gmaxxxie/ai-native-product-agent-skills.

ai-native-agent-skill-design

'AI Native 产品方法论——智能体与技能单元设计的实操 Skill。

ai-native-audit-release

|

ai-native-business-model

AI Native 商业模式设计 Skill。基于《AI确定性商业模式》方法论， 帮助用户设计以"确定性溢价"为核心的 AI 商业模式：

ai-native-context-engineering

'AI Native 产品方法论——上下文工程的实操 Skill。

ai-native-direction-framing

|

ai-native-experiment-engine

|

ai-native-knowledge-rag

'AI Native 产品方法论——RAG与知识系统设计的实操 Skill。

ai-native-marketing-growth

|

ai-native-memory-system

|

ai-native-pm-agent

|

ai-native-product-needs

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

ai-native-production-ops

|

ai-native-system-building

|

ai-native-ux-design

'AI Native 产品方法论——AI Native 用户体验设计的实操 Skill。

combo-business-to-growth

商业模式 → 增长策略 组合 Skill。将确定性溢价定价策略与 AI Native 增长飞轮匹配， 输出定价-增长联动策略，确保商业模式和增长方式自洽。

combo-needs-to-direction

需求发现 → 方向定界 组合 Skill。从用户痛点出发，系统跑完微需求检测、 真需求验证、四层拆解，输出可直接进入方向定界的 Direction

combo-ux-to-audit

UX 设计 → 审计放行 组合 Skill。将 RAX 风险评估、信任度分级、渐进式披露 与审计放行流程打通，输出 UX 审计报告 + 放行建议。

p0-needs-orchestrator

需求发现编排器。协调微需求检测、真需求验证、需求拆解、需求考古、好问题生成、Agent 边界设计、多元推荐改写、AI 产品三重平衡八个工具卡，

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

p0b-real-needs-validator

真需求判断五问验车器。AI 时代最危险的不是没有需求，而是伪需求太容易长得像真需求。 基于《AI rebuild product needs》工具卡。

p0c-needs-decomposer

需求四层拆解卡。很多团队一听到用户表达，就直接拆功能。 这张卡强迫团队先把"用户说了什么"和"用户真正被什么困住"分开。 基于《AI rebuild

p0d-needs-archaeologist

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。

p0e-good-question-generator

好问题六维观察表。AI 时代产品经理最重要的能力不是给答案，而是提好问题。 这个 Skill 提供六个维度的观察框架，帮你从不同角度发现好问题。

p0f-agent-boundary-designer

Agent 边界清单。AI 产品最危险的不是做不到，而是做过头。 这个 Skill 帮你系统性地定义 AI 应该做什么、不应该做什么、什么时候必须停下来等人。

p0g-diverse-recommendation-rewriter

多元推荐改写清单。AI 时代的推荐系统不再是"猜你喜欢"， 而是"帮你发现你还不知道自己会喜欢的"。这个 Skill 提供从单一推荐到多元推荐的改写框架。

p0g-diversity-rewrite-checklist

多元推荐改写清单。当团队想重写推荐系统时，最容易只在原目标函数上加一点随机。 这个 Skill 帮你避免"看起来更多元，底层仍然单一"。

p0h-ai-product-triple-balance

AI 产品三重平衡表。AI 产品设计需要在商业、人性、技术三个维度之间找到平衡。 这个 Skill 提供系统性的三重平衡评估框架。 基于《AI

p0h-triple-balance-assessor

AI 产品三重平衡表。当团队讨论 AI 产品方向时，最容易只看增长和效率。 这个 Skill 帮团队同时看商业、人性、文化三层。 基于《AI

p10a-value-discovery-loop

'AI Native 产品方法论——价值发现循环的实操 Skill。

p10b-aiops-case

'AI Native 产品方法论——AIOps 行业案例模板 Skill。

p10c-customer-service-case

'AI Native 产品方法论——AI 客服行业案例模板 Skill。

p10d-saas-case

'AI Native 产品方法论——AI Native SaaS 行业案例模板 Skill。

p11-product-team

'AI Native 产品方法论——AI Native 产品团队设计的实操 Skill。

p12-contemplation-orchestrator

《观照》全书编排器——根据用户输入的问题类型，路由到对应的章节Skill，串联全链路决策修正流程

p12a-contemplation-prerequisite-check

检查方法使用的前提是否成立——识别情境变化、验证假设前提、重配适用方法

p12a-contemplation-right-action

先看机制是否有害，再看结果是否有效——价值/代价/情绪/退出权四重检查

p12a-contemplation-right-effort

停止错误方向，也是一种推进——归零分析、暂停策略、止损决策

p12a-contemplation-right-livelihood

收入从哪里来，产品就会站在哪边——收入来源审视与激励偏差检查

p12a-contemplation-right-mindfulness

持续觉察、系统反思、判断沉淀——建立个人与团队的决策觉察力

p12a-contemplation-right-speech

把话说真，而不是把问题说顺——语言清洗、纪要体检、诚实表达练习

p12a-contemplation-right-thinking

修正判断路径，而不是堆更多观点——拆解判断链，区分前提/证据/推理/情绪

p12a-contemplation-right-view

把问题看准，而不是把现象说圆——三层看问题法（现象层/情境层/关系层）

p12a-contemplation-view-correction

先修正看法，再调用方法——默认检查、证据校验、后果追问、八种修正视角

p13-intuition-orchestrator

《判断力与直觉力》全书编排器——九步闭环决策路线图的路由器与聚合器

p13a-judgment-metacognition

判断力元认知——理解什么是判断、识别判断的场景与类型

p13b-systemic-thinker

系统性思维——结构化分析、关系映射、反馈回路识别

p13c-product-psychology

产品心理学——用户心理模型、行为设计、动机分析

p13d-intuition-training

直觉训练——将直觉转化为可压缩的认知模型与模式识别

p13e-nine-step-framework

AI产品决策九步闭环总论——覆盖做什么、值不值得、用不用AI、做成什么、用户托付、怎么做、怎么验证、怎么卖、反馈回路

p13f-first-half-judgment

九步前半段——做什么、值不值得、用不用AI的判断框架

p13g-mid-judgment

九步中段——做成什么形态、用户托付度、怎么做的决策框架

p13h-validation-market

九步后段——怎么验证、怎么进入市场、反馈回路的决策框架

p13i-judgment-traps

判断陷阱与认知偏误——识别常见判断错误模式及其防范策略

p13j-organizational-judgment

组织判断力——将个人判断转化为团队判断能力的系统方法

p13k-intuition-evolution

直觉进化——持续训练判断力、建立标准提升机制

p14-beauty-orchestrator

《AI Beauty》全书编排器——审美主导权与美感体系化训练的路由器

p14a-beauty-redefinition

美感的重新定义——生成焦虑、美感六维度、美感双轴模型

p14b-beauty-ai-roles

AI在审美中的角色定位——放大器/陪练器/协作者，而非审美本身

p14c-beauty-selection

从生产美感到选择美感——选择力是新核心技能，Context决定输出上限

p14d-beauty-narrative

故事力即美感——叙事结构、情感节奏、信息架构的审美维度

p14e-beauty-human-edge

人的不可替代性——美感作为护城河、标准进化、人的核心优势

p14f-beauty-commercial

美感的商业价值——市场接受度、美感溢价、体验美感、物理世界平衡

p14g-beauty-system

审美训练体系——系统化积累与校准审美标准、人机协作流程、标准进化机制

p14h-beauty-preface

前言与核心命题——当一切都能生成之后，审美主导权成为核心竞争力

p2a-experiment-overview

'AI Native 产品方法论——试验展开概述的实操 Skill。

p2b-product-form-exploration

'AI Native 产品方法论——产品形态探索的实操 Skill。

p2c-process-redesign

'AI Native 产品方法论——流程重构与任务设计的实操 Skill。

p2d-convergence-decision

'AI Native 产品方法论——目标收敛与产品决策的实操 Skill。

p2e-shadow-validation

'AI Native 产品方法论——影子验证的实操 Skill。

p6a-certainty-premium-calculator

确定性溢价计算器。基于《AI确定性商业模式》核心公式， 帮助产品团队计算 AI 产品的确定性溢价，从而设计更高价值的收费模式。

p6b-arbiter-mode-designer

仲裁者模式设计器。设计以"真相即服务"为核心的商业模式： 提供可验证的真实信息和判断，让用户相信每个数字都是真的。 基于《AI确定性商业模式》概念卡。

p6c-insurance-mode-designer

保险模式设计器。设计以"结果担保"为核心的商业模式： 为 AI 的输出结果提供担保，出错则赔偿或免费。 基于《AI确定性商业模式》概念卡。

p6d-prediction-arbitrage-designer

预测套利设计器。设计以"超越人类预测能力"为核心的商业模式： 在 AI 预测能力强于人类的领域进行套利，将预测优势转化为商业价值。 基于《AI确定性商业模式》概念卡。

p7a-data-flywheel-builder

数据飞轮构建器。基于《AI Native 营销与增长》数据飞轮概念卡， 帮助产品团队评估和构建自增强的数据飞轮：使用→数据→模型→产品→更多用户→更多数据。

p7b-intent-prediction-designer

意图预测营销设计器。基于《AI Native 营销与增长》意图预测营销概念卡， 帮助产品从"人群定向"升级为"个体预见"——在用户明确表达之前就提供相关内容。

p7c-predictive-retention-designer

预测性留存设计器。基于《AI Native 营销与增长》预测性留存概念卡， 帮助产品从"流失后挽回"升级为"流失前阻止"——在用户流失之前主动干预。

p7d-marketing-productizer

营销产品化设计器。基于《AI Native 营销与增长》营销产品化概念卡， 帮助产品将营销活动设计为产品功能，让用户在使用中自然完成"被营销"。

p7e-customer-loop

'AI Native 产品方法论——客户循环的实操 Skill。

p8a-rax-risk-assessor

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。

p8b-trust-tier-designer

信任度分级设计器。基于《AI时代的用户体验》信任分级理论， 设计 AI 产品的信任度分级体系，让用户渐进式地建立对 AI 的信任。

p8c-progressive-disclosure

渐进式披露清单。基于《AI时代的用户体验》渐进式披露理论， 提供 AI 产品逐步展示功能和能力的设计清单，避免一次性向用户交付过多信息。