核心用法
该 Skill 是一套面向 Claude Code、Codex、Cursor、Windsurf 等 AI 编程助手的产品管理知识工作流。用户通过自然语言描述意图（如"帮我写个 PRD""诊断 SaaS 指标""设计 PLG 增长策略"），系统会自动匹配 Routing Table 中的框架模块，加载对应知识域（Discovery & Research、Strategy & Positioning、Artifacts & Delivery、Finance & Metrics、Career & Leadership、Growth & PLG、AI Product Craft），并直接产出结构化交付物。
操作模式分为三档：简单请求直接输出（如单条用户故事）；复杂请求可选择引导模式（分步问答）、上下文转储（用户贴全量背景）或最佳推测（AI 标注假设后即时交付）。支持 12 套模板（PRD、用户故事、问题陈述、定位声明、Epic 假设、新闻稿、用户访谈计划、机会解决方案树、路线图、业务健康评分卡、竞争分析、精益 UX 画布）和端到端的 PM Sprint Workflow（发现→定位→优先级→规格→验证→度量六阶段）。
显著优点
框架密度极高：整合 40+ 业界验证的方法论，涵盖 Geoffrey Moore 定位、RICE/ICE 优先级、JTBD、用户故事拆分 8 模式、Epic 拆解 9 模式、SaaS 单位经济学、PLG 病毒系数、AI 上下文工程等，避免用户从零搭建知识体系。
交付导向而非模板填充：强调"这个决策能解决什么问题"先于"文档格式是什么"，每个输出默认附带决策清单、待验证假设和下一步行动，强制结果导向。
质量门禁严格：内置通用质量门（假设标注、可度量结果、具体角色、显式权衡）和反模式识别（功能工厂、指标剧场、利益相关者驱动路线图、确认偏误等），主动挑战用户的问题框架。
教练模式可选：用户可显式激活"挑战我的想法"模式，获得推回式对话、跨域关联诊断和终局裁决（强/弱项+具体行动）。
潜在缺点与局限性
学习曲线陡峭：Routing Table 和 7 大知识域的映射关系需要一定时间熟悉，新手可能不清楚如何精准触发所需框架。
假设标注依赖用户校验：最佳推测模式下，AI 会生成大量[assumption]标签，若用户跳过验证，可能导致基于错误前提的交付物。
中文语境适配有限：虽有中文响应能力，但底层框架（如 Geoffrey Moore 定位、西方 SaaS 指标体系）源自硅谷语境，本土化产品（如微信生态、抖音运营）需额外调整。
非实时数据：知识截止于训练数据，无法获取最新市场案例或竞品动态，竞争分析需用户补充一手信息。
适合的目标群体
- 产品经理：从初级到 VP/CPO 全层级，尤其擅长职业晋升（PM→Director→VP 的 Altitude-Horizon 框架）和 AI 产品转型。
- 创业者/创始人：需快速搭建产品管理体系、撰写投资人就绪的 PRD 和路线图。
- 技术负责人转产品：工程师出身的团队负责人，需系统化补充需求发现、用户研究、增长策略等软实力。
- 产品运营/增长团队：PLG 策略、激活漏斗、病毒系数设计和实验管理。
使用风险
性能风险：大型知识模块（如 strategy-positioning.md）加载时可能占用大量上下文窗口，长会话建议定期重置或分域调用。
依赖项风险：该 Skill 假设宿主环境（Claude Code/Cursor 等）支持文件系统读取，若沙箱限制knowledge/目录访问，框架加载失败。
版本漂移：技能更新需手动执行（clawhub update或npx skills update），长期未更新可能导致框架与最新行业实践脱节。
过度结构化风险：严格的质量门禁和框架流程可能压抑探索性思维，创新早期阶段建议关闭 coaching 模式，避免过早收敛。