{"id":"e381aa60-7429-4557-8e9a-b4cc575ec1a7","shortId":"u6Mf93","kind":"skill","title":"p8a-rax-risk-assessor","tagline":"RAX 风险评估器。基于《AI时代的用户体验》RAX 框架（Risk, Ambiguity, eXposure）， 系统性评估 AI 产品的风险、模糊性和暴露程度，帮助产品团队识别和管理用户体验风险。","description":"# RAX 风险评估器\n\n## 一句话定位\n\n系统性评估 AI 产品的风险（Risk）、模糊性（Ambiguity）和暴露程度（eXposure），找出用户体验的弱点。\n\n## 何时触发\n\n- AI 产品即将上线或已上线，需要评估用户体验风险\n- 用户反馈产品\"不可靠\"或\"不透明\"\n- 需要优先级排序风险修复\n- 需要向利益相关者展示风险管理能力\n\n## 输入\n\n产品描述 + 用户场景 + 已知问题。\n\n**示例输入**：\n```\n产品: AI 医疗诊断助手\n场景: 帮助医生诊断疾病\n用户: 临床医生\n已知问题: 医生担心 AI 诊断错误导致误诊\n```\n\n## RAX 框架\n\n### R - Risk（风险）\n\n**定义**：AI 出错时用户要承担什么后果？\n\n**评估项**：\n- [ ] 出错的概率是多少？\n- [ ] 出错的代价是多少（金钱、职业、健康、法律）？\n- [ ] 出错是否可逆？\n- [ ] 是否有回滚机制？\n\n**输出格式**：\n```\nRisk 评估:\n  error_probability: \"出错概率\"\n  error_cost:\n    financial: \"金钱损失\"\n    career: \"职业风险\"\n    health: \"健康风险\"\n    legal: \"法律风险\"\n    reputation: \"声誉风险\"\n  reversibility: \"是否可逆\"\n  rollback: \"回滚机制\"\n  risk_level: \"低/中/高/极高\"\n```\n\n### A - Ambiguity（模糊性）\n\n**定义**：用户能不能理解 AI 在做什么？\n\n**评估项**：\n- [ ] AI 的行为是否可解释？\n- [ ] 用户是否知道 AI 的能力边界？\n- [ ] 系统的输出是否一致可预测？\n- [ ] 用户是否知道什么时候应该不信任 AI？\n\n**输出格式**：\n```\nAmbiguity 评估:\n  explainability: \"可解释性\"\n  boundary_clarity: \"能力边界清晰度\"\n  output_consistency: \"输出一致性\"\n  trust_boundary: \"信任边界\"\n  ambiguity_level: \"低/中/高\"\n```\n\n### X - eXposure（暴露程度）\n\n**定义**：用户在多大程度上依赖 AI 的输出？\n\n**评估项**：\n- [ ] 用户是否可以选择不使用 AI？\n- [ ] 用户是否可以审核 AI 的输出？\n- [ ] AI 是辅助还是决策？\n- [ ] 用户有没有退出机制？\n\n**输出格式**：\n```\neXposure 评估:\n  optional_usage: \"使用是否可选\"\n  output_review: \"输出是否可审核\"\n  ai_role: \"辅助/决策\"\n  exit_option: \"退出机制\"\n  exposure_level: \"低/中/高\"\n```\n\n## 综合评估\n\n### RAX 矩阵\n\n```\n        低暴露        中暴露        高暴露\n低风险  ✓ 安全      ✓ 可接受    ⚠ 需要监控\n中风险  ✓ 可接受    ⚠ 需要监控  ⚠ 需要改进\n高风险  ⚠ 需要监控  ⚠ 需要改进  ✗ 危险\n```\n\n### 优先级排序\n\n**高优先级**：\n- 高风险 + 高暴露：立即停止使用，重新设计\n- 高模糊性 + 高暴露：用户不知道在信什么，危险\n\n**中优先级**：\n- 中风险 + 高暴露：需要改进\n- 高风险 + 中暴露：需要改进\n\n**低优先级**：\n- 低风险 + 低暴露：可以接受\n- 低模糊性 + 低暴露：可以接受\n\n## 综合输出格式\n\n```yaml\nrax_assessment:\n  input:\n    product: \"产品名称\"\n    scenario: \"使用场景\"\n    user: \"目标用户\"\n    known_issues: [\"已知问题\"]\n  \n  risk:\n    error_probability: \"出错概率\"\n    error_cost: \"出错代价\"\n    reversibility: \"可逆性\"\n    rollback: \"回滚机制\"\n    level: \"低/中/高/极高\"\n  \n  ambiguity:\n    explainability: \"可解释性\"\n    boundary_clarity: \"能力边界\"\n    output_consistency: \"输出一致性\"\n    trust_boundary: \"信任边界\"\n    level: \"低/中/高\"\n  \n  exposure:\n    optional_usage: \"使用可选性\"\n    output_review: \"输出可审核性\"\n    ai_role: \"辅助/决策\"\n    exit_option: \"退出机制\"\n    level: \"低/中/高\"\n  \n  matrix:\n    risk_level: \"风险等级\"\n    exposure_level: \"暴露等级\"\n    ambiguity_level: \"模糊等级\"\n    overall_status: \"安全/可接受/需改进/危险\"\n  \n  recommendations:\n    critical: [\"立即要做的\"]\n    high: [\"高优先级改进\"]\n    medium: [\"中优先级改进\"]\n    low: [\"低优先级改进\"]\n```\n\n## 示例：AI 医疗诊断助手\n\n| 维度 | 评估 | 等级 |\n|------|------|------|\n| Risk | 出错可能导致误诊，代价极高 | 高 |\n| Ambiguity | 医生不太理解 AI 的判断逻辑 | 中 |\n| eXposure | AI 只是辅助，最终诊断权在医生 | 中 |\n\n**综合判断**：需要改进\n\n**建议**：\n- 立即：加强错误检测和告警机制\n- 短期：提升可解释性，让医生理解 AI 的判断依据\n- 长期：建立人机协同诊断流程\n\n## 常见误判\n\n- **只关注准确率**：高准确率不等于低风险，出错代价更重要\n- **忽视模糊性**：用户不理解 AI 的行为，即使结果正确也会不信任\n- **高估用户能力**：假设用户能够判断 AI 是否出错\n\n## 核心概念\n\n### 1. Risk Exposure（风险暴露量）\n\n**定义**：当 AI 出错时，预期损失有多大。不是简单的\"出错概率\"或\"损失金额\"，而是概率、后果和不可逆性三者的有机结合。\n\n**关键点**：\n- 核心公式：**Risk Exposure = P × C × I**（概率 × 后果 × 不可逆性）\n- 三个变量是乘积关系：低概率的严重不可逆错误，可能远超高概率的可逆小错\n- 降低 RE 不一定非要降低 P，还可以降低 C（如增加人工审核）或降低 I（如设计快速撤销机制）\n\n> 来源：书稿 ch08「Risk Exposure——不可逆错误的量化」\n\n### 2. 不可逆性光谱（Irreversibility Spectrum）\n\n**定义**：AI 错误后果被修复或逆转的难度，不是二元变量（可逆/不可逆），而是一个连续光谱。\n\n**关键点**：\n- I 值 0.0-0.2（几乎可逆）：AI 写作助手的措辞建议，即时撤销无感知\n- I 值 0.3-0.5（轻度不可逆）：邮件发送错误，需少量操作修正\n- I 值 0.6-0.8（中度不可逆）：账户被误标为风险，需人工介入，损失已部分发生\n- I 值 0.9-1.0（极度不可逆）：医疗误诊、自动驾驶事故，后果无法弥补\n- 产品设计的资源应优先投入不可逆性高的错误场景\n\n> 来源：书稿 ch08「不可逆性：AI 时代风险的新维度」\n\n### 3. 风险缓解的三条路径\n\n**定义**：基于 RE = P × C × I 的结构，风险缓解可以从三个维度展开。\n\n**关键点**：\n- **降低 P（错误概率）**：更好的算法、更多训练数据、更严格测试，但存在边际效益递减\n- **降低 C（后果严重度）**：设计保护机制限制错误影响范围，如人工复核、降级策略、限速运行\n- **降低 I（不可逆性）**：设计更好的\"撤销\"和\"恢复\"机制，如延迟窗口、确认环节、人工干预入口\n- 最有效的策略通常是三者的合理组合，而非单一路径\n\n> 来源：书稿 ch08「风险缓解策略：从量化到行动」\n\n### 4. RAX 矩阵（风险-模糊性-暴露矩阵）\n\n**定义**：将 Risk、Ambiguity、eXposure 三个维度交叉形成评估矩阵，用于快速判断整体风险状态和优先级。\n\n**关键点**：\n- 高风险 + 高暴露 = 危险（立即停止，重新设计）\n- 高模糊性 + 高暴露 = 用户不知道在信什么，同样危险\n- 低风险 + 低暴露 = 安全（可接受）\n- 优先级排序：先处理高风险+高暴露，再处理中风险组合\n\n> 来源：主 Skill SKILL.md「RAX 矩阵」章节\n\n### 5. 频率问题与关联性风险\n\n**定义**：Risk Exposure 衡量单次错误的预期损失，但未直接考量错误事件的频率和错误间的级联效应。\n\n**关键点**：\n- 频繁的小错误和偶尔的大错误给用户的心理感受完全不同——前者摧毁基本信任\n- AI 系统之间存在依赖关系，一个组件的错误可能触发连锁反应\n- 对于高频使用 AI 的用户，P 会随时间累积趋近于 1（遍历性问题）\n- RE 是必要框架但不是唯一的风险考量，还需结合系统性风险视角\n\n> 来源：书稿 ch08「超越 Risk Exposure：系统性风险的考量」\n\n## 分步执行\n\n### 步骤 1：场景枚举与风险分类\n\n**操作说明**：\n列出产品中所有 AI 参与的场景，按业务领域和用户任务分类。对每个场景标注其核心用户任务、AI 的角色（辅助/建议/决策）和已知问题。\n\n**输出物**：\n```\n场景清单：\n  场景A: {任务描述, AI角色, 已知问题}\n  场景B: {任务描述, AI角色, 已知问题}\n  ...\n```\n\n### 步骤 2：Risk Exposure 三维评估\n\n**操作说明**：\n对每个场景分别评估 P（错误概率）、C（后果严重度）、I（不可逆性）。P 需分场景统计而非笼统平均值；C 使用 1-10 分量表评估多维损失；I 使用 0.0-1.0 操作化量表。计算 RE = P × C × I。\n\n**输出物**：\n```yaml\nrisk_exposure:\n  场景A:\n    P: \"错误概率及统计依据\"\n    C: \"后果严重度(1-10分)及多维损失说明\"\n    I: \"不可逆性(0.0-1.0)及理由\"\n    RE: \"计算结果\"\n    RE_level: \"低/中/高/极高\"\n```\n\n### 步骤 3：Ambiguity（模糊性）评估\n\n**操作说明**：\n评估用户对 AI 行为的理解程度：可解释性、能力边界清晰度、输出一致性、信任边界。识别\"用户不知道 AI 在做什么\"的场景。\n\n**输出物**：\n```yaml\nambiguity_assessment:\n  场景A:\n    explainability: \"高/中/低\"\n    boundary_clarity: \"清晰/部分清晰/模糊\"\n    output_consistency: \"一致/部分一致/不一致\"\n    ambiguity_level: \"低/中/高\"\n```\n\n### 步骤 4：eXposure（暴露程度）评估\n\n**操作说明**：\n评估用户对 AI 输出的依赖程度：使用是否可选、输出是否可审核、AI 是辅助还是决策、是否有退出机制。\n\n**输出物**：\n```yaml\nexposure_assessment:\n  场景A:\n    optional_usage: \"是/否\"\n    output_review: \"可审核/部分可审核/不可审核\"\n    ai_role: \"辅助/建议/决策\"\n    exit_option: \"有/无\"\n    exposure_level: \"低/中/高\"\n```\n\n### 步骤 5：RAX 综合判定与优先级排序\n\n**操作说明**：\n将 Risk、Ambiguity、eXposure 三个维度的评估结果填入 RAX 矩阵，判定每个场景的整体状态（安全/可接受/需改进/危险）。按优先级排序：先处理危险场景，再处理需改进场景。\n\n**输出物**：\n```yaml\nrax_matrix:\n  场景A:\n    risk_level: \"高\"\n    exposure_level: \"中\"\n    ambiguity_level: \"低\"\n    overall_status: \"需改进\"\n    priority: \"高\"\n```\n\n### 步骤 6：缓解策略设计\n\n**操作说明**：\n针对每个高优先级场景，从三条路径（降低 P、降低 C、降低 I）设计具体缓解策略。优先考虑降低 I（设计撤销/恢复机制），因为这是 AI 时代最具杠杆效应的路径。\n\n**输出物**：\n```yaml\nmitigation:\n  场景A:\n    降低P: [\"策略1\", \"策略2\"]\n    降低C: [\"人工复核机制\", \"降级策略\"]\n    降低I: [\"延迟窗口\", \"快速撤销\", \"确认环节\"]\n    critical_actions: [\"立即要做的\"]\n```\n\n## 示例\n\n### 示例 1：AI 风控系统的 RAX 风险评估\n\n**场景描述**：\n蚂蚁集团智能风控系统每天处理数亿笔交易，识别欺诈行为。系统曾将普通用户标记为欺诈嫌疑人，账户被冻结 72 小时，用户无法付款、转账、买高铁票。需要系统性评估该系统的 RAX 风险。\n\n**用户输入**：\n```\n产品: 智能风控系统\n场景: 实时交易风控，自动冻结可疑账户\n用户: 普通消费者\n已知问题: 存在误伤正常用户的情况，冻结后申诉流程耗时长\n```\n\n**执行流程**：\n\n1. **场景枚举**：\n   - 场景 A：欺诈交易拦截（AI 自动拒绝交易）\n   - 场景 B：账户冻结（AI 自动冻结可疑账户）\n   - 场景 C：信用评估（AI 自动调整信用额度）\n\n2. **Risk Exposure 评估**：\n   ```\n   场景A（欺诈拦截）:\n     P = 0.02（2% 误拦截率，分场景统计）\n     C = 6（用户无法完成支付，错过促销时机）\n     I = 0.4（可通过客服申诉恢复，但损失已部分发生）\n     RE = 0.02 × 6 × 0.4 = 0.048\n\n   场景B（账户冻结）:\n     P = 0.005（0.5% 误冻率）\n     C = 8（用户完全无法使用账户，影响出行和支付）\n     I = 0.7（申诉需数天，期间损失无法弥补）\n     RE = 0.005 × 8 × 0.7 = 0.028\n   ```\n\n3. **Ambiguity 评估**：\n   - 可解释性：低（用户不知道为什么被冻结）\n   - 能力边界：模糊（用户不知道系统的判断逻辑）\n   - 模糊性等级：高\n\n4. **eXposure 评估**：\n   - 使用可选：否（强制风控）\n   - 输出可审核：否（自动执行）\n   - AI 角色：决策\n   - 退出机制：无（需申诉流程）\n   - 暴露程度：高\n\n5. **RAX 综合判定**：\n   ```\n   场景A: Risk=中, Ambiguity=高, eXposure=高 → 需改进\n   场景B: Risk=高, Ambiguity=高, eXposure=高 → 危险\n   ```\n\n**输出结果**：\n\n```yaml\nrax_assessment:\n  product: \"智能风控系统\"\n\n  risk_exposure:\n    欺诈拦截:\n      P: \"2% 误拦截率\"\n      C: \"6/10 - 支付中断\"\n      I: \"0.4 - 可申诉恢复\"\n      RE: 0.048\n      level: \"中\"\n    账户冻结:\n      P: \"0.5% 误冻率\"\n      C: \"8/10 - 完全无法使用\"\n      I: \"0.7 - 损失已部分发生\"\n      RE: 0.028\n      level: \"高\"\n\n  overall_status: \"需改进\"\n\n  recommendations:\n    critical:\n      - \"账户冻结前增加二次确认环节（降低 I）\"\n      - \"冻结时提供即时申诉入口（降低 I）\"\n    high:\n      - \"引入'观察模式'替代直接冻结（降低 C）\"\n      - \"向用户透明展示触发冻结的原因（降低 Ambiguity）\"\n    medium:\n      - \"建立分层风控策略，区分高/中/低风险交易（降低 P）\"\n```\n\n### 示例 2：自动驾驶系统的 RAX 风险评估\n\n**场景描述**：\n百度萝卜快跑在武汉运营自动驾驶出租车。需要评估自动驾驶系统在城市复杂路况下的 RAX 风险，为运营策略提供依据。\n\n**用户输入**：\n```\n产品: 萝卜快跑自动驾驶出租车\n场景: 城市道路载客运营\n用户: 乘客（无驾驶能力）\n已知问题: 复杂路况下偶有碰撞事故，公众对安全性存疑\n```\n\n**执行流程**：\n\n1. **场景枚举**：\n   - 场景 A：常规道路行驶\n   - 场景 B：复杂路口/施工区域\n   - 场景 C：极端天气/夜间行驶\n\n2. **Risk Exposure 评估**：\n   ```\n   场景A（常规行驶）:\n     P = 0.0001（每百万英里约 0.1 次需安全员接管）\n     C = 8（涉及乘客人身安全）\n     I = 0.95（事故后果几乎不可逆）\n     RE = 0.0001 × 8 × 0.95 = 0.00076\n\n   场景B（复杂路口）:\n     P = 0.001（接管频率显著上升）\n     C = 9（高风险场景）\n     I = 0.95\n     RE = 0.001 × 9 × 0.95 = 0.00855\n   ```\n\n3. **RAX 综合判定**：\n   ```\n   场景A: Risk=高(I高), Ambiguity=中, eXposure=高 → 需改进\n   场景B: Risk=极高, Ambiguity=中, eXposure=高 → 危险\n   ```\n\n**输出结果**：\n\n```yaml\nrax_assessment:\n  product: \"萝卜快跑自动驾驶\"\n\n  risk_exposure:\n    常规行驶:\n      P: \"0.01%\"\n      C: \"8/10\"\n      I: \"0.95\"\n      RE: 0.00076\n      level: \"高\"\n    复杂路口:\n      P: \"0.1%\"\n      C: \"9/10\"\n      I: \"0.95\"\n      RE: 0.00855\n      level: \"极高\"\n\n  overall_status: \"需改进（场景A）/ 危险（场景B）\"\n\n  recommendations:\n    critical:\n      - \"复杂路口区域降速运行（降低 C）\"\n      - \"保留安全员或远程监控机制（降低 C + I）\"\n    high:\n      - \"限制运营区域，避开高风险路段（降低 P）\"\n      - \"设计渐进式降级策略：检测到超出能力范围时自动减速靠边（降低 I）\"\n    medium:\n      - \"建立实时风险监控仪表盘，动态调整运营策略\"\n```\n\n### 示例 3：AI 推荐算法的信息茧房 RAX 评估\n\n**场景描述**：\n某内容平台使用 AI 推荐算法向用户推送个性化内容。用户长期被投喂单一观点，认知框架逐渐固化。需要评估推荐算法在认知影响维度的 RAX 风险。\n\n**用户输入**：\n```\n产品: AI 内容推荐引擎\n场景: 个性化内容推送\n用户: 普通用户\n已知问题: 用户反馈\"看到的内容越来越同质化\"\n```\n\n**执行流程**：\n\n1. **Risk Exposure 评估**：\n   ```\n   场景（信息茧房）:\n     P = 0.8（高概率持续推送同质内容）\n     C = 5（认知能力退化、观点极化，长期累积）\n     I = 0.8（认知一旦形成极难改变，不可逆性高）\n     RE = 0.8 × 5 × 0.8 = 3.2（相对高风险）\n   ```\n\n2. **RAX 综合判定**：\n   - Risk = 高（I 极高，认知影响不可逆）\n   - Ambiguity = 高（用户不知道算法在做什么）\n   - eXposure = 高（用户无法选择不使用推荐）\n   - 整体状态：需改进\n\n**输出结果**：\n\n```yaml\nrax_assessment:\n  product: \"AI 内容推荐引擎\"\n\n  risk_exposure:\n    信息茧房:\n      P: \"80% 持续推送同质内容\"\n      C: \"5/10 - 认知退化（长期累积）\"\n      I: \"0.8 - 认知固化不可逆\"\n      RE: 3.2\n      level: \"高\"\n\n  overall_status: \"需改进\"\n\n  recommendations:\n    critical:\n      - \"提供'关闭推荐'选项，让用户回归时间线（降低 eXposure）\"\n    high:\n      - \"引入多样化推荐机制，主动推送异质内容（降低 P）\"\n      - \"展示推荐逻辑透明度，让用户知道为什么看到这些内容（降低 Ambiguity）\"\n    medium:\n      - \"定期推送'信息茧房报告'，让用户了解自己的内容消费结构\"\n\n  note: >\n    这些功能帮助用户在事前和事中调整信息摄入（降低 C），\n    但一旦认知固化已经发生，这些功能并不能逆转用户的认知框架（I 的局限）。\n    降低 C ≠ 降低 I，两者需要区分对待。\n```\n\n## 一句判断\n\n> RAX 的核心不是消除风险，而是让风险可见、可管理、可接受。","tags":["p8a","rax","risk","assessor","native","product","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native"],"capabilities":["skill","source-gmaxxxie","skill-p8a-rax-risk-assessor","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/p8a-rax-risk-assessor","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 (9,541 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":"2026-05-18T18:57:34.396Z","embedding":null,"createdAt":"2026-05-01T01:03:02.301Z","updatedAt":"2026-05-18T18:57:34.396Z","lastSeenAt":"2026-05-18T18:57:34.396Z","tsv":"'-0.2':411 '-0.5':419 '-0.8':426 '-1.0':434,607,630 '-10':602,624 '0.0':410,606,629 '0.0001':1045,1056 '0.00076':1059,1111 '0.001':1063,1071 '0.005':876,888 '0.00855':1074,1122 '0.01':1105 '0.02':856,869 '0.028':891,972 '0.048':872,958 '0.1':1047,1116 '0.3':418 '0.4':865,871,955 '0.5':877,963 '0.6':425 '0.7':884,890,969 '0.8':1186,1194,1198,1200,1237 '0.9':433 '0.95':1053,1058,1069,1073,1109,1120 '1':352,546,560,601,623,802,832,1025,1179 '2':396,585,849,857,949,1003,1038,1203 '3':446,641,892,1075,1153 '3.2':1201,1240 '4':489,683,903 '5':528,725,920,1189,1199 '5/10':1233 '6':764,861,870 '6/10':952 '72':812 '8':880,889,1050,1057 '8/10':966,1107 '80':1230 '9':1066,1072 '9/10':1118 'action':798 'ai':16,24,33,48,56,64,108,111,114,118,143,147,149,151,163,270,307,318,322,334,344,349,358,401,413,444,538,542,564,568,647,655,689,693,710,781,803,837,842,847,912,1154,1160,1169,1224 'ai时代的用户体验':9 'ai角色':578,582 'ambigu':13,28,104,120,133,247,288,316,499,642,660,677,731,755,893,926,934,994,1082,1090,1211,1262 'assess':220,661,699,942,1098,1222 'assessor':5 'b':840,1031 'boundari':124,131,250,257,667 'c':372,385,452,465,593,599,612,621,772,845,860,879,951,965,991,1035,1049,1065,1106,1117,1135,1138,1188,1232,1270,1276 'career':85 'ch08':392,442,486,553 'clariti':125,251,668 'consist':128,254,673 'cost':82,236 'critic':298,797,979,1132,1247 'error':78,81,232,235 'exit':167,274,715 'explain':122,248,663 'exposur':14,30,139,155,170,263,285,321,354,370,394,500,532,556,587,617,684,698,719,732,752,851,904,928,936,946,1040,1084,1092,1102,1181,1214,1227,1253 'financi':83 'health':87 'high':300,986,1140,1254 'input':221 'irrevers':398 'issu':229 'i高':1081 'known':228 'legal':89 'level':98,134,171,242,259,277,283,286,289,635,678,720,750,753,756,959,973,1112,1123,1241 'low':304 'matrix':281,747 'medium':302,995,1149,1263 'mitig':785 'note':1267 'option':157,168,264,275,701,716 'output':127,160,253,267,672,705 'overal':291,758,975,1125,1243 'p':371,383,451,458,544,591,597,611,619,770,855,875,948,962,1001,1044,1062,1104,1115,1144,1185,1229,1258 'p8a':2 'p8a-rax-risk-assessor':1 'prioriti':761 'probabl':79,233 'product':222,943,1099,1223 'r':60 'rax':3,6,10,20,58,176,219,490,525,726,734,746,805,818,921,941,1005,1010,1076,1097,1156,1165,1204,1221,1281 're':381,450,548,610,632,634,868,887,957,971,1055,1070,1110,1121,1197,1239 'recommend':297,978,1131,1246 'reput':91 'revers':93,238 'review':161,268,706 'risk':4,12,26,61,76,97,231,282,312,353,369,393,498,531,555,586,616,730,749,850,924,932,945,1039,1079,1088,1101,1180,1206,1226 'role':164,271,711 'rollback':95,240 'scenario':224 'skill':523 'skill-p8a-rax-risk-assessor' 'skill.md':524 'source-gmaxxxie' 'spectrum':399 'status':292,759,976,1126,1244 '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' 'trust':130,256 'usag':158,265,702 'user':226 'x':138 'yaml':218,615,659,697,745,784,940,1096,1220 '一个组件的错误可能触发连锁反应':540 '一句判断':1280 '一句话定位':22 '一致':674 '三个变量是乘积关系':377 '三个维度交叉形成评估矩阵':501 '三个维度的评估结果填入':733 '三维评估':588 '不一定非要降低':382 '不一致':676 '不可审核':709 '不可逆':405 '不可逆性':376,443,473,596,628 '不可逆性光谱':397 '不可逆性高':1196 '不可逆错误的量化':395 '不可靠':37 '不是二元变量':403 '不是简单的':361 '不透明':39 '两者需要区分对待':1279 '个性化内容推送':1172 '中':100,136,173,244,261,279,320,325,637,665,680,722,754,925,960,998,1083,1091 '中优先级':203 '中优先级改进':303 '中度不可逆':427 '中暴露':179,208 '中风险':185,204 '临床医生':53 '为运营策略提供依据':1012 '主':522 '主动推送异质内容':1256 '乘客':1019 '书稿':391,441,485,552 '买高铁票':816 '事故后果几乎不可逆':1054 '产品':47,821,1014,1168 '产品即将上线或已上线':34 '产品名称':223 '产品描述':43 '产品的风险':17,25 '产品设计的资源应优先投入不可逆性高的错误场景':439 '人工复核机制':791 '人工干预入口':481 '从三条路径':768 '从量化到行动':488 '代价极高':314 '任务描述':577,581 '优先级排序':193,517 '优先考虑降低':776 '会随时间累积趋近于':545 '但一旦认知固化已经发生':1271 '但存在边际效益递减':463 '但损失已部分发生':867 '但未直接考量错误事件的频率和错误间的级联效应':534 '低':99,135,172,243,260,278,636,666,679,721,757,896 '低优先级':210 '低优先级改进':305 '低暴露':178,212,215,514 '低概率的严重不可逆错误':378 '低模糊性':214 '低风险':181,211,513 '低风险交易':999 '何时触发':32 '使用':600,605 '使用可选':906 '使用可选性':266 '使用场景':225 '使用是否可选':159,691 '保留安全员或远程监控机制':1136 '信任边界':132,258,652 '信息茧房':1184,1228 '信息茧房报告':1265 '信用评估':846 '值':409,417,424,432 '假设用户能够判断':348 '健康':71 '健康风险':88 '先处理危险场景':742 '先处理高风险':518 '公众对安全性存疑':1023 '关键点':367,407,456,503,535 '关闭推荐':1249 '内容推荐引擎':1170,1225 '再处理中风险组合':520 '再处理需改进场景':743 '写作助手的措辞建议':414 '决策':166,273,572,714,914 '冻结后申诉流程耗时长':830 '冻结时提供即时申诉入口':983 '几乎可逆':412 '出错代价':237 '出错代价更重要':341 '出错可能导致误诊':313 '出错时':359 '出错时用户要承担什么后果':65 '出错是否可逆':73 '出错概率':80,234,362 '出错的代价是多少':68 '出错的概率是多少':67 '分':625 '分场景统计':859 '分步执行':558 '分量表评估多维损失':603 '列出产品中所有':563 '判定每个场景的整体状态':736 '前者摧毁基本信任':537 '加强错误检测和告警机制':330 '动态调整运营策略':1151 '区分高':997 '医生不太理解':317 '医生担心':55 '医疗诊断助手':49,308 '医疗误诊':436 '危险':192,202,296,506,740,938,1094,1129 '即使结果正确也会不信任':346 '即时撤销无感知':415 '参与的场景':565 '及多维损失说明':626 '及理由':631 '只关注准确率':339 '只是辅助':323 '可以接受':213,216 '可审核':707 '可接受':183,186,294,516,738,1285 '可申诉恢复':956 '可管理':1284 '可能远超高概率的可逆小错':379 '可解释性':123,249,649,895 '可逆':404 '可逆性':239 '可通过客服申诉恢复':866 '同样危险':512 '后果':375 '后果严重度':466,594,622 '后果和不可逆性三者的有机结合':366 '后果无法弥补':438 '向用户透明展示触发冻结的原因':992 '否':704,907,910 '和':476 '和已知问题':573 '和暴露程度':29 '回滚机制':96,241 '因为这是':780 '在做什么':109,656 '场景':50,823,834,839,844,1016,1027,1030,1034,1171,1183 '场景a':576,618,662,700,748,786,853,923,1042,1078,1128 '场景b':580,873,931,1060,1087,1130 '场景描述':807,1007,1158 '场景枚举':833,1026 '场景枚举与风险分类':561 '场景清单':575 '城市道路载客运营':1017 '基于':8,449 '声誉风险':92 '复杂路况下偶有碰撞事故':1022 '复杂路口':1032,1061,1114 '复杂路口区域降速运行':1133 '夜间行驶':1037 '如人工复核':468 '如增加人工审核':386 '如延迟窗口':479 '如设计快速撤销机制':389 '存在误伤正常用户的情况':829 '安全':182,293,515,737 '完全无法使用':967 '定义':63,106,141,356,400,448,496,530 '定期推送':1264 '实时交易风控':824 '对于高频使用':541 '对每个场景分别评估':590 '对每个场景标注其核心用户任务':567 '将':497,729 '小时':813 '展示推荐逻辑透明度':1259 '已知问题':45,54,230,579,583,828,1021,1175 '帮助产品团队识别和管理用户体验风险':19 '帮助医生诊断疾病':51 '常见误判':338 '常规行驶':1043,1103 '常规道路行驶':1029 '延迟窗口':794 '建立人机协同诊断流程':337 '建立分层风控策略':996 '建立实时风险监控仪表盘':1150 '建议':328,571,713 '引入':987 '引入多样化推荐机制':1255 '强制风控':908 '当':357 '影响出行和支付':882 '快速撤销':795 '忽视模糊性':342 '恢复':477 '恢复机制':779 '或':38,363 '或降低':387 '执行流程':831,1024,1178 '找出用户体验的弱点':31 '持续推送同质内容':1231 '按业务领域和用户任务分类':566 '按优先级排序':741 '损失已部分发生':430,970 '损失金额':364 '接管频率显著上升':1064 '推荐算法向用户推送个性化内容':1161 '推荐算法的信息茧房':1155 '提供':1248 '提升可解释性':332 '撤销':475 '操作化量表':608 '操作说明':562,589,645,687,728,766 '支付中断':953 '整体状态':1217 '施工区域':1033 '无':718,916 '无驾驶能力':1020 '时代最具杠杆效应的路径':782 '时代风险的新维度':445 '是':703 '是否出错':350 '是否可逆':94 '是否有回滚机制':74 '是否有退出机制':695 '是必要框架但不是唯一的风险考量':549 '是辅助还是决策':152,694 '普通消费者':827 '普通用户':1174 '智能风控系统':822,944 '暴露矩阵':495 '暴露程度':140,685,918 '暴露等级':287 '更严格测试':462 '更多训练数据':461 '更好的算法':460 '替代直接冻结':989 '最有效的策略通常是三者的合理组合':482 '最终诊断权在医生':324 '有':717 '期间损失无法弥补':886 '机制':478 '来源':390,440,484,521,551 '极度不可逆':435 '极端天气':1036 '极高':102,246,639,1089,1124,1209 '某内容平台使用':1159 '核心公式':368 '核心概念':351 '框架':11,59 '检测到超出能力范围时自动减速靠边':1146 '概率':374 '模糊':671,899 '模糊性':27,105,494,643 '模糊性和暴露程度':18 '模糊性等级':901 '模糊等级':290 '次需安全员接管':1048 '欺诈交易拦截':836 '欺诈拦截':854,947 '步骤':559,584,640,682,724,763 '每百万英里约':1046 '法律':72 '法律风险':90 '涉及乘客人身安全':1051 '清晰':669 '用于快速判断整体风险状态和优先级':502 '用户':52,826,1018,1173 '用户不理解':343 '用户不知道':654 '用户不知道为什么被冻结':897 '用户不知道在信什么':201,511 '用户不知道算法在做什么':1213 '用户不知道系统的判断逻辑':900 '用户反馈':1176 '用户反馈产品':36 '用户在多大程度上依赖':142 '用户场景':44 '用户完全无法使用账户':881 '用户无法付款':814 '用户无法完成支付':862 '用户无法选择不使用推荐':1216 '用户是否可以审核':148 '用户是否可以选择不使用':146 '用户是否知道':113 '用户是否知道什么时候应该不信任':117 '用户有没有退出机制':153 '用户能不能理解':107 '用户输入':820,1013,1167 '用户长期被投喂单一观点':1162 '申诉需数天':885 '百度萝卜快跑在武汉运营自动驾驶出租车':1008 '的判断依据':335 '的判断逻辑':319 '的场景':657 '的局限':1274 '的核心不是消除风险':1282 '的用户':543 '的结构':454 '的能力边界':115 '的行为':345 '的行为是否可解释':112 '的角色':569 '的输出':144,150 '目标用户':227 '相对高风险':1202 '看到的内容越来越同质化':1177 '矩阵':177,491,526,735 '短期':331 '确认环节':480,796 '示例':306,800,801,1002,1152 '示例输入':46 '立即':329 '立即停止':507 '立即停止使用':197 '立即要做的':299,799 '章节':527 '等级':311 '策略1':788 '策略2':789 '系统之间存在依赖关系':539 '系统性评估':15,23 '系统性风险的考量':557 '系统曾将普通用户标记为欺诈嫌疑人':810 '系统的输出是否一致可预测':116 '维度':309 '综合判定':922,1077,1205 '综合判定与优先级排序':727 '综合判断':326 '综合评估':175 '综合输出格式':217 '缓解策略设计':765 '而是一个连续光谱':406 '而是概率':365 '而是让风险可见':1283 '而非单一路径':483 '职业':70 '职业风险':86 '能力边界':252,898 '能力边界清晰度':126,650 '自动冻结可疑账户':825,843 '自动执行':911 '自动拒绝交易':838 '自动调整信用额度':848 '自动驾驶事故':437 '自动驾驶系统的':1004 '萝卜快跑自动驾驶':1100 '萝卜快跑自动驾驶出租车':1015 '蚂蚁集团智能风控系统每天处理数亿笔交易':808 '行为的理解程度':648 '衡量单次错误的预期损失':533 '观察模式':988 '观点极化':1191 '角色':913 '计算':609 '计算结果':633 '认知一旦形成极难改变':1195 '认知固化不可逆':1238 '认知影响不可逆':1210 '认知框架逐渐固化':1163 '认知能力退化':1190 '认知退化':1234 '让医生理解':333 '让用户了解自己的内容消费结构':1266 '让用户回归时间线':1251 '让用户知道为什么看到这些内容':1260 '设计保护机制限制错误影响范围':467 '设计具体缓解策略':775 '设计撤销':778 '设计更好的':474 '设计渐进式降级策略':1145 '评估':77,121,156,310,644,686,852,894,905,1041,1157,1182 '评估用户对':646,688 '评估项':66,110,145 '识别':653 '识别欺诈行为':809 '诊断错误导致误诊':57 '误冻率':878,964 '误拦截率':858,950 '账户冻结':841,874,961 '账户冻结前增加二次确认环节':980 '账户被冻结':811 '账户被误标为风险':428 '超越':554 '转账':815 '轻度不可逆':420 '辅助':165,272,570,712 '输入':42 '输出一致性':129,255,651 '输出可审核':909 '输出可审核性':269 '输出是否可审核':162,692 '输出格式':75,119,154 '输出物':574,614,658,696,744,783 '输出的依赖程度':690 '输出结果':939,1095,1219 '还可以降低':384 '还需结合系统性风险视角':550 '这些功能帮助用户在事前和事中调整信息摄入':1268 '这些功能并不能逆转用户的认知框架':1272 '退出机制':169,276,915 '选项':1250 '遍历性问题':547 '避开高风险路段':1142 '邮件发送错误':421 '部分一致':675 '部分可审核':708 '部分清晰':670 '重新设计':198,508 '金钱':69 '金钱损失':84 '针对每个高优先级场景':767 '错误后果被修复或逆转的难度':402 '错误概率':459,592 '错误概率及统计依据':620 '错过促销时机':863 '长期':336 '长期累积':1192,1235 '降低':380,457,464,471,769,771,773,981,984,990,993,1000,1134,1137,1143,1147,1252,1257,1261,1269,1275,1277 '降低c':790 '降低i':793 '降低p':787 '降级策略':469,792 '限制运营区域':1141 '限速运行':470 '需人工介入':429 '需分场景统计而非笼统平均值':598 '需少量操作修正':422 '需改进':295,739,760,930,977,1086,1127,1218,1245 '需申诉流程':917 '需要优先级排序风险修复':40 '需要向利益相关者展示风险管理能力':41 '需要改进':188,191,206,209,327 '需要监控':184,187,190 '需要系统性评估该系统的':817 '需要评估推荐算法在认知影响维度的':1164 '需要评估用户体验风险':35 '需要评估自动驾驶系统在城市复杂路况下的':1009 '预期损失有多大':360 '频率问题与关联性风险':529 '频繁的小错误和偶尔的大错误给用户的心理感受完全不同':536 '风控系统的':804 '风险':62,493,819,1011,1166 '风险-模糊性-暴露矩阵':492 '风险暴露量':355 '风险等级':284 '风险缓解可以从三个维度展开':455 '风险缓解的三条路径':447 '风险缓解策略':487 '风险评估':806,1006 '风险评估器':7,21 '高':101,137,174,245,262,280,315,638,664,681,723,751,762,902,919,927,929,933,935,937,974,1080,1085,1093,1113,1207,1212,1215,1242 '高优先级':194 '高优先级改进':301 '高估用户能力':347 '高准确率不等于低风险':340 '高暴露':180,196,200,205,505,510,519 '高概率持续推送同质内容':1187 '高模糊性':199,509 '高风险':189,195,207,504 '高风险场景':1067","prices":[{"id":"17eb2ec8-9855-4f47-8443-c0efe90b8380","listingId":"e381aa60-7429-4557-8e9a-b4cc575ec1a7","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":"2026-05-01T01:03:02.301Z"}],"sources":[{"listingId":"e381aa60-7429-4557-8e9a-b4cc575ec1a7","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/p8a-rax-risk-assessor","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p8a-rax-risk-assessor","isPrimary":false,"firstSeenAt":"2026-05-01T01:03:02.301Z","lastSeenAt":"2026-05-18T18:57:34.396Z"}],"details":{"listingId":"e381aa60-7429-4557-8e9a-b4cc575ec1a7","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"p8a-rax-risk-assessor","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":"fe14e412c62373136224c40f195993d714685d90","skill_md_path":"skills/p8a-rax-risk-assessor/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p8a-rax-risk-assessor"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"p8a-rax-risk-assessor","description":"RAX 风险评估器。基于《AI时代的用户体验》RAX 框架（Risk, Ambiguity, eXposure）， 系统性评估 AI 产品的风险、模糊性和暴露程度，帮助产品团队识别和管理用户体验风险。"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p8a-rax-risk-assessor"},"updatedAt":"2026-05-18T18:57:34.396Z"}}