{"id":"08038def-c155-4f5a-80e8-003e7ada412d","shortId":"uuReKe","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## 核心概念\n\n### 概念一：微需求（Micro-Need）\n\n**定义**：那些具体、长期、反复发生、却一直没被认真命名的小负担。它不是一时情绪或偶发抱怨，而是用户在现实中一直得额外处理的那一小段劳动。\n\n**三大特征**：\n1. **长期存在**：不是一次性起伏，而是用户在现实中反复承担的代价。\n2. **被习惯化**：用户未必天天抱怨，甚至会把它当成工作的一部分；正因被习惯化，它更难被普通需求流程看见。\n3. **一旦被接住，体感变化很大**：用户未必用宏大语言夸你，但会明显感觉\"终于少背一点了\"。\n\n**为什么重要**：大需求常常停留在表达层，微需求更容易暴露一个人究竟在生活里多做了什么。真正拉开产品差距的，往往是谁更早看见那些别人觉得\"不值得看\"的小负担。AI 降低了实现成本，微需求第一次获得了进入系统的机会。\n\n**五问检测法**（来源：工具卡《微需求五问》）：\n1. 这个问题是不是每天都在发生，只是每次都很小？\n2. 用户是不是已经为它发展出稳定的 workaround？\n3. 如果不做，谁会继续默默为它承担代价？\n4. 这段负担是不是带着羞耻、疲惫或责任风险，因此不容易被主动表达？\n5. 一旦系统接住它，用户体感会不会明显变轻？\n\n> 五问中 ≥3 问回答为\"是\"→ 标记为高价值微需求，值得进入需求池。\n\n### 概念二：真需求 vs 伪需求\n\n**伪需求四大来源**：\n1. **被平台放大的主流表达**：高频、明确、容易传播，但未必最深。\n2. **被焦虑和比较驱动的即时欲望**：\"别人都在用\"\"我是不是落后了\"。\n3. **被技术兴奋推出来的假问题**：\"能不能做\"悄悄变成\"是不是该做\"。\n4. **被整理得过于顺滑的表层反馈**：整理只能增加可读性，不能自动增加真实性。\n\n**真需求五个特征**：\n1. **持续性**：长期存在的现实摩擦，不是一次性情绪。\n2. **代价性**：持续消耗时间、注意力、判断力、情绪容量、信任或责任安全感。\n3. **补偿性**：用户已为它发展出变通做法——系统没接住，代价不会凭空消失，而是转化成用户额外承担的劳动。\n4. **结构性**：和角色关系、流程断点、信息缝隙、责任机制有关，不是某个人的特殊偏好。\n5. **非表演性**：即使不被高频讨论，也仍然存在，靠现实里的重复代价成立。\n\n**五问判断法**（来源：工具卡《真需求判断五问》）：\n1. 它是不是长期存在？\n2. 它让谁持续付出了什么代价？\n3. 用户有没有为它发展出补偿行为？\n4. 它背后是不是有结构，而不只是偏好？\n5. 即使没人讨论，它还会不会继续存在？\n\n> 五问中 ≥3 问答不扎实 → 标记为\"高伪需求风险\"，先不要做方案。\n\n**AI 时代伪需求更难分辨的三个原因**：\n- 平台持续放大可见表达，重复出现制造\"很重要\"的错觉\n- AI 把零散输入整理成逻辑清楚的\"高频痛点\"，整齐感让人提早放弃怀疑\n- 解决方案越来越容易生成，伪需求不只更容易被看见，也更容易被快速产品化\n\n### 概念三：需求四层拆解\n\n**定义**：把\"用户说了什么\"和\"用户真正被什么困住\"分开的结构化拆解框架。\n\n| 层级 | 问题 | 输出 |\n|------|------|------|\n| 表达层 | 用户原话是什么？ | 原始需求陈述 |\n| 场景层 | 问题发生在什么时候、哪一步、和谁有关？ | 场景-角色-动作链 |\n| 处境层 | 他为什么被困住？谁在补位？谁在兜底？ | 结构性约束清单 |\n| 代价层 | 如果系统不接住，这个人会持续损失什么？ | 代价-风险映射 |\n\n> 任何一层说不出来，就先不要进入方案讨论。\n\n### 概念四：需求考古学（Need Archaeology）\n\n**定义**：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。AI 的角色不是需求结论机，而是需求考古助手。\n\n**核心原则**：\n- 你面对的不是答案，而是痕迹\n- 你要做的不是直接判断，而是分层挖掘\n- 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**AI 的位置**：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。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### 概念五：Agent 边界（Agent Boundary）\n\n**定义**：好的 Agent 不是越会做事，而是越知道在哪里停。\"停\"不是能力缺陷，而是成熟能力的一部分。\n\n**七项边界检查**（来源：工具卡《Agent 边界清单》）：\n1. 信息是否足够支撑正式动作？\n2. 责任关系是否已经成熟，而不只是看起来像对齐？\n3. 这一步是在减轻劳动，还是在制造假的确定性？\n4. 一旦做错，代价是体验代价、关系代价、还是责任代价？\n5. 这里是否应该保留 human-in-the-loop（人工在环）？\n6. 用户能不能看见系统为什么停、为什么提示待确认？\n7. 这一步如果交给人，会不会反而更能保护信任？\n\n**高风险场景**：付款、退款、权限变更、责任认领、对外正式承诺——必须逐条过清单。\n\n### 概念六：好问题六维观察\n\n**定义**：好问题不是坐在屏幕前靠语感雕出来的，而是从现实里长出来的。提问能力不等于 prompt 技巧，而是把立体现实压缩成高质量问题的能力。\n\n**六个维度**（来源：工具卡《好问题六维观察表》）：\n1. **场景维度**：问题发生在什么时间、空间和动作链路里？\n2. **关系维度**：谁在等谁，谁握着解释权，谁承担责任？\n3. **情绪维度**：焦虑、羞耻、疲惫、孤独还是失控感？\n4. **感官维度**：光线、噪音、身体状态、空间安全感有没有影响？\n5. **补偿行为维度**：用户为了弥补系统没接住的地方，多做了什么？\n6. **代价维度**：如果一直不处理，真正被消耗的是什么？\n\n> 做问题定义前，先要求团队至少写满三个维度。如果六个维度里只剩标签和人口属性，说明问题还太平。\n\n### 概念七：多元推荐改写\n\n**定义**：多元推荐不是精度的对立面，而是对单一目标精度的修正。加一点随机不等于多元推荐，内容更杂不等于用户更自由。\n\n**六项检查**（来源：工具卡《多元推荐改写清单》）：\n1. 目标函数里，除了停留和转化，还有没有多样性或探索目标？\n2. 用户有没有主动切换\"更开阔\"而不是\"更精准\"的入口？\n3. 系统有没有低冲突的异质内容入口，而不是只塞对立内容？\n4. 推荐有没有连接现实世界，而不是永远把人留在屏幕里？\n5. 团队有没有衡量\"新的可能性被打开\"而不只是\"更多点击\"？\n6. 用户能不能把自己从默认推荐轨迹里拉出来？\n\n### 概念八：AI 产品三重平衡\n\n**定义**：下一代 AI 产品不该只赢得指标，还要赢得长期信任。每次大方向评审，必须同时看商业、人性、文化三层。\n\n**三层判断**（来源：工具卡《AI 产品三重平衡表》）：\n- **商业层**：长期成本是什么？价值能否覆盖持续消耗？是不是靠高成本堆出\"看起来很聪明\"？\n- **人性层**：是否真的减轻了用户长期负担？是否保留了人的主体性和判断感？是在帮助人生活，还是让人更依赖系统？\n- **文化层**：在训练用户怎样理解效率、关系和责任？是在扩大现实感，还是鼓励更浅的自动化依赖？这种产品逻辑是否值得被扩散？\n\n> 只有商业层有答案时，先不要轻易下结论。\n\n## 分步执行\n\n基于上述 8 个核心概念，整合为一条完整的执行流程。每步有明确的 **输入 → 处理 → 输出**。\n\n---\n\n### Step 1：需求解构（需求四层拆解卡）\n\n**输入**：用户/客户/团队说出的原始需求陈述\n\n**处理**：\n1. 将原始需求写在白板最上面\n2. 逐层补全四层内容：\n   - **表达层**：用户原话是什么？收集至少 3 个真实用户的行为案例\n   - **场景层**：问题发生在什么时候、哪一步、和谁有关？\n   - **处境层**：他为什么被困住？谁在补位？谁在兜底？\n   - **代价层**：如果系统不接住，这个人会持续损失什么？\n3. 标记每一个\"需求\"是否来自平台/算法/社交媒体的放大\n4. 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**输出**：四层拆解表（表达 / 场景 / 处境 / 代价），任何一层说不出来就暂停\n\n---\n\n### Step 2：处境映射（好问题六维观察表）\n\n**输入**：Step 1 产出的四层拆解表\n\n**处理**：\n1. 针对处境层和代价层，至少从三个维度展开观察：\n   - 场景维度：时间、空间、动作链路\n   - 关系维度：谁在等谁、谁握解释权、谁担责任\n   - 情绪维度：焦虑、羞耻、疲惫、孤独、失控感\n   - 感官维度：光线、噪音、身体状态、空间安全感\n   - 补偿行为维度：用户多做了什么来弥补系统没接住的地方\n   - 代价维度：真正被消耗的是什么\n2. 如果六个维度里只剩标签和人口属性，标记为\"问题还太平\"，需要回到现场补充\n3. 产出处境-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**输出**：处境-行为映射表 + 六维观察记录\n\n---\n\n### Step 3：微需求检测（微需求五问）\n\n**输入**：Step 2 产出的处境-行为映射表中的补偿行为和小负担\n\n**处理**：\n1. 对每个识别出的补偿行为 / 小负担，逐项过五问：\n   - Q1：是不是每天都在发生，只是每次都很小？\n   - Q2：用户是不是已经发展出稳定的 workaround？\n   - Q3：如果不做，谁会继续默默承担代价？\n   - Q4：这段负担是不是带着羞耻、疲惫或责任风险？\n   - Q5：一旦系统接住，用户体感会不会明显变轻？\n2. ≥3 问回答\"是\"→ 标记为高价值微需求\n3. 在需求池旁单开一列：\"这个点为什么虽然小，却值得做\"\n\n**输出**：微需求清单（附五问评分）\n\n---\n\n### Step 4：真伪判断（真需求判断五问）\n\n**输入**：Step 1 的四层拆解 + Step 3 的微需求清单\n\n**处理**：\n1. 对每个候选需求逐项过五问：\n   - Q1：它是不是长期存在？\n   - Q2：它让谁持续付出了什么代价？\n   - Q3：用户有没有为它发展出补偿行为？\n   - Q4：它背后是不是有结构，而不只是偏好？\n   - Q5：即使没人讨论，它还会不会继续存在？\n2. 五问中 ≥3 问答不扎实 → 标记为\"高伪需求风险\"\n3. 同步运行伪需求五信号检测：\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？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> 命中 ≥2 个 🔴 信号 → 回到 Step 1 重新收集行为证据。\n\n**输出**：真伪判断结论 + 伪需求信号标记\n\n---\n\n### Step 5：需求考古（需求考古五步法 · AI 介入）\n\n**输入**：Step 4 确认的真实需求 + 现场行为证据\n\n**处理**（人机协作五步）：\n1. **人先进现场**：看场景、关系、补偿动作和代价（前置步骤，Step 1-4 已完成）\n2. **人先做初筛**：区分表达、场景、处境和代价，过滤明显伪信号（Step 4 已完成）\n3. **AI 做拆层**：把访谈记录、跟访笔记、补偿行为清单一起喂给 AI，提问格式：\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？\"\n4. **人回现实验证**：模型提出的是假设不是结论。回到现场验证假设是否真的解释了用户为何持续付出代价\n5. **团队决定系统边界**：系统到底该接住哪一段劳动，哪一段必须保留给人\n\n**输出**：AI 辅助拆层报告 + 现场验证结论 + 系统边界初稿\n\n---\n\n### Step 6：Agent 边界设计（Agent 边界清单）\n\n**输入**：Step 5 产出的系统边界初稿\n\n**处理**：\n1. 对每个 Agent 拟执行的动作，逐项过七项边界检查\n2. 特别关注高风险场景（付款、退款、权限变更、责任认领、对外正式承诺）\n3. 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\n4. 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**：Agent 边界设计文档（三列分类）\n\n---\n\n### Step 7：三重平衡评审（AI 产品三重平衡表）\n\n**输入**：完整的需求方案 + Agent 边界设计\n\n**处理**：\n1. 按商业层、人性层、文化层逐项评估\n2. 三层都必须有明确回答；只有商业层有答案时，不轻易下结论\n3. 如果人性层或文化层出现负面信号，回退方案重新设计\n\n**输出**：三重平衡评审表\n\n---\n\n### Step 8：需求简报输出\n\n**输入**：Step 1-7 全部产出\n\n**处理**：整合为标准化 AI Native 需求简报\n\n**输出**：\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  four_layer_decomposition:\n    expression: \"用户原话\"\n    scene: \"场景描述（时间/空间/动作链）\"\n    situation: \"处境描述（谁在补位/谁在兜底）\"\n    cost: \"持续损失什么\"\n  micro_needs:\n    - description: \"微需求描述\"\n      five_questions_score: 4  # 微需求五问得分（0-5）\n      workaround: \"用户现有变通做法\"\n  true_need_validation:\n    five_questions_score: 4  # 真需求五问得分（0-5）\n    pseudo_need_flags: [\"S1\", \"S3\"]  # 命中的伪需求信号\n    risk_level: \"低/中/高\"\n  six_dimension_observation:\n    scene: \"场景维度描述\"\n    relationship: \"关系维度描述\"\n    emotion: \"情绪维度描述\"\n    sensory: \"感官维度描述\"\n    compensation: \"补偿行为维度描述\"\n    cost: \"代价维度描述\"\n  agent_boundary:\n    system_direct: [\"系统直接承接的动作\"]\n    system_assisted: [\"系统辅助判断的动作\"]\n    human_reserved: [\"必须留给人的动作\"]\n    high_risk_actions: [\"高风险动作清单\"]\n  triple_balance:\n    commercial: \"商业层评估\"\n    humanity: \"人性层评估\"\n    culture: \"文化层评估\"\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## 示例\n\n### 示例 1：电商客服场景 — 微需求检测和真需求验证\n\n**场景描述**：一家电商平台的产品团队收到客服部门反馈：\"用户经常投诉退款流程太慢，希望一键退款。\"\n\n**用户输入**：\n> \"我们的客服每天要处理大量退款请求，用户反复投诉退款慢，希望能有一个一键退款功能。\"\n\n**执行流程**：\n\n**Step 1 需求解构（四层拆解）**：\n- 表达层：用户说\"退款太慢，要一键退款\"\n- 场景层：通常发生在收到货后 1-3 天内，用户发现商品问题后联系客服，客服需要手动核实订单、确认问题、走审批流\n- 处境层：客服不是不想快，而是退款审批涉及多级权限（客服→组长→财务），每级都要补一遍上下文。客服自己也在系统外补位：私聊催审批、自己记待办、给用户反复发\"已在处理中\"\n- 代价层：客服持续消耗的是注意力和情绪容量——每次退款都要当\"中间人\"反复追；用户持续损失的是信任感——不知道自己的钱到底什么时候回来\n\n**Step 3 微需求检测（微需求五问）**：\n1. ✅ 每天都在发生，只是每次都不大\n2. ✅ 客服已发展出变通做法：私聊催审批、自建待办表、反复给用户发进度\n3. ✅ 代价主要由客服承担——他们是天然的兜底角色\n4. ✅ 带着责任风险——一旦退款出错，最先被追责的是客服\n5. ✅ 一旦系统接住审批流转，客服体感会明显变轻\n\n> 五问得分 5/5 → 高价值微需求\n\n**Step 4 真伪判断（真需求五问）**：\n1. ✅ 长期存在——退款审批慢不是偶发问题\n2. ✅ 客服持续付出代价：时间、情绪、责任风险\n3. ✅ 已有补偿行为：私聊催、自建表、反复确认\n4. ✅ 背后有结构：多级审批 + 信息断点 + 责任不清\n5. ✅ 即使没人讨论，客服还是会继续追\n\n> 五问得分 5/5 → 真需求\n\n**Step 6 Agent 边界设计**：\n- 系统直接承接：自动核对订单信息、自动附上用户上传的证据图片、自动生成退款申请单\n- 系统辅助判断：标注\"该订单是否符合自动退款条件\"、提示\"同类问题历史退款通过率\"\n- 必须留给人：最终退款审批（涉及资金）、异常订单的判断、对用户的正式沟通\n\n**输出结果**：\n```yaml\nneeds_brief:\n  problem_statement: \"客服在退款流程中持续充当'审批中转站'，反复补位消耗注意力和情绪容量\"\n  micro_needs:\n    - description: \"客服在系统外私聊催审批、自建待办表、反复给用户发进度确认\"\n      five_questions_score: 5\n      workaround: \"私聊催审批 + 自建待办表 + 反复发'已在处理中'\"\n  true_need_validation:\n    five_questions_score: 5\n    pseudo_need_flags: []\n    risk_level: \"低\"\n  agent_boundary:\n    system_direct: [\"自动核对订单信息\", \"自动附上用户证据\", \"自动生成退款申请单\"]\n    system_assisted: [\"标注是否符合自动退款条件\", \"提示历史退款通过率\"]\n    human_reserved: [\"最终退款审批\", \"异常订单判断\", \"对用户的正式沟通\"]\n  next_stage: \"p2\"\n```\n\n---\n\n### 示例 2：企业内部工具 — 需求考古和四层拆解\n\n**场景描述**：一家中型企业的 IT 部门想做内部知识库升级，收到大量反馈\"搜索不好用\"。\n\n**用户输入**：\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**执行流程**：\n\n**Step 1 需求解构（四层拆解）**：\n- 表达层：用户说\"搜索不好用\"\n- 场景层：通常发生在入职头两周的新人身上。他们搜不到关键资料时，先去问同组同事，再把对方发来的链接私存到飞书或备忘录里\n- 处境层：老员工嘴上也说搜索一般，但他们通常已经知道该搜哪些关键词、该去哪几个固定页面找。真正被反复消耗的，是那些还不知道\"正确词汇\"和\"默认路径\"的新人\n- 代价层：新人损失的不只是几次搜索时间，而是对\"信息在这家公司能不能被可靠获取\"的基本信任。长期来看，新人会越来越不敢相信系统，转而过度依赖同事——这又反过来消耗老员工的注意力\n\n**Step 2 处境映射（六维观察）**：\n- 场景维度：入职第 1-14 天，通常在独立完成第一个任务时触发\n- 关系维度：新人→老员工（知识持有者），新人→HR（入职引导者），新人→系统（信任尚未建立）\n- 情绪维度：焦虑（怕显得笨）、羞耻（不敢反复问）、孤立（不确定该找谁）\n- 补偿行为维度：问同事→私存链接→建个人文档→再也不用系统搜索\n- 代价维度：老员工被打断、新人自建信息孤岛、系统搜索日志失真（真实搜索需求被绕过）\n\n**Step 5 需求考古（AI 介入）**：\n给 AI 的输入不是\"搜索不好用\"，而是完整的处境和补偿行为材料。AI 帮助拆层发现：\n- 问题不只是搜索算法，而是知识入口设计 + 命名体系 + 上下文暴露方式 + 新人认知负担的组合问题\n- 关键假设：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\n**Step 6 现场验证**：带假设回到现场确认——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\n**输出结果**：\n```yaml\nneeds_brief:\n  problem_statement: \"新人因不了解公司内部术语和默认路径，在知识获取上持续付出额外代价，逐渐放弃使用系统搜索\"\n  micro_needs:\n    - description: \"新人在系统外私存链接、建个人文档，绕过知识库\"\n      five_questions_score: 5\n      workaround: \"问同事→私存链接→建个人文档\"\n  true_need_validation:\n    five_questions_score: 5\n    pseudo_need_flags: []\n    risk_level: \"低\"\n  agent_boundary:\n    system_direct: [\"根据新人角色推荐常用文档\", \"展示热门搜索路径\"]\n    system_assisted: [\"标注'新人常见搜索词'\", \"关联行话与正式名称\"]\n    human_reserved: [\"知识体系重构决策\", \"命名规范制定\"]\n  next_stage: \"p2\"\n```\n\n---\n\n### 示例 3：AI 产品 Agent 边界设计\n\n**场景描述**：一家 SaaS 公司正在做会后协作 Agent，团队希望 Agent 自动推进会后事项——自动拆任务、指派责任人、发提醒、同步到项目板。\n\n**用户输入**：\n> \"我们想让 Agent 自动处理会后事项：自动拆任务、指派责任人、发提醒、同步项目板。\"\n\n**执行流程**：\n\n**Step 6 Agent 边界设计（七项检查）**：\n\n对\"自动指派责任人\"这个动作逐条过清单：\n\n1. **信息是否足够支撑正式动作？** → 不一定。会议中\"市场说可以先出两版方向\"，但品牌负责人其实只说了\"可以先看一下\"，并没有正式承诺。信息还不足以支撑正式指派。\n2. **责任关系是否已经成熟？** → 不一定。品牌负责人并没有真正答应进入评审，预算也还没批。\n3. **这一步是在减轻劳动，还是在制造假的确定性？** → 更像在制造假的确定性。系统生成任务后，品牌负责人可能会因为\"系统已经点了名\"而不好意思再说\"我其实还不能接\"。\n4. **一旦做错，代价是什么？** → 关系代价（被迫接受不成熟的指派）+ 项目代价（按错误节奏推进）。\n5. **这里是否应该保留人工在环？** → 是。至少在正式指派责任人之前。\n6. **用户能不能看见系统为什么停？** → 需要设计。系统应明确提示\"检测到前置条件未齐\"。\n7. **如果交给人，会不会更能保护信任？** → 会。让人自己确认是否接住，比系统替人落锤更可靠。\n\n**三列分类结果**：\n\n| 系统直接承接 | 系统辅助判断 | 必须留给人 |\n|-------------|-------------|-----------|\n| 会议录音转写 | 标注\"该事项涉及多个前置条件\" | 责任人是否正式认领 |\n| 重点内容提炼 | 建议待办候选列表 | 共识是否算成立 |\n| 生成待同步草稿 | 标明谁还没给反馈 | 现在推进会不会太早 |\n| | 提示\"以下事项尚未形成稳定共识\" | 对外正式沟通内容 |\n\n**输出结果**：\n```yaml\nneeds_brief:\n  problem_statement: \"会后协作 Agent 如果自动推进所有事项，会把不成熟的判断包装成确定结果，制造'事情已经被接住'的假象\"\n  agent_boundary:\n    system_direct:\n      - \"会议录音转写\"\n      - \"重点内容提炼\"\n      - \"生成待同步草稿（标注'待人工确认'）\"\n    system_assisted:\n      - \"标注前置条件是否齐备\"\n      - \"标明谁还没给反馈\"\n      - \"建议待办候选列表\"\n      - \"提示'以下事项尚未形成稳定共识，建议人工确认后再发送正式指派'\"\n    human_reserved:\n      - \"责任人是否正式认领\"\n      - \"共识是否算成立\"\n      - \"现在推进会不会太早\"\n      - \"对外正式沟通内容\"\n    high_risk_actions:\n      - \"自动指派责任人\"\n      - \"自动发送推进通知给候选人/客户\"\n      - \"自动更新项目板状态为'已推进'\"\n  triple_balance:\n    commercial: \"自动化链路越长，错误兜底成本越高；'看起来很聪明'不等于长期可持续\"\n    humanity: \"如果系统默认替人落锤，会把本该由用户保留的判断也一起吞掉\"\n    culture: \"训练出来的可能不是更成熟的协作，而是更舒服的判断外包\"\n  next_stage: \"p2\"\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。\n5. **微需求 ≠ 小需求**：小不自动等于深，隐蔽不自动等于高价值。微需求靠重复出现的代价成立，不靠声量成立。\n6. **AI 是考古助手，不是结论机**：AI 只能放大你已经带回来的痕迹，不能替你下到现场。\n7. **知道停比会做事更重要**：Agent 的成熟不是模型能力问题，而是需求理解、问题定义、边界设计和价值判断共同作用的结果。\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- **陷阱 5**：把总结当理解 → AI 把零散反馈整理得很整齐，不代表问题已经被真正理解\n- **陷阱 6**：让 AI 站在问题定义最前面 → 对着访谈逐字稿让 AI \"总结需求\"，得到的只是更漂亮的表达层加工\n- **陷阱 7**：Agent 越自动越好 → 不知道停的系统通常都在偷偷转移风险，让用户表面上少点几下，却在系统外多背很多判断和兜底\n- **陷阱 8**：把高频等同于真实 → 高频不等于真实，整齐不等于可靠，可做不等于该做\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）","tags":["native","product","needs","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native","ai-product","methodology","product-management"],"capabilities":["skill","source-gmaxxxie","skill-ai-native-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/ai-native-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 (12,446 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":"2026-05-18T18:57:24.707Z","embedding":null,"createdAt":"2026-05-01T01:02:50.503Z","updatedAt":"2026-05-18T18:57:24.707Z","lastSeenAt":"2026-05-18T18:57:24.707Z","tsv":"'-14':1151 '-3':947 '-4':696 '-5':851,863 '-7':810 '0':850,862 '1':68,98,125,145,178,301,348,392,460,468,513,516,569,606,612,670,688,695,747,791,809,924,937,946,976,1001,1114,1150,1300,1423,1470 '2':72,101,131,149,180,303,352,396,470,508,542,564,588,626,665,698,752,795,979,1004,1100,1145,1309,1427,1479 '3':78,104,115,135,156,182,191,306,357,402,475,488,547,559,589,593,609,628,632,707,759,799,973,984,1009,1266,1314,1432,1490 '4':107,140,162,184,309,363,405,494,601,683,705,723,772,848,860,987,998,1014,1323,1442,1497 '5':111,169,187,314,369,408,676,727,744,991,1019,1061,1073,1182,1229,1240,1330,1447,1504 '5/5':995,1023 '6':322,373,413,737,1026,1205,1293,1334,1454,1510 '7':325,782,1339,1461,1519 '8':452,805,1526 'action':903,1400 'agent':18,47,284,286,290,299,738,740,749,778,788,890,1027,1080,1247,1269,1275,1277,1285,1294,1369,1375,1440,1463,1520 'ai':2,6,11,17,19,25,38,46,91,196,202,257,267,269,278,281,416,420,430,640,679,708,713,732,784,814,1184,1187,1191,1267,1437,1455,1458,1473,1481,1506,1512,1515,1541,1548 'ai-native-direction-fram':1540 'ai-native-experiment-engin':1547 'ai-native-product-ne':1 'archaeolog':247 'assist':896,1088,1254,1385 'balanc':906,1407 'boundari':287,891,1081,1248,1376 'brief':820,1046,1214,1365 'commerci':907,1408 'compens':886 'cost':839,888 'criteria':914 'cultur':911,1416 'decomposit':827 'descript':843,1054,1222 'dimens':876 'direct':893,1083,1250,1378,1543 'emot':882 'engin':1551 'experi':1550 'express':828 'five':845,857,1058,1070,1226,1237 'flag':866,1076,1243 'four':825 'frame':1544 'high':901,1398 'hr':1159 'human':317,898,909,1091,1258,1392,1413 'human-in-the-loop':316 'layer':826 'level':871,1078,1245 'llm':1484 'loop':320 'micro':58,841,1052,1220 'micro-ne':57 'nativ':3,7,20,815,1542,1549 'need':5,14,59,246,819,842,855,865,1045,1053,1068,1075,1213,1221,1235,1242,1364 'next':917,1096,1262,1419 'observ':877 'p2':919,1098,1264,1421 'problem':821,1047,1215,1366 'product':4,13 'prompt':341 'pseudo':864,1074,1241 'q1':573,614 'q2':576,616 'q3':579,618 'q4':582,620 'q5':585,623 'question':846,858,1059,1071,1227,1238 'rebuild':12 'relationship':880 'reserv':899,1092,1259,1393 'risk':870,902,1077,1244,1399 's1':637,867 's2':643 's3':648,868 's4':654 's5':659 'saa':1273 'scene':830,878 'score':847,859,1060,1072,1228,1239 'sensori':884 'situat':835 'six':875 'skill':9,33,1532,1537 'skill-ai-native-product-needs' 'skill.md':22 'source-gmaxxxie' 'stage':918,1097,1263,1420 'statement':822,1048,1216,1367 'step':459,507,512,558,563,600,605,608,669,675,682,694,704,736,743,781,804,808,936,972,997,1025,1113,1144,1181,1204,1292 'system':892,895,1082,1087,1249,1253,1377,1384 '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' 'tripl':905,1406 'true':854,1067,1234 'valid':856,913,1069,1236 'vs':122 'workaround':103,578,852,1062,1230 'yaml':818,1044,1212,1363 '一个人的优势越来越不只是':276 '一句话定位':23 '一家':1272 '一家中型企业的':1104 '一家电商平台的产品团队收到客服部门反馈':928 '一旦做错':310,1324 '一旦系统接住':586 '一旦系统接住它':112 '一旦系统接住审批流转':992 '一旦被接住':79 '一旦退款出错':989 '七项检查':1296 '七项边界检查':296 '三列分类':780 '三列分类结果':1345 '三大特征':67 '三层判断':427 '三层都必须有明确回答':796 '三重平衡评审':783 '三重平衡评审表':803 '上下文暴露方式':1196 '上游输入':1534 '下一代':419 '下一阶段':920 '下游输出':1539 '不一定':1302,1311 '不代表问题已经被真正理解':1508 '不值得看':89 '不敢反复问':1168 '不是一次性情绪':148 '不是一次性起伏':70 '不是场景':1493 '不是某个人的特殊偏好':168 '不是结论机':1457 '不是能力缺陷':294 '不是解决方案':824 '不是越会做事':291 '不知道停的系统通常都在偷偷转移风险':1522 '不知道的东西':282 '不知道自己的钱到底什么时候回来':971 '不确定该找谁':1170 '不等于长期可持续':1412 '不能把痕迹从原来的关系里拔出来单独解释':266 '不能替你下到现场':271,1460 '不能自动增加真实性':143 '不要问':715 '不轻易下结论':798 '不靠声量成立':1453 '与其他':1531 '个':666 '个核心概念':453 '个真实用户的行为案例':476 '中':647,658,873 '中间人':968 '为什么提示待确认':324 '为什么重要':84 '也仍然存在':172 '也更容易被快速产品化':208 '事情已经被接住':1373 '事项是否成熟到可以推进':767 '五问中':114,190,627 '五问判断法':174 '五问得分':994,1022 '五问检测法':94 '产出一份可用于后续方向定界和系统构建的需求简报':53 '产出处境':549 '产出处境-行为映射表':548 '产出的四层拆解表':514 '产出的处境':566 '产出的处境-行为映射表中的补偿行为和小负担':565 '产出的系统边界初稿':745 '产品':1268 '产品三重平衡':417 '产品三重平衡表':431,785 '产品不该只赢得指标':421 '产品需求发现':8,21 '人先做初筛':699 '人先进现场':689 '人回现实验证':724 '人工在环':321 '人性':425 '人性层':437,793 '人性层评估':910 '人机协作五步':687 '什么才值得做':30 '介入':680,1185 '从':49 '从社交媒体':1499 '他为什么被困住':232,482 '他们描述的是问题':661 '他们搜不到关键资料时':1122 '他们是天然的兜底角色':986 '他手里有没有':280 '付款':329,754 '代价':240,505 '代价-风险映射':239 '代价不会凭空消失':160 '代价主要由客服承担':985 '代价层':236,485,965,1135 '代价性':150 '代价是什么':1325 '代价是体验代价':311 '代价维度':374,540,1176 '代价维度描述':889 '代理偏差型':655 '以下事项尚未形成稳定共识':1360,1390 '价值能否覆盖持续消耗':434 '任何一层说不出来':242 '任何一层说不出来就暂停':506 '企业内部工具':1101 '会':1342 '会不会反而更能保护信任':327 '会不会更能保护信任':1341 '会不会用':277 '会后协作':1368 '会把不成熟的判断包装成确定结果':1371 '会把本该由用户保留的判断也一起吞掉':1415 '会议上被放大的':646 '会议中':1303 '会议录音转写':1349,1379 '伪需求':123 '伪需求不只更容易被看见':207 '伪需求信号标记':674 '伪需求四大来源':124 '但他们通常已经知道该搜哪些关键词':1127 '但会明显感觉':82 '但品牌负责人其实只说了':1305 '但未必最深':130 '但没有真实行为支撑':1488 '低':872,1079,1246 '体感变化很大':80 '何时触发':40 '你必须尊重上下文':265 '你要做的不是直接判断':263 '你面对的不是答案':261 '信任尚未建立':1163 '信任或责任安全感':155 '信号':634,667 '信息在这家公司能不能被可靠获取':1138 '信息断点':1017 '信息是否足够支撑正式动作':302,1301 '信息缝隙':166 '信息还不足以支撑正式指派':1308 '候选待办生成':764 '值得进入需求池':119 '做了以后会发生什么':774 '做出来':27 '做拆层':709 '做问题定义前':377 '停':293 '先不要做方案':195 '先不要轻易下结论':449 '先去问同组同事':1123 '先理解用户在什么处境中':1430 '先要求团队至少写满三个维度':378 '光线':365,534 '入职引导者':1160 '入职第':1149 '全部产出':811 '公司正在做会后协作':1274 '六个维度':344 '六维观察':1147 '六维观察记录':557 '六项检查':388 '共识是否算成立':770,1355,1395 '关系':253,691 '关系代价':312,1326 '关系和责任':444 '关系维度':353,523,1154 '关系维度描述':881 '关联行话与正式名称':1257 '关键假设':1198 '关键原则':1422 '内容更杂不等于用户更自由':387 '再也不用系统搜索':1175 '再往下是场景':252 '再把对方发来的链接私存到飞书或备忘录里':1124 '再讨论解决方案':1436 '再谈用户是谁':1431 '减少重复性工作的痛苦':1477 '出发的需求发现流程':36 '分开的结构化拆解框架':216 '分步执行':450 '判断力':153 '判断这是真实需求还是伪需求':44 '别人都在用':133 '制造':1372 '前置步骤':693 '加一点随机不等于多元推荐':386 '动作链':230,834 '动作链路':522 '助手':1474 '区分':495 '区分表达':700 '即使不被高频讨论':171 '即使没人讨论':188,624,1020 '却一直没被认真命名的小负担':64 '却值得做':596 '却在系统外多背很多判断和兜底':1524 '原始需求陈述':222 '反复发':1065 '反复发生':63 '反复确认':1013 '反复给用户发进度':983 '反复给用户发进度确认':1057 '反复补位消耗注意力和情绪容量':1051 '反复追':969 '发提醒':1281,1289 '变得容易时':28 '只是每次都不大':978 '只是每次都很小':100,575 '只有商业层有答案时':448,797 '只能放大你已经带回来的痕迹':1459 '只能放大你已经采回来的痕迹':270 '可以先看一下':1306 '可做不等于该做':1530 '可能制造新的误判':722 '可能只是被算法放大了':1446 '可见':1444 '可见性偏差型':644 '各部门都在抱怨知识库搜索不好用':1110 '同步到项目板':1282 '同步运行伪需求五信号检测':633 '同步项目板':1290 '同类问题历史退款通过率':1037 '后者往往已经被媒介翻译过':499 '命中':664 '命中的伪需求信号':869 '命名体系':1195 '命名规范制定':1261 '和':214,497,1132 '和角色关系':164 '和谁有关':226,480 '品牌负责人可能会因为':1319 '品牌负责人并没有真正答应进入评审':1312 '哪一步':225,479 '哪一段必须保留给人':730 '哪些风险如果由系统直接替代':721 '哪些风险适合被系统辅助':720 '商业层':432 '商业层评估':908 '噪音':366,535 '四层拆解':939,1116 '四层拆解表':501 '回到':668 '回到现场验证假设是否真的解释了用户为何持续付出代价':726 '回退方案重新设计':801 '因此不容易被主动表达':110 '团队决定系统边界':728 '团队希望':1276 '团队有没有衡量':409 '团队说出的原始需求陈述':466 '在':45 '在知识获取上持续付出额外代价':1218 '在训练用户怎样理解效率':443 '在需求池旁单开一列':594 '场景':228,503,701 '场景-角色-动作链':227 '场景太宽':1491 '场景层':223,477,944,1120 '场景描述':831,927,1103,1271 '场景维度':349,519,1148 '场景维度描述':879 '基于':10 '基于上述':451 '处境':504,555,1428 '处境-行为映射表':554 '处境和代价':702 '处境层':231,481,953,1125 '处境描述':836 '处境映射':509,1146 '处理':457,467,515,568,611,686,746,790,812 '多做了什么':372 '多元推荐不是精度的对立面':384 '多元推荐改写':382 '多元推荐改写清单':391 '多级审批':1016 '大需求常常停留在表达层':85 '天':1152 '天内':948 '失控感':532 '好的':289 '好问题不是坐在屏幕前靠语感雕出来的':338 '好问题六维观察':336 '好问题六维观察表':347,510 '如果一直不处理':375 '如果不做':105,580 '如果不用':639 '如果交给人':1340 '如果人性层或文化层出现负面信号':800 '如果六个维度里只剩标签和人口属性':379,543 '如果系统不接住':237,486 '如果系统默认替人落锤':1414 '如果自动推进所有事项':1370 '孤独':531 '孤独还是失控感':362 '孤立':1169 '它不是一时情绪或偶发抱怨':65 '它是不是长期存在':179,615 '它更像一层层被压住的结构':250 '它更难被普通需求流程看见':77 '它背后是不是有结构':185,621 '它让谁持续付出了什么代价':181,617 '它还会不会继续存在':189,625 '完整的需求方案':787 '定义':60,211,248,288,337,383,418 '实际上用户想要的是':1476 '审批中转站':1050 '客户':465,1403 '客服':956 '客服不是不想快':954 '客服体感会明显变轻':993 '客服在系统外私聊催审批':1055 '客服在退款流程中持续充当':1049 '客服已发展出变通做法':980 '客服持续付出代价':1005 '客服持续消耗的是注意力和情绪容量':966 '客服自己也在系统外补位':960 '客服还是会继续追':1021 '客服需要手动核实订单':950 '容易传播':129 '对':1297 '对外正式承诺':333,758 '对外正式沟通内容':1361,1397 '对每个':748 '对每个候选需求逐项过五问':613 '对每个识别出的补偿行为':570 '对用户的正式沟通':1042,1095 '对着访谈逐字稿让':1514 '将原始需求写在白板最上面':469 '将白板分为三列':760 '小不自动等于深':1450 '小负担':571 '小需求':1449 '就先不要进入方案讨论':243 '层级':217 '展示热门搜索路径':1252 '工具卡':96,176,298,346,390,429 '已在处理中':964,1066 '已完成':697,706 '已推进':1405 '已有补偿行为':1010 '市场说可以先出两版方向':1304 '希望一键退款':930 '希望能有一个一键退款功能':934 '带假设回到现场确认':1207 '带着责任风险':988 '帮助你避开':37 '帮助所有人提高效率':1492 '帮助拆层发现':1192 '帮助用户在':16 '帮助电商客服在高峰时段处理退货请求':1494 '常见陷阱':1468 '平台持续放大可见表达':198 '并没有正式承诺':1307 '并行参考':1546 '建个人文档':1174,1224,1233 '建议人工确认后再发送正式指派':1391 '建议待办候选列表':1354,1388 '异常订单判断':1094 '异常订单的判断':1041 '当':24 '当成需求':1441,1475 '录音转写':762 '往往已经被平台扭曲':1502 '往往是谁更早看见那些别人觉得':88 '待人工确认':1383 '很重要':200 '得到的只是更漂亮的表达层加工':1517 '微需求':56,1448 '微需求五问':97,561,975 '微需求五问得分':849 '微需求描述':844 '微需求更容易暴露一个人究竟在生活里多做了什么':86 '微需求检测':560,974 '微需求检测和真需求验证':926 '微需求清单':598 '微需求第一次获得了进入系统的机会':93 '微需求靠重复出现的代价成立':1452 '必须同时看商业':424 '必须留给人':768,1038,1348 '必须留给人的动作':900 '必须逐条过清单':334 '忽视媒介过滤':1498 '怕显得笨':1166 '总结需求':1516 '悄悄变成':138 '情绪':254,1007 '情绪容量':154 '情绪维度':358,527,1164 '情绪维度描述':883 '感官维度':364,533 '感官维度描述':885 '我们想升级语义搜索':1111 '我们想让':1284 '我们的客服每天要处理大量退款请求':932 '我其实还不能接':1322 '我想做一个':1439 '我是不是落后了':134 '才是':1495 '执行流程':935,1112,1291 '技巧':342 '技术兴奋型':638 '把':212,1471 '把总结当理解':1505 '把访谈记录':710 '把零散反馈整理得很整齐':1507 '把零散输入整理成逻辑清楚的':203 '把高频等同于真实':1527 '拟执行的动作':750 '持续性':146 '持续损失什么':840 '持续消耗时间':151 '指派责任人':1280,1288 '按商业层':792 '按错误节奏推进':1329 '推荐有没有连接现实世界':406 '提供一套从':34 '提示':1036,1359,1389 '提示历史退款通过率':1090 '提问格式':714 '提问能力不等于':340 '搜索不好用':1108,1119,1189 '搜索问题':1210 '收到大量反馈':1107 '收集至少':474 '整合为一条完整的执行流程':454 '整合为标准化':813 '整理只能增加可读性':142 '整齐不等于可靠':1529 '整齐感让人提早放弃怀疑':205 '文化三层':426 '文化层':442 '文化层评估':912 '文化层逐项评估':794 '新人':1155,1158,1161 '新人会越来越不敢相信系统':1141 '新人因不了解公司内部术语和默认路径':1217 '新人在系统外私存链接':1223 '新人常见搜索词':1256 '新人损失的不只是几次搜索时间':1136 '新人搜不到的核心原因不是召回率':1199 '新人确实不知道该搜什么词':1208 '新人自建信息孤岛':1178 '新人认知负担的组合问题':1197 '新的可能性被打开':410 '方向定界':921,1545 '方案':1434 '方法论':15 '无':1535 '时代伪需求更难分辨的三个原因':197 '时代最容易犯的错误是把解决方案':1438 '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':520,832,1006 '明确':128 '是':117,591,1332 '是不是每天都在发生':574 '是不是该做':139 '是不是靠高成本堆出':435 '是否保留了人的主体性和判断感':439 '是否来自平台':491 '是否真的减轻了用户长期负担':438 '是在帮助人生活':440 '是在扩大现实感':445 '是工作流起点之一':1538 '是考古助手':1456 '是那些还不知道':1130 '显示用户在每个处境下的真实行为':551 '更像在制造假的确定性':1317 '更多点击':412 '更开阔':398 '更精准':400 '替代':775 '最上面是表达':251 '最先被追责的是客服':990 '最终退款审批':1039,1093 '本':32,1536 '权限变更':331,756 '来源':95,175,297,345,389,428 '标明谁还没给反馈':1357,1387 '标注':1034,1255,1350,1382 '标注前置条件是否齐备':1386 '标注是否符合自动退款条件':1089 '标记为':193,544,630 '标记为高价值微需求':118,592 '标记每一个':489 '核心原则':260 '核心概念':54 '根据新人角色推荐常用文档':1251 '检测到前置条件未齐':1338 '检测问题':635 '概念一':55 '概念七':381 '概念三':209 '概念二':120 '概念五':283 '概念八':415 '概念六':335 '概念四':244 '模型再强也只能对着表达层工作':275 '模型就只能消费平台化输入':273 '模型提出的是假设不是结论':725 '正因被习惯化':76 '正确词汇':1131 '每天都在发生':977 '每次大方向评审':423 '每次退款都要当':967 '每步有明确的':455 '每级都要补一遍上下文':959 '比系统替人落锤更可靠':1344 '永远先定义问题':1435 '没有处境材料':274 '没有现场':272 '注意力':152 '流程断点':165 '涉及资金':1040 '热点需求':1501 '焦虑':359,528,1165 '特别关注高风险场景':753 '现在推会不会太早':771 '现在推进会不会太早':1358,1396 '现场行为证据':685 '现场验证':1206 '现场验证结论':734 '甚至会把它当成工作的一部分':75 '生成':1485 '生成待同步草稿':1356,1381 '生成虚假需求':1482 '用':773,1480,1483 '用一句话描述真正的核心问题':823 '用于验证需求假设':1553 '用户':464 '用户为了弥补系统没接住的地方':371 '用户体感会不会明显变轻':113,587 '用户原话':829 '用户原话是什么':221,473 '用户反复投诉退款慢':933 '用户发现商品问题后联系客服':949 '用户在什么处境中做了什么':52 '用户多做了什么来弥补系统没接住的地方':539 '用户已为它发展出变通做法':158 '用户想要一个':1472 '用户持续损失的是信任感':970 '用户描述的痛苦':498 '用户提供了一个产品想法':41 '用户故事':1486 '用户是不是已经为它发展出稳定的':102 '用户是不是已经发展出稳定的':577 '用户有没有为它发展出补偿行为':183,619 '用户有没有主动切换':397 '用户未必天天抱怨':74 '用户未必用宏大语言夸你':81 '用户现有变通做法':853 '用户的痛苦':496 '用户的行为证据比他们说的话更可信':1426 '用户真正被什么困住':215 '用户经常投诉退款流程太慢':929 '用户能不能把自己从默认推荐轨迹里拉出来':414 '用户能不能看见系统为什么停':323,1335 '用户说':941,1118 '用户说了什么':213 '用户说什么':50 '用户说的和做的是否一致':652 '用户输入':931,1109,1283 '电商客服场景':925 '画像':1429 '疲惫':361,530 '疲惫或责任风险':109,584 '的位置':268 '的假象':1374 '的入口':401 '的关系':1533 '的四层拆解':607 '的基本信任':1139 '的小负担':90 '的微需求清单':610 '的成熟不是模型能力问题':1464 '的新人':1134 '的能力':31 '的角色不是需求结论机':258 '的输入不是':1188 '的错觉':201 '目标函数里':393 '看场景':690 '看起来很像':1487 '看起来很聪明':436,1411 '真伪判断':602,999 '真伪判断结论':673 '真实':1443 '真实处境':35 '真实搜索需求被绕过':1180 '真正拉开产品差距的':87 '真正的需求很少直接躺在表面等你收集':249 '真正稀缺的是判断':29 '真正被反复消耗的':1129 '真正被消耗的是什么':376,541 '真需求':121,1024 '真需求五个特征':144 '真需求五问':1000 '真需求五问得分':861 '真需求判断五问':177,603 '知识体系重构决策':1260 '知识持有者':1157 '知道停比会做事更重要':1462 '确认的真实需求':684 '确认问题':951 '示例':922,923,1099,1265 '社交媒体的放大':493 '私存链接':1173,1232 '私聊催':1011 '私聊催审批':961,981,1063 '空间':521,833 '空间和动作链路里':351 '空间安全感':537 '空间安全感有没有影响':368 '站在问题定义最前面':1513 '算法':492 '系统':1162 '系统到底该接住哪一段劳动':729 '系统已经点了名':1320 '系统应明确提示':1337 '系统搜索日志失真':1179 '系统有没有低冲突的异质内容入口':403 '系统没接住':159 '系统生成任务后':1318 '系统直接承接':761,1029,1346 '系统直接承接的动作':894 '系统辅助判断':765,1033,1347 '系统辅助判断的动作':897 '系统边界初稿':735 '组长':957 '终于少背一点了':83 '终端用户还是中间人':657 '结构性':163 '结构性约束清单':235 '绕过知识库':1225 '给':1186 '给用户反复发':963 '缩写':1202 '羞耻':360,529,1167 '老员工':1156 '老员工嘴上也说搜索一般':1126 '老员工知道但没觉得这是':1209 '老员工被打断':1177 '而不只是':411 '而不只是偏好':186,622 '而不只是看起来像对齐':305 '而不好意思再说':1321 '而不是':399 '而不是只塞对立内容':404 '而不是永远把人留在屏幕里':407 '而是':279 '而是从现实里长出来的':339 '而是他们不知道该用什么关键词':1200 '而是分层挖掘':264 '而是完整的处境和补偿行为材料':1190 '而是对':1137 '而是对单一目标精度的修正':385 '而是成熟能力的一部分':295 '而是把立体现实压缩成高质量问题的能力':343 '而是更舒服的判断外包':1418 '而是用户在现实中一直得额外处理的那一小段劳动':66 '而是用户在现实中反复承担的代价':71 '而是痕迹':262 '而是知识入口设计':1194 '而是越知道在哪里停':292 '而是转化成用户额外承担的劳动':161 '而是退款审批涉及多级权限':955 '而是需求理解':1465 '而是需求考古助手':259 '而非表达意愿':552 '背后有结构':1015 '能不能做':137 '自动化链路越长':1409 '自动发送推进通知给候选人':1402 '自动处理会后事项':1286 '自动拆任务':1279,1287 '自动指派责任人':1298,1401 '自动推进会后事项':1278 '自动更新项目板状态为':1404 '自动核对订单信息':1030,1084 '自动生成退款申请单':1032,1086 '自动附上用户上传的证据图片':1031 '自动附上用户证据':1085 '自己记待办':962 '自建待办表':982,1056,1064 '自建表':1012 '至少从三个维度展开观察':518 '至少在正式指派责任人之前':1333 '行业报告中读到的':1500 '行为':1424 '行为断裂型':651 '行为映射表':550,556 '行为映射表中的补偿行为和小负担':567 '行话':1201 '补偿动作':255 '补偿动作和代价':692 '补偿性':157 '补偿行为清单一起喂给':712 '补偿行为维度':370,538,1171 '补偿行为维度描述':887 '表达':502,650,1425 '表达-行为断裂型':649 '表达层':220,472,940,1117 '被习惯化':73 '被平台放大的主流表达':126 '被技术兴奋推出来的假问题':136 '被整理得过于顺滑的表层反馈':141 '被焦虑和比较驱动的即时欲望':132 '被迫接受不成熟的指派':1327 '要一键退款':943 '要问':717 '角色':229 '解决方案伪装型':660 '解决方案越来越容易生成':206 '让':26,1511 '让人自己确认是否接住':1343 '让用户表面上少点几下':1523 '训练出来的可能不是更成熟的协作':1417 '试验展开':1552 '该事项涉及多个前置条件':1351 '该去哪几个固定页面找':1128 '该订单是否符合自动退款条件':1035 '说明问题还太平':380 '请总结高频需求':716 '请识别用户在系统外重复执行的补偿行为':718 '谁会继续默默为它承担代价':106 '谁会继续默默承担代价':581 '谁在兜底':234,484,838 '谁在等谁':354,524 '谁在补位':233,483,837 '谁承担责任':356 '谁担责任':526 '谁握着解释权':355 '谁握解释权':525 '谁来拍板':769 '财务':958 '责任不清':1018 '责任人是否正式认领':1352,1394 '责任关系是否已经成熟':304,1310 '责任是否真正成立':766 '责任机制有关':167 '责任缝隙和长期代价':256 '责任认领':332,757 '责任风险':1008 '走审批流':952 '越自动越好':1521 '跟访笔记':711 '身体状态':367,536 '转向':51 '转而过度依赖同事':1142 '辅助拆层报告':733 '输入':456,463,511,562,604,681,742,786,807 '输出':219,458,500,553,597,672,731,777,802,817 '输出结果':1043,1211,1362 '边界':285 '边界清单':300,741 '边界设计':739,789,1028,1270,1295 '边界设计和价值判断共同作用的结果':1467 '边界设计文档':779 '过滤明显伪信号':703 '还是在制造假的确定性':308,1316 '还是已经混进了解决方案':662 '还是让人更依赖系统':441 '还是责任代价':313 '还是鼓励更浅的自动化依赖':446 '还有没有多样性或探索目标':395 '还能不能再自动一步':776 '还要赢得长期信任':422 '这一步如果交给人':326 '这一步是在减轻劳动':307,1315 '这个人会持续损失什么':238,487 '这个动作逐条过清单':1299 '这个点为什么虽然小':595 '这个问题是不是每天都在发生':99 '这个问题还存在吗':641 '这个需求是在哪个平台':645 '这个需求是谁的声音':656 '这些行为分别在弥补什么风险':719 '这又反过来消耗老员工的注意力':1143 '这段负担是不是带着羞耻':108,583 '这种产品逻辑是否值得被扩散':447 '这里是否应该保留':315 '这里是否应该保留人工在环':1331 '退款':330,755 '退款太慢':942 '退款审批慢不是偶发问题':1003 '逐层补全四层内容':471 '逐渐放弃使用系统搜索':1219 '逐项过七项边界检查':751 '逐项过五问':572 '通常发生在入职头两周的新人身上':1121 '通常发生在收到货后':945 '通常在独立完成第一个任务时触发':1153 '那些具体':61 '部门想做内部知识库升级':1106 '重复出现制造':199 '重新收集行为证据':671 '重点内容提炼':1353,1380 '重点提炼':763 '针对处境层和代价层':517 '错误兜底成本越高':1410 '长期':62 '长期存在':69,1002 '长期存在的现实摩擦':147 '长期成本是什么':433 '长期来看':1140 '问同事':1172,1231 '问回答':590 '问回答为':116 '问答不扎实':192,629 '问题':218,1433 '问题不只是搜索算法':1193 '问题发生在什么时候':224,478 '问题发生在什么时间':350 '问题定义':1466 '问题线索或需求描述':42 '问题还太平':545 '附五问评分':599 '降低了实现成本':92 '除了停留和转化':394 '陷阱':1469,1478,1489,1496,1503,1509,1518,1525 '隐蔽不自动等于高价值':1451 '需求':490 '需求四层拆解':210 '需求四层拆解卡':462 '需求简报':816 '需求简报输出':806 '需求考古':677,1183 '需求考古五步法':678 '需求考古和四层拆解':1102 '需求考古学':245 '需求解构':461,938,1115 '需要':43 '需要回到现场补充':546 '需要设计':1336 '非表演性':170 '靠现实里的重复代价成立':173 '项目代价':1328 '预算也还没批':1313 '风险映射':241 '风险等级':636 '验证标准1':915 '验证标准2':916 '高':642,653,663,874 '高价值微需求':996 '高伪需求风险':194,631 '高可见的需求不一定是真需求':1445 '高频':127 '高频不等于真实':1528 '高频痛点':204 '高风险动作清单':904 '高风险场景':328 '默认路径':1133,1203","prices":[{"id":"c59d8f4e-8e24-4b95-be2b-c71720beba55","listingId":"08038def-c155-4f5a-80e8-003e7ada412d","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":"2026-05-01T01:02:50.503Z"}],"sources":[{"listingId":"08038def-c155-4f5a-80e8-003e7ada412d","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/ai-native-product-needs","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/ai-native-product-needs","isPrimary":false,"firstSeenAt":"2026-05-01T01:02:50.503Z","lastSeenAt":"2026-05-18T18:57:24.707Z"}],"details":{"listingId":"08038def-c155-4f5a-80e8-003e7ada412d","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"ai-native-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":"8f20d4bee3bdb841d6b5cd13ba72781e31b13710","skill_md_path":"skills/ai-native-product-needs/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/ai-native-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/ai-native-product-needs"},"updatedAt":"2026-05-18T18:57:24.707Z"}}