核心用法
Capacity Planner 是一款面向工程团队与运营管理者的容量规划分析技能。用户通过自然语言描述当前团队状况（人数、项目数、利用率、未来计划），AI 将自动执行四步分析流程：审计当前负载（映射人员与承诺、计算真实利用率）、建模情景假设（新项目接入、人员流失、范围膨胀等）、标记风险点（单点故障、角色过载、截止日期聚集）、输出行动建议（招聘、重新分配、延期或拒绝，附带数据支撑）。
显著优点
1. 前瞻性预警机制：区别于事后救火，该技能强调在危机发生前4-8周发出信号，为决策留出缓冲时间。
2. 量化决策框架：提供清晰的利用率分级标准（绿/黄/红灯）、有效容量计算公式、缓冲比率目标等，将模糊的"忙不忙"转化为可比较的数字。
3. 情景模拟能力：支持多维度假设分析，帮助管理者评估"如果…会怎样"，减少决策盲区。
4. 结构化输出：标准化的 Capacity Snapshot 格式，便于团队周会同步、向上汇报、历史追踪。
5. 零技术门槛：纯对话交互，无需安装软件或配置系统，适合非技术背景的管理者直接使用。
潜在缺点与局限性
1. 依赖输入质量：AI 无法自动抓取真实的 Jira、GitHub、考勤系统数据，所有分析基于用户口述或粘贴的信息，存在"垃圾进垃圾出"风险。
2. 静态框架限制：提供的效率因子（0.7-0.8）、缓冲目标（15-25%）为通用经验值，可能不适用于特定行业或团队文化。
3. 无自动化监控：每次分析需手动触发，无法持续跟踪实际 vs 预测偏差，需要用户自行建立复盘机制。
4. 行业适配性：框架偏向软件工程团队设计，对销售、创意、研究等难以小时化度量的团队适用性有限。
适合的目标群体
- 10-100人规模的工程/产品团队技术负责人
- 需要向 CEO/CFO 证明招聘必要性的中层管理者
- 同时推进多个项目、资源冲突频繁的代理公司或咨询公司
- 处于快速增长期、计划性弱于业务增速的初创企业
使用风险
- 数据敏感性：向 AI 透露团队规模、项目细节、人员利用率可能涉及商业机密，建议在脱敏或私有部署环境下使用。
- 过度信任 AI 建议：容量规划涉及组织政治、人员情绪、客户关系等软性因素，纯数字模型可能推荐"最优"但不可行的方案。
- 校准成本：初期需多次对比 AI 预测与实际结果，调整效率因子，存在学习曲线。
- 来源可持续性：T3 个人开发者维护，长期更新与社区支持存在不确定性。