AI 技能AI 插件【免费下载链接】Product-Manager-SkillsProduct Management skills framework built on battle-tested methods for Claude Code, Cowork, Codex, and AI agents.项目地址https://gitcode.com/gh_mirrors/pr/Product-Manager-Skills点击查看免费下载Proof of LifePoLProbe 是本仓库 pol-probe 技能的核心产物一种刻意轻量、可随时删除的验证实验用来在投入数周开发之前以最快速度回答一个具体假设是否成立。本文以仓库中 示例文档 为骨架完整讲解四个正反示例、五大常见坑并结合 技能定义、填写模板、工业场景示例 与 pol-probe-advisor 决策技能给出可直接复用的探针撰写方法、选型框架与质量自检清单。读完你将能写出一页纸、两三天、测完就删的高质量 PoL Probe并识别出原型剧场与伪装成探针的 MVP两类常见浪费。先建立概念PoL Probe 是什么为什么必须可删除按照 pol-probe/SKILL.md 的定义**PoL ProbeProof of Life生命迹象探针**是一种刻意设计的、可抛弃的验证实验以最低成本、最快速度回答一个具体问题。它不是产品、不是 MVP、不是试点——而是一次目标明确的侦察任务reconnaissance mission设计上就应被删除而非被扩展。该框架由 Dean PetersProductside提出建立在 Marty Cagan 2014 年关于原型类型prototype flavors的论述与 Jeff Patton 的原则之上测试想法最昂贵的方式就是把它做成生产级软件。仓库以框架人物命名引用不构成外部链接五个必备特征任何合格的 PoL Probe 都必须同时满足以下五条见 SKILL.md 原文特征含义为什么重要轻量Lightweight资源投入以小时/天计而非周如果探针太贵数据说该砍时你会舍不得砍可抛弃Disposable明确计划在验证后被删除不做扩展防止沉没成本谬误与范围蔓延范围狭窄Narrow Scope只测一个具体假设或风险宽泛实验只会得到模棱两可的结果残酷诚实Brutally Honest暴露难听的真相而非虚荣指标客气的数据等于没用的数据微小聚焦Tiny Focused是侦察任务绝不是 MVP表面积越小学习循环越快反模式警告如果原型精致到舍不得删那它就不是 PoL Probe而是原型剧场prototype theater。PoL Probe 与 MVP 的边界两者最容易被混淆SKILL.md 给出了一张清晰的对照表维度PoL ProbeMVP目的通过狭窄假设测试来消除决策风险证明想法、为路线图方向辩护范围单个问题、单个风险最小的可交付产品增量生命周期数小时到数天然后删除数周到数月然后迭代受众内部团队 窄样本用户生产环境中的真实客户保真度刚好足以捕捉信号的幻觉生产级或接近生产级产出学会什么不该做学会什么能做然后交付关键区别PoL Probe 是MVP 之前的侦察。你跑探针是为了决定要不要建 MVP而不是为了发布某个东西。下面进入本文的骨架主体——示例文档 中的四个正反示例。它们是判断什么是好探针、什么是原型剧场的最佳参照物。✅ 好的探针示例一任务聚焦型 PoL ProbeTask-Focused Test完整原文见 sample.md下方为原样继承并补充解读。Hypothesis假设用户能够在没有确认弹窗的情况下区分 archive归档 与 delete删除。Probe Type探针类型Task-Focused Test任务聚焦测试Method方法UsabilityHub 5 秒测试20 名用户Timeline时间线2 天搭建任务、招募用户、分析Success Criteria成功标准Pass通过80% 用户能正确识别操作后果Fail失败正确率 60%或 3 名用户表示困惑Harsh Truth Delivered得到的残酷真相实际只有 45% 的用户理解了两者的区别。团队随后在界面上补充了明确文案标签Delete forever 永久删除 vs Archive for 30 days 归档 30 天复测通过率达到 92%。探针随即被删除。为什么这个探针成功Why This Works假设狭窄只针对一个 UI 决策点执行快速2 天残酷诚实第一次尝试就失败了可抛弃学到东西后即删除解读这个示例展示了探针的核心价值——把存档还是删除这种会直接导致用户误操作、且开发成本不低的 UI 决策压缩进一个 2 天的 5 秒测试。失败率 45% 意味着如果不测就直接上线每天都会有海量用户误删数据而一次探针的成本远低于事后修 bug、做数据恢复。✅ 好的探针示例二可行性验证探针Feasibility Check完整原文见 sample.md。Hypothesis我们可以用 GPT-4 从 Zoom 转录稿自动生成会议纪要且错误率 2%。Probe TypeFeasibility Check可行性验证Method用 10 份真实转录稿做 1 天 spike技术突击验证搭建 GenAI prompt 链Timeline1 天Success CriteriaPass9/10 份纪要准确每份纪要人工修正 5 处Fail 3 份纪要需要整体重写Harsh Truth Delivered实测错误率达到 18%。团队发现医学行业术语medical jargon与多人抢话crosstalk会击穿模型。决定不构建该功能。探针被删除。为什么这个探针成功在写代码之前就消除了技术风险便宜1 天可证伪有明确的错误率阈值节省了数月的无效开发解读这是技术可行性未知场景的教科书做法。如果直接立项团队可能要花几个月搭系统最后才发现 18% 的错误率根本不可用。而 1 天 spike 10 份真实数据用一张错误率阈值就把整个项目提前宣判了死刑——这正是最便宜的原型说出最残酷的真相。❌ 反例一原型剧场Prototype Theater——这不是 PoL Probe完整原文见 sample.md。Hypothesis如果我们展示一个精致 demo高管就会批准预算。Probe Type无——这根本不是一个探针Method3 周的 Figma 设计 带动画的编码原型Timeline3 周Success Criteria获得高管批准为什么这是失败的不是在测试用户假设测试的是内部政治太精致3 周 不可抛弃没有残酷真相全是虚荣指标高管们很喜欢没有明确的处置计划最终变成了我们必须维护的那个原型本应怎么做What Should Have Been Done完全跳过原型改用叙事原型Narrative Prototype用 Loom 录一段 1 天的讲解视频用 5 个目标用户测试而不是高管度量任务完成度而不是利益相关者的掌声解读原型的价值在于暴露假设而不在于取悦观众。3 周精工原型 高管喜欢这类评价本质上是用时间换虚荣什么真实信号都拿不到。判别口诀来自 pol-probe-advisor探针消除的是产品风险不是组织风险。❌ 反例二伪装成 PoL Probe 的 MVP完整原文见 sample.md。Hypothesis用户会订阅我们的 AI 写作助手。Probe TypeVibe-Coded PoL Probe声称Method一个功能完整的 React 应用集成了 Stripe 支付Timeline4 周Success Criteria10 个付费客户为什么这是失败的不可抛弃4 周的工作量、支付处理——投入太深太宽泛会不会订阅同时测试了价格、价值主张、UX 和 onboarding这是MVP不是探针没有处置计划团队会抵制删除能跑的代码本应怎么做用叙事原型测试价值主张讲解视频度量兴趣用落地页 等待名单测试定价ConvertKit、Carrd 这类轻量工具用可行性验证测试核心 AI 质量1 天 spike只有当三个探针全部通过后才去构建 MVP解读会付费吗同时牵涉价格、价值主张、UX、onboarding 四个变量任何一个失败都无法归因。10 个付费客户更像营收里程碑而非验证阈值而 4 周的投入已经让团队在心理上不可能接受删掉它。正确做法是把四个变量拆成四个独立探针分别击破。从四个示例提炼好探针与坏探针的判断清单判断维度✅ 好探针❌ 坏探针假设单一、可证伪宽泛用户会喜欢吗、不可证伪时长13 天34 周甚至更久保真度刚好够用的假象过于精致、像正式产品指标用户行为任务完成率、错误率、耗时主观感受高管点赞、兴趣表态处置有明确删除日期与方法以后再说受众目标用户高管、内部利益相关者五种探针风味按假设匹配方法而非按熟练度PoL Probe 并非只有一种做法。SKILL.md 给出了五种原型类型prototype flavors选择标准是匹配假设而非工具熟练度类型核心问题时间线工具/方法适用时机1. 可行性验证 Feasibility Checks我们能构建它吗1-2 天GenAI prompt 链、API 测试、数据完整性扫描、spike-and-delete 代码技术风险未知、第三方依赖不明确2. 任务聚焦测试 Task-Focused Tests用户能无摩擦地完成这个任务吗2-5 天Optimal Workshop、UsabilityHub、任务流程关键 UI 时刻字段标签、决策点、流失区需要验证3. 叙事原型 Narrative Prototypes这个工作流能赢得利益相关者认可吗1-3 天Loom 讲解、Sora/Synthesia 视频、幻灯片故事板需要讲述 vs 测试——分享故事、度量兴趣4. 合成数据模拟 Synthetic Data Simulations我们能在无生产风险的情况下建模吗2-4 天Synthea用户模拟、DataStax LangFlowprompt 逻辑测试边界情况探索、未知之未知的暴露5. Vibe-Coded PoL Probe这个方案能经受真实用户接触吗2-3 天ChatGPT Canvas Replit Airtable 组成的 Frankensoft需要用户对工作流/UX 的反馈但不需要生产级代码黄金法则Golden Rule用最便宜的原型说出最残酷的真相。如果它不刺痛那多半只是剧场。其中第 5 种 Vibe-Coded 探针被 pol-probe-advisor 特别标注为风险最高的类型它看起来足够真实容易把势头误认为成熟只在确实需要真实用户接触且其他方法都不够时才使用。何时该用 / 何时不该用 PoL Probe✅该用SKILL.md 原文有一个具体、可证伪的假设要测试某个特定风险卡住了你的下一个决策技术可行性、用户任务完成、利益相关者支持需要在几天内而非几周内拿到残酷真相构建生产软件为时过早或纯属浪费开始之前就能说清楚失败长什么样❌不该用想取悦高管那是原型剧场你已经知道答案、只想要确认那是确认偏误说不清假设或处置计划学习目标太宽泛客户会喜欢这个吗用探针来逃避做一个艰难的决定工业场景变体当假门无法部署到车间示例文档 聚焦软件产品仓库配套的 工业场景示例 展示了探针在硬件/工业领域的形态——你没法向车间投放一个假门没有功能开关、没有 5% 灰度、没有不行就回滚。这恰恰让廉价的物理探针更有价值因为真实实验的成本是一次工装周期、可能长达一年。该文件给出了三个值得对照的案例✅ 好的任务聚焦探针假设技术员带着手套、在车间光照条件下能在 30 秒内从前面板识别出哪个 I/O 槽位故障。探针只是一张按面板高度贴着的打印卡片三个站点共 9 名技术员模拟槽位 4 故障并计时。两天时间加一台彩色打印机得到的关键发现包括9 人中 7 人 20 秒内定位成功、光线最暗站点的 2 人超过 1 分钟、全员戴手套操作、4 人问出它告诉我坏了什么还是只告诉我坏在哪——一个团队从没想过要回答的问题。结果触屏概念被放弃、指示灯高度加大、槽位号旁增加了故障类型代码。✅ 好的可行性探针假设模块故障前 I/O 数据存在可检测的前兆信号。一个工程师、一周时间、零新代码只拉了服务数据库中 50 次已知故障前的信号日志——前兆模式只出现在50 例中的 9 例。结果预测性维护史诗在 3 周内被砍掉工程成本几乎为零。❌ 无法失败的探针假设客户想要更好的诊断功能做法是给 12 个客户看幻灯片问你觉得有价值吗结果 12/12 说是。为什么是坏探针没人会对你抱怨过的东西的更好版本说不——结果在开跑前就确定了测的是热情而非行为没有失败条件——一个不可能返回否定答案的探针不是探针是演示。该文件还用一张表总结了软硬件探针的差异软件硬件 / 工业最便宜的真实测试发布给 5% 用户并度量纸、纸板或已有数据失败成本回滚开关工装周期可能长达一年在哪测试用户所在之处工作真实发生的物理现场风险最高的假设通常是需求往往是物理因素可读性、可达性、环境结论纪律完全一致只是工件更便宜、更物理而现场探访不可妥协——在办公室跑的探针测试的只是办公室。从选择到落地pol-probe-advisor 的决策流程如果不知道自己的假设该匹配哪种探针pol-probe-advisor 提供了四步自适应决策流程Step 0 收集上下文假设是什么要消除的具体风险是什么技术可行性 / 用户任务完成 / 利益相关者对齐 / 边界行为 / 工作流验证时间线多少1 周以上就该拆成更小探针有哪些资源工程产能、设计工具、AI/无代码工具、用户渠道、预算Step 1 识别核心问题从五种探针类型对应的核心问题中选一我们能构建它吗 / 用户能无摩擦完成任务吗 / 这个工作流能赢得认可吗 / 我们能无生产风险地建模吗 / 这个方案能经受真实用户接触吗Step 2 推荐探针类型按选择给出方法、时间线、工具栈、成功标准示例与处置计划每种类型在 SKILL.md 中都有完整的推荐模板段落。Step 3 落地生成完整的 pol-probe 工件、讲解执行步骤、或先打磨假设。假设过宽时Step 4 会用三个澄清问题收窄能先测的最小事物是什么失败长什么样测的是用户行为、技术可行性还是利益相关者对齐一个值得注意的决策案例advisor 中 Example 3验证企业买家能理解多租户安全模型时正确选择是Narrative Prototype 而非 Vibe-Coded Probe——你不需要用户去操作安全设置只需要他们理解概念叙事更便宜也更快。模板把探针写成一页可执行的文档写好探针的关键是先写下来再动手。仓库提供了完整的 template.md结构与 SKILL.md 内嵌模板 一致可直接复制使用# PoL Probe: [描述性名称] ## Hypothesis [一句你认为为真的话] 示例如果我们将注册表单减少到 3 个字段完成率将超过 80%。 ## Risk Being Eliminated [你要消除的具体风险或未知] 示例我们不知道用户是否会因为表单太长而放弃注册。 ## Prototype Type [从 5 种风味中选择] - [ ] Feasibility Check - [ ] Task-Focused Test - [ ] Narrative Prototype - [ ] Synthetic Data Simulation - [x] Vibe-Coded PoL Probe ## Target Users / Audience [谁会与这个探针交互] 示例早期访问等待名单中的 10 名用户非技术型中小企业主。 ## Success Criteria (Harsh Truth) [你在寻求什么真相什么能证明你错了] - **Pass:** 8 名用户在 2 分钟内完成注册 - **Fail:** 6 名用户完成或平均耗时超过 5 分钟 - **Learn:** 定位具体流失字段 ## Tools / Stack [你用什么来构建它] 示例ChatGPT Canvas 生成表单 UIAirtable 收集数据Loom 录制访谈。 ## Timeline - **Build:** 2 天 - **Test:** 1 天10 场用户会话 - **Analyze:** 1 天 - **Disposal:** 第 5 天删除所有代码保留学习文档 ## Disposal Plan [何时、如何删除它] 示例用户会话结束后归档录像删除 Frankensoft 代码将学习记录到 Notion。 ## Owner [谁负责运行并处置这个探针] ## Status - [ ] 假设已定义 - [ ] 探针已构建 - [ ] 用户已招募 - [ ] 测试完成 - [ ] 学习已记录 - [ ] 探针已处置注意模板中的两个设计意图Success Criteria 必须包含 Pass / Fail / Learn 三档Learn 档用于捕获意外发现正如工业示例中4 人问起故障类型那样Disposal Plan 与 Timeline 中的 Disposal 日期必须在动手前写死——这是把探针钉在可抛弃特征上的制度保证。五大常见坑Common Pitfalls示例文档 以五个失败模式收尾SKILL.md 亦有呼应。逐条继承如下1. 原型剧场Prototype Theater失败模式搭建令人印象深刻的 demo却不测试任何假设。后果花数周取悦利益相关者对用户一无所知。修复动手前先写下我在寻求什么残酷真相什么能证明我错了2. 把 PoL 与 MVP 混淆失败模式把探针当成1.0 版本而不是可抛弃的实验。后果范围蔓延、技术债、抵制处置。修复开始之前就设定处置日期。如果你无法承诺删除它你建的是 MVP不是探针。3. 依据工具熟练度做选择失败模式我会用 Figma所以我来设计原型不管设计是否真的是风险所在。后果验证了错误的东西漏掉了真正的风险。修复让探针类型匹配假设而不是匹配你的技能。如果你需要的是可行性验证却只会设计工具就找工程师搭档 1 天。4. 虚荣指标Vanity Metrics失败模式度量利益相关者的兴奋度而非用户行为。后果虚假信心交付了用户并不想要的东西。修复把成功标准定义为可观察的用户行为任务完成率、错误率、任务耗时而不是主观意见。5. 没有处置计划失败模式我们以后再说怎么处理。后果探针变成技术债临时代码流入生产环境。修复在构建前写明处置日期与方法。像对待敏捷 spike 一样——按时限盒装按设计删除。启动探针前的质量自检清单SKILL.md 要求发布探针前逐项核对任何一项为否都应回头修订探针、甚至重新考虑是否需要探针轻量能在 1-3 天内建完吗可抛弃承诺了处置日期吗范围狭窄只测一个假设吗残酷诚实数据在你错了的时候会刺痛吗微小聚焦比 MVP 更小吗可证伪能描述失败长什么样吗负责人明确有一个人对执行与处置负责吗对照本文四个示例前两个好探针全部打勾两个反例恰好分别死于不可抛弃 虚荣指标与范围过宽 无处置计划。在技能库中的位置与配套资源PoL Probe 不是孤立技能它在仓库中与以下技能构成完整的假设→验证链路均可从根目录进入pol-probeComponent——本文主技能探针的模板与定义来源pol-probe-advisorInteractive——探针类型的决策框架回答该用哪种风味discovery-processWorkflow——在验证阶段接入 PoL 探针problem-statementComponent——先定义问题再创建探针epic-hypothesisComponent——把史诗改写为可测试假设再用探针验证storyboardComponent——叙事原型可复用的六格故事板工具。配套文件还有 pol-probe 工业示例 与 pol-probe 填写模板技能目录索引见 catalog/skills-index.yaml按类型浏览可见 catalog/skills-by-type.md。这套技能统一打包在 Claude Code / Desktop 等适配器中见 scripts/build-claude-desktop-packs.sh并接受check-skill-metadata.py、check-skill-triggers.py等脚本的仓库级质量校验。一句话收束全文探针是侦察不是远征。用一页文档写下假设、风险、通过/失败阈值与处置日期选最便宜的风味去测把刺痛当作最珍贵的产出——这正是 示例文档 里两个好探针的共同气质也是两个反例共同缺失的东西。赞分享AI 技能AI 插件【免费下载链接】Product-Manager-SkillsProduct Management skills framework built on battle-tested methods for Claude Code, Cowork, Codex, and AI agents.项目地址https://gitcode.com/gh_mirrors/pr/Product-Manager-Skills点击查看免费下载相关推荐在工业现场验证风险假设用 Product-Manager-Skills 的 PoL Probe 技能设计低成本生命证明探针在工业现场验证风险假设用 Product Manager Skills 的 PoL Probe 技能设计低成本生命证明探针 本篇技术指南围绕开源仓库 PrAI 技能AI 插件Lean UX Canvas v2 实战示例精讲从业务问题到最小实验的完整填法Product-Manager-Skills 仓库实践Lean UX Canvas v2 实战示例精讲从业务问题到最小实验的完整填法Product Manager Skills 仓库实践 本篇技术指南以 PrAI 技能AI 插件Product Manager Skills 中 Epic Hypothesis 实战示例解析用可证伪假设框架管理产品赌注Product Manager Skills 中 Epic Hypothesis 实战示例解析用可证伪假设框架管理产品赌注 导读 本文以 Product MaAI 技能AI 插件上一篇jsPDF中文支持终极指南完美解决PDF中文显示问题下一篇开源相控阵雷达AERIS-10如何用3万元预算构建专业级10.5GHz雷达系统创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考