{"id":"093f4103-2423-4e34-886c-8a849c1cb1d5","shortId":"mdYkMR","kind":"skill","title":"p10a-value-discovery-loop","tagline":"'AI Native 产品方法论——价值发现循环的实操 Skill。","description":"# 价值发现循环 Skill\n\n## 使用场景\n\n- AI 产品已进入实验或早期使用阶段，需要判断哪些能力真正形成价值\n- 团队有多个候选方向，需要用价值信号而非主观判断来决策优先级\n- 产品已有用户使用，但无法判断增长是\"真实价值\"还是\"新鲜感效应\"\n- 需要设计从价值发现到定价策略到方向调整的完整闭环\n\n## 核心概念\n\n- **价值发现循环（Value Discovery Loop）**：围绕实验、价值验证、市场测试和方向修正的持续循环\n- **价值信号**：能证明能力正在形成真实业务价值的连续信号\n- **伪价值信号**：看起来亮眼但无法转化为持续使用或付费意愿的假信号\n- **价值密度**：某项能力对任务结果、时间成本和付费意愿的综合影响强度\n- **产品循环 vs 价值发现循环**：产品循环回答\"如何把能力做出来\"，价值发现循环回答\"这项能力是否值得持续做下去\"\n\n## 价值发现循环流程\n\n```\n试验展开\n  → 能力成立 → 价值发现（信号识别）\n    → 伪价值排除\n      → 价值密度评估\n        → 市场测试设计\n          → 定价策略联动\n            → 方向修正建议\n              → 回流到方向定界\n```\n\n## 五类价值信号识别\n\n### 1. 效率信号\n- 任务处理时间明显缩短\n- 人工介入量下降\n- 处理吞吐量上升\n\n### 2. 质量信号\n- 错误率下降\n- 输出一致性提升\n- 任务完成质量更稳定\n\n### 3. 覆盖信号\n- 过去做不了的长尾问题开始被处理\n- 新场景被自然覆盖\n- 边界案例解决率上升\n\n### 4. 行为信号\n- 用户愿意反复使用\n- 愿意把更多真实任务交给系统\n- 使用深度（不只是浅层尝鲜）\n\n### 5. 商业信号\n- 客户愿意付费试点\n- 续期或扩大场景\n- 明确表达购买意愿\n\n## 四类伪价值信号排除\n\n### 1. 演示陷阱\n- 表现：演示效果惊艳，真实使用频率极低\n- 识别方法：对比演示通过率 vs 日常使用率\n\n### 2. 新鲜感效应\n- 表现：用户觉得\"很酷\"但不改变原有工作方式\n- 识别方法：追踪30天留存曲线是否断崖下降\n\n### 3. 成本幻觉\n- 表现：一次性提升明显，但成本/延迟/维护代价过高\n- 识别方法：计算单位价值成本比\n\n### 4. 能力-付费断层\n- 表现：团队能做出来，但客户不愿持续付费\n- 识别方法：测试付费意愿而非满意度\n\n## 价值密度评估框架\n\n对每项已验证能力，从三个维度评估价值密度：\n\n| 维度 | 问题 | 权重 |\n|------|------|------|\n| 任务结果改善 | 这项能力改变了什么任务结果？ | 40% |\n| 时间/成本节约 | 为谁节约了多少时间或成本？ | 30% |\n| 付费意愿 | 谁愿意为此持续付费？ | 30% |\n\n**高价值密度**：三个维度都有明确答案\n**中价值密度**：任务结果和成本有答案，付费不确定\n**低价值密度**：只有一个维度有模糊答案 → 应考虑停止投入\n\n## 价值发现到定价策略联动\n\n```\n价值密度评估\n  → 高密度能力：设计确定性溢价定价\n    → 中密度能力：设计用量阶梯定价\n      → 低密度能力：纳入免费引流层或停止投入\n```\n\n定价策略不应脱离价值发现独立设计。具体定价方法参见 @ai-native-business-model。\n\n## 价值发现回流到方向定界\n\n价值发现不是独立环节，它最终回流到方向定界：\n\n1. **场景价值重估**：某类场景价值远高于原预期 → 提升优先级\n2. **能力价值筛选**：某类能力成立但价值密度不足 → 降低优先级\n3. **客户分层修正**：某类客户愿意付费，另一类不在意 → 调整目标客户\n4. **方向重写**：以上信息综合 → 更新 Direction Brief\n\n## 输出物：价值发现方案\n\n1. **价值信号清单**：已识别的五类信号及强度\n2. **伪价值排除报告**：已排除的伪价值信号及原因\n3. **价值密度评估表**：每项能力的三维度评分\n4. **市场测试设计**：如何验证高价值密度的定价和场景\n5. **方向修正建议**：对 Direction Brief 的具体修改建议\n\n## 使用方式\n\n当用户提供已上线或正在验证的 AI 产品时，自动执行：\n\n1. 收集当前产品的使用数据和用户行为\n2. 识别五类价值信号\n3. 排除四类伪价值信号\n4. 对每项能力进行价值密度评估\n5. 设计市场测试方案\n6. 联动定价策略（配合 @ai-native-business-model）\n7. 产出方向修正建议（回流到 @ai-native-direction-framing）\n8. 输出价值发现方案\n\n## 与其他 Skill 的关系\n\n- **上游**：@ai-native-experiment-engine（提供能力验证结果）、@ai-native-production-ops（提供生产环境数据）\n- **下游**：@ai-native-business-model（定价策略）、@ai-native-direction-framing（方向修正）\n- **协同**：@p7e-customer-loop（客户循环提供真实客户信号）\n\n## 示例\n\n### 示例：AI 客服 Copilot 价值发现\n\n**用户输入**：\n\"我们的客服 Copilot 已经在内部试用了一个月，想判断哪些能力真正有价值\"\n\n**Skill 执行流程**：\n\n1. **价值信号识别**\n\n| 信号类型 | 具体信号 | 强度 |\n|----------|---------|------|\n| 效率 | 首响时间从5分钟降至1分钟 | ★★★★ |\n| 效率 | 培训周期从2周缩至5天 | ★★★ |\n| 质量 | 工单分类错误率从12%降至4% | ★★★★ |\n| 行为 | 客服主动使用率62% | ★★★ |\n| 商业 | 2个部门主动要求扩大试用 | ★★★★ |\n\n2. **伪价值排除**\n\n| 伪信号类型 | 检测项 | 结论 |\n|-----------|--------|------|\n| 演示陷阱 | 演示好评率95% vs 日常使用率62% | ✗ 日常使用率合理，非演示陷阱 |\n| 新鲜感 | 30天留存曲线平稳 | ✗ 非新鲜感效应 |\n| 成本幻觉 | 单次对话成本$0.02，节约人工成本$2.5 | ✗ ROI 明确 |\n| 付费断层 | 3个部门中2个表达付费意愿 | ⚠ 需要定价验证 |\n\n3. **价值密度评估**\n\n| 能力 | 任务结果 | 成本节约 | 付费意愿 | 综合密度 |\n|------|---------|---------|---------|---------|\n| 工单分类 | 40%提升 | 中等 | 高 | ★★★★ 高 |\n| 意图识别 | 25%提升 | 中等 | 中 | ★★★ 中 |\n| 自动回复 | 15%提升 | 低 | 低 | ★★ 低 |\n\n4. **方向修正建议**\n\n```yaml\n建议方向调整:\n  提升: 工单分类能力 → 核心卖点\n  维持: 意图识别 → 辅助能力\n  暂缓: 自动回复 → 需要更多验证\n  \n定价建议:\n  核心定价锚: 工单分类的准确率提升\n  阶梯设计: 基于工单量级\n  \n回流方向定界:\n  Direction Brief 更新:\n    - 核心场景从\"全链路客服\"收缩为\"工单分类+意图识别\"\n    - 目标客户从\"所有客服团队\"聚焦为\"日工单量>500的中大型团队\"\n```\n\n---\n\n## 深入核心概念\n\n### 概念六：价值信号的时间衰减\n\n价值信号不是静态的。同一项能力在不同时间窗口内的信号强度完全不同。上线第一周的高频使用可能是新鲜感效应，上线第一个月的留存下降可能是功能疲劳，上线第三个月的稳定使用才更接近真实价值。判断价值信号时必须引入时间维度：短期信号（1-2周）看使用意愿，中期信号（1-3月）看留存和习惯形成，长期信号（3月+）看付费续期和场景扩展。只看短期信号会高估价值，只看长期信号会错过窗口期。\n\n**书稿引用**：第5章指出\"方向定界阶段必须先审资料条件\"，同理，价值发现阶段必须先审信号的时间维度。没有时间维度的信号评估，和没有资料条件的方向定界一样，都可能导致高成本偏航。\n\n### 概念七：价值密度的反向筛选——停止投入比继续投入更难\n\n低价值密度的能力不是\"暂时没做好\"，而是\"方向本身不成立\"。很多团队面对低密度能力时，会本能地选择\"再优化一下\"而不是\"停下来\"。这是因为沉没成本效应——已经投入了三个月的开发时间，不愿意承认这项能力价值不足。但真正节省团队时间的，不是继续优化低密度能力，而是更早停止投入，把资源转向高密度方向。价值发现循环的核心价值之一，就是提供一个客观框架，帮助团队做出\"停止\"的决定。\n\n**书稿引用**：\"真正节省团队时间的，不是更快开始做实验，而是更早排除不成立的方向。\"——第5章\n\n### 概念八：从单一信号到信号矩阵——交叉验证的价值\n\n单一类型的价值信号不足以支撑决策。效率信号只说明\"快了\"，不说明\"对了\"；行为信号只说明\"用了\"，不说明\"值了\"。真正的价值判断需要信号交叉验证：效率提升+质量稳定+用户愿意持续使用+表达付费意愿，四个条件同时满足才是强价值信号。如果只有效率提升但质量下降，说明能力方向可能有偏差；如果用户愿意使用但不愿付费，说明价值感知还没转化为商业价值。\n\n**应用**：在价值密度评估中，要求每项能力至少在三类信号上获得中等以上强度，才判定为\"高价值密度\"。只在单一信号上表现突出的能力，应标记为\"待交叉验证\"，而非直接进入定价阶段。\n\n## 补充分步执行\n\n### 步骤六：信号交叉验证——从单一信号到多维确认\n\n对已识别的价值信号进行交叉验证：\n\n1. **效率+质量交叉**：效率提升的同时，质量是否稳定或提升？如果效率提升但质量下降，说明能力可能在走捷径\n2. **行为+商业交叉**：用户愿意使用的同时，是否愿意付费？使用频率高但付费意愿低，说明价值还没被充分感知\n3. **短期+长期交叉**：短期信号强但长期衰减，说明可能是新鲜感效应；短期信号弱但长期稳定增长，说明价值在被逐步发现\n4. **内部+外部交叉**：内部团队觉得好用的同时，外部客户是否也认可？内部好评但外部冷淡，说明可能存在\"内部视角偏差\"\n\n**输出**：信号交叉验证矩阵，含一致性评分。\n\n### 步骤七：价值地图绘制——能力-场景-客户的三维映射\n\n将已验证的价值信号映射到三维空间：\n\n1. **能力维度**：哪些能力项有强价值信号？按价值密度排序\n2. **场景维度**：哪些场景的价值信号最强？是否存在被忽视的高价值场景？\n3. **客户维度**：哪些客户群体的信号最强？是否存在分层差异？\n4. **交叉热点**：能力×场景×客户三者的交集中，哪里信号最强？\n\n**输出**：价值地图（三维热力图），标注高价值交叉区域。\n\n### 步骤八：价值假设迭代——用新信号更新原始假设\n\n用发现的新信号回过头来更新方向定界阶段的价值假设：\n\n1. **假设验证**：原始价值假设中，哪些被信号证实了？\n2. **假设修正**：哪些假设需要调整？是低估了还是高估了？\n3. **假设新增**：信号揭示了哪些原始假设中没有的新价值点？\n4. **假设否定**：哪些假设被信号推翻了？这意味着什么？\n\n**输出**：价值假设迭代记录，含修正原因和新假设。\n\n## 补充示例\n\n### 示例：AI 写作助手价值发现（SaaS 场景）\n\n**用户输入**：\n\"我们的AI写作助手已上线2个月，面向营销团队，初始功能包括文案生成、标题优化、多平台适配。用户数据看起来不错但转化率一直上不去。\"\n\n**Skill 执行流程**：\n\n1. **价值信号识别**\n\n| 信号类型 | 具体信号 | 强度 |\n|----------|---------|------|\n| 效率 | 文案初稿生成时间从4小时降至30分钟 | ★★★★★ |\n| 效率 | 标题A/B测试准备时间缩短70% | ★★★★ |\n| 质量 | 文案通过率从55%提升到72% | ★★★ |\n| 行为 | 日均使用时长42分钟 | ★★★★ |\n| 行为 | 人均每日生成8.3篇文案 | ★★★★ |\n| 覆盖 | 小红书、抖音、微信三平台适配开始被使用 | ★★★ |\n| 商业 | 试用用户中12%表达付费意愿 | ★★ |\n\n2. **伪价值排除**\n\n| 伪信号类型 | 检测项 | 结论 |\n|-----------|--------|------|\n| 演示陷阱 | 演示转化率40% vs 日常使用率68% | ✗ 日常使用率健康 |\n| 新鲜感 | 30天留存曲线从95%降至78%后趋稳 | ⚠ 轻微新鲜感衰减但已企稳 |\n| 成本幻觉 | 单次生成成本$0.03，替代人工成本$15 | ✗ ROI 明确 |\n| 付费断层 | 使用率高但付费意愿仅12% | ⚠ 核心问题——价值感知未转化为付费意愿 |\n\n3. **价值密度评估**\n\n| 能力 | 任务结果 | 成本节约 | 付费意愿 | 综合密度 |\n|------|---------|---------|---------|---------|\n| 文案生成 | 40%通过率提升 | 高（4h→30min） | 中 | ★★★★ 高 |\n| 标题优化 | A/B效率提升70% | 中 | 低 | ★★★ 中 |\n| 多平台适配 | 覆盖面扩大 | 中 | 低 | ★★ 低 |\n\n4. **信号交叉验证**\n\n```\n文案生成能力：\n  效率+质量: ✓ 效率提升且质量稳定\n  行为+商业: ⚠ 使用率高但付费率低 → 价值未被充分感知\n  短期+长期: ✓ 2个月后使用仍在增长\n  \n结论：核心能力成立，但定价策略需要调整\n\n标题优化能力：\n  效率+质量: ✓ 效率提升明显\n  行为+商业: ✗ 用户觉得\"锦上添花\"但不愿单独付费\n  \n结论：适合作为增值功能而非独立定价锚点\n```\n\n5. **方向修正建议**\n\n```yaml\n建议方向调整:\n  提升: 文案生成 → 核心定价锚（从\"效率\"切入不如从\"通过率提升\"切入）\n  维持: 标题优化 → 捆绑增值功能\n  暂缓: 多平台适配 → 用户使用率不足以支撑独立价值\n  \n定价建议:\n  核心定价锚: 文案通过率提升（可量化结果）\n  定价逻辑: 从\"按生成量计费\"转向\"按通过率提升幅度计费\"\n  阶梯设计: 基于团队规模和月生成量\n  \n关键发现:\n  - 付费意愿低不是因为能力不值钱，而是因为用户把AI文案视为\"工具\"而非\"成果\"\n  - 需要改变价值叙事：从\"帮你写更快\"到\"帮你写得更好过\"\n  - 建议增加\"通过率仪表盘\"功能，让用户看到AI带来的质量提升\n  \n回流方向定界:\n  Direction Brief 更新:\n    - 核心价值假设从\"效率提升\"修正为\"质量提升+效率提升\"\n    - 目标客户从\"所有营销团队\"聚焦为\"月产50+篇内容的中大型营销团队\"\n    - 新增价值假设：\"通过率可量化\"是定价的关键前提\n```\n\n**输出**：价值发现方案完整报告，含信号矩阵、伪价值排除、交叉验证、价值地图和方向修正建议。\n\n### 示例：AI 设计工具价值发现（垂直行业场景）\n\n**用户输入**：\n\"我们做了一个面向电商卖家的AI产品图生成工具，上线3个月，有2000个活跃卖家在用。想知道下一步是扩展品类还是深耕现有品类。\"\n\n**Skill 执行流程**：\n\n1. **价值信号识别**\n\n| 信号类型 | 具体信号 | 强度 |\n|----------|---------|------|\n| 效率 | 产品图制作时间从2天降至2小时 | ★★★★★ |\n| 质量 | 买家对产品图的好评率提升18% | ★★★★ |\n| 行为 | 月均生成产品图从15张增至42张 | ★★★★ |\n| 覆盖 | 服装品类使用率最高（68%），3C品类次之（22%） | ★★★ |\n| 商业 | 续费率78%，3个大卖家主动要求API接入 | ★★★★ |\n\n2. **价值密度评估**\n\n| 能力 | 任务结果 | 成本节约 | 付费意愿 | 综合密度 |\n|------|---------|---------|---------|---------|\n| 服装产品图 | 好评率+18% | 高 | 高（续费85%） | ★★★★★ |\n| 3C产品图 | 好评率+8% | 高 | 中（续费62%） | ★★★ |\n| 食品产品图 | 数据不足 | - | - | 待验证 |\n\n3. **方向修正建议**\n\n```yaml\n核心发现:\n  - 服装品类的价值密度远高于其他品类\n  - 3C品类\"能用\"但不够\"好用\"（好评率提升有限）\n  - 食品品类数据不足，无法判断\n\n建议:\n  深耕: 服装品类 → 增加服装专属功能（模特换装、场景搭配、面料质感）\n  观察: 3C品类 → 收集更多信号再决定\n  暂停: 食品品类 → 先做小规模验证\n  \n  不建议扩展新品类的原因:\n  当前最赚钱的品类（服装）还有很大深化空间，\n  扩展会分散资源，降低核心品类的竞争壁垒\n\n回流方向定界:\n  Direction Brief 更新:\n    - 核心场景从\"通用电商产品图\"收缩为\"服装电商产品图\"\n    - 护城河方向：积累服装品类的专属训练数据和场景理解\n    - 新增场景假设：模特换装和场景搭配可能是下一个高价值能力\n```\n\n**输出**：品类价值分析报告 + 聚焦策略建议 + Direction Brief 更新。\n\n## 价值信号快速诊断清单\n\n在正式执行价值发现循环之前，可以用以下清单快速判断当前产品是否有价值信号：\n\n```\n□ 是否有用户在持续使用（非一次性尝鲜）？\n  → 否：可能是演示陷阱或新鲜感效应\n\n□ 使用深度是否在增长（不只是使用频率）？\n  → 否：用户可能只是\"习惯性打开\"而非\"依赖使用\"\n\n□ 是否有用户主动把更多真实任务交给系统？\n  → 否：系统可能只被用于边缘任务\n\n□ 是否有用户表达过付费意愿或主动询问价格？\n  → 否：价值可能还没被充分感知\n\n□ 是否有用户向其他人推荐过这个产品？\n  → 否：产品可能\"能用\"但不够\"值得推荐\"\n\n□ 团队能否用一句话说清楚\"用户为什么离不开这个产品\"？\n  → 否：价值主张可能还不够清晰\n\n诊断结果：\n  4项以上为\"否\" → 价值信号弱，需要重新审视方向\n  2-3项为\"是\" → 价值信号中等，需要深入验证\n  5项以上为\"是\" → 价值信号强，可以进入定价和扩展阶段\n```\n\n## 常见价值发现陷阱\n\n### 陷阱一：把\"能做出来\"等同于\"有价值\"\n\n**表现**：团队花了三个月做出了AI能力，技术指标很好看，但用户使用频率很低。\n**原因**：从\"能力\"到\"价值\"之间还隔着\"场景适配\"和\"用户习惯改变\"。\n**对策**：价值信号必须来自真实使用场景，而非实验室指标。\n\n### 陷阱二：把\"用户满意\"等同于\"用户愿意付费\"\n\n**表现**：用户满意度调查得分很高（4.5/5），但付费转化率只有5%。\n**原因**：满意≠依赖。用户可能觉得\"好用但不是必须\"。\n**对策**：直接测试付费意愿，而非用满意度代替。\n\n### 陷阱三：把\"增长\"等同于\"价值\"\n\n**表现**：用户数量在增长，但单用户使用深度在下降。\n**原因**：增长可能来自营销推广或市场热度，而非产品本身的价值驱动。\n**对策**：同时看\"新增用户质量\"和\"存量用户深度\"。\n\n### 陷阱四：把\"第一印象好\"等同于\"长期价值\"\n\n**表现**：上线首月数据亮眼，第二个月开始下滑。\n**原因**：新鲜感效应——用户觉得\"很酷\"但不改变原有工作方式。\n**对策**：至少观察30天留存曲线是否稳定，再做价值判断。\n\n### 陷阱五：忽略\"沉默的高价值用户\"\n\n**表现**：最活跃的用户不一定是最高价值的用户。有些用户使用频率不高，但每次使用都处理高价值任务，且付费意愿最强。\n**原因**：团队容易关注高频使用数据，忽略低频高价值使用模式。\n**对策**：按\"任务价值\"而非\"使用频率\"来分层分析用户。","tags":["p10a","value","discovery","loop","native","product","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native"],"capabilities":["skill","source-gmaxxxie","skill-p10a-value-discovery-loop","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/p10a-value-discovery-loop","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 (8,567 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":"2026-05-18T18:57:27.377Z","embedding":null,"createdAt":"2026-05-01T01:02:53.722Z","updatedAt":"2026-05-18T18:57:27.377Z","lastSeenAt":"2026-05-18T18:57:27.377Z","tsv":"'+18':786 '+8':792 '-2':391 '-3':396,884 '/5':923 '/b':584 '0.02':315 '0.03':618 '1':59,86,163,184,207,283,390,395,477,516,542,575,758 '15':343,620 '2':64,95,167,187,209,299,484,520,546,601,777,883 '2.5':317 '22':773 '25':337 '2个月后使用仍在增长':665 '2个部门主动要求扩大试用':298 '3':69,103,171,190,211,323,491,524,550,627,799 '30':133,136 '30min':639 '30天留存曲线从95':612 '30天留存曲线平稳':311 '3c产品图':790 '3c品类':804,819 '3c品类次之':772 '3个大卖家主动要求api接入':776 '3个部门中2个表达付费意愿':321 '3月':400 '4':74,112,176,193,213,348,498,528,553,653 '4.5':922 '40':129,331,635 '4h':638 '4项以上为':879 '5':80,196,215,680 '500的中大型团队':379 '5项以上为':889 '6':217 '68':771 '7':225 '8':233 'a/b':643 'ai':6,14,156,204,221,229,240,246,253,259,272,562,748 'ai-native-business-model':155,220,252 'ai-native-direction-fram':228,258 'ai-native-experiment-engin':239 'ai-native-production-op':245 'brief':181,200,368,726,832,846 'busi':158,223,255 'copilot':274,278 'custom':267 'direct':180,199,231,261,367,725,831,845 'discoveri':4,28 'engin':243 'experi':242 'frame':232,262 'loop':5,29,268 'model':159,224,256 'nativ':7,157,222,230,241,247,254,260 'op':249 'p10a':2 'p10a-value-discovery-loop':1 'p7e':266 'p7e-customer-loop':265 'product':248 'roi':318,621 'saa':564 'skill':10,12,236,281,573,756 'skill-p10a-value-discovery-loop' 'source-gmaxxxie' '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' 'valu':3,27 'vs':41,93,306,608 'yaml':350,682,801 '一次性提升明显':106 '三个维度都有明确答案':138 '三维热力图':536 '上游':238 '上线3个月':753 '上线第一个月的留存下降可能是功能疲劳':386 '上线第一周的高频使用可能是新鲜感效应':385 '上线第三个月的稳定使用才更接近真实价值':387 '上线首月数据亮眼':955 '下游':251 '不只是使用频率':856 '不只是浅层尝鲜':79 '不建议扩展新品类的原因':824 '不愿意承认这项能力价值不足':426 '不是更快开始做实验':438 '不是继续优化低密度能力':428 '不说明':447,451 '与其他':235 '且付费意愿最强':972 '中':340,341,640,645,647,650,794 '中价值密度':139 '中密度能力':149 '中期信号':394 '中等':333,339 '为谁节约了多少时间或成本':132 '之间还隔着':908 '习惯性打开':859 '书稿引用':404,436 '买家对产品图的好评率提升18':766 '五类价值信号识别':58 '交叉热点':529 '交叉验证':745 '交叉验证的价值':443 '产出方向修正建议':226 '产品可能':870 '产品图制作时间从2天降至2小时':764 '产品已有用户使用':19 '产品已进入实验或早期使用阶段':15 '产品循环':40 '产品循环回答':43 '产品方法论':8 '产品时':205 '人均每日生成8.3':592 '人工介入量下降':62 '从':687,703,716,904 '从三个维度评估价值密度':123 '从单一信号到信号矩阵':442 '从单一信号到多维确认':475 '付费不确定':141 '付费意愿':134,328,632,782 '付费意愿低不是因为能力不值钱':710 '付费断层':115,320,623 '以上信息综合':178 '价值':907,937 '价值主张可能还不够清晰':877 '价值信号':33 '价值信号不是静态的':383 '价值信号中等':887 '价值信号弱':881 '价值信号强':891 '价值信号必须来自真实使用场景':913 '价值信号快速诊断清单':848 '价值信号清单':185 '价值信号的时间衰减':382 '价值信号识别':284,576,759 '价值假设迭代':539 '价值假设迭代记录':558 '价值发现':50,275 '价值发现不是独立环节':161 '价值发现到定价策略联动':145 '价值发现回流到方向定界':160 '价值发现循环':11,26,42 '价值发现循环回答':45 '价值发现循环流程':47 '价值发现循环的实操':9 '价值发现循环的核心价值之一':431 '价值发现方案':183 '价值发现方案完整报告':742 '价值发现阶段必须先审信号的时间维度':408 '价值可能还没被充分感知':867 '价值地图':535 '价值地图和方向修正建议':746 '价值地图绘制':510 '价值密度':37 '价值密度的反向筛选':413 '价值密度评估':53,146,324,628,778 '价值密度评估框架':121 '价值密度评估表':191 '价值感知未转化为付费意愿':626 '价值未被充分感知':662 '价值验证':31 '任务价值':978 '任务处理时间明显缩短':61 '任务完成质量更稳定':68 '任务结果':326,630,780 '任务结果和成本有答案':140 '任务结果改善':127 '会本能地选择':420 '伪价值信号':35 '伪价值排除':52,300,602,744 '伪价值排除报告':188 '伪信号类型':301,603 '但不够':806,872 '但不愿单独付费':677 '但不改变原有工作方式':100,961 '但付费转化率只有5':924 '但单用户使用深度在下降':940 '但定价策略需要调整':668 '但客户不愿持续付费':118 '但成本':107 '但无法判断增长是':20 '但每次使用都处理高价值任务':971 '但用户使用频率很低':902 '但真正节省团队时间的':427 '低':345,346,347,646,651,652 '低价值密度':142 '低价值密度的能力不是':415 '低密度能力':151 '使用场景':13 '使用方式':202 '使用深度':78 '使用深度是否在增长':855 '使用率高但付费意愿仅12':624 '使用率高但付费率低':661 '使用频率':980 '使用频率高但付费意愿低':489 '依赖':927 '依赖使用':861 '信号交叉验证':474,654 '信号交叉验证矩阵':507 '信号揭示了哪些原始假设中没有的新价值点':552 '信号类型':285,577,760 '信号识别':51 '修正为':730 '值了':452 '值得推荐':873 '假设修正':547 '假设否定':554 '假设新增':551 '假设验证':543 '停下来':423 '停止':434 '停止投入比继续投入更难':414 '先做小规模验证':823 '全链路客服':371 '关键发现':709 '具体信号':286,578,761 '具体定价方法参见':154 '内部':499 '内部团队觉得好用的同时':501 '内部好评但外部冷淡':503 '内部视角偏差':505 '再优化一下':421 '再做价值判断':964 '写作助手价值发现':563 '切入':691 '切入不如从':689 '初始功能包括文案生成':569 '判断价值信号时必须引入时间维度':388 '到':718,906 '功能':722 '协同':264 '单一类型的价值信号不足以支撑决策':444 '单次对话成本':314 '单次生成成本':617 '原因':903,925,941,957,973 '原始价值假设中':544 '另一类不在意':174 '只在单一信号上表现突出的能力':468 '只有一个维度有模糊答案':143 '只看短期信号会高估价值':402 '只看长期信号会错过窗口期':403 '可以用以下清单快速判断当前产品是否有价值信号':850 '可以进入定价和扩展阶段':892 '可能是演示陷阱或新鲜感效应':854 '可量化结果':701 '同一项能力在不同时间窗口内的信号强度完全不同':384 '同时看':945 '同理':407 '后趋稳':614 '否':853,857,863,866,869,876,880 '含一致性评分':508 '含信号矩阵':743 '含修正原因和新假设':559 '周':392 '和':910,947 '和没有资料条件的方向定界一样':410 '品类价值分析报告':843 '哪些假设被信号推翻了':555 '哪些假设需要调整':548 '哪些场景的价值信号最强':522 '哪些客户群体的信号最强':526 '哪些能力项有强价值信号':518 '哪些被信号证实了':545 '哪里信号最强':533 '商业':297,598,660,674,774 '商业交叉':486 '商业信号':81 '四个条件同时满足才是强价值信号':458 '四类伪价值信号排除':85 '回流到':227 '回流到方向定界':57 '回流方向定界':366,724,830 '团队容易关注高频使用数据':974 '团队有多个候选方向':17 '团队能做出来':117 '团队能否用一句话说清楚':874 '团队花了三个月做出了ai能力':900 '围绕实验':30 '在价值密度评估中':464 '在正式执行价值发现循环之前':849 '场景':513,531,565 '场景价值重估':164 '场景搭配':816 '场景维度':521 '场景适配':909 '垂直行业场景':750 '培训周期从2周缩至5天':291 '基于团队规模和月生成量':708 '基于工单量级':365 '增加服装专属功能':814 '增长':935 '增长可能来自营销推广或市场热度':942 '处理吞吐量上升':63 '外部交叉':500 '外部客户是否也认可':502 '多平台适配':571,648,696 '好用':807 '好用但不是必须':929 '好评率':785,791 '好评率提升有限':808 '如何把能力做出来':44 '如何验证高价值密度的定价和场景':195 '如果只有效率提升但质量下降':459 '如果效率提升但质量下降':482 '如果用户愿意使用但不愿付费':461 '存量用户深度':948 '它最终回流到方向定界':162 '定价建议':361,698 '定价策略':257 '定价策略不应脱离价值发现独立设计':153 '定价策略联动':55 '定价逻辑':702 '客户三者的交集中':532 '客户分层修正':172 '客户循环提供真实客户信号':269 '客户愿意付费试点':82 '客户的三维映射':514 '客户维度':525 '客服':273 '客服主动使用率62':296 '对':198 '对了':448 '对已识别的价值信号进行交叉验证':476 '对每项已验证能力':122 '对每项能力进行价值密度评估':214 '对比演示通过率':92 '对策':912,930,944,962,976 '将已验证的价值信号映射到三维空间':515 '小红书':595 '就是提供一个客观框架':432 '工具':712 '工单分类':330,373 '工单分类的准确率提升':363 '工单分类能力':353 '工单分类错误率从12':293 '已排除的伪价值信号及原因':189 '已经在内部试用了一个月':279 '已经投入了三个月的开发时间':425 '已识别的五类信号及强度':186 '市场测试和方向修正的持续循环':32 '市场测试设计':54,194 '帮你写得更好过':719 '帮你写更快':717 '帮助团队做出':433 '常见价值发现陷阱':893 '应标记为':469 '应用':463 '应考虑停止投入':144 '延迟':108 '建议':811 '建议增加':720 '建议方向调整':351,683 '强度':287,579,762 '当前最赚钱的品类':825 '当用户提供已上线或正在验证的':203 '待交叉验证':470 '待验证':798 '很多团队面对低密度能力时':419 '很酷':99,960 '微信三平台适配开始被使用':597 '快了':446 '忽略':966 '忽略低频高价值使用模式':975 '想判断哪些能力真正有价值':280 '想知道下一步是扩展品类还是深耕现有品类':755 '意图识别':336,356,374 '愿意把更多真实任务交给系统':77 '成本幻觉':104,313,616 '成本节约':131,327,631,781 '成果':714 '我们做了一个面向电商卖家的ai产品图生成工具':752 '我们的ai写作助手已上线2个月':567 '我们的客服':277 '所有客服团队':376 '所有营销团队':734 '才判定为':466 '执行流程':282,574,757 '扩展会分散资源':828 '技术指标很好看':901 '把':895,916,934,950 '把资源转向高密度方向':430 '抖音':596 '护城河方向':838 '按':977 '按价值密度排序':519 '按生成量计费':704 '按通过率提升幅度计费':706 '捆绑增值功能':694 '排除四类伪价值信号':212 '提供生产环境数据':250 '提供能力验证结果':244 '提升':332,338,344,352,684 '提升优先级':166 '提升到72':588 '收缩为':372,836 '收集当前产品的使用数据和用户行为':208 '收集更多信号再决定':820 '效率':288,290,478,580,582,656,670,688,763 '效率信号':60 '效率信号只说明':445 '效率提升':454,729,732 '效率提升70':644 '效率提升且质量稳定':658 '效率提升明显':672 '效率提升的同时':480 '数据不足':797 '文案初稿生成时间从4小时降至30分钟':581 '文案生成':634,685 '文案生成能力':655 '文案通过率从55':587 '文案通过率提升':700 '新场景被自然覆盖':72 '新增价值假设':738 '新增场景假设':840 '新增用户质量':946 '新鲜感':310,611 '新鲜感效应':23,96,958 '方向修正':263 '方向修正建议':56,197,349,681,800 '方向定界阶段必须先审资料条件':406 '方向本身不成立':418 '方向重写':177 '无法判断':810 '日均使用时长42分钟':590 '日工单量':378 '日常使用率':94 '日常使用率62':307 '日常使用率68':609 '日常使用率健康':610 '日常使用率合理':308 '时间':130 '时间成本和付费意愿的综合影响强度':39 '明确':319,622 '明确表达购买意愿':84 '是':886,890 '是低估了还是高估了':549 '是否存在分层差异':527 '是否存在被忽视的高价值场景':523 '是否愿意付费':488 '是否有用户主动把更多真实任务交给系统':862 '是否有用户向其他人推荐过这个产品':868 '是否有用户在持续使用':851 '是否有用户表达过付费意愿或主动询问价格':865 '是定价的关键前提':740 '暂停':821 '暂时没做好':416 '暂缓':358,695 '更新':179,369,727,833,847 '替代人工成本':619 '最活跃的用户不一定是最高价值的用户':969 '月':397 '月产50':736 '月均生成产品图从15张增至42张':768 '有2000个活跃卖家在用':754 '有些用户使用频率不高':970 '有价值':898 '服装':826 '服装产品图':784 '服装品类':813 '服装品类使用率最高':770 '服装品类的价值密度远高于其他品类':803 '服装电商产品图':837 '权重':126 '来分层分析用户':981 '某类场景价值远高于原预期':165 '某类客户愿意付费':173 '某类能力成立但价值密度不足':169 '某项能力对任务结果':38 '标注高价值交叉区域':537 '标题a':583 '标题优化':570,642,693 '标题优化能力':669 '核心价值假设从':728 '核心卖点':354 '核心发现':802 '核心场景从':370,834 '核心定价锚':362,686,699 '核心概念':25 '核心能力成立':667 '核心问题':625 '检测项':302,604 '概念七':412 '概念八':441 '概念六':381 '模特换装':815 '模特换装和场景搭配可能是下一个高价值能力':841 '步骤七':509 '步骤八':538 '步骤六':473 '每项能力的三维度评分':192 '沉默的高价值用户':967 '没有时间维度的信号评估':409 '测试付费意愿而非满意度':120 '测试准备时间缩短70':585 '深入核心概念':380 '深耕':812 '满意':926 '演示好评率95':305 '演示效果惊艳':89 '演示转化率40':607 '演示陷阱':87,304,606 '用了':450 '用发现的新信号回过头来更新方向定界阶段的价值假设':541 '用户为什么离不开这个产品':875 '用户习惯改变':911 '用户使用率不足以支撑独立价值':697 '用户可能只是':858 '用户可能觉得':928 '用户愿意付费':919 '用户愿意使用的同时':487 '用户愿意反复使用':76 '用户愿意持续使用':456 '用户数据看起来不错但转化率一直上不去':572 '用户数量在增长':939 '用户满意':917 '用户满意度调查得分很高':921 '用户觉得':98,675,959 '用户输入':276,566,751 '用新信号更新原始假设':540 '的关系':237 '的具体修改建议':201 '的决定':435 '目标客户从':375,733 '直接测试付费意愿':931 '看付费续期和场景扩展':401 '看使用意愿':393 '看留存和习惯形成':398 '看起来亮眼但无法转化为持续使用或付费意愿的假信号':36 '真实价值':21 '真实使用频率极低':90 '真正的价值判断需要信号交叉验证':453 '真正节省团队时间的':437 '短期':492,663 '短期信号':389 '短期信号弱但长期稳定增长':496 '短期信号强但长期衰减':494 '示例':270,271,561,747 '积累服装品类的专属训练数据和场景理解':839 '第5章':440 '第5章指出':405 '第一印象好':951 '第二个月开始下滑':956 '等同于':897,918,936,952 '篇内容的中大型营销团队':737 '篇文案':593 '系统可能只被用于边缘任务':864 '纳入免费引流层或停止投入':152 '结论':303,605,666,678 '续期或扩大场景':83 '续费62':795 '续费85':789 '续费率78':775 '维度':124 '维护代价过高':109 '维持':355,692 '综合密度':329,633,783 '而不是':422 '而是':417 '而是因为用户把ai文案视为':711 '而是更早停止投入':429 '而是更早排除不成立的方向':439 '而非':713,860,979 '而非产品本身的价值驱动':943 '而非实验室指标':914 '而非用满意度代替':932 '而非直接进入定价阶段':471 '联动定价策略':218 '聚焦为':377,735 '聚焦策略建议':844 '能做出来':896 '能力':114,325,512,530,629,779,905 '能力-付费断层':113 '能力-场景-客户的三维映射':511 '能力价值筛选':168 '能力成立':49 '能力维度':517 '能用':805,871 '能证明能力正在形成真实业务价值的连续信号':34 '自动回复':342,359 '自动执行':206 '至少观察30天留存曲线是否稳定':963 '节约人工成本':316 '行为':295,485,589,591,659,673,767 '行为信号':75 '行为信号只说明':449 '补充分步执行':472 '补充示例':560 '表现':88,97,105,116,899,920,938,954,968 '表达付费意愿':457,600 '要求每项能力至少在三类信号上获得中等以上强度':465 '覆盖':594,769 '覆盖信号':70 '覆盖面扩大':649 '观察':818 '计算单位价值成本比':111 '让用户看到ai带来的质量提升':723 '设计工具价值发现':749 '设计市场测试方案':216 '设计用量阶梯定价':150 '设计确定性溢价定价':148 '识别五类价值信号':210 '识别方法':91,101,110,119 '诊断结果':878 '试用用户中12':599 '试验展开':48 '说明价值在被逐步发现':497 '说明价值感知还没转化为商业价值':462 '说明价值还没被充分感知':490 '说明可能存在':504 '说明可能是新鲜感效应':495 '说明能力可能在走捷径':483 '说明能力方向可能有偏差':460 '谁愿意为此持续付费':135 '调整目标客户':175 '质量':292,586,657,671,765 '质量交叉':479 '质量信号':65 '质量提升':731 '质量是否稳定或提升':481 '质量稳定':455 '转向':705 '轻微新鲜感衰减但已企稳':615 '辅助能力':357 '输出':506,534,557,741,842 '输出一致性提升':67 '输出价值发现方案':234 '输出物':182 '边界案例解决率上升':73 '过去做不了的长尾问题开始被处理':71 '还是':22 '还有很大深化空间':827 '这意味着什么':556 '这是因为沉没成本效应':424 '这项能力改变了什么任务结果':128 '这项能力是否值得持续做下去':46 '追踪30天留存曲线是否断崖下降':102 '适合作为增值功能而非独立定价锚点':679 '通用电商产品图':835 '通过率仪表盘':721 '通过率可量化':739 '通过率提升':636,690 '都可能导致高成本偏航':411 '配合':219 '错误率下降':66 '锦上添花':676 '长期':664 '长期交叉':493 '长期价值':953 '长期信号':399 '问题':125 '阶梯设计':364,707 '降低优先级':170 '降低核心品类的竞争壁垒':829 '降至4':294 '降至78':613 '陷阱一':894 '陷阱三':933 '陷阱二':915 '陷阱五':965 '陷阱四':949 '需要判断哪些能力真正形成价值':16 '需要定价验证':322 '需要改变价值叙事':715 '需要更多验证':360 '需要深入验证':888 '需要用价值信号而非主观判断来决策优先级':18 '需要设计从价值发现到定价策略到方向调整的完整闭环':24 '需要重新审视方向':882 '非一次性尝鲜':852 '非新鲜感效应':312 '非演示陷阱':309 '面向营销团队':568 '面料质感':817 '项为':885 '食品产品图':796 '食品品类':822 '食品品类数据不足':809 '首响时间从5分钟降至1分钟':289 '高':334,335,637,641,787,788,793 '高价值密度':137,467 '高密度能力':147","prices":[{"id":"e9e4fbba-a745-48b9-bcdf-775b27eea638","listingId":"093f4103-2423-4e34-886c-8a849c1cb1d5","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":"2026-05-01T01:02:53.722Z"}],"sources":[{"listingId":"093f4103-2423-4e34-886c-8a849c1cb1d5","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/p10a-value-discovery-loop","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p10a-value-discovery-loop","isPrimary":false,"firstSeenAt":"2026-05-01T01:02:53.722Z","lastSeenAt":"2026-05-18T18:57:27.377Z"}],"details":{"listingId":"093f4103-2423-4e34-886c-8a849c1cb1d5","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"p10a-value-discovery-loop","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":"a4303fcf5a75bac2ea65c002be84fb0cb7880fee","skill_md_path":"skills/p10a-value-discovery-loop/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p10a-value-discovery-loop"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"p10a-value-discovery-loop","description":"'AI Native 产品方法论——价值发现循环的实操 Skill。"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p10a-value-discovery-loop"},"updatedAt":"2026-05-18T18:57:27.377Z"}}