核心用法
PRODUCT_BRIEF() 是一款面向IT硬件销售场景的专业产品识别与信息整合工具。用户通过提供型号、PN编号、产品截图、Datasheet或描述性内容，结合可用资料来源（官网、历史报价、工程师确认等），即可触发系统化的产品速览分析。技能要求至少提供一项产品识别信息、一项资料来源及明确分析目标，严格遵循"证据优先、事实与推测分离"原则，输出结构化的产品认知框架。
操作流程上，技能首先解析并映射用户输入至标准参数表，生成参数状态表（已命中/部分命中/缺失/冲突/待验证），确认达到最低运行条件后进入正式分析。分析过程严格区分产品层级（部件/模块/平台/机头/整机），依据11级证据优先级（原厂Datasheet > 官网 > 工程师确认 > 实物标签 > 历史订单 > 供应商资料 > 客户描述 > 内部记录 > 第三方数据库 > 网页搜索 > AI推测）进行信息整合，输出包含产品识别、关键规格、版本差异、应用场景、采购关注点、信息缺口、风险提示及下一步建议的完整报告。
显著优点
严谨的证据体系设计是该技能最突出的特色。通过11级证据优先级和明确的"不得用低等级覆盖高等级"规则，有效规避了通用AI工具常见的"幻觉"问题——即凭型号强行补全规格、凭图片推断不可见信息等风险行为。这种设计特别契合B2B硬件销售场景，其中错误的产品认知可能导致报价失误、兼容性纠纷或采购损失。
职责边界清晰是第二大优势。技能明确区分"产品理解"与"商业判断"，将询价评估、报价生成、兼容性结论等决策权剥离至下游专用Skill（RFQ()、QUOTE()、COMPATIBILITY()等），避免功能越界导致的判断混乱。同时，输出结构中的"下游Skill输入摘要"实现了工作流的无缝衔接。
风险意识嵌入流程体现在12项风险检查清单和8条人工判断边界规则中，覆盖产品层级混淆、历史配置误用、区域版本忽略、供应商口头反馈误作事实等高频失误场景。这种"防御性设计"显著降低了销售团队在复杂硬件产品线中的认知负担。
潜在缺点与局限性
信息门槛较高是首要限制。技能要求用户主动提供多源资料并明确分析目标，对于习惯"一键获取答案"的用户而言，学习成本和使用门槛显著高于通用问答工具。在资料匮乏场景下，系统直接拒绝生成"不可靠速览"，虽保障了准确性，但可能牺牲部分便利性。
依赖人工协作的设计虽提升了可靠性，却也限制了自动化程度。工程师确认、采购反馈等人工节点可能成为流程瓶颈，在追求效率最大化的场景中，与纯AI自动化方案相比响应速度受限。
版本成熟度方面，当前0.1.0 Draft状态意味着核心功能尚未经过大规模实战验证，"最低运行条件"等关键规则标注"待补充"，实际部署中可能需要用户自行探索边界。
领域专精带来的泛化局限：技能针对服务器、存储、网络设备等IT硬件优化，对于通用消费品或非标准化产品的适配性未经说明，跨领域迁移能力存疑。
适合的目标群体
核心用户为IT硬件行业的销售与售前技术人员，特别是服务于企业级数据中心、云计算基础设施、高性能计算场景的从业者。具体包括：服务器/存储设备经销商、系统集成商销售代表、IT硬件采购顾问、以及需要快速理解陌生产品线的技术销售工程师。
该技能同样适用于销售团队管理者——通过统一的产品理解框架和风险检查清单，可标准化团队输出质量，降低新人培训成本。对于采购与供应链岗位，技能提供的版本差异分析和采购关注点清单也具有参考价值。
不适合纯终端消费者或个人用户，其专业参数体系和B2B工作流设计对非行业用户友好度较低。
使用风险
性能风险方面，多源资料整合和严格证据校验机制可能导致分析耗时较长，在高并发询价场景下需评估响应延迟对业务节奏的影响。
依赖项风险包括：对工程师确认、原厂资料等外部输入的依赖可能造成流程阻塞；历史报价/订单记录的准确性和时效性直接影响输出质量；与下游Skill（RFQ()、QUOTE()等）的衔接若未配置完整，可能导致工作流断裂。
模型局限性风险体现在：尽管设计了多层防护，AI推测仍在证据链末端存在，极低置信度场景下可能输出误导性信息；截图识别能力受图像质量制约，复杂产品标签的OCR准确性未经量化评估。
运营风险包括：Draft版本的规则完备性不足，实际使用中可能遇到未覆盖的边界情况；参数状态表的强制输出要求增加了交互步骤，在移动端等轻量化场景体验可能不佳。