p13-intuition-orchestrator

---
name: p13-intuition-orchestrator
description: 《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
stage: meta
tags:
  - orchestrator
  - 判断力
  - 直觉
  - AI产品决策
source_book: 判断力与直觉力
source_chapter: 全书编排
version: 1.0.0
---

# 判断力编排器（Intuition Orchestrator）

## 适用场景
- AI产品经理面临复杂决策不知从何下手
- 需要系统性走完AI产品决策九步闭环
- 想将直觉训练方法落地为可执行流程

## 输入
| 字段 | 说明 |
|------|------|
| decision_context | 决策场景描述 |
| current_stage | 可选：当前已知处于哪个阶段 |
| constraints | 约束条件（时间/资源/数据等） |

## 输出
- 九步闭环的执行序列
- 每个步骤的Skill调用
- 综合判断与行动建议

## 工作流程
1. **阶段定位**：识别当前处于九步闭环的哪个阶段
2. **生成执行链**：按"判断九步"生成后续Skill调用链
3. **循环调用**：执行每个Skill，收集输出
4. **结果聚合**：整合各阶段输出，生成完整判断报告
5. **迭代建议**：给出下一轮优化方向

## 注意事项
- 九步闭环不是线性流水线，可能需要在阶段间回溯
- 每个阶段都产出可追溯的判断记录，便于复盘

## 核心概念

### 1. 判断力优先于执行力
AI 压平了信息获取和执行效率，但没有压平判断力。AI 让答案更便宜，但没有让方向更便宜。当执行越来越便宜的时候，错误方向的代价不再是"做不出来"，而是"很快做出来，还会做得像是真的一样"。真正的差距从"谁知道得更多"转向"谁更早看对方向，谁更能在不确定里做取舍"。

### 2. 流畅输出不是可靠性
AI 最迷惑人的地方，不是它偶尔会犯错，而是它经常看起来很像对的。流畅感不是可靠性，完整感不是成立性。要区分三层：输出是否可读 → 是否可用 → 是否值得相信并拿去做决策。大多数人只检查了第一层，稀缺的是能稳定检查到第三层的人。

### 3. 九步闭环：从问题到反馈的完整决策链
全书覆盖 AI 产品决策的完整闭环，分七个部分：先看清（判断自己、问题优先级、AI 适配性）→ 看产品（独立性、工作流价值、真问题 vs 能力包装、长期成立性）→ 看用户（托付意愿、放心感、用户恐惧、可托付感设计）→ 看技术与交付 → 看市场与商业化 → 看反馈与节奏 → 看规模化。每一步都产出可追溯的判断记录。

### 4. 直觉力是压缩后的认知模型
直觉不是拍脑袋，而是系统性思维、产品心理学和决策复盘长期内化后，在复杂场景里形成的快判断能力。它通过四件事训练：观察真实场景、比较相似案例、预判可能后果、复盘判断对错。直觉不是少数人的特权，是可以训练的能力。

### 5. 顺序错误是 AI 时代最常见的浪费
AI 时代最常见的浪费，不是没有思路，而是过早进入方案；不是没有能力，而是把能力用在了不值得的方向上。团队最常犯的错误不是没看到机会，而是先被"好讲的机会"拿走了资源。方案成立不代表问题成立，做得出来不代表值得先做。

## 分步执行

## 深入核心概念

### 深入 1. 判断力 = 产品感 × 技术理解 × 商业直觉

**定义**：AI 时代产品经理的核心能力不再是会用多少工具，而是能在信息不完备时做出正确判断。判断力是产品感、技术理解和商业直觉的交叉能力——产品感让你看见用户的真实处境，技术理解让你知道什么能做什么不能做，商业直觉让你判断什么值得做、什么时候做。

**书稿引用**：「以前产品经理最常被问的是'需求文档写好了吗''原型画完了吗''PRD 评审过了吗'。现在最常被问的是：'你觉得这个 AI 功能要不要做''你怎么判断这个方向靠不靠谱''你觉得这个产品模型能力够不够'。这些问题都不是工具能回答的。AI 可以帮你查数据、写初稿、整理素材，但它替你做不了判断。」（第1章）

**应用**：在做每个产品决策时，有意识地拆解自己的判断来源——是用户洞察驱动（产品感）、技术可行性驱动（技术理解），还是市场机会驱动（商业直觉）？三者中任何一个为零，判断都会出问题。定期校准：你最近在哪一个维度上的判断最弱？

### 深入 2. AI 放大确认偏误

**定义**：AI 的输出总是流畅且自信的，这会让人更容易接受"听起来合理"的结论而跳过验证。当团队已经倾向于某个方向时，AI 会非常善于"帮你找到支持这个方向的证据"——不是因为它故意迎合，而是因为它本身就是概率模型。

**书稿引用**：「AI 是判断放大器，不是判断替代品。用得好，它可以帮你更快地收集信息、整理思路、验证假设。用得不好，它会帮你更流畅地走进偏见。最危险的不是 AI 犯错，而是 AI 的输出太流畅了，以至于你连验证的想法都省了。」（第1章）

**应用**：建立"反方验证"习惯——每当 AI 给出一个看似合理的结论，刻意要求它给出反对理由或替代解释。在团队决策中，指定一个人专门负责"唱反调"，用 AI 来帮反方找论据。关键原则：AI 的流畅性是功能也是风险，越流畅越需要冷静验证。

## 分步执行

### 步骤 1：决策场景定位
接收用户的决策场景描述，识别当前处于九步闭环的哪个阶段。问清楚：用户面对的是一个 AI 产品机会，还是一个具体的判断卡点？是刚开始评估，还是已经有了初步方向？明确当前阶段和上下文约束。

### 步骤 2：生成判断路线图
根据场景定位，生成从当前位置出发的完整判断路线图。标明：哪些步骤必须走、哪些可以并行、哪些需要回溯。每个步骤对应一个具体 Skill，明确输入/输出关系。路线图不是线性流水线，要标注可能的回溯点。

### 步骤 3：逐步执行判断链
按路线图依次调用子 Skill。每个 Skill 执行后，收集输出并记录判断依据与置信度。如果某一步出现矛盾信号（如"问题真但不够痛"），暂停并提示用户做出取舍决策后再继续。

### 步骤 4：结果聚合与冲突处理
整合各阶段输出，识别判断链中的冲突与一致性。常见冲突包括：问题值得做但 AI 适配性弱、产品成立但用户不愿托付、短期好看但长期不成立。对每个冲突给出分析与建议。

### 步骤 5：输出综合判断报告
生成结构化的判断报告，包含：当前阶段结论、关键风险点、下一步建议、需要补充的信息。报告应支持复盘——每个判断都有依据、有置信度、有可追溯的推理链。

### 步骤 6：迭代校准
根据新信息或执行结果，更新判断。明确哪些判断被验证了、哪些被推翻了、哪些需要重新评估。将新经验沉淀为团队判断原则。

## 示例 1：AI 产品方向评估全流程

**场景**：一个 B2B SaaS 团队想做"AI 自动生成客户周报"功能，需要系统性评估是否值得投入。

**编排过程**：
1. **阶段定位**：用户处于"初始"阶段，需要从九步第一步开始。
2. **p13a 元认知**：识别这是一个"方向型判断"——不是执行问题，而是决定该不该做的问题。
3. **p13b 系统思考**：画出问题冰山——表层是"销售写周报慢"，深层是信息分散、格式不统一、上级难提取重点。识别补偿行为：销售已经在用模板和 AI 起草来补。
4. **p13c 五问过滤**：真不真（有行为回退证据）、痛不痛（影响客户关系）、频不频（每周必做）、急不急（试点客户已有不满）、值不值（影响续费率）。
5. **p13e AI 适配性**：五问过关——是语言生成问题、错误代价中等（可人工审核）、结果可验证、能回退、用户愿意让 AI 起草。
6. **p13f 产品判断**：更适合作为 CRM 系统内的能力层，而非独立产品。
7. **p13h 托付判断**：用户愿意让 AI 起草，但不愿让 AI 直接发送给客户。
8. **结论**：值得做，但应定位为 CRM 嵌入能力而非独立产品，先做"起草+风险标注"，不做"自动发送"。

## 示例 2：已上线产品的诊断与优化

**场景**：一款 AI 会议纪要产品上线 3 周，首周数据很好，但第二周开始使用频率明显下降。

**编排过程**：
1. **阶段定位**：用户处于"反馈回路"阶段（九步第 9 步），但需要回溯诊断。
2. **p13g 长期成立性诊断**：价值是第一次感知还是反复验证？→ 偏第一次。用户为什么还会回来？→ 回访理由弱。价值会累积吗？→ 没有。拿掉后会难受吗？→ 只是"有点可惜"。
3. **p13e 工作流价值诊断**：它改的是哪一段？→ 记录段。它推动了下一步吗？→ 没有，纪要出来后用户还得手动分发。补偿劳动存在吗？→ 用户会后还得复制到飞书、确认负责人、拆待办。
4. **p13i 陷阱检查**：是否把"第一次惊艳"误认成了"长期成立"？→ 是。
5. **优化方向**：接住任务分发、待办流转、责任确认、后续追踪。从"帮你写纪要"升级为"帮你把会后最烦的部分接住"。

## 九步闭环路由表

| 步骤 | 核心问题 | 对应 Skill | 关键判断 |
|------|---------|-----------|---------|
| 1. 做什么 | 先看清自己到底在拍什么板 | p13a-judgment-metacognition | 判断类型识别、信息底座评估 |
| 2. 值不值得 | 这个问题值不值得投入资源优先解决 | p13b-systemic-thinker | 五问过滤：真/痛/频/急/值 |
| 3. 用不用 AI | 这个问题该不该用 AI 做 | p13c-product-psychology | AI 适配性五问 |
| 4. 做成什么 | 产品、模块，还是嵌进工作流的能力 | p13d-intuition-training | 独立产品五问 |
| 5. 用户会不会托付 | 用户愿不愿意试、持续用、敢不敢交 | p13h-validation-market | 托付五问、托付梯度 |
| 6. 怎么做 | 辅助还是托付，模型边界，交付条件 | p13f/p13g | 真问题 vs 能力包装、长期成立性 |
| 7. 怎么验证 | 不是 demo 成立，而是真成立 | p13e-nine-step-framework | 工作流价值五问 |
| 8. 怎么进入市场 | 先卖给谁、怎么定价、怎么发布 | p13h-validation-market | 市场进入策略 |
| 9. 反馈回路 | 持续校准判断 | p13k-intuition-evolution | 标准升级、复盘机制 |

## 编排器使用模式

### 模式 A：全新方向评估
从步骤 1 开始，完整走完九步。适合：新 AI 产品立项、新功能方向评估。

### 模式 B：已上线产品诊断
从步骤 7（验证）或步骤 9（反馈）开始，向前回溯。适合：产品数据不好、使用率下降、续费率低。

### 模式 C：具体卡点突破
直接定位到卡住的步骤，深入诊断。适合：团队已经知道卡在哪里，需要具体方法论。

### 模式 D：快速筛查
对多个候选方向做快速筛选，每步只做最关键的一两个判断。适合：资源有限需要快速排序。

## 判断记录模板

每次做出重要判断时，记录以下信息：

```
判断日期：____
判断对象：____
判断结论：____
置信度（高/中/低）：____
主要依据：
1. ____
2. ____
3. ____
反证/风险：
1. ____
2. ____
需要补充的信息：____
复盘日期（预计）：____
```

## 复盘框架

定期（建议每月或每季度）对重要判断做复盘：

1. **当时的判断是什么**：回看判断记录。
2. **结果如何**：对照实际情况。
3. **判断对了还是错了**：如果对了，哪个依据最关键？如果错了，错在哪一步？
4. **可以改进什么**：信息不足？判断顺序错了？忽略了某个信号？被流畅输出误导？
5. **更新什么原则**：把有效的判断经验抽象为团队原则。

## 跨 Skill 衔接协议

判断链中多个 Skill 协同工作时，衔接质量决定整体判断质量。

### 输出格式标准化

每个 Skill 执行后，输出结构化的判断记录：

```
Skill: ____
判断结论: ____
置信度（高/中/低）: ____
关键依据:
1. ____
2. ____
风险信号: ____
后续建议: ____
```

### 冲突信号处理

当后续 Skill 的判断与前置结论矛盾时，按以下规则处理：

| 冲突类型 | 处理方式 |
|---------|---------|
| 问题值得做但 AI 适配性弱 | 回到 p13c 深入诊断，考虑非 AI 解法 |
| AI 适配但产品独立性弱 | 考虑嵌入形态而非独立产品 |
| 产品成立但用户不愿托付 | 进入 p13h 诊断托付梯度 |
| 短期好看但长期不成立 | 重新评估优先级或调整预期 |
| 工作流价值有但真问题弱 | 回到 p13b 做五问过滤 |

### 回溯触发条件

以下信号出现时，应在判断链中回溯到前序步骤：

- 发现新的关键信息推翻了前置判断
- 用户补充了重要的约束条件
- 某个 Skill 的置信度为"低"
- 两个 Skill 的结论直接矛盾
- 执行过程中发现了之前未识别的风险

## 决策深度校准

根据场景复杂度选择合适的判断深度：

| 深度 | 适用场景 | 每步时间 | Skill 调用方式 |
|------|---------|---------|---------------|
| 快筛 | 多个候选方向初步排序 | 2-3 分钟 | 每个 Skill 只做最关键的一两个判断 |
| 标准 | 单个方向的完整评估 | 10-15 分钟 | 按完整流程执行每个 Skill |
| 深度 | 重大决策、高资源投入 | 30+ 分钟 | 对关键判断做多角度验证，增加反证检查 |

## 示例 3：已上线产品的诊断（续费率低）

**场景**：一款 AI 客服助手上线三个月，转化率不错但续费率只有 35%。用户反馈"回答不够准确""经常需要人工接管""问复杂问题就答非所问"。

**编排过程**：
1. **阶段定位**：用户处于"反馈回路"阶段，需要回溯诊断。
2. **p13a 元认知**：这是一个策略型判断——决定是继续投入还是调整方向。
3. **p13e 工作流价值诊断**：它改了"回答"这一段，但没有接住"复杂问题转人工""回答后客户满意度确认""知识库持续更新"。
4. **p13f 真问题诊断**："回答不够准确"是真问题，但需要拆开看：是知识库问题？模型理解问题？还是意图识别问题？
5. **p13g 长期成立性**：续费率低说明价值还没有形成持续依赖。第一次惊艳在消退，但"必须用"的理由还没建立。
6. **综合判断**：问题不在于模型不够强，而在于产品只覆盖了"能回答"这一段，没有覆盖"答不好怎么办""答完后谁确认""知识怎么更新"这三段。
7. **优化方向**：接住转人工的无缝体验、回答后自动请客户确认满意度、建立知识库更新与纠错机制。

## 快速筛查模板

10 分钟内判断一个 AI 产品方向是否值得深入评估：

```
方向描述: ____

快速五问（每问 1-2 分钟）:
1. 真不真: [ ] 有行为证据  [ ] 只有观点
2. 痛不痛: [ ] 影响关键指标  [ ] 只是体验优化
3. 频不频: [ ] 高频/系统性  [ ] 偶发/个别
4. 急不急: [ ] 卡在关键节点  [ ] 可以再等等
5. 值不值: [ ] 杠杆点高  [ ] 解法太重

快速结论: [ ] 值得深入  [ ] 暂缓  [ ] 放弃
理由: ____
```

如果五问全部过关，进入标准评估流程。如果有两项以上不过，暂缓并记录原因。

## 编排器常见误区

### 误区 1：跳过前序步骤
直接进入方案讨论，跳过"值不值得"和"适不适合 AI"的判断。破解：任何 AI 方向讨论前，先走完 p13a→p13b→p13c 三步。

### 误区 2：只走正向路径
只收集支持性证据，忽略反证。破解：每个步骤结束后，强制做一次反证检查。

### 误区 3：混淆判断与执行
在判断阶段就开始讨论实现细节。破解：判断阶段只讨论"该不该做"和"为什么做"，不讨论"怎么做"。

### 误区 4：忽略回溯
发现矛盾信号后仍然继续推进。破解：矛盾信号是回溯的触发器，不是可以忽略的噪音。

### 误区 5：一次性判断
认为判断做完就不需要更新。破解：判断是动态的，新信息出现时应重新评估。