定性的耐受阈值':73 '而错过决策窗口':635 '而非为':724 '而非依赖技术先发优势':52 '职业风险':78,629 '聘请外部律所审查一份合同':1407 '能做什么':521,796 '能力':839 '节省':1300,1444 '花三个月重写开发流程':791 '花多少时间检查':269,930 '薄利':218,743 '行业突发事件':818 '行动计划':1219 '被追责':560 '被量化':561 '解决数据安全和合规焦虑':175 '计算':1100 '计算价格上限':1045 '计算价格下限':1051 '计算商业模式健康度评分':905 '计费':212,529,737,1370 '计费升级为真相即服务模式':1350 '订阅':227,755,1244 '订阅分级':388,1082 '订阅制或按验证量收费':118,978 '订阅升级为结果担保模式':1226 '订阅收费':1232 '让生产边际成本趋近于零':24,60 '让生产边际成本趋近于零时':729 '让用户不用担心下一秒会违法':282 '让用户不用调试':284 '让用户相信每个数字都是真的':280 '训练数据':1317,1449 '训练更好模型':1112 '设计商业模式时':882 '评估三个确定性维度的适配度':938 '评估三问':264 '评估你的产品可以在哪个维度提供确定性价值':263 '评估你的商业模式是否具备长期护城河':417 '评估健康度':891 '评估商业模式的长期可持续性':1105 '评估失效信号是否已出现':899 '识别主要风险点和优先改进方向':909 '识别你当前的商业模式属于哪种':205 '识别当前商业模式属于哪种失效模式':890 '诊断清单':910 '说明':1194,1200,1205 '调用计费都是过程思维':530 '调用量':213,738 '调试痛苦':104,695 '超过订阅费本身':1263 '转化为':864 '转化差':46 '转化率':774 '转化率低':243 '转化率低等':903 '转换成本':430,1121,1320 '转移到':1476 '辅模式':1184 '输入即所得':102,693,1267 '输出':252,271,299,350,407,437,917,932,961,1034,1094,1137,1217 '输出不可用而浪费时间':946 '输出可执行的商业模式简报':1145 '输出里可以被验证的部分':810 '过往表现一致性':813 '过滤噪音':835 '还按生产成本收费的商业模式':63 '这个定价难题':50 '这个条款会导致什么后果':1456 '这个条款看起来有风险':1453 '这套逻辑必然崩溃':730 '进阶层给':536,707 '迭代困境':237,767 '退税额':993 '退税额的':295 '退货':1276 '适用场景':375,1064 '选择定价模式并设计具体方案':1061 '选择最适合的商业模式':307 '逻辑因果链':806 '遗漏风险则赔偿':1429 '部署费':168,1004 '重新训练':1124 '量化客户的':928 '金钱':77 '金钱损失':626 '金额':248,782,953,955 '错误事实比没事实更危险':679 '问题':751,761 '降低分母':834 '陷阱':546,554,562,568 '需定义清晰的':1070 '需建立信任基础':1091 '需建立基线对比':1080 '需持续使用':1083 '需明确每级价值差异':1085 '需要回答':47 '需要持续使用':389 '需要设计或优化商业模式':42 '项目制':246,780 '项目数':247,781 '预测':193 '预测准确度必须可量化':196 '预测按效果分成':1021 '额外时间成本':857 '风险1':1161 '风险2':1162 '风险共担':402,1089 '风险成本和机会成本':858 '风险条款':1384 '风险标注':1422 '风险等级':210,734 '飞轮转速如何':1114 '验证':603 '高':219,245,744,778 '高价值':403 '高价值高风险场景':1090 '高级验证服务':349 '高风险场景':404","prices":[{"id":"8a4dffa0-a3a2-4087-b9bb-4bf91ee8d06c","listingId":"a5ad469f-b193-4146-a22c-38132fddc880","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":"2026-05-01T01:03:00.786Z"}],"sources":[{"listingId":"a5ad469f-b193-4146-a22c-38132fddc880","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/p6-business-model","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p6-business-model","isPrimary":false,"firstSeenAt":"2026-05-01T01:03:00.786Z","lastSeenAt":"2026-05-18T18:57:33.005Z"}],"details":{"listingId":"a5ad469f-b193-4146-a22c-38132fddc880","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"p6-business-model","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":"03b0c5a076c125d8fad3fa05e07808318478d058","skill_md_path":"skills/p6-business-model/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p6-business-model"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"ai-native-business-model","description":"AI Native 商业模式设计 Skill。基于《AI确定性商业模式》方法论， 帮助用户设计以\"确定性溢价\"为核心的 AI 商业模式："},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p6-business-model"},"updatedAt":"2026-05-18T18:57:33.005Z"}}