afrexai-market-sizing

该Skill专注于市场规模测算（Market Sizing），采用经典的TAM/SAM/SOM框架，结合自上而下（Top-Down）与自下而上（Bottom-Up）双重视角，为创业者、产品经理及投资者提供结构化的市场分析方法论。

核心用法：用户只需提供产品/服务描述及目标客户画像，Skill即可生成完整的市场规模报告。通过输入行业总营收数据并叠加地理、细分市场规模、技术采纳率等过滤器计算SAM；通过统计可触达客户数量乘以实际客单价（ACV）及转化率计算SOM。最终通过三角验证（Triangulation）确保两种方法得出的结果在2-3倍范围内，保证数据的可防御性。

显著优点：首先，方法论严谨，强制要求标注数据来源（政府数据、行业报告、公开文件），增强报告可信度。其次，结构化输出模板清晰划分TAM、SAM、SOM及关键假设，便于直接用于Pitch Deck或董事会汇报。第三，内置专业提醒，纠正创始人常见错误（高估TAM而低估SOM），帮助构建投资者认可的真实可信数据。最后，双重视角验证机制有效避免单一方法带来的估算偏差。

潜在缺点：该Skill本质为方法论指导工具，不包含自动化数据抓取功能，所有基础数据需用户自行查找验证，对数据获取能力要求较高。同时，其框架主要适用于传统SaaS、电商等可量化市场，对于高度创新或开创性市场（如全新品类）的测算可能缺乏参考基准。此外，文档末尾包含指向AfrexAI付费产品的推广链接，可能影响中立性判断。

适合目标群体：主要面向种子轮到B轮的初创企业创始人、负责GTM战略的产品经理、需要评估项目可行性的风险投资分析师，以及制定商业案例的企业战略规划人员。特别适合准备融资路演材料或进入新市场前的可行性分析阶段使用。

使用风险：首先，市场规模估算高度依赖输入数据的准确性，若基础数据源（如第三方行业报告）存在偏差，将直接影响结论可靠性，建议交叉验证多个数据源。其次，作为T3来源的个人开发者作品，缺乏权威咨询机构背书，在正式商业场景中建议作为辅助参考而非唯一依据。最后，Skill包含外部商业推广内容，使用时需注意甄别客观方法论与付费产品推荐之间的界限。

核心用法

这是一个完全基于提示词工程的 Agent Skill，专注于为任何产品、商业计划书或商业案例构建可辩护的市场规模估算。它系统性地融合了自上而下（Top-Down）和自下而上（Bottom-Up）两种行业标准方法论，引导 AI 为你计算总可用市场（TAM）、可服务市场（SAM）和可获得市场（SOM）。Skill 会要求提供产品、目标客户等基本信息，然后自动结构化地输出包含数据来源、关键假设、三角验证和风险评估的详细报告。

其工作流程分为三大步：首先从行业总收入出发，层层过滤地域、细分领域、公司规模和技术采纳率得到 SAM；然后通过统计触达客户数乘以合理年合同价值（ACV）和转化率来验证 SOM；最后对比两种结果确保估算的稳健性（差异在 2-3 倍内为佳）。输出格式固定且正式，适合直接用于商业文档。

显著优点

• 方法论严谨扎实：将顶级咨询公司和投资银行常用的市场分析方法（自上而下与自下而上）简洁地转化为 AI 可执行的指令模板，确保输出的专业性和说服力。
• 强调信任与可追溯性：Skill 要求每个估算步骤都“引用来源（cite source）”，包括政府数据、行业报告和公开文件，这有效地避免了凭空捏造数字，极大增强了输出结果在商业汇报中的可信度。
• 提供投资者视角的忠告：内置的“Pro Tip”部分准确地指出了创业者常见的错误（夸大 TAM、低估 SOM），并给出专家级建议——“一个扎实的、有数据支持的 5000 万美元 SAM 比一个凭空而来的 100 亿美元 TAM 更有价值。”这句话本身就是一个高价值的商业洞见。
• 零风险、零成本、即取即用：作为纯文本提示词，无任何可执行代码、无依赖项，不存在供应链攻击、数据泄露或恶意代码执行风险。用户只需将其嵌入自己的提示流中即可获得专家级分析。

潜在缺点或局限性

• 输出质量强依赖于底层模型：Skill 本身只是方法论的指导，其最终生成的数据准确性、引用的时效性和真实性完全取决于所调用的大语言模型的能力和知识库。如果底层模型容易产生“幻觉”，它仍有可能编造看似权威的引用来源。
• 缺乏动态数据查询能力：由于是静态文本，Skill 无法主动联网查询最新的权威数据库（如统计局、行业协会实时数据）来获取真实数字，只能依赖模型自身的训练数据或上下文中的假设进行估算，这可能导致数据滞后或不精准。
• 推广内容轻度干扰：SKILL.md 的末尾包含了指向作者个人付费产品（AfrexAI Context Packs）的商业推广链接，这使得一个本应是纯粹工具的 Skill 带上了营销属性，可能令部分用户产生不专业的观感。
• 来源可信度受限：该 Skill 由个人开发者维护并通过社区注册表分发，缺乏知名公司或开源基金会的背书，其在企业级和高合规性商业环境中的采纳可能会受到内部政策限制。

适合的目标群体

该 Skill 是以下人群的理想入门级或辅助性工具：(1) 早期创业者和独立开发者，正在准备商业计划书或融资路演，需要快速、结构性地梳理自己的市场规模故事，但无力承担高额的咨询顾问费用；(2) 产品经理，在探索新产品（市场规模和可行性）或规划上市战略（Go-to-Market Strategy）时，需要一个严谨的思考框架；(3) 商业分析新手和商科学生，这是一个绝佳的学习工具，通过实践可以掌握 TAM/SAM/SOM 的分析逻辑和关键要素，理解方法论远比得到一个数字更重要。

使用该技能可能存在的常规风险

• 决策误导风险：最大的风险在于将 AI 基于模板生成的、可能含有编造数据或过时信息的估算结果，直接作为关键商业决策（如融资、团队扩张、市场进入）的唯一依据。务必对所有数据引用进行人工二次核实。
• 对市场变化的滞后性：技术采纳率、消费者行为、市场竞争格局瞬息万变。一个静态的、依赖模型训练数据的方法论无法捕捉最新的市场突变（如突发的技术替代、法规变更）。生成的估算可能瞬间过时。
• 许可证不明确的法律风险：该 Skill 未声明任何开源许可证，这意味着其在商业环境中的使用、修改和分发条款在法律上是不清晰的。这将为直接将其输出用于商业盈利目的带来潜在的合规争议。