{"id":"b349c691-7cee-484a-b1db-bf945405e1ce","shortId":"usXXNA","kind":"skill","title":"p0d-needs-archaeologist","tagline":"需求考古五步法。用户说出来的需求只是冰山一角，真正的需求往往埋在历史决策、组织结构和业务演化中。 这个 Skill 教你如何挖掘深层需求。","description":"# 需求考古五步法\n\n## 一句话定位\n\n用户说出来的需求是最新的土壤层，真正的需求往往埋在历史决策、组织结构和业务演化中。用考古的方法一层层挖下去。\n\n## 何时触发\n\n- 表面需求和深层问题明显不匹配\n- 用户自己也说不清楚到底想要什么\n- 需要理解业务的历史演化和组织约束\n- 多个利益相关者的需求相互矛盾\n\n## 输入\n\n一个需求线索 + 可获取的业务背景信息。\n\n**示例输入**：\n```\n场景: 客户成功团队反馈说\"客户总是说系统不好用，但具体哪里不好用又说不清楚\"\n背景: SaaS 企业软件，客户续费率下降\n```\n\n## 输出\n\n五步考古结果 + 深层需求报告 + 历史约束分析。\n\n## 五个步骤\n\n### Step 1: 现状层挖掘（描绘当前的\"正常\"是什么）\n\n**任务**：不要立刻分析问题，先描绘当前的\"正常状态\"是什么。\n\n**关键问题**：\n- 现在大家都是怎么做的？\n- 这个\"正常\"是从什么时候开始的？\n- 谁定义了这个\"正常\"？\n\n**输出格式**：\n```\n当前正常状态:\n  process: \"现在的流程是什么\"\n  roles: [\"涉及角色及其行为\"]\n  artifacts: [\"产出的文档/数据/交付物\"]\n  when_started: \"什么时候开始的\"\n  who_defined: \"谁定义的这个正常\"\n```\n\n### Step 2: 历史层追溯（这个\"正常\"是怎么来的）\n\n**任务**：追溯当前流程的历史演化，找出\"为什么会变成这样\"。\n\n**关键问题**：\n- 之前是怎么做的？为什么改了？\n- 这个改变是因为什么事件/决策/人员变动？\n- 当时的选择在当时是否合理？\n\n**输出格式**：\n```\n历史演化:\n  previous_state: \"之前是什么\"\n  trigger_event: \"什么事件导致改变\"\n  decision_maker: \"谁做的决定\"\n  decision_context: \"当时的约束和信息\"\n  was_reasonable_then: \"当时是否合理\"\n```\n\n### Step 3: 约束层识别（是什么让大家不能做更好）\n\n**任务**：识别当前流程背后的约束条件，找出\"为什么大家都知道不好但还在这么做\"。\n\n**关键问题**：\n- 是什么组织结构/制度/技术/人员约束导致了现状？\n- 如果这些约束消失，大家会怎么做？\n- 这些约束是硬性的还是软性的？\n\n**输出格式**：\n```\n约束条件:\n  organizational: [\"组织结构约束\"]\n  procedural: [\"流程/制度约束\"]\n  technical: [\"技术约束\"]\n  human: [\"人员/能力约束\"]\n  hard_vs_soft: \"哪些是硬性约束，哪些是软性约束\"\n  if_removed: \"如果消失会怎么做\"\n```\n\n### Step 4: 失败层分析（之前尝试过什么，为什么没成功）\n\n**任务**：查找之前解决这个问题的尝试，分析失败原因。\n\n**关键问题**：\n- 之前有没有人尝试解决过？怎么做的？\n- 为什么没成功？是方案问题、执行问题还是时机问题？\n- 那些失败留下了什么遗产（负面印象、防御机制）？\n\n**输出格式**：\n```\n历史尝试:\n  attempts:\n    - what: \"尝试了什么\"\n      how: \"怎么做的\"\n      why_failed: \"失败原因\"\n      legacy: \"遗留影响\"\n  collective_memory: \"团队对这个问题的共同记忆是什么\"\n  defense_mechanism: \"有没有因此产生的防御机制\"\n```\n\n### Step 5: 深层需求层提取（真正要解决的是什么）\n\n**任务**：综合前四层，提取真正的深层需求。\n\n**关键问题**：\n- 如果所有约束都消失，用户真正想要的是什么？\n- 这个深层需求是否能够被产品化？\n- 如果解决了这个，表面的问题是否自然消失？\n\n**输出格式**：\n```\n深层需求:\n  surface_problem: \"表面问题\"\n  deep_need: \"真正的需求\"\n  why_hidden: \"为什么被埋住\"\n  productizable: \"能否被产品化\"\n  if_solved: \"解决后表面问题会怎么变\"\n```\n\n## 综合输出格式\n\n```yaml\nneeds_archaeology:\n  input: \"原始线索\"\n  background: \"业务背景\"\n  \n  step1_current:\n    normal_state: \"当前正常状态\"\n    roles: [\"角色\"]\n    artifacts: [\"产出物\"]\n    origin: \"起源\"\n    definer: \"定义者\"\n  \n  step2_history:\n    previous: \"之前状态\"\n    trigger: \"触发事件\"\n    decision: \"决策\"\n    context: \"当时约束\"\n    was_reasonable: \"当时是否合理\"\n  \n  step3_constraints:\n    organizational: [\"组织约束\"]\n    procedural: [\"流程约束\"]\n    technical: [\"技术约束\"]\n    human: [\"人员约束\"]\n    hard_soft: \"硬软性分析\"\n  \n  step4_failures:\n    attempts: [\"尝试列表\"]\n    legacy: \"遗留影响\"\n    defense: \"防御机制\"\n  \n  step5_deep_need:\n    surface: \"表面问题\"\n    deep: \"深层需求\"\n    hidden_reason: \"为什么被埋住\"\n    productizable: \"能否产品化\"\n    cascade_effect: \"解决后的连锁效应\"\n  \n  recommendation:\n    approach: \"建议方法\"\n    risks: [\"风险\"]\n    stakeholders: [\"需要拉通的人\"]\n    quick_wins: [\"可以先做的小胜利\"]\n```\n\n## 快速使用法\n\n1. 找一个具体的需求线索（不要抽象）\n2. 逐层走完五步\n3. **每一步都要找到具体证据，不要靠推断**\n4. 第五步的结论要能解释第一步的\"正常\"为什么会导致问题\n\n## 示例：完整走一遍\n\n**线索**：\n> \"客户总是说系统不好用，但具体哪里不好用又说不清楚\"\n\n**考古结果**：\n\n| 层次 | 发现 |\n|------|------|\n| 现状层 | CS 团队每月打电话回访，客户说\"还行\"，但续费时却说\"要考虑\"。这个\"还行\"是 CS 团队定义的正常。 |\n| 历史层 | 3 年前产品简化了界面，但把高级功能藏得更深了。当时的决策是\"降低新手难度\"。 |\n| 约束层 | 产品团队不能改界面（因为上次改版被老用户抗议），CS 团队不能说\"产品不好\"（KPI 是续费率）。 |\n| 失败层 | 1 年前尝试做过\"用户成功指南\"，但没人看，因为内容是产品写的，不是用户语言。 |\n| 深层需求 | 客户真正想要的不是\"更好用的界面\"，而是\"能让他们在内部证明产品价值的证据\"——他们需要向老板解释为什么买这个。 |\n\n**重定义**：\n- 表面需求：\"改进界面易用性\"\n- 深层需求：\"提供价值证明工具，帮助客户在组织内部推广\"\n- 方法：不改界面，增加\"成功案例生成器\"和\"价值报告自动化\"\n\n## 常见误判\n\n- **急于分析**：还没描绘清楚\"正常\"就开始批判\n- **忽视历史合理性**：当时的决策在当时可能是合理的\n- **忽视失败遗产**：之前的失败可能留下了防御机制\n- **深层需求过大**：提取出来的深层需求可能超出产品能力范围\n\n## 一句判断\n\n> 用户说出来的需求是最新的土壤层，真正的需求往往埋得更深。\n\n## 核心概念\n\n### 概念一：为什么\"考古\"比\"总结\"更准确\n\n需求考古不是为了听起来神秘。它只是承认一个朴素的事实：真正的需求很少直接躺在表面等你收集，它更像一层层被压住的结构——最上面是表达，再往下是场景、关系、情绪、补偿动作、责任缝隙和长期代价。\n\n考古这个比喻强调三件事：\n1. 你面对的不是答案，而是痕迹\n2. 你要做的不是直接判断，而是分层挖掘\n3. 你必须尊重上下文，不能把痕迹从原来的关系里拔出来单独解释\n\n> 来源：《AI rebuild product needs》第22章第1节——为什么\"考古\"比\"总结\"更准确。\n\n### 概念二：AI 真正擅长的是跨痕迹拆层\n\nAI 最擅长的不是把表达整理得更好看，而是在许多尚未被完全解释的痕迹之间工作：\n\n- 在不同用户的跟访笔记中找到重复出现的补偿行为\n- 比较不同角色承担的代价是否指向同一个结构性问题\n- 把\"用户说的\"和\"用户做的\"分成两张不同的地图\n- 把相似的风险跨场景聚类成更稳定的假设\n- 帮你提出边界问题：哪些该系统承担，哪些自动化本身会制造新风险\n\n但有一个前提不能跳过：AI 只能放大你已经采回来的痕迹，不能替你下到现场。没有现场，模型就只能消费平台化输入；没有处境材料，模型再强也只能对着表达层工作。\n\n> 来源：《AI rebuild product needs》第22章第2节——AI 真正擅长什么。\n\n### 概念三：人的优势是\"AI 不知道的东西\"\n\n在 AI 时代，一个人的优势越来越不只是\"会不会用 AI\"，而是\"他手里有没有 AI 不知道的东西\"。\n\n那个东西可能是：在行业里长期浸泡形成的判断力、只有真正去了现场才能看到的补偿行为、组织从不公开表达的真实摩擦、或只有长期贴近用户才能养成的微妙辨别力。没有这些，一个漂亮的 prompt 仍然只能让模型在公共知识的平均值上打转。\n\n> 来源：《AI rebuild product needs》第22章第2节——人的优势是什么。\n\n### 概念四：给 AI 的输入必须先重写\n\n很多团队用 AI 做需求分析失败，不是因为模型不好，而是因为输入太扁平。他们通常给 AI 的是：访谈逐字稿、工单摘要、评论合集、问卷答案——然后期望模型直接产出\"真实需求\"\"产品机会\"\"优先方向\"。\n\n更成熟的输入应该包含：\n- 用户角色和角色关系\n- 问题发生的具体场景\n- 重复出现的补偿动作\n- 哪一步被多做了一遍\n- 如果没人补位会怎样\n- 为什么这件事让人疲惫而不只是烦躁\n- 哪些部分涉及责任、信任、解释权和判断权\n\n一旦这些材料进入模型，AI 才能真正做拆层，而不仅仅是让摘要更好看。\n\n> 来源：《AI rebuild product needs》第22章第3节——给 AI 的输入必须先重写。\n\n### 概念五：LLM 的结构性倾向——不会说不\n\nLLM 有一个团队非常容易误读的结构性特征：它们通常不会真正说\"不\"。\n\n更准确地说，它们更像是建议生成器，而不是天然的批评者。很多时候，只要你的问题前提已经有偏差，模型就会顺着这个前提不断组织语言、补全逻辑、扩展方案，让整个东西看起来越来越完整、越来越像答案。但\"越来越像答案\"不等于做过反向质疑、价值校验和方向修正。\n\n这就是为什么越依赖 AI 直接做决策的团队，风险越大。AI 放大的不只是效率，还有你的假设、你的偏差和你的误判。\n\n> 来源：《AI rebuild product needs》第22章第2节——LLM 不会真正说不。\n\n## 分步执行\n\n### Step 1：人先进现场——看场景、关系、补偿动作和代价\n\n**输入**：一个需求线索 + 可获取的业务背景信息\n\n**处理**：\n1. 不是先收集平台上反复出现的反馈，而是先走进现实\n2. 观察场景：问题在什么时间、空间、动作链路里发生\n3. 观察关系：谁在等谁、谁握着解释权、谁承担后果\n4. 观察补偿动作：用户在系统外多做了什么\n5. 观察代价：什么东西在被持续消耗\n\n**输出**：现场观察记录（场景/关系/补偿动作/代价）\n\n---\n\n### Step 2：人先做初筛——区分表达、场景、处境和代价\n\n**输入**：Step 1 的现场观察记录\n\n**处理**：\n1. 把观察到的内容分层：哪些是表达、哪些是场景、哪些是处境、哪些是代价\n2. 过滤明显伪信号：哪些是一次性情绪、哪些是平台放大、哪些是技术兴奋\n3. 压缩值得深挖的问题范围\n4. 标记需要进一步验证的假设\n\n**输出**：分层记录 + 伪信号过滤结果\n\n---\n\n### Step 3：AI 做拆层——比较、聚类、找重复补偿行为、提假设\n\n**输入**：Step 2 的分层记录（不要只给表达层！）\n\n**处理**：\n1. 把访谈笔记、跟访记录、补偿行为清单一起喂给 AI\n2. 提问格式要改：\n   - ❌ 不要问：\"请总结高频需求\"\n   - ✅ 要问：\"请识别用户在系统外重复执行的补偿行为。这些行为分别在弥补什么风险？哪些风险适合被系统辅助，哪些风险如果由系统直接替代，可能制造新的误判？\"\n3. 让模型比较不同角色、不同场景的痕迹\n4. 让模型提出假设，而不是下结论\n\n**输出**：AI 拆层报告（假设形式，非结论形式）\n\n---\n\n### Step 4：人回现实验证——假设是否解释了持续代价\n\n**输入**：Step 3 的 AI 拆层报告\n\n**处理**：\n1. 模型给的是假设，不是结论\n2. 带假设回到现场，验证：用户是否确实在为这些风险持续付出代价？\n3. 不再主要问\"用户喜不喜欢这个功能\"，而是问\"补偿行为背后的假设是否成立\"\n4. 如果假设不成立，回到 Step 2 重新分层\n\n**输出**：现场验证结论（假设成立/不成立/需修正）\n\n---\n\n### Step 5：团队定义边界——哪些劳动进系统，哪些判断留给人\n\n**输入**：Step 4 的验证结论\n\n**处理**：\n1. 问题已经足够清晰，现在回答：系统到底该接住哪一段劳动？\n2. 将白板分为三列：\n   - **系统直接承接**：录音转写、重点提炼、候选待办生成\n   - **系统辅助判断**：责任是否真正成立、事项是否成熟到可以推进\n   - **必须留给人**：谁来拍板、共识是否算成立、现在推会不会太早\n3. 用\"做了以后会发生什么\"替代\"还能不能再自动一步\"\n\n**输出**：系统边界设计文档（三列分类）\n\n---\n\n### Step 6：提炼深层需求——真正要解决的是什么\n\n**输入**：Step 1-5 的全部产出\n\n**处理**：\n1. 综合前五步，提取真正的深层需求\n2. 对比：表面问题 vs 深层需求\n3. 验证：如果深层需求被满足，表面问题是否自然消失？\n4. 评估：深层需求能否被产品化？\n5. 确定：需要拉通哪些利益相关者\n\n**输出**：深层需求报告（表面问题/深层需求/为什么被埋住/能否产品化/连锁效应）\n\n---\n\n## 示例 1\n\n### 场景：企业知识库——\"搜索不好用\"\n\n**线索**：\n\n> \"各部门都在抱怨知识库搜索不好用，我们想升级语义搜索。\"\n\n**五步考古**：\n\n| 步骤 | 发现 |\n|------|------|\n| Step 1 人进现场 | 先看谁最容易搜不到——结果发现是入职头两周的新人 |\n| Step 2 人做初筛 | 把\"搜索不好用\"拆开：召回问题、命名问题、入口问题、新人不懂默认路径 |\n| Step 3 AI 做拆层 | 喂入访谈、工单、使用记录，让模型比较新人和老员工的差异。模型发现：新人搜不到的核心原因不是召回率，而是他们不知道该用什么关键词（行话/缩写/默认路径） |\n| Step 4 人回现场 | 验证假设：新人确实不知道该搜什么词，老员工知道但没觉得这是\"搜索问题\" |\n| Step 5 定义边界 | 重点不只是搜索算法，而是知识入口设计 + 命名体系 + 新人引导 |\n\n**深层需求**：\n\n- 表面需求：\"升级语义搜索\"\n- 深层需求：帮助新人在不了解内部术语和默认路径的情况下，也能可靠获取信息\n- 为什么被埋住：老员工已经习惯了，不觉得这是问题；新人不敢说\"我搜不到\"\n- 产品化方向：新人常用文档推荐、热门搜索路径展示、行话与正式名称关联\n\n> 来源：《AI rebuild product needs》第22章工具卡示例。\n\n---\n\n## 示例 2\n\n### 场景：SaaS 续费——\"客户说系统不好用但说不清楚\"\n\n**线索**：\n\n> \"客户成功团队反馈说'客户总是说系统不好用，但具体哪里不好用又说不清楚'。\"\n\n**五步考古**：\n\n| 步骤 | 发现 |\n|------|------|\n| Step 1 人进现场 | CS 团队每月打电话回访，客户说\"还行\"，但续费时却说\"要考虑\"。这个\"还行\"是 CS 团队定义的正常 |\n| Step 2 人做初筛 | 3 年前产品简化了界面，把高级功能藏得更深了。当时的决策是\"降低新手难度\" |\n| Step 3 AI 做拆层 | 产品团队不能改界面（上次改版被老用户抗议），CS 团队不能说\"产品不好\"（KPI 是续费率）。1 年前做过\"用户成功指南\"，但没人看——内容是产品写的，不是用户语言 |\n| Step 4 人回现场 | 客户真正想要的不是\"更好用的界面\"，而是\"能让他们在内部证明产品价值的证据\"——他们需要向老板解释为什么买这个 |\n| Step 5 定义边界 | 不改界面，增加\"成功案例生成器\"和\"价值报告自动化\" |\n\n**深层需求**：\n\n- 表面需求：\"改进界面易用性\"\n- 深层需求：提供价值证明工具，帮助客户在组织内部推广产品\n- 为什么被埋住：CS 团队的 KPI 是续费率，不敢说\"产品不好\"；客户的痛点不在使用层面，在组织政治层面\n- 产品化方向：成功案例生成器、价值报告自动化、内部推广工具包\n\n**启示**：\n\n如果直接让 AI 总结\"客户反馈\"，得到的会是\"界面需优化\"\"功能需增强\"——这些都是表达层的整理。只有人先进现场、带回处境和补偿行为材料，AI 才能帮你拆出更深层的结构。","tags":["p0d","needs","archaeologist","native","product","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native","ai-product"],"capabilities":["skill","source-gmaxxxie","skill-p0d-needs-archaeologist","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/p0d-needs-archaeologist","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 (7,626 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":"2026-05-18T18:57:26.379Z","embedding":null,"createdAt":"2026-05-01T01:02:52.665Z","updatedAt":"2026-05-18T18:57:26.379Z","lastSeenAt":"2026-05-18T18:57:26.379Z","tsv":"'-5':738 '1':41,290,337,393,559,568,601,604,636,673,706,737,741,767,778,855,887 '2':75,293,396,571,594,610,632,641,676,689,710,744,783,842,869 '3':110,295,323,399,576,615,623,651,668,680,723,749,793,871,877 '4':146,298,581,617,654,663,685,703,753,807,894 '5':181,584,697,756,814,902 '6':732 'ai':403,414,416,431,439,444,448,451,455,458,470,478,481,486,507,511,517,542,545,550,624,640,658,670,794,836,878,930,939 'approach':280 'archaeolog':212 'archaeologist':4 'artifact':64,224 'attempt':164,258 'background':215 'cascad':276 'collect':174 'constraint':244 'context':103,238 'cs':311,320,331,857,866,882,916 'current':218 'decis':99,102,236 'deep':198,265,269 'defens':177,262 'defin':72,228 'effect':277 'event':97 'fail':170 'failur':257 'hard':137,253 'hidden':202,271 'histori':231 'human':134,251 'input':213 'kpi':334,885,918 'legaci':172,260 'llm':520,523,555 'maker':100 'mechan':178 'memori':175 'need':3,199,211,266,406,442,473,514,553,839 'normal':219 'organiz':127,245 'origin':226 'p0d':2 'p0d-needs-archaeologist':1 'previous':93,232 'problem':196 'procedur':129,247 'process':60 'product':405,441,472,513,552,838 'productiz':204,274 'prompt':467 'quick':286 'reason':106,241,272 'rebuild':404,440,471,512,551,837 'recommend':279 'remov':143 'risk':282 'role':62,222 'saa':32,844 'skill':10 'skill-p0d-needs-archaeologist' 'soft':139,254 'solv':207 'source-gmaxxxie' 'stakehold':284 'start':69 'state':94,220 'step':40,74,109,145,180,558,593,600,622,631,662,667,688,696,702,731,736,777,782,792,806,813,854,868,876,893,901 'step1':217 'step2':230 'step3':243 'step4':256 'step5':264 'surfac':195,267 'technic':132,249 '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' 'trigger':96,234 'vs':138,747 'win':287 'yaml':210 '一个人的优势越来越不只是':453 '一个漂亮的':466 '一个需求线索':24,565 '一句判断':372 '一句话定位':13 '一旦这些材料进入模型':506 '三列分类':730 '上次改版被老用户抗议':881 '不':526 '不会真正说不':556 '不会说不':522 '不再主要问':681 '不同场景的痕迹':653 '不成立':694 '不改界面':356,904 '不敢说':920 '不是先收集平台上反复出现的反馈':569 '不是因为模型不好':483 '不是用户语言':342,892 '不是结论':675 '不知道的东西':449,459 '不等于做过反向质疑':539 '不能把痕迹从原来的关系里拔出来单独解释':401 '不能替你下到现场':433 '不要只给表达层':634 '不要抽象':292 '不要立刻分析问题':47 '不要问':643 '不要靠推断':297 '不觉得这是问题':828 '业务背景':216 '为什么':377,408 '为什么会变成这样':83 '为什么会导致问题':301 '为什么大家都知道不好但还在这么做':116 '为什么改了':86 '为什么没成功':149,156 '为什么被埋住':203,273,763,826,915 '为什么这件事让人疲惫而不只是烦躁':502 '之前尝试过什么':148 '之前是什么':95 '之前是怎么做的':85 '之前有没有人尝试解决过':154 '之前状态':233 '之前的失败可能留下了防御机制':369 '也能可靠获取信息':825 '事项是否成熟到可以推进':718 '五个步骤':39 '五步考古':774,851 '五步考古结果':36 '交付物':67 '产出物':225 '产出的文档':65 '产品不好':333,884,921 '产品化方向':831,924 '产品团队不能改界面':329,880 '产品机会':494 '人做初筛':784,870 '人先做初筛':595 '人先进现场':560 '人员':135 '人员变动':89 '人员约束':252 '人员约束导致了现状':121 '人回现场':808,895 '人回现实验证':664 '人的优势是':447 '人的优势是什么':475 '人进现场':779,856 '什么东西在被持续消耗':586 '什么事件导致改变':98 '什么时候开始的':70 '仍然只能让模型在公共知识的平均值上打转':468 '他们通常给':485 '他们需要向老板解释为什么买这个':348,900 '他手里有没有':457 '代价':592 '价值报告自动化':360,908,926 '价值校验和方向修正':540 '任务':46,80,113,150,184 '企业知识库':769 '企业软件':33 '优先方向':495 '会不会用':454 '伪信号过滤结果':621 '但':537 '但具体哪里不好用又说不清楚':30,306,850 '但把高级功能藏得更深了':325 '但有一个前提不能跳过':430 '但没人看':340,890 '但续费时却说':315,861 '何时触发':18 '你必须尊重上下文':400 '你的偏差和你的误判':548 '你要做的不是直接判断':397 '你面对的不是答案':394 '使用记录':798 '信任':504 '候选待办生成':715 '假设形式':660 '假设成立':693 '假设是否解释了持续代价':665 '做了以后会发生什么':725 '做拆层':625,795,879 '做需求分析失败':482 '先描绘当前的':48 '先看谁最容易搜不到':780 '入口问题':790 '共识是否算成立':721 '关系':388,562,590 '关键问题':51,84,117,153,187 '内容是产品写的':891 '内部推广工具包':927 '再往下是场景':387 '决策':88,237 '分层记录':620 '分成两张不同的地图':425 '分析失败原因':152 '分步执行':557 '制度':119 '制度约束':131 '功能需增强':935 '动作链路里发生':575 '区分表达':596 '升级语义搜索':822 '历史尝试':163 '历史层':322 '历史层追溯':76 '历史演化':92 '历史约束分析':38 '压缩值得深挖的问题范围':616 '原始线索':214 '发现':309,776,853 '只有人先进现场':937 '只有真正去了现场才能看到的补偿行为':462 '只能放大你已经采回来的痕迹':432 '只要你的问题前提已经有偏差':531 '召回问题':788 '可以先做的小胜利':288 '可能制造新的误判':650 '可获取的业务背景信息':25,566 '各部门都在抱怨知识库搜索不好用':772 '启示':928 '命名体系':818 '命名问题':789 '和':359,423,907 '哪一步被多做了一遍':500 '哪些判断留给人':700 '哪些劳动进系统':699 '哪些是一次性情绪':612 '哪些是代价':609 '哪些是场景':607 '哪些是处境':608 '哪些是平台放大':613 '哪些是技术兴奋':614 '哪些是硬性约束':140 '哪些是表达':606 '哪些是软性约束':141 '哪些自动化本身会制造新风险':429 '哪些该系统承担':428 '哪些部分涉及责任':503 '哪些风险如果由系统直接替代':649 '哪些风险适合被系统辅助':648 '喂入访谈':796 '回到':687 '因为上次改版被老用户抗议':330 '因为内容是产品写的':341 '团队不能说':332,883 '团队定义的正常':321,867 '团队定义边界':698 '团队对这个问题的共同记忆是什么':176 '团队每月打电话回访':312,858 '团队的':917 '在':450 '在不同用户的跟访笔记中找到重复出现的补偿行为':419 '在组织政治层面':923 '在行业里长期浸泡形成的判断力':461 '场景':27,589,597,768,843 '增加':357,905 '处境和代价':598 '处理':567,603,635,672,705,740 '多个利益相关者的需求相互矛盾':22 '大家会怎么做':123 '失败原因':171 '失败层':336 '失败层分析':147 '如果假设不成立':686 '如果所有约束都消失':188 '如果没人补位会怎样':501 '如果消失会怎么做':144 '如果深层需求被满足':751 '如果直接让':929 '如果解决了这个':191 '如果这些约束消失':122 '它们更像是建议生成器':528 '它们通常不会真正说':525 '它只是承认一个朴素的事实':383 '它更像一层层被压住的结构':385 '完整走一遍':303 '定义者':229 '定义边界':815,903 '客户反馈':932 '客户总是说系统不好用':29,305,849 '客户成功团队反馈说':28,848 '客户的痛点不在使用层面':922 '客户真正想要的不是':344,896 '客户续费率下降':34 '客户说':313,859 '客户说系统不好用但说不清楚':846 '对比':745 '将白板分为三列':711 '尝试了什么':166 '尝试列表':259 '就开始批判':365 '层次':308 '工单':797 '工单摘要':489 '带假设回到现场':677 '带回处境和补偿行为材料':938 '帮你提出边界问题':427 '帮助客户在组织内部推广':354 '帮助客户在组织内部推广产品':914 '帮助新人在不了解内部术语和默认路径的情况下':824 '常见误判':361 '年前产品简化了界面':324,872 '年前做过':888 '年前尝试做过':338 '建议方法':281 '当前正常状态':59,221 '当时是否合理':108,242 '当时的决策在当时可能是合理的':367 '当时的决策是':326,874 '当时的约束和信息':104 '当时的选择在当时是否合理':90 '当时约束':239 '录音转写':713 '很多团队用':480 '很多时候':530 '得到的会是':933 '必须留给人':719 '快速使用法':289 '忽视历史合理性':366 '忽视失败遗产':368 '怎么做的':155,168 '急于分析':362 '总结':380,411,931 '情绪':389 '成功案例生成器':358,906,925 '我们想升级语义搜索':773 '我搜不到':830 '或只有长期贴近用户才能养成的微妙辨别力':464 '才能帮你拆出更深层的结构':940 '才能真正做拆层':508 '执行问题还是时机问题':158 '扩展方案':534 '找一个具体的需求线索':291 '找出':82,115 '找重复补偿行为':628 '技术':120 '技术约束':133,250 '把':421,785 '把相似的风险跨场景聚类成更稳定的假设':426 '把观察到的内容分层':605 '把访谈笔记':637 '把高级功能藏得更深了':873 '拆层报告':659,671 '拆开':787 '描绘当前的':43 '提供价值证明工具':353,913 '提假设':629 '提取出来的深层需求可能超出产品能力范围':371 '提取真正的深层需求':186,743 '提炼深层需求':733 '提问格式要改':642 '搜索不好用':770,786 '搜索问题':812 '改进界面易用性':351,911 '放大的不只是效率':546 '教你如何挖掘深层需求':11 '数据':66 '新人不懂默认路径':791 '新人不敢说':829 '新人常用文档推荐':832 '新人引导':819 '新人搜不到的核心原因不是召回率':801 '新人确实不知道该搜什么词':810 '方法':355 '时代':452 '是':319,865 '是什么':45,50 '是什么组织结构':118 '是什么让大家不能做更好':112 '是从什么时候开始的':55 '是怎么来的':79 '是方案问题':157 '是续费率':335,886,919 '更准确':381,412 '更准确地说':527 '更好用的界面':345,897 '更成熟的输入应该包含':496 '替代':726 '最上面是表达':386 '最擅长的不是把表达整理得更好看':417 '有一个团队非常容易误读的结构性特征':524 '有没有因此产生的防御机制':179 '来源':402,438,469,510,549,835 '查找之前解决这个问题的尝试':151 '标记需要进一步验证的假设':618 '核心概念':375 '概念一':376 '概念三':446 '概念二':413 '概念五':519 '概念四':476 '模型再强也只能对着表达层工作':437 '模型发现':800 '模型就会顺着这个前提不断组织语言':532 '模型就只能消费平台化输入':435 '模型给的是假设':674 '正常':44,54,57,78,300,364 '正常状态':49 '步骤':775,852 '每一步都要找到具体证据':296 '比':379,410 '比较':626 '比较不同角色承担的代价是否指向同一个结构性问题':420 '没有处境材料':436 '没有现场':434 '没有这些':465 '流程':130 '流程约束':248 '涉及角色及其行为':63 '深层需求':194,270,343,352,748,762,820,823,909,912 '深层需求层提取':182 '深层需求报告':37,760 '深层需求能否被产品化':755 '深层需求过大':370 '热门搜索路径展示':833 '然后期望模型直接产出':492 '现在回答':708 '现在大家都是怎么做的':52 '现在推会不会太早':722 '现在的流程是什么':61 '现场观察记录':588 '现场验证结论':692 '现状层':310 '现状层挖掘':42 '用':724 '用户做的':424 '用户喜不喜欢这个功能':682 '用户在系统外多做了什么':583 '用户成功指南':339,889 '用户是否确实在为这些风险持续付出代价':679 '用户真正想要的是什么':189 '用户自己也说不清楚到底想要什么':20 '用户角色和角色关系':497 '用户说出来的需求只是冰山一角':6 '用户说出来的需求是最新的土壤层':14,373 '用户说的':422 '用考古的方法一层层挖下去':17 '界面需优化':934 '的':669 '的全部产出':739 '的分层记录':633 '的是':487 '的现场观察记录':602 '的结构性倾向':521 '的输入必须先重写':479,518 '的验证结论':704 '直接做决策的团队':543 '看场景':561 '真实需求':493 '真正擅长什么':445 '真正擅长的是跨痕迹拆层':415 '真正的需求':200 '真正的需求往往埋在历史决策':7,15 '真正的需求往往埋得更深':374 '真正的需求很少直接躺在表面等你收集':384 '真正要解决的是什么':183,734 '硬软性分析':255 '确定':757 '示例':302,766,841 '示例输入':26 '空间':574 '第22章工具卡示例':840 '第22章第1节':407 '第22章第2节':443,474,554 '第22章第3节':515 '第五步的结论要能解释第一步的':299 '系统到底该接住哪一段劳动':709 '系统直接承接':712 '系统辅助判断':716 '系统边界设计文档':729 '约束层':328 '约束层识别':111 '约束条件':126 '线索':304,771,847 '组织从不公开表达的真实摩擦':463 '组织约束':246 '组织结构和业务演化中':8,16 '组织结构约束':128 '结果发现是入职头两周的新人':781 '给':477,516 '续费':845 '综合前五步':742 '综合前四层':185 '综合输出格式':209 '缩写':804 '老员工已经习惯了':827 '老员工知道但没觉得这是':811 '考古':378,409 '考古结果':307 '考古这个比喻强调三件事':392 '而不仅仅是让摘要更好看':509 '而不是下结论':656 '而不是天然的批评者':529 '而是':346,456,898 '而是他们不知道该用什么关键词':802 '而是先走进现实':570 '而是分层挖掘':398 '而是因为输入太扁平':484 '而是在许多尚未被完全解释的痕迹之间工作':418 '而是痕迹':395 '而是知识入口设计':817 '而是问':683 '聚类':627 '背景':31 '能力约束':136 '能否产品化':275,764 '能否被产品化':205 '能让他们在内部证明产品价值的证据':347,899 '行话':803 '行话与正式名称关联':834 '补偿动作':390,591 '补偿动作和代价':563 '补偿行为清单一起喂给':639 '补偿行为背后的假设是否成立':684 '补全逻辑':533 '表面的问题是否自然消失':192 '表面问题':197,268,746,761 '表面问题是否自然消失':752 '表面需求':350,821,910 '表面需求和深层问题明显不匹配':19 '要考虑':316,862 '要问':645 '观察代价':585 '观察关系':577 '观察场景':572 '观察补偿动作':582 '角色':223 '解决后的连锁效应':278 '解决后表面问题会怎么变':208 '解释权和判断权':505 '触发事件':235 '让整个东西看起来越来越完整':535 '让模型提出假设':655 '让模型比较不同角色':652 '让模型比较新人和老员工的差异':799 '访谈逐字稿':488 '评估':754 '评论合集':490 '识别当前流程背后的约束条件':114 '请总结高频需求':644 '请识别用户在系统外重复执行的补偿行为':646 '谁做的决定':101 '谁在等谁':578 '谁定义了这个':56 '谁定义的这个正常':73 '谁承担后果':580 '谁握着解释权':579 '谁来拍板':720 '负面印象':160 '责任是否真正成立':717 '责任缝隙和长期代价':391 '起源':227 '越来越像答案':536,538 '跟访记录':638 '输入':23,564,599,630,666,701,735 '输出':35,587,619,657,691,728,759 '输出格式':58,91,125,162,193 '过滤明显伪信号':611 '还有你的假设':547 '还没描绘清楚':363 '还能不能再自动一步':727 '还行':314,318,860,864 '这个':9,53,77,317,863 '这个改变是因为什么事件':87 '这个深层需求是否能够被产品化':190 '这些约束是硬性的还是软性的':124 '这些行为分别在弥补什么风险':647 '这些都是表达层的整理':936 '这就是为什么越依赖':541 '连锁效应':765 '追溯当前流程的历史演化':81 '逐层走完五步':294 '遗留影响':173,261 '那个东西可能是':460 '那些失败留下了什么遗产':159 '重复出现的补偿动作':499 '重定义':349 '重新分层':690 '重点不只是搜索算法':816 '重点提炼':714 '问卷答案':491 '问题发生的具体场景':498 '问题在什么时间':573 '问题已经足够清晰':707 '防御机制':161,263 '降低新手难度':327,875 '需修正':695 '需求考古不是为了听起来神秘':382 '需求考古五步法':5,12 '需要拉通哪些利益相关者':758 '需要拉通的人':285 '需要理解业务的历史演化和组织约束':21 '非结论形式':661 '风险':283 '风险越大':544 '验证':678,750 '验证假设':809 '默认路径':805","prices":[{"id":"242377de-5d6b-44c2-b4a5-584a9eb4cbc7","listingId":"b349c691-7cee-484a-b1db-bf945405e1ce","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":"2026-05-01T01:02:52.665Z"}],"sources":[{"listingId":"b349c691-7cee-484a-b1db-bf945405e1ce","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/p0d-needs-archaeologist","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p0d-needs-archaeologist","isPrimary":false,"firstSeenAt":"2026-05-01T01:02:52.665Z","lastSeenAt":"2026-05-18T18:57:26.379Z"}],"details":{"listingId":"b349c691-7cee-484a-b1db-bf945405e1ce","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"p0d-needs-archaeologist","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":"53c49566a26db91958e20d389f662c2ab45f319a","skill_md_path":"skills/p0d-needs-archaeologist/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p0d-needs-archaeologist"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"p0d-needs-archaeologist","description":"需求考古五步法。用户说出来的需求只是冰山一角，真正的需求往往埋在历史决策、组织结构和业务演化中。 这个 Skill 教你如何挖掘深层需求。"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p0d-needs-archaeologist"},"updatedAt":"2026-05-18T18:57:26.379Z"}}