{"id":"d6823f39-ef13-407f-9d5b-83433ca04e04","shortId":"tpXqFH","kind":"skill","title":"ai-native-product-needs","tagline":"AI Native 产品需求发现 Skill。基于《AI rebuild product needs》方法论， 帮助用户在 AI Agent","description":"# AI Native 产品需求发现 — SKILL.md\n\n## 一句话定位\n\n当 AI 让\"做出来\"变得容易时，真正稀缺的是判断\"什么才值得做\"的能力。本 Skill 提供一套从\"真实处境\"出发的需求发现流程，帮助你避开 AI 时代最容易陷入的伪需求陷阱。\n\n## 何时触发\n\n用户提供了一个产品想法、问题线索或需求描述，需要：\n- 判断这是真实需求还是伪需求\n- 在 AI Agent 时代重新定义需求边界\n- 从\"用户说什么\"转向\"用户在什么处境中做了什么\"\n- 产出一份可用于后续方向定界和系统构建的需求简报\n\n## 核心方法论（来自书稿）\n\n### 第一性原理\n\n数字世界正在把世界压扁，但真实世界始终是立体的。AI 很擅长处理被表达、被记录、被整理过的世界，但真正有价值的问题，往往长在现实里那些还没有被说清、也不容易被看见的地方。\n\n### 核心公式\n\n```\n真实需求 = 场景入口 × 处境深度 × 行为证据密度\n伪需求 = 表达强度 × 技术兴奋度 × 可见性偏差\n```\n\n### 三条核心线索\n\n1. **媒介批判线**：我们看到的≠现实本身。平台放大、压缩、分类和引导过的\"需求\"，往往只是高可见需求，不一定是真问题。\n2. **产品方法线**：过去需求管理的核心是资源分配；今天必须升级为**问题判断**——什么问题值得进入系统，什么只是被技术兴奋或舆论噪音放大的伪需求。\n3. **人的能力线**：当 AI 越来越会整理、总结、生成、规划，人的核心竞争力是走回现实、观察处境、判断什么该交给系统、什么必须留给人。\n\n## 执行流程\n\n### Step 1：需求解构（Deconstruct the Stated Need）\n\n把用户/客户/团队\"说出来的需求\"拆成三层：\n\n| 层级 | 问题 | 输出 |\n|------|------|------|\n| 表达层 | 他们说了什么？ | 原始需求陈述 |\n| 行为层 | 他们在什么处境中做了什么？ | 行为证据清单 |\n| 结构层 | 什么在阻碍他们达成目标？ | 结构性约束清单 |\n\n**关键动作**：\n- 收集至少 3 个真实用户的行为案例（不是问卷，不是访谈录音，是\"他们在什么场景下做了什么\"）\n- 标记每一个\"需求\"是否来自平台/算法/社交媒体的放大\n- 区分\"用户的痛苦\"和\"用户描述的痛苦\"——后者往往已经被媒介翻译过\n\n### Step 2：处境映射（Situation Mapping）\n\nAI Native 需求管理的核心转变：从\"用户是谁\"到\"用户在什么处境中\"。\n\n**处境地图的四个维度**：\n1. **物理处境**：在哪里？用什么设备？网络环境？时间压力？\n2. **社交处境**：和谁在一起？谁在看？有什么社会压力？\n3. **任务处境**：正在完成什么目标？这个目标是谁设定的？\n4. **情绪处境**：当下的情绪状态？对失败的容忍度？\n\n**输出**：一幅\"处境-行为\"映射表，显示用户在每个处境下的真实行为（而非表达意愿）。\n\n### Step 3：伪需求检测（Pseudo-Need Detection）\n\n用 5 个信号判断一个需求是否为伪需求：\n\n| 信号 | 检测问题 | 风险等级 |\n|------|----------|----------|\n| S1: 技术兴奋型 | \"如果不用 AI，这个问题还存在吗？\" | 🔴 高 |\n| S2: 可见性偏差型 | \"这个需求是在哪个平台/会议上被放大的？\" | 🟡 中 |\n| S3: 表达-行为断裂型 | \"用户说的和做的是否一致？\" | 🔴 高 |\n| S4: 代理偏差型 | \"这个需求是谁的声音？是终端用户还是中间人？\" | 🟡 中 |\n| S5: 解决方案伪装型 | \"他们描述的是问题，还是已经混进了解决方案？\" | 🔴 高 |\n\n**规则**：命中 ≥2 个 🔴 信号 → 标记为\"高伪需求风险\"，必须回到 Step 1 重新收集行为证据。\n\n### Step 4：Agent 适配评估（Agent Fit Assessment）\n\n判断这个需求是否适合用 AI Agent 解决，而非传统工具或人工。\n\n**Agent 适配四问**：\n1. **边界是否清晰？** Agent 的输入和输出能否被明确定义？\n2. **反馈是否闭环？** Agent 的行动结果能否被快速验证并回流到系统？\n3. **错误是否可承受？** Agent 出错的代价是否在可接受范围内？（参考 Risk Exposure 框架）\n4. **人的角色是否被保留？** 哪些决策必须留给人，哪些可以交给 Agent？\n\n**输出**：Agent 适配评分（0-100）+ 不适合 Agent 的环节清单。\n\n### Step 5：需求简报输出（Needs Brief）\n\n整合所有分析，输出一份标准化的 **AI Native 需求简报**：\n\n```yaml\nneeds_brief:\n  problem_statement: \"用一句话描述真正的核心问题（不是解决方案）\"\n  situation_map:\n    - situation: \"处境描述\"\n      behavior_evidence: \"行为证据\"\n      frequency: \"发生频率\"\n  pseudo_need_flags: [\"S1\", \"S3\"]  # 命中的伪需求信号\n  agent_fit:\n    score: 85\n    suitable_for_agent: true\n    human_reserved_decisions: [\"最终审批\", \"伦理判断\"]\n  validation_criteria:\n    - \"验证标准1：...\"\n    - \"验证标准2：...\"\n  next_stage: \"p2\"  # 下一阶段：方向定界\n```\n\n## 关键原则\n\n1. **行为 > 表达**：用户的行为证据比他们说的话更可信。\n2. **处境 > 画像**：先理解用户在什么处境中，再谈用户是谁。\n3. **问题 > 方案**：永远先定义问题，再讨论解决方案。AI 时代最容易犯的错误是把解决方案（\"我想做一个 Agent\"）当成需求。\n4. **真实 > 可见**：高可见的需求不一定是真需求，可能只是被算法放大了。\n\n## 常见陷阱\n\n- **陷阱 1**：把\"用户想要一个 AI 助手\"当成需求 → 实际上用户想要的是\"减少重复性工作的痛苦\"\n- **陷阱 2**：用 AI 生成虚假需求 → 用 LLM 生成\"用户故事\"，看起来很像，但没有真实行为支撑\n- **陷阱 3**：场景太宽 → \"帮助所有人提高效率\"不是场景，\"帮助电商客服在高峰时段处理退货请求\"才是\n- **陷阱 4**：忽视媒介过滤 → 从社交媒体、行业报告中读到的\"热点需求\"，往往已经被平台扭曲\n\n## 与其他 Skill 的关系\n\n- **上游输入**：无（本 Skill 是工作流起点之一）\n- **下游输出**：`ai-native-direction-framing`（方向定界）\n- **并行参考**：`ai-native-experiment-engine`（试验展开，用于验证需求假设）\n\n## 核心概念\n\n### 概念一：数字世界压扁了世界，但真实世界始终是立体的\n\nAI 很擅长处理被表达、被记录、被整理过的世界。但真正有价值的问题，往往长在现实里那些还没有被说清、也不容易被看见的地方。\n\n**核心公式**：\n\n```\n真实需求 = 场景入口 × 处境深度 × 行为证据密度\n伪需求 = 表达强度 × 技术兴奋度 × 可见性偏差\n```\n\n> 当 AI 让\"做出来\"变得容易时，真正稀缺的是判断\"什么才值得做\"的能力。\n\n### 概念二：三条核心线索\n\n1. **媒介批判线**：我们看到的≠现实本身。平台放大、压缩、分类和引导过的\"需求\"，往往只是高可见需求，不一定是真问题。\n2. **产品方法线**：过去需求管理的核心是资源分配；今天必须升级为**问题判断**——什么问题值得进入系统，什么只是被技术兴奋或舆论噪音放大的伪需求。\n3. **人的能力线**：当 AI 越来越会整理、总结、生成、规划，人的核心竞争力是走回现实、观察处境、判断什么该交给系统、什么必须留给人。\n\n### 概念三：从\"用户是谁\"到\"用户在什么处境中\"\n\nAI Native 需求管理的核心转变：不是先问\"用户是谁\"（画像），而是先问\"用户在什么处境中\"（场景）。\n\n**处境地图的四个维度**：\n\n| 维度 | 问题 | 示例 |\n|------|------|------|\n| 物理处境 | 在哪里？用什么设备？网络环境？时间压力？ | 地铁上用手机、办公室用电脑 |\n| 社交处境 | 和谁在一起？谁在看？有什么社会压力？ | 独处时搜索、同事面前提问 |\n| 任务处境 | 正在完成什么目标？这个目标是谁设定的？ | 被老板要求的 vs 自己想做的 |\n| 情绪处境 | 当下的情绪状态？对失败的容忍度？ | 焦虑时搜索、放松时浏览 |\n\n> 处境 > 画像。先理解用户在什么处境中，再谈用户是谁。\n\n### 概念四：伪需求的五个信号\n\n| 信号 | 检测问题 | 风险等级 |\n|------|----------|----------|\n| S1: 技术兴奋型 | \"如果不用 AI，这个问题还存在吗？\" | 🔴 高 |\n| S2: 可见性偏差型 | \"这个需求是在哪个平台/会议上被放大的？\" | 🟡 中 |\n| S3: 表达-行为断裂型 | \"用户说的和做的是否一致？\" | 🔴 高 |\n| S4: 代理偏差型 | \"这个需求是谁的声音？是终端用户还是中间人？\" | 🟡 中 |\n| S5: 解决方案伪装型 | \"他们描述的是问题，还是已经混进了解决方案？\" | 🔴 高 |\n\n**规则**：命中 ≥2 个 🔴 信号 → 标记为\"高伪需求风险\"，必须回到 Step 1 重新收集行为证据。\n\n### 概念五：Agent 适配四问\n\n判断这个需求是否适合用 AI Agent 解决：\n\n1. **边界是否清晰？** Agent 的输入和输出能否被明确定义？\n2. **反馈是否闭环？** Agent 的行动结果能否被快速验证并回流到系统？\n3. **错误是否可承受？** Agent 出错的代价是否在可接受范围内？\n4. **人的角色是否被保留？** 哪些决策必须留给人，哪些可以交给 Agent？\n\n> 不是所有问题都适合用 AI 解决。Agent 适配评估是需求发现的最后一道关。\n\n## 分步执行\n\n### Step 1：需求解构——把\"说出来的需求\"拆成三层\n\n**输入**：用户/客户/团队表达的需求\n\n**处理**：\n1. **表达层**：他们说了什么？→ 原始需求陈述\n2. **行为层**：他们在什么处境中做了什么？→ 行为证据清单\n3. **结构层**：什么在阻碍他们达成目标？→ 结构性约束清单\n\n**关键动作**：\n- 收集至少 3 个真实用户的行为案例（不是问卷，是\"他们在什么场景下做了什么\"）\n- 标记每一个\"需求\"是否来自平台/算法/社交媒体的放大\n- 区分\"用户的痛苦\"和\"用户描述的痛苦\"\n\n**输出**：三层解构结果（表达层 + 行为层 + 结构层）\n\n---\n\n### Step 2：处境映射——绘制用户的真实处境\n\n**输入**：Step 1 的行为层输出\n\n**处理**：\n1. 绘制物理处境（在哪里、用什么设备、时间压力）\n2. 绘制社交处境（和谁在一起、谁在看、社会压力）\n3. 绘制任务处境（正在完成什么目标、谁设定的）\n4. 绘制情绪处境（当下情绪、对失败的容忍度）\n\n**输出**：处境-行为映射表\n\n---\n\n### Step 3：伪需求检测——用五个信号判断\n\n**输入**：Step 1-2 的全部输出\n\n**处理**：\n1. 逐一检测 S1-S5 五个信号\n2. 统计命中数量和风险等级\n3. 如果命中 ≥2 个 🔴，标记为高伪需求风险\n4. 如果是高风险，回到 Step 1 重新收集行为证据\n\n**输出**：伪需求检测报告 + 风险等级 + 回溯建议（如有）\n\n---\n\n### Step 4：Agent 适配评估——判断是否适合 AI 解决\n\n**输入**：已验证的需求\n\n**处理**：\n1. 评估边界清晰度（输入/输出能否定义）\n2. 评估反馈闭环（结果能否验证并回流）\n3. 评估错误承受度（出错代价是否可接受）\n4. 评估人的角色保留（哪些决策必须留给人）\n\n**输出**：Agent 适配评分（0-100）+ 不适合 Agent 的环节清单\n\n---\n\n### Step 5：需求简报输出——整合所有分析\n\n**输入**：Step 1-4 的全部输出\n\n**处理**：\n1. 用一句话描述真正的核心问题（不是解决方案）\n2. 整合处境映射和行为证据\n3. 标注伪需求信号和 Agent 适配结果\n4. 定义验证标准和下一阶段\n\n**输出**：AI Native 需求简报（标准化格式）\n\n### 示例 1：电商客服需求的完整发现流程\n\n**场景描述**：某电商平台客服团队说\"我们需要 AI 自动回复客户\"。\n\n**Step 1 需求解构**：\n- 表达层：\"AI 自动回复客户\"\n- 行为层：客服每天处理 2000+ 咨询，60% 是重复问题（物流查询、退货政策），新人平均需要 2 周才能独立上岗\n- 结构层：知识分散在 FAQ、内部文档、老同事脑子里，新人找不到也问不出口\n\n**Step 2 处境映射**：\n- 物理处境：客服工作台，双屏操作，高峰时段同时处理 5+ 对话\n- 社交处境：主管在旁边，同事能看到回复质量排名\n- 任务处境：首响时间 < 30 秒的要求，同时保持满意度 > 95%\n- 情绪处境：高峰期焦虑，怕回错被投诉\n\n**Step 3 伪需求检测**：\n- S1 技术兴奋型：❌ 即使不用 AI，问题也存在（人工培训成本高）\n- S2 可见性偏差型：❌ 问题来自内部工单数据，不是外部放大\n- S3 表达-行为断裂型：⚠️ 用户说\"自动回复\"，但实际行为是\"新人不敢问老同事\"\n- S4 代理偏差型：✅ 需求来自客服主管，不是一线客服\n- S5 解决方案伪装型：⚠️ \"自动回复\"是解决方案，不是问题描述\n- 结果：2 个 ⚠️，0 个 🔴 → 中等风险，可继续但需修正问题定义\n\n**Step 4 Agent 适配**：\n- 边界清晰？✅ FAQ 查询 + 历史工单匹配\n- 反馈闭环？✅ 客服可以标记\"有用/没用\"\n- 错误可承受？⚠️ 回复错误可能导致客户投诉，但有人工兜底\n- 人的角色保留？✅ 最终回复由人工确认后发送\n- 适配评分：75/100\n\n**Step 5 需求简报**：\n```yaml\nneeds_brief:\n  problem_statement: \"新人客服无法快速获得资深客服的判断力，导致回复质量不稳定和培训成本高\"\n  situation_map:\n    - situation: \"高峰时段，新人面对复杂咨询\"\n      behavior_evidence: \"偷偷看老同事历史对话记录\"\n      frequency: \"每天\"\n  pseudo_need_flags: [\"S3\", \"S5\"]\n  agent_fit:\n    score: 75\n    suitable_for_agent: true\n    human_reserved_decisions: [\"高风险承诺回复\", \"投诉处理\"]\n  validation_criteria:\n    - \"新人首响时间是否降低 50%\"\n    - \"新人回复满意度是否达到资深客服 80% 水平\"\n  next_stage: \"p1 (方向定界)\"\n```\n\n**结论**：需求成立，但问题定义需要修正——不是\"自动回复\"，而是\"新人知识辅助\"。\n\n---\n\n### 示例 2：AI 学习计划产品的伪需求识别\n\n**场景描述**：一个创业团队说\"我们要做一个 AI 学习计划产品，帮大学生自动制定考研复习计划\"。\n\n**Step 1 需求解构**：\n- 表达层：\"帮大学生自动制定考研复习计划\"\n- 行为层：学生在考研论坛看学长学姐经验帖，收藏各种计划模板，但很少有人按计划执行超过 2 周\n- 结构层：信息过载（太多经验帖、太多教材推荐），不知道哪个适合自己；真正的痛不是\"没有计划\"，而是\"执行过程中没有反馈\"\n\n**Step 2 处境映射**：\n- 物理处境：宿舍/图书馆，手机/电脑，考研倒计时压力\n- 社交处境：研友互相比较进度，家长询问准备情况\n- 任务处境：自主设定的目标，但缺乏外部约束\n- 情绪处境：焦虑、自我怀疑、容易被\"效率博主\"内容吸引\n\n**Step 3 伪需求检测**：\n- S1 技术兴奋型：🔴 如果不用 AI，\"制定计划\"可以用 Excel + 学长经验解决\n- S2 可见性偏差型：🔴 \"AI 学习计划\"是当前热门赛道，可能被市场热度放大\n- S3 表达-行为断裂型：🔴 用户说\"需要计划\"，但行为显示\"有计划也不执行\"\n- S4 代理偏差型：✅ 需求来自创业团队自己的判断，不是用户反馈\n- S5 解决方案伪装型：🔴 \"自动制定计划\"是解决方案，真正问题是\"执行缺反馈\"\n- 结果：4 个 🔴 → **高伪需求风险**\n\n**决策**：必须回到 Step 1 重新收集行为证据。\n\n**重新定义后的问题**：不是\"制定计划\"，而是\"考研执行过程中的实时反馈和调整\"——学生真正缺的不是一份计划，而是在执行过程中有人告诉他们\"你现在的进度是否正常\"\"你的薄弱点在哪里\"\"下一步该优先做什么\"。\n\n**结论**：原需求（AI 制定学习计划）是伪需求。真正的需求是\"考研执行过程中的智能反馈系统\"。如果团队按原需求做，会做出一个\"用户生成了计划但不执行\"的产品。\n\n> 行为 > 表达。用户的行为证据比他们说的话更可信。","tags":["product","needs","native","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native","ai-product","methodology","product-management"],"capabilities":["skill","source-gmaxxxie","skill-p0-product-needs","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/p0-product-needs","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 (7,545 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":"2026-05-18T18:57:26.029Z","embedding":null,"createdAt":"2026-05-01T01:02:51.846Z","updatedAt":"2026-05-18T18:57:26.029Z","lastSeenAt":"2026-05-18T18:57:26.029Z","tsv":"'-100':278,733 '-2':679 '-4':744 '0':277,732,848 '1':76,107,161,237,253,337,363,449,565,574,598,608,647,650,678,682,699,716,743,747,764,772,938,1020 '2':86,149,167,230,257,341,372,459,558,578,612,642,655,688,692,720,750,786,795,846,928,946,958 '2000':779 '3':93,132,172,189,261,346,383,466,582,616,622,660,673,690,723,752,816,979 '30':808 '4':176,240,269,356,390,586,664,695,707,726,756,853,1014 '5':196,283,738,801,872 '50':912 '60':781 '75':899 '75/100':870 '80':914 '85':317 '95':811 'agent':18,47,241,243,248,251,255,259,263,273,275,280,314,320,354,568,572,576,580,584,590,594,708,730,735,754,854,896,902 'ai':2,6,11,17,19,25,38,46,59,96,153,204,247,289,351,366,374,406,413,423,440,469,483,532,571,592,711,759,769,775,821,929,934,984,991,1034 'ai-native-direction-fram':405 'ai-native-experiment-engin':412 'ai-native-product-ne':1 'assess':245 'behavior':303,886 'brief':286,294,876 'criteria':328,910 'decis':324,906 'deconstruct':109 'detect':194 'direct':408 'engin':416 'evid':304,887 'excel':987 'experi':415 'exposur':267 'faq':790,857 'fit':244,315,897 'flag':310,893 'frame':409 'frequenc':306,889 'human':322,904 'llm':377 'map':152,300,882 'nativ':3,7,20,154,290,407,414,484,760 'need':5,14,112,193,285,293,309,875,892 'next':331,916 'p1':918 'p2':333 'problem':295,877 'product':4,13 'pseudo':192,308,891 'pseudo-ne':191 'rebuild':12 'reserv':323,905 'risk':266 's1':201,311,529,685,818,981 's1-s5':684 's2':207,535,824,989 's3':212,312,540,828,894,995 's4':218,546,836,1003 's5':223,551,686,840,895,1007 'score':316,898 'situat':151,299,301,881,883 'skill':9,33,397,402 'skill-p0-product-needs' 'skill.md':22 'source-gmaxxxie' 'stage':332,917 'state':111 'statement':296,878 'step':106,148,188,236,239,282,564,597,641,646,672,677,698,706,737,742,771,794,815,852,871,937,957,978,1019 'suitabl':318,900 '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' 'true':321,903 'valid':327,909 'vs':513 'yaml':292,874 '一个创业团队说':932 '一句话定位':23 '一幅':181 '三层解构结果':637 '三条核心线索':75,448 '上游输入':399 '下一步该优先做什么':1031 '下一阶段':334 '下游输出':404 '不一定是真问题':85,458 '不是':923,1023 '不是一线客服':839 '不是先问':486 '不是场景':386 '不是外部放大':827 '不是所有问题都适合用':591 '不是用户反馈':1006 '不是解决方案':298,749 '不是访谈录音':135 '不是问卷':134,624 '不是问题描述':844 '不知道哪个适合自己':952 '不适合':279,734 '与其他':396 '个':231,559,693,847,849,1015 '个信号判断一个需求是否为伪需求':197 '个真实用户的行为案例':133,623 '中':211,222,539,550 '中等风险':850 '主管在旁边':804 '也不容易被看见的地方':65,429 '五个信号':687 '产出一份可用于后续方向定界和系统构建的需求简报':53 '产品方法线':87,460 '产品需求发现':8,21 '人工培训成本高':823 '人的核心竞争力是走回现实':101,474 '人的能力线':94,467 '人的角色保留':867 '人的角色是否被保留':270,587 '什么只是被技术兴奋或舆论噪音放大的伪需求':92,465 '什么在阻碍他们达成目标':128,618 '什么必须留给人':104,477 '什么才值得做':30,445 '什么问题值得进入系统':91,464 '今天必须升级为':89,462 '从':49,156,479 '从社交媒体':392 '他们在什么场景下做了什么':137,626 '他们在什么处境中做了什么':125,614 '他们描述的是问题':225,553 '他们说了什么':122,610 '代理偏差型':219,547,837,1004 '任务处境':173,509,806,969 '会做出一个':1040 '会议上被放大的':210,538 '伦理判断':326 '伪需求':71,435 '伪需求检测':190,674,817,980 '伪需求检测报告':702 '伪需求的五个信号':525 '但实际行为是':834 '但很少有人按计划执行超过':945 '但有人工兜底':866 '但没有真实行为支撑':381 '但真实世界始终是立体的':58,422 '但真正有价值的问题':63,427 '但缺乏外部约束':971 '但行为显示':1001 '但问题定义需要修正':922 '何时触发':40 '你现在的进度是否正常':1029 '你的薄弱点在哪里':1030 '信号':198,232,526,560 '信息过载':949 '做出来':27,442 '偷偷看老同事历史对话记录':888 '先理解用户在什么处境中':344,522 '关键动作':130,620 '关键原则':336 '内容吸引':977 '内部文档':791 '再讨论解决方案':350 '再谈用户是谁':345,523 '决策':1017 '减少重复性工作的痛苦':370 '出发的需求发现流程':36 '出错代价是否可接受':725 '出错的代价是否在可接受范围内':264,585 '分步执行':596 '分类和引导过的':82,455 '判断什么该交给系统':103,476 '判断是否适合':710 '判断这个需求是否适合用':246,570 '判断这是真实需求还是伪需求':44 '到':158,481 '制定学习计划':1035 '制定计划':985,1024 '办公室用电脑':502 '助手':367 '区分':143,632 '即使不用':820 '历史工单匹配':859 '压缩':81,454 '原始需求陈述':123,611 '原需求':1033 '参考':265 '双屏操作':799 '反馈是否闭环':258,579 '反馈闭环':860 '发生频率':307 '变得容易时':28,443 '可以用':986 '可继续但需修正问题定义':851 '可能只是被算法放大了':360 '可能被市场热度放大':994 '可见':358 '可见性偏差':74,438 '可见性偏差型':208,536,825,990 '同事能看到回复质量排名':805 '同事面前提问':508 '同时保持满意度':810 '后者往往已经被媒介翻译过':147 '周':947 '周才能独立上岗':787 '命中':229,557 '命中的伪需求信号':313 '和':145,634 '和谁在一起':169,504,657 '咨询':780 '哪些决策必须留给人':271,588,728 '哪些可以交给':272,589 '回到':697 '回复错误可能导致客户投诉':865 '回溯建议':704 '团队':115 '团队表达的需求':606 '图书馆':962 '在':45 '在哪里':163,497,652 '地铁上用手机':501 '场景':491 '场景入口':68,432 '场景太宽':384 '场景描述':766,931 '基于':10 '处境':183,342,520,670 '处境-行为':182 '处境-行为映射表':669 '处境地图的四个维度':160,492 '处境描述':302 '处境映射':150,643,796,959 '处境深度':69,433 '处理':607,649,681,715,746 '太多教材推荐':951 '太多经验帖':950 '如有':705 '如果不用':203,531,983 '如果命中':691 '如果团队按原需求做':1039 '如果是高风险':696 '媒介批判线':77,450 '学习计划':992 '学习计划产品':935 '学习计划产品的伪需求识别':930 '学生在考研论坛看学长学姐经验帖':943 '学生真正缺的不是一份计划':1027 '学长经验解决':988 '定义验证标准和下一阶段':757 '实际上用户想要的是':369 '客户':114,605 '客服可以标记':861 '客服工作台':798 '客服每天处理':778 '家长询问准备情况':968 '容易被':975 '宿舍':961 '对失败的容忍度':179,517,667 '对话':802 '导致回复质量不稳定和培训成本高':880 '层级':118 '已验证的需求':714 '帮助你避开':37 '帮助所有人提高效率':385 '帮助用户在':16 '帮助电商客服在高峰时段处理退货请求':387 '帮大学生自动制定考研复习计划':936,941 '常见陷阱':361 '平台放大':80,453 '并行参考':411 '当':24,95,439,468 '当下情绪':666 '当下的情绪状态':178,516 '当成需求':355,368 '往往只是高可见需求':84,457 '往往已经被平台扭曲':395 '往往长在现实里那些还没有被说清':64,428 '很擅长处理被表达':60,424 '必须回到':235,563,1018 '忽视媒介过滤':391 '怕回错被投诉':814 '总结':98,471 '情绪处境':177,515,812,972 '我们看到的':78,451 '我们要做一个':933 '我们需要':768 '我想做一个':353 '手机':963 '才是':388 '执行流程':105 '执行缺反馈':1012 '执行过程中没有反馈':956 '技术兴奋型':202,530,819,982 '技术兴奋度':73,437 '把':364,600 '把用户':113 '投诉处理':908 '拆成三层':117,602 '提供一套从':34 '收藏各种计划模板':944 '收集至少':131,621 '放松时浏览':519 '效率博主':976 '数字世界压扁了世界':421 '数字世界正在把世界压扁':57 '整合处境映射和行为证据':751 '整合所有分析':287,740 '新人不敢问老同事':835 '新人回复满意度是否达到资深客服':913 '新人客服无法快速获得资深客服的判断力':879 '新人平均需要':785 '新人找不到也问不出口':793 '新人知识辅助':926 '新人面对复杂咨询':885 '新人首响时间是否降低':911 '方向定界':335,410,919 '方案':348 '方法论':15 '无':400 '时代最容易犯的错误是把解决方案':352 '时代最容易陷入的伪需求陷阱':39 '时代重新定义需求边界':48 '时间压力':166,500,654 '映射表':185 '是':136,625 '是伪需求':1036 '是否来自平台':140,629 '是工作流起点之一':403 '是当前热门赛道':993 '是终端用户还是中间人':221,549 '是解决方案':843,1010 '是重复问题':782 '显示用户在每个处境下的真实行为':186 '最终回复由人工确认后发送':868 '最终审批':325 '有什么社会压力':171,506 '有用':862 '有计划也不执行':1002 '本':32,401 '来自书稿':55 '某电商平台客服团队说':767 '查询':858 '标准化格式':762 '标注伪需求信号和':753 '标记为':233,561 '标记为高伪需求风险':694 '标记每一个':138,627 '核心公式':66,430 '核心方法论':54 '核心概念':419 '框架':268 '检测问题':199,527 '概念一':420 '概念三':478 '概念二':447 '概念五':567 '概念四':524 '正在完成什么目标':174,510,662 '每天':890 '水平':915 '永远先定义问题':349 '没有计划':954 '没用':863 '热点需求':394 '焦虑':973 '焦虑时搜索':518 '物流查询':783 '物理处境':162,496,797,960 '独处时搜索':507 '现实本身':79,452 '生成':99,378,472 '生成虚假需求':375 '用':195,373,376 '用一句话描述真正的核心问题':297,748 '用于验证需求假设':418 '用五个信号判断':675 '用什么设备':164,498,653 '用户':604 '用户在什么处境中':159,482,490 '用户在什么处境中做了什么':52 '用户想要一个':365 '用户描述的痛苦':146,635 '用户提供了一个产品想法':41 '用户故事':379 '用户是谁':157,480,487 '用户生成了计划但不执行':1041 '用户的痛苦':144,633 '用户的行为证据比他们说的话更可信':340,1045 '用户说':832,999 '用户说什么':50 '用户说的和做的是否一致':216,544 '电商客服需求的完整发现流程':765 '电脑':964 '画像':343,488,521 '的产品':1042 '的全部输出':680,745 '的关系':398 '的环节清单':281,736 '的能力':31,446 '的行为层输出':648 '的行动结果能否被快速验证并回流到系统':260,581 '的输入和输出能否被明确定义':256,577 '看起来很像':380 '真实':357 '真实处境':35 '真实需求':67,431 '真正的痛不是':953 '真正的需求是':1037 '真正稀缺的是判断':29,444 '真正问题是':1011 '知识分散在':789 '研友互相比较进度':967 '示例':495,763,927 '社交处境':168,503,803,966 '社交媒体的放大':142,631 '社会压力':659 '秒的要求':809 '第一性原理':56 '算法':141,630 '结构层':127,617,640,788,948 '结构性约束清单':129,619 '结果':845,1013 '结果能否验证并回流':722 '结论':920,1032 '绘制任务处境':661 '绘制情绪处境':665 '绘制物理处境':651 '绘制用户的真实处境':644 '绘制社交处境':656 '统计命中数量和风险等级':689 '维度':493 '网络环境':165,499 '老同事脑子里':792 '考研倒计时压力':965 '考研执行过程中的实时反馈和调整':1026 '考研执行过程中的智能反馈系统':1038 '而是':925,955,1025 '而是先问':489 '而是在执行过程中有人告诉他们':1028 '而非传统工具或人工':250 '而非表达意愿':187 '自主设定的目标':970 '自动制定计划':1009 '自动回复':833,842,924 '自动回复客户':770,776 '自己想做的':514 '自我怀疑':974 '行业报告中读到的':393 '行为':184,338,1043 '行为层':124,613,639,777,942 '行为断裂型':215,543,831,998 '行为映射表':671 '行为证据':305 '行为证据密度':70,434 '行为证据清单':126,615 '表达':214,339,542,830,997,1044 '表达-行为断裂型':213,541,829,996 '表达层':121,609,638,774,940 '表达强度':72,436 '被整理过的世界':62,426 '被老板要求的':512 '被记录':61,425 '观察处境':102,475 '规划':100,473 '规则':228,556 '解决':249,573,593,712 '解决方案伪装型':224,552,841,1008 '让':26,441 '评估人的角色保留':727 '评估反馈闭环':721 '评估边界清晰度':717 '评估错误承受度':724 '试验展开':417 '说出来的需求':116,601 '谁在看':170,505,658 '谁设定的':663 '越来越会整理':97,470 '转向':51 '输入':603,645,676,713,718,741 '输出':120,180,274,636,668,701,729,758 '输出一份标准化的':288 '输出能否定义':719 '边界是否清晰':254,575 '边界清晰':856 '过去需求管理的核心是资源分配':88,461 '还是已经混进了解决方案':226,554 '这个目标是谁设定的':175,511 '这个问题还存在吗':205,533 '这个需求是在哪个平台':209,537 '这个需求是谁的声音':220,548 '退货政策':784 '适配':855 '适配四问':252,569 '适配结果':755 '适配评估':242,709 '适配评估是需求发现的最后一道关':595 '适配评分':276,731,869 '逐一检测':683 '重新定义后的问题':1022 '重新收集行为证据':238,566,700,1021 '错误可承受':864 '错误是否可承受':262,583 '问题':119,347,494 '问题也存在':822 '问题判断':90,463 '问题来自内部工单数据':826 '问题线索或需求描述':42 '陷阱':362,371,382,389 '需求':83,139,456,628 '需求成立':921 '需求来自创业团队自己的判断':1005 '需求来自客服主管':838 '需求简报':291,761,873 '需求简报输出':284,739 '需求管理的核心转变':155,485 '需求解构':108,599,773,939 '需要':43 '需要计划':1000 '风险等级':200,528,703 '首响时间':807 '验证标准1':329 '验证标准2':330 '高':206,217,227,534,545,555 '高伪需求风险':234,562,1016 '高可见的需求不一定是真需求':359 '高峰时段':884 '高峰时段同时处理':800 '高峰期焦虑':813 '高风险承诺回复':907","prices":[{"id":"11268640-8773-4ae5-832a-87a87e82497c","listingId":"d6823f39-ef13-407f-9d5b-83433ca04e04","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":"2026-05-01T01:02:51.846Z"}],"sources":[{"listingId":"d6823f39-ef13-407f-9d5b-83433ca04e04","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/p0-product-needs","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p0-product-needs","isPrimary":false,"firstSeenAt":"2026-05-01T01:02:51.846Z","lastSeenAt":"2026-05-18T18:57:26.029Z"}],"details":{"listingId":"d6823f39-ef13-407f-9d5b-83433ca04e04","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"p0-product-needs","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":"79daa0497749dd1769d211b105324ee6fff3cb09","skill_md_path":"skills/p0-product-needs/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p0-product-needs"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"ai-native-product-needs","description":"AI Native 产品需求发现 Skill。基于《AI rebuild product needs》方法论， 帮助用户在 AI Agent"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p0-product-needs"},"updatedAt":"2026-05-18T18:57:26.029Z"}}