新闻详情

新闻详情

首页 / 资讯中心 / 详情

10分钟用pm-skills跑完一次产品发现,拿走一份能落地的Discovery Plan

发布时间:2026/11/22 15:50:41来源:尧图网络
10分钟用pm-skills跑完一次产品发现,拿走一份能落地的Discovery Plan
10分钟用pm-skills跑完一次产品发现拿走一份能落地的Discovery Plan【免费下载链接】pm-skillsPM Skills Marketplace: 100 agentic skills, commands, and plugins — from discovery to strategy, execution, launch, and growth.项目地址: https://gitcode.com/GitHub_Trending/pm/pm-skills用 pm-skills 的/discover命令做产品发现10 分钟内走完发散脑暴、识别风险假设、优先级排序、设计验证实验四个环节结束时就在工作区存好了一份Discovery Plan。为什么10分钟够pm-skills把方法论变成固定流程做过产品发现的人都知道耗时不在思考而在重新搭框架每次都要翻书回忆假设怎么列、矩阵怎么画、实验怎么设计。pm-skills 把9 个插件、68 个技能、42 个链式命令按 PM 领域打包好框架已经写死在技能里你只管回答。构成数量覆盖插件9个产品发现、产品战略、执行、市场研究、数据分析、GTM、营销增长等技能68个单一任务的方法论封装可被多个命令复用链式命令42个用/触发把多个技能串成端到端工作流官方 README 里对设计哲学的概括是通用 AI 给你文字pm-skills 给你结构——同一句话喂给裸模型得到一锅鸡汤喂给它得到一张能进评审会的表。交付物Discovery Plan 的 5 个模块四个环节跑完后命令自动把全部内容编译成一份 Markdown 文件存进你的工作区。结构固定为五块模块回答的问题发现性问题这次产品发现到底要学清楚什么关键假设表假设 × 风险类别 × 影响 × 不确定性 × 优先级验证实验表实验 × 方法 × 成功标准 × 工作量 × 时间线发现时间表第 1-2 周各跑哪些实验第 3 周分析并决策决策框架每个实验成功或失败分别通向哪一步结构定义见 discover.md。它还是活文档实验跑完一轮回来让 AI 基于结果更新它而不是一次会议性产物。运行机制/discover 如何串联 4 个环节discover.md 里写死的流程是四个环节依次执行每个环节调用一个技能环节技能做什么产出发散脑暴brainstorm-ideas-new产品经理、设计师、工程师三个视角各生成 5 个功能点子Top 10 清单你挑 3-5 个进入下一环识别风险假设identify-assumptions-new按价值、易用性、可行性、商业可持续性、伦理、GTM、战略、团队8 大风险类别做魔鬼代言人式拷问全部想法的假设总清单优先级排序prioritize-assumptions放进影响 × 风险矩阵高影响低风险的直接去实现高影响高风险的属信仰之跃必须优先验证测试优先级排序设计验证实验brainstorm-experiments-new把关键假设写成至少 X% 的 Y 会做 Z的 XYZ 形式配落地页、解释视频、候补名单预订等低成本前置原型带成功标准与工作量估计的实验方案每个环节之间都有 Checkpoint你可以暂停、转向或跳过手头已有调研资料或访谈记录的启动前先附给 AI命令会在脑暴前把它们读完。实操从安装到拿到文档的 3 步 第一步装插件二选一方式 ACowork 图形界面非开发者首选打开左下角Customize进入Browse plugins→Personal→ 点选Add marketplace from GitHub输入phuryn/pm-skills等 9 个插件自动装完。方式 BClaude Code 命令行两条命令claude plugin marketplace add phuryn/pm-skills claude plugin install pm-product-discoverypm-skills第二步在 AI 助手对话框里输入pm-product-discovery/README.md 里还有/brainstorm、/triage-requests、/interview等命令可换场景用/discover AI writing assistant for non-native speakers第三步跟着 Checkpoint 作答即可。命令会先问一句这是现有产品的持续发现还是新产品的初始发现并自动加载对应的 existing / new 版本技能无需手动切换。延伸Plan 做完之后往哪走命令结束会自动建议后续动作三条常用路线写 PRDpm-execution插件的/write-prd命令write-prd.md补充用户访谈interview-script 技能生成带 JTBD 探测问题的结构化访谈脚本搭建指标看板pm-product-discovery插件的/setup-metricssetup-metrics.md。答疑新手常见的 3 个误区10 分钟跑不完吧 → 官方声明这是 15-30 分钟的结构化工作流在每个 Checkpoint 快速作答、只聚焦一个想法约 10 分钟能走完一个完整闭环。只能配合 Claude 用 →/斜杠命令是 Claude 专属但 SKILL.md 技能文件是通用格式复制到 Gemini CLI、Cursor、OpenCode 等工具用自然语言描述同样步骤即可复现工作流。要先判断新旧产品吗 → 不用命令第一步就主动问并自动加载对应版本的技能无需手动切换。对想系统学习如何做产品发现的人这套流程本身就是产品发现教程方法论不留在书里而是落在你工作区那份可持续迭代的 Discovery Plan 上。pm-skills 让 AI 不只是更快地写文档而是把资深 PM 的严谨工作流带进日常帮你做出更好的产品决策。【免费下载链接】pm-skillsPM Skills Marketplace: 100 agentic skills, commands, and plugins — from discovery to strategy, execution, launch, and growth.项目地址: https://gitcode.com/GitHub_Trending/pm/pm-skills创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/21 14:14:45

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/21 14:14:26

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/21 21:08:55

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/22 1:51:41

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/21 19:02:25

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/21 14:13:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉