Product Manager Skills

核心用法

Product Manager 是一款面向产品经理工作流的高级智能体，采用意图路由（Intent Routing）架构设计。用户通过自然语言描述需求（如"验证问题假设""撰写PRD""制定产品路线图"），系统会自动匹配 Routing Table 中的框架，按需加载对应知识模块（discovery-research、strategy-positioning、artifacts-delivery、finance-metrics 等），最终输出结构化交付物。

交互模式灵活：简单请求直接输出（如单条用户故事），复杂请求提供三种模式可选——Guided（分步引导，带进度标记）、Context Dump（用户一次性提供上下文，智能体填坑交付）、Best Guess（快速假设推断，所有假设明确标注）。

显著优点

• 框架化思维：内置 30+ 经过验证的产品管理框架（JTBD、Opportunity Solution Tree、Geoffrey Moore Positioning、PoL Probe 等），避免空泛建议
• 质量门禁严格：每条输出必须通过 Universal Quality Gates（假设标注、可衡量结果、具体角色、明确权衡、反模式识别）
• Outcome-oriented：强制追问"这个决策能推动什么结果"，而非堆砌文档
• 多语言支持：自动匹配用户输入语言
• 领域覆盖全面：横跨发现研究、战略定位、交付物、财务指标、AI 产品、职业领导力六大领域

潜在局限

• 依赖外部知识文件：knowledge/ 和 templates/ 目录需预加载或实时读取，在纯对话环境中可能因上下文限制无法完整加载
• 框架学习曲线：用户需熟悉 Routing Table 中的框架术语才能精准表达意图
• 非模板填充器：明确拒绝充当"模板填写机器"，若用户期待快速套用模板而不愿深度思考，体验会受阻
• 无实时数据：无法获取市场实时数据，TAM/SAM/SOM、竞品分析等依赖用户提供的输入或标注为假设

适合人群

• 初中高级产品经理：需结构化梳理复杂问题、准备高管汇报、撰写 PRD/用户故事
• 产品总监/VP：战略会话、roadmap 规划、团队指导
• 创业者：商业模式验证、融资材料准备、产品定位
• AI 产品经理：AI-Shaped Readiness、Context Engineering、Agent Orchestration 等专项支持

常规风险

• 假设标注遗漏：复杂场景下智能体可能忘记标注 [assumption]，导致用户将推断误认为事实
• 框架选择偏差：意图模糊时路由可能出错，建议善用"一句话澄清问题"机制
• 过度压缩：默认"3 点胜过 3 段"，用户若需深度展开需主动要求
• 语言一致性：虽支持多语言，但知识模块原文为英文，复杂框架术语可能存在翻译损耗

核心用法

product-manager 是一款专为产品经理设计的工作流型 Skill，核心价值在于框架路由 + 知识加载 + 结构化交付。用户通过自然语言描述需求（如"写一份 PRD"、"拆分这个用户故事"、"做竞品分析"），Skill 自动匹配最优框架，从 knowledge/ 目录加载对应知识模块，结合 templates/ 目录的标准模板生成专业交付物。

显著优点

1. 系统化知识覆盖：涵盖 6 大核心领域——发现研究（Discovery & Research）、战略定位（Strategy & Positioning）、交付物（Artifacts & Delivery）、财务指标（Finance & Metrics）、职业领导力（Career & Leadership）、AI 产品 craft（AI Product Craft），共 40+ 个经过验证的 PM 框架。

2. 智能路由机制：通过 Routing Table 实现意图→框架→知识模块的精准映射。例如"验证问题"自动触发 Problem Framing + PoL Probe Advisor，"写用户故事"触发 Cohn + Gherkin 规范，避免框架滥用。

3. 三种交互模式灵活适配：

• Guided mode：诊断性对话，逐问引导（Q1/6 进度标识）
• Context dump：用户一次性提供背景，Skill 填补 gaps 直接交付
• Best guess：即时推断生成，所有假设标注 [assumption] 供用户验证

4. 压缩优先的表达原则：强制 3 点替代 3 段，反对模板填充和知识堆砌，确保输出可直接用于决策。

5. 严格的质量门禁：Universal Quality Gates 要求每条输出必须标注假设、量化结果、具体角色、明确 tradeoff，并自动识别 Metrics Theater、Feature Factory 等 6 种反模式。

潜在局限

• 依赖外部知识模块：实际效果受 knowledge/*.md 和 templates/*.md 文件质量制约，若这些模块未随 Skill 分发或版本陈旧，输出可能偏离最新实践
• 无实时数据能力：纯文档型设计意味着无法接入 JIRA、Mixpanel、Salesforce 等真实系统，所有分析基于用户提供的上下文
• 框架选择盲区：Routing Table 未覆盖的意图会回退到"通用 PM 推理"，复杂跨领域请求（如"AI 产品的定价策略"）需用户手动确认主次域
• 假设标注依赖自律：Best guess 模式下 [assumption] 标签的完整性取决于实现细节，过度推断未被标记的风险存在

适合人群

• 初中级 PM：需要结构化框架指导，避免从空白文档开始的 paralysis
• 跨领域转型者：技术/设计/运营转 PM，需快速建立产品语言体系
• 创业公司 0-1 阶段：缺乏成熟 PM 流程，需轻量级可落地的 Discovery → Delivery 工作流
• 文档标准化需求者：团队需统一 PRD、用户故事、Epic 的撰写规范

常规风险

| 风险类型 | 说明 | 缓释建议 |

|---------|------|---------|

| 框架僵化 | 过度依赖模板导致思考惰性 | 每次使用前先回答"这个决策要解决什么问题" |

| 假设未验证 | Best guess 模式的推断未经证实 | 强制要求每个 `[assumption]` 配套验证计划 |

| 输出幻觉 | 知识模块缺失时生成看似合理但不准确的框架应用 | 对陌生领域输出主动声明"此领域不在核心知识库内" |

| 角色错配 | 复杂战略请求误用简单交付模式 | 模糊请求时主动提供三种模式供用户选择 |

安全评估结论

CLS-Certify v2.1.0 安全认证显示：纯 Markdown 文档型（T-MD），无可执行代码、无外部依赖、无网络通信。Static Analysis 95 分，Privacy Compliance 95 分，零安全 findings。来源可信度 T3（社区/个人项目），建议通过开源仓库化运营提升至 T2。