Startup

核心用法

Startup技能采用多Agent协同架构，将创业场景拆分为8个专业领域：产品经理（产品决策）、开发工程师（技术实现）、设计师（UX/UI）、营销专家（增长获客）、财务分析师/CFO（财务建模）、招聘专员（团队搭建）、法务（合同合规）、销售（商务拓展）。用户提出需求时，系统自动识别任务类型并调度对应Agent；复杂场景支持多Agent并行执行并智能合成结果。

阶段感知引擎

该技能的核心差异化在于PMF（Product-Market Fit）阶段识别机制：

• Pre-PMF阶段：强制聚焦「学习速度」，仅认可三类关键问题——用户是否留存、产品消失会否引发不满、是否自发传播。任何不直接服务于快速验证的需求都会被拒绝。
• Post-PMF阶段：切换为「规模化效率」优先级，拒绝与高效增长无关的建议。

决策路由系统

• 可逆决策：要求小时内快速决断
• 不可逆决策：强制启动分析师Agent建模特景
• 跨职能决策：并行调度相关Agent并合成建议
• 权责模糊：主动追问用户明确负责人

资源约束算法

内置「创始人时间成本」计算模型，优先推荐高杠杆动作，默认「手动先行、痛后才自动化」的务实路径。

显著优点

1. 反陷阱机制：主动识别5类典型创业错误（ broken retention时建功能、未过载先招聘、PMF前优化收入等），检测到即暂停并告警
2. 阶段免疫：强制隔离Post-PMF建议污染Pre-PMF场景，避免常见认知偏差
3. 轻量启动：支持「scrappy优先」原则，永远先建议低成本替代方案

潜在局限

• Agent质量依赖：各子Agent的专业深度决定最终输出质量，复杂技术或法务场景需人工复核
• 行业适配盲区：未明确区分SaaS、硬科技、消费等赛道差异，部分行业（如医疗、金融）的合规特殊性可能覆盖不足
• 情感/文化因素：创始人决策常含非理性成分，纯逻辑框架可能低估团队动态、投资人关系等软性变量

适合人群

• Pre-seed至Series A创始人：尤其是首次创业、需结构化决策框架的技术背景创始人
• 小型创业团队：缺乏完整职能团队、需外部专家角色补位的场景
• 加速器/孵化器参与者：需要快速验证假设、压缩试错周期的项目

常规风险

| 风险类型 | 说明 |

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

| 过度结构化风险 | 可能抑制创业所需的直觉决策和快速试错文化 |

| 代理责任模糊 | 多Agent输出合成时，关键判断的最终责任仍归属用户 |

| 阶段误判 | 用户若虚报或误判PMF状态，系统将输出阶段错配的建议 |

| 数据依赖 | 财务建模、增长预测等需外部数据输入，数据质量影响Agent输出 |

核心用法

Startup Orchestration 是一个面向创业者的智能协调技能，采用"多 Agent 并行协作"模式。当用户提出创业相关问题时，系统会自动识别问题类型并生成对应的专业领域 Agent：产品决策调用产品经理 Agent、技术问题调用开发者 Agent、设计需求调用设计师 Agent、增长营销调用营销 Agent、财务建模调用分析师/CFO Agent、招聘人事调用招聘 Agent、法律合同调用律师 Agent、销售交易调用销售 Agent。

对于复杂跨领域请求，系统支持多 Agent 并行运行并综合输出。核心特色在于阶段感知机制——首先识别创业公司所处阶段（Pre-PMF 产品市场匹配前 / Post-PMF 产品市场匹配后），并严格区分策略优先级：Pre-PMF 阶段唯速度导向，拒绝任何非验证性工作；Post-PMF 阶段唯规模导向，拒绝非高效增长动作。

决策路由机制区分可逆/不可逆决策、跨职能决策和权责模糊场景，分别采用快速决策、深度建模、多 Agent 综合及主动澄清不同策略。资源约束框架强调创始人时间成本优先于资金成本，推崇高杠杆活动、粗糙但快速的原型、手动优先自动化。

显著优点

1. 方法论权威性：深度内化 Y Combinator 创业框架，Pre-PMF 三大核心问题（用户是否回头？消失会否 upset？是否主动推荐？）直击早期创业本质。

2. 阶段精准匹配：避免最常见的创业错误——在错误阶段做正确的事。系统强制区分 Pre/Post-PMF 策略，防止过早规模化陷阱。

3. Agent 专业化分工：8 类专业 Agent 覆盖创业全职能，避免通用 AI 的创业建议流于表面。

4. 反模式识别：内置 5 大常见陷阱检测（留存破损时堆功能、创始人未过载前招聘、PMF 前优化收入等），主动拦截错误决策。

潜在缺点与局限性

1. 阶段判断依赖用户输入：若用户无法准确判断自身阶段，可能获得错位建议。系统虽会主动询问，但对模糊地带的识别能力有限。

2. 行业特异性不足：技能基于通用创业方法论，对特定行业（如硬件、生物医药、监管严格领域）的特殊约束覆盖有限。

3. 地域市场差异：Y Combinator 方法论主要基于美国 SaaS 创业经验，对新兴市场、非英语市场、文化差异较大的场景适配性存疑。

4. Agent 合成质量波动：多 Agent 并行输出的综合质量，依赖底层模型的整合能力，复杂场景可能出现建议冲突或遗漏。

适合的目标群体

• Pre-Seed 至 Series A 阶段创始人：尤其是首次创业、缺乏完整联合创始人团队的技术型创始人
• 独立开发者转型创业者：需要快速补全商业、运营、增长等非技术能力
• 孵化器/加速器参与者：需要系统化方法论指导和快速决策支持
• 天使投资人/创业导师：作为标准化框架辅助被投企业诊断

使用风险

1. 数据暴露风险：涉及法律、财务、招聘等敏感商业信息时，多 Agent 并行可能扩大信息暴露面。建议遵循缓解措施：仅分享必要上下文、敏感信息脱敏、或请求单 Agent 响应。

2. 建议适用性风险：创业方法论具有强烈的情境依赖性，Skill 无法替代真实行业经验、人脉网络和市场体感。重大决策仍需人工复核。

3. 模型幻觉风险：Agent 生成的专业建议可能存在事实错误或过时信息，尤其在法律合规、财务税务等强监管领域，必须人工验证。

4. 来源可持续性风险：维护者为个人开发者（T3 来源），长期更新和维护承诺未明确，生产环境使用建议关注版本演进。