Skillquality 0.48

p0a-micro-needs-detector

微需求五问检测器。团队天然偏爱"大需求",这个 Skill 把看起来很小、但可能压得很深的问题重新看见。 基于《AI rebuild product

Price
free
Protocol
skill
Verified
no

What it does

微需求五问检测器

一句话定位

需求池里全是大词时,用这五个问题检测那些"太小不值得做"的问题,是不是真正的产品起点。

何时触发

  • 需求池里全是大词("协作总控台"、"智能化升级")
  • 团队觉得"这个点太碎,不值得做"
  • 你怀疑真正的问题藏在系统外补偿动作里

输入

一个具体场景描述(不要抽象需求,要具体事件)。

示例输入

"项目负责人总要在会后再追一遍责任确认"

输出

五问检测结果 + 判断建议。

五个问题

Q1: 这个问题是不是每天都在发生,只是每次都很小?

检测方法

  • 这个动作是否在不同项目/不同团队重复出现?
  • 是否已经成为某些角色的"默认动作"?
  • 是否很少被单独讨论,但实际频率很高?

输出格式

频率评估: [high/medium/low]
证据: [ju体观察/数据/访谈结果]

Q2: 用户是不是已经为它发展出稳定的 workaround?

检测方法

  • 用户是否有固定的"补救步骤"?
  • 这些 workaround 是否已经被视为"正常流程"?
  • 是否有人专门负责处理这些 workaround?

输出格式

workaround 列表:
1. [workaround 描述] - 频率: [x次/天/周]
2. ...

隐性成本: [时间/精力/情绪代价]

Q3: 如果不做,谁会继续默默为它承担代价?

检测方法

  • 这个代价是平均分摊还是由某个/某几个角色党底?
  • 党底的人是否是组织中最忙或最有价值的人?
  • 这种代价是否会影响他们做更重要的事?

输出格式

承担角色: [角色名称]
承担内容: [具体代价]
机会成本: [因此错过的更重要事项]

Q4: 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?

检测方法

  • 用户是否会在正式场合提出这个问题?
  • 是否常常被用"这就是工作"或"习惯了"带过?
  • 是否涉及"这不是我该做的"或"我不想让别人知道我在做这个"的心理?

输出格式

情绪负担: [shame/fatigue/anxiety/none]
表达障碍: [用户主动提出频率 low/medium/high]
潜台词: [用户实际会说什么来描述这个问题]

Q5: 一旦系统接住它,用户体感会不会明显变轻?

检测方法

  • 解决后,那些党底的人是否立刻少背一层心智负担?
  • 是否有人会主动说"终于不用再…了"?
  • 这个改变是否可以被感知到(而不是只是数据上好看)?

输出格式

体感变化: [dramatic/moderate/subtle/none]
关键见证: [用户可能会说的话]
价值密度: [high/medium/low]

综合输出格式

micro_needs_assessment:
  input: "原始场景描述"
  
  q1_frequency:
    score: "high/medium/low"
    evidence: "证据"
  
  q2_workaround:
    workarounds: ["列表"]
    hidden_cost: "隐性成本"
  
  q3_bearer:
    role: "承担角色"
    cost: "具体代价"
    opportunity_cost: "机会成本"
  
  q4_emotion:
    burden: "shame/fatigue/anxiety/none"
    expression_barrier: "low/medium/high"
  
  q5_relief:
   体感_change: "dramatic/moderate/subtle/none"
    value_density: "high/medium/low"
  
  verdict:
    is_micro_need: true/false
    confidence: "high/medium/low"
    reasoning: "判断理由"
  
  recommendation:
    action: "建议动作"
    priority: "P0/P1/P2"
    next_step: "下一步"

常见误判

  • 小 ≠ 深:问题小不自动等于值得做
  • 隐蔽 ≠ 高价值:隐蔽的问题也需要验证是否真的有人在乎
  • 体感变化是必要条件:如果接住了但用户感觉不到,不是好的微需求

一句判断

微需求不靠声量成立,靠重复出现的代价成立。

核心概念

概念一:微需求(Micro-Need)

微需求不是情绪波动,也不是偶发抱怨。它是用户在现实中反复承担的一小段劳动——具体、长期、反复发生,却一直没被认真命名。

三大特征:

  1. 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。
  2. 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。
  3. 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"。

来源:《AI rebuild product needs》第20章——微需求才是产品真正的起点。

概念二:团队为什么系统性低估微需求

产品团队长期被训练依赖"可见性"做判断——大词、大人群、大场景、大指标。微需求不具备这些特征:

  • 不会成为行业热词
  • 用户不容易把它总结成一句投诉
  • 自然映射不到一个大功能模块
  • 在 Dashboard 里也不明显

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。

来源:《AI rebuild product needs》第20章第1节——为什么团队系统性低估微需求。

概念三:AI 时代微需求第一次获得入场券

过去即使看见微需求,团队也会犹豫——实现成本太高。AI 降低了原型、流程和功能实现的门槛,那些"值得理解但不值得建造"的问题第一次获得了进入系统的机会。

如果 AI 只用来放大已可见的大需求,产品只会更快进入同质化竞争。但如果 AI 降低了处理微需求的门槛,它反而成为产品重新接近现实的机会。

来源:《AI rebuild product needs》第20章第4节——AI 时代微需求更值得做。

概念四:微需求与补偿行为的关系

系统没接住的代价不会凭空消失,而是转化成用户额外承担的劳动——这就是补偿行为(workaround)。补偿行为是微需求最可靠的信号来源:

  • 会后多发一条确认消息
  • 自己记一层待办
  • 给自己设闹钟
  • 把系统链接私存到备忘录

这些行为的存在说明:问题不只是抱怨,而是现实里已经在持续支付代价。

来源:《AI rebuild product needs》第19章——用户说出来的未必是需求,用户活出来的才是。

概念五:微需求的判断边界

不是每个微需求都值得建造。小不自动等于深,隐蔽不自动等于高价值。微需求也可能是偶发偏好、局部习惯、或某一小群用户的便利。五问法的核心不是"找到更多微需求",而是"分辨哪些小负担真正值得进入系统"。

来源:《AI rebuild product needs》第20章第6节——微需求是起点,不是终点。

分步执行

Step 1:场景采集——找到具体的补偿行为

输入:一个具体场景描述(不要抽象需求,要具体事件)

处理

  1. 不要从"用户想要什么"开始,而是从"用户在多做什么"开始
  2. 观察用户在系统外的补偿动作:额外确认、重复记录、私下提醒、手动补位
  3. 记录至少 3 个真实用户的行为案例,注意频率和触发条件
  4. 区分"用户的痛苦"和"用户描述的痛苦"——后者往往已被媒介翻译过

输出:补偿行为清单(附频率和触发场景)


Step 2:五问检测——逐项评估微需求价值

输入:Step 1 产出的补偿行为清单

处理: 对每个识别出的补偿行为/小负担,逐项过五问:

  1. Q1:是不是每天都在发生,只是每次都很小?
  2. Q2:用户是不是已经发展出稳定的 workaround?
  3. Q3:如果不做,谁会继续默默承担代价?
  4. Q4:这段负担是不是带着羞耻、疲惫或责任风险?
  5. Q5:一旦系统接住,用户体感会不会明显变轻?

输出:五问评估结果(每项标注 yes/no + 证据)


Step 3:价值判断——标记高价值微需求

输入:Step 2 产出的五问评估结果

处理

  1. ≥3 问回答"是"→ 标记为高价值微需求
  2. 在需求池旁单开一列:"这个点为什么虽然小,却值得做"
  3. 评估体感变化等级:dramatic > moderate > subtle > none
  4. 体感变化为 none 的,即使其他问题都通过,也不标记为高价值

输出:高价值微需求清单(附五问评分 + 体感变化等级)


Step 4:代价量化——估算隐性成本

输入:Step 3 产出的高价值微需求清单

处理

  1. 对每个高价值微需求,估算补偿行为的隐性成本:
    • 时间成本:每次 X 分钟 × 每天 Y 次 × 每月 Z 天
    • 注意力成本:是否打断了更重要的工作
    • 情绪成本:是否带来焦虑、疲惫、羞耻
    • 责任风险:出错时谁被追责
  2. 评估承担代价的角色是否是组织中最忙或最有价值的人
  3. 估算机会成本:这些人因此错过的更重要事项

输出:代价量化报告


Step 5:方案映射——从微需求到产品动作

输入:Step 3 的高价值清单 + Step 4 的代价量化

处理

  1. 对每个高价值微需求,思考:系统接住的最小动作是什么?
  2. 区分"系统直接承接"和"系统辅助判断"
  3. 不要试图一次解决所有微需求——选择代价最高、体感变化最大的 2-3 个先做
  4. 设定验证指标:不是功能上线率,而是"用户是否停止了某个补偿行为"

输出:微需求产品化方案(附优先级和验证标准)


Step 6:上线验证——30 天后回看

输入:已上线的微需求解决方案

处理

  1. 上线 30 天后,重新跑一次五问检测
  2. 重点验证:用户的补偿行为是否真的消失了
  3. 收集"终于不用再……了"类型的用户反馈
  4. 如果补偿行为没有消失,分析是方案问题还是执行问题

输出:验证报告 + 迭代建议


示例 1

场景:会后协作中的"再多说一句"

背景:一家内部协作工具的产品团队,大需求很明确:自动笔记、自动任务拆解、自动同步、自动提醒。讨论时间自然都集中在这些"大功能"上。

微需求发现

产品经理跟访一位项目负责人一整天后,发现一个非常小的动作:每次会议快结束时,她都会低头看一眼笔记,然后在大家开始收电脑的间隙,随口加一句:"我一会儿再发个总结,大家到时候看一下。"

语气很轻,像是只加一个例行备注。

五问检测

问题回答证据
Q1:每天都在发生?✅ 是几乎每次会议结束她都会加这句话
Q2:有稳定 workaround?✅ 是固定动作:会后再发一遍、再戳一遍人、再加一句背景
Q3:谁在默默承担?✅ 是项目负责人自己——一旦没人加这层保险,出问题最先被追责的是她
Q4:带着责任风险?✅ 是太碎了,不会被说成正式需求;"我多做一点就好了"
Q5:接住后体感变轻?✅ 是真正想摆脱的不是"多发一条消息",而是"总觉得需要再加一层保险"的紧张感

五问得分 5/5 → 高价值微需求

产品动作

团队没有把它包装成大功能。他们只在系统生成会后内容时,增加了一层非常轻的接受反馈:谁看到了、谁明确确认了、谁还没回复、哪些事项仍然是"发出去但没被真正接住"的状态。

结果

项目负责人说了一句话:"终于不用每次我自己再加那句话了。"


示例 2

场景:远程会议中的"再确认一眼"

背景:一个远程会议产品,团队在做大功能升级。有一个非常小、很容易被忽略的投诉:

"我分享完屏幕后,总得再确认一下大家是不是真的看到了我刚才讲的那个页面。"

微需求分析

这听起来小得可笑——不值得放进策略文档,也不值得单独上线关注。但持续观察后发现:

  • 分享者不确定自己是否把关键内容讲清楚了
  • 听众有时走神但不想打断
  • 一旦会议继续推进,误解会在后续被放大

五问检测

问题回答证据
Q1:每天都在发生?✅ 是每次分享屏幕后都会发生
Q2:有稳定 workaround?✅ 是分享者会口头问"大家看到了吗",或者切换回上一页再问一次
Q3:谁在默默承担?✅ 是分享者——承担"可能没讲清楚"的责任风险
Q4:带着责任风险?✅ 是如果后续出问题,"当时分享时你没说清楚"会指向分享者
Q5:接住后体感变轻?✅ 是不用反复确认,少一层"不知道大家有没有看到"的焦虑

五问得分 5/5 → 高价值微需求

产品方向

值得解决的不是"做一个更酷的演示功能",而是让共享状态、视图焦点、页面位置和理解确认——那些过去完全依赖人不断补位的微小动作——被系统更早接住。

启示

大需求更容易表达、更容易被竞品复制、更容易快速跟进。但藏在补偿动作、微表情、犹豫和小负担里的问题,往往不会同时出现在每个团队的视野里。谁先看见,谁就有更大机会做出看起来不同、且更难被复制的产品。

Capabilities

skillsource-gmaxxxieskill-p0a-micro-needs-detectortopic-agent-skillstopic-ai-agenttopic-ai-nativetopic-ai-producttopic-methodologytopic-product-managementtopic-product-methodologytopic-product-thinkingtopic-skills

Install

Quality

0.48/ 1.00

deterministic score 0.48 from registry signals: · indexed on github topic:agent-skills · 56 github stars · SKILL.md body (6,069 chars)

Provenance

Indexed fromgithub
Enriched2026-05-18 18:57:26Z · deterministic:skill-github:v1 · v1
First seen2026-05-01
Last seen2026-05-18

Agent access