Ai native direction framing

AI Native 方向定界 Skill

触发条件

当用户提供一个 AI 产品方向、问题线索或产品想法，并希望判断是否值得投入实验时，触发此 Skill。

使用场景

• 你有一个 AI 产品想法，需要判断是否值得投入实验
• 你需要为团队输出一份方向定界简报，确定进入试验的条件
• 你需要判断某个问题空间是否适合用 AI 解决

执行步骤

1. 问题语言转换：将用户输入的功能语言转换为问题语言，明确"用户在什么场景下遇到什么问题"。
2. 五个必答问题判断：逐一回答问题真实性、场景可切入性、资料可得性、能力可能性、价值密度五个核心问题。
3. 资料条件审查：从可得性、可脱敏性、可授权性、可结构化、持续供给五个维度审查资料条件。
4. 能力天花板评估：用最强模型做最小验证，判断 AI 在该场景的能力上限。
5. 价值密度判断：评估即使技术可行，这个方向是否足以形成产品价值和业务收益。
6. 输出 Direction Brief：如果条件满足，输出包含问题定义、价值假设、资料清单、风险边界和进入实验条件的方向定界简报；否则给出"不建议推进"的明确结论。

核心判断流程

问题线索
  → 问题是否真实且高频？
    → 场景是否可切入？
      → 资料是否可得且可控？
        → 能力是否可能成立？
          → 价值是否值得继续？
            → 输出 Direction Brief

五个必答问题

1. 问题是否真实且高频

• 这个问题是不是用户日常反复遇到、成本明显、值得被改变
• 判断标准：是否有具体的用户反馈、工单数据、时间成本证据
• 如果问题一年只发生几次，投入产品化往往不值得

2. 场景是否可切入

• 这个问题发生在什么角色、什么流程、什么时间点
• 是否存在明确入口可以接入 AI 能力
• 判断标准：能否描述清楚 "用户在 X 场景下遇到 Y 问题"

3. 资料是否可得且可控

审查五件事：

• 可得性：团队到底能拿到哪些外部资料和内部资料，拿不到的关键材料是什么
• 可脱敏性：资料是否涉及敏感信息，能否脱敏处理
• 可授权性：资料使用是否获得合规授权
• 可结构化：资料是否能够被清理、索引和持续供给
• 持续供给：资料是否会持续更新，还是一次性的

4. 能力是否可能成立

• AI 在这里能不能形成比传统软件更强的新能力
• 而不只是包装旧流程
• 判断方法：用最强模型做一个最小验证，看能力天花板在哪里

5. 价值是否值得继续

• 即使技术可行，这个方向是否足以形成产品价值、业务收益或长期护城河
• 判断标准：能否回答 "如果做成了，对业务的影响是什么"

产品战略主路径

Data / Materials
  → Capability
    → Product
      → Moat

• 最早期可用的不一定是干净结构化数据，更可能是零散但关键的材料
• 外部资料：行业知识、公开规则、产品文档、操作手册、标准流程
• 内部业务资料：SOP、历史工单、客服对话、系统日志、知识库、专家经验

不适合推进的场景

• 资料条件不成立：没有足够资料或无法脱敏/授权
• 容错率极低又不能保留人工接管：医疗诊断、法律结论、危险设备控制
• 响应要求强实时强确定性：必须极短时间内给出可证明正确的结果
• 场景频率太低、价值太弱
• 团队无法获得真实反馈

输出物：Direction Brief

方向定界阶段的最小产物，包含：

1. 问题定义：用户真正遇到的问题是什么
2. 价值假设：如果解决了，业务价值是什么
3. 资料清单：可用资料、缺失资料、脱敏状态
4. 风险边界：高风险动作、必须人工接管的场景
5. 进入实验的条件：什么条件满足后可以进入试验展开

使用方式

当用户提供一个 AI 产品方向或问题线索时，自动执行以下步骤：

1. 将用户输入转换为问题语言（而不是功能语言）
2. 逐一回答五个必答问题
3. 审查资料条件的五个维度
4. 评估能力天花板和价值密度
5. 输出 Direction Brief 或给出 "不建议推进"的明确结论

示例

示例1：电商 AI 客服协同系统

场景描述： 某电商平台客服团队每天处理数千个咨询，首响时间长，资深客服过载，新人培训成本高。团队想引入 AI 来改善客服效率。

用户输入： "我们想做 AI 客服系统，自动回复用户问题"

Skill 执行流程：

1. 问题语言转换

   • 原始输入是功能语言（"做 AI 客服系统"）
   • 转换为问题语言："客服首响时间为什么慢？哪些问题重复度最高？"

2. 五维度判断

   • 问题真实且高频：✅ 每天数千个咨询，首响时间影响用户满意度
   • 场景可切入：✅ 发生在客服工作台，有明确入口
   • 资料可得且可控：⚠️ 需要盘点 FAQ、历史工单、物流规则，确认能否脱敏
   • 能力可能成立：✅ 订单查询、物流解释等任务适合 AI 辅助
   • 价值值得继续：✅ 缩短首响时间、降低培训成本、提升一致性

3. 资料条件审查

   • 可得性：FAQ（有）、工单记录（有）、物流规则（有）
   • 可脱敏性：需要移除用户手机号、地址等敏感字段
   • 可授权性：内部资料需合规审批
   • 可结构化：可整理为知识库
   • 可持续供给：工单持续产生

4. 方向摘要输出

输出结果：

# Direction Brief：AI 客服协同系统

## 目标问题
客服首响时间长（平均5分钟），重复性问题占比60%，新人培训周期2周

## 场景边界
- 先做：订单查询、物流解释、售后政策咨询
- 暂不做：投诉处理、赔付决策、情感安抚

## 资料盘点
- ✅ FAQ（500条）
- ✅ 历史工单（10万条，需脱敏）
- ✅ 物流规则文档
- ⚠️ 售后政策（需法务确认可用性）

## 能力假设
AI 提供意图理解、规则检索、候选回复生成，高风险承诺保留人工确认

## 价值假设
- 首响时间从5分钟降至1分钟内
- 新人培训周期从2周降至3天
- 客服满意度提升10%

## 风险边界
- 退款、赔付承诺必须人工确认
- 敏感账户操作不能自动化
- 情感升级话题自动转人工

## 进入条件
- [x] 资料脱敏方案通过
- [x] 法务确认规则文档可用
- [ ] 完成50例影子验证
- [ ] 误判率 < 5%

---

示例2：AIOps 故障分诊系统

场景描述： 运维团队面临告警风暴，一次故障触发几十条告警，值班工程师判断困难，依赖少数专家经验。

用户输入： "我们想做 AIOps，自动修复生产故障"

Skill 执行流程：

1. 问题语言转换

   • 原始输入："自动修复故障"（过于激进）
   • 修正为："故障发生时，如何更快完成初步判断和分诊"

2. 五维度判断

   • 问题真实且高频：✅ 每周多次故障，告警量大
   • 场景可切入：✅ 值班工程师工作台
   • 资料可得且可控：⚠️ 需历史故障工单、日志样本
   • 能力可能成立：✅ 告警聚类、日志解释、案例召回可行
   • 价值值得继续：✅ 缩短定位时间，减少专家依赖

3. 关键边界识别

   • 错误代价高：错误归因可能放大事故
   • 不适合全自动：先做辅助分诊，不做自动修复
   • 必须保留人工：升级决策权始终归工程师

输出结果：

# Direction Brief：AIOps 故障分诊辅助系统

## 目标问题
故障告警过多（平均30条/次），定位时间长（平均45分钟），过度依赖专家经验

## 场景边界
- 先做：告警聚类、日志摘要、相似案例召回、初步归因建议
- 明确不做：自动修复、自动重启、自动切流

## 资料盘点
- ✅ 历史故障工单（2000条，已脱敏）
- ✅ 日志样本（ ELK 可查询）
- ✅ 监控信号（Prometheus）
- ✅ 处理手册（Confluence）

## 能力假设
能理解日志、关联多源信号、召回历史案例，输出"先看哪里"的建议

## 价值假设
- 故障定位时间从45分钟降至15分钟
- 减少50%的无效升级
- 新人也能借助系统完成初步判断

## 风险边界（高约束场景）
- 所有输出只能作为建议，不作为命令
- 高风险动作必须双人确认
- AI 不能直接操作生产环境
- 误判路径需人工可追溯

## 进入条件
- [x] 资料可用性确认
- [x] 风险边界与 SRE 团队达成一致
- [ ] 完成影子验证（对比人工判断）
- [ ] 召回准确率 > 80%

---

示例3：医疗智能问诊助手（高风险场景）

场景描述： 三甲医院门诊部希望用 AI 辅助医生进行预问诊，收集患者症状和病史，提高门诊效率。

用户输入： "我们想开发 AI 医生，让患者先和AI交流，自动生成诊断建议"

Skill 执行流程：

1. 问题语言转换

   • 原始输入："AI 医生自动生成诊断"（过于激进，风险极高）
   • 修正为："如何在诊前高效收集患者症状信息，辅助医生了解病情背景"

2. 五维度判断与风险评估

维度	评估	关键考虑
问题真实性	✅	医生确实需要更多时间了解患者背景
场景可切入	✅	挂号后、就诊前的等待窗口期
资料可得性	⚠️	病历数据敏感，需严格脱敏和授权
能力可能性	✅	症状收集、病史整理适合AI辅助
价值判断	✅	节省医生问诊时间，提升患者体验

3. 高风险边界识别

   • 医疗误诊代价极高，涉及生命安全
   • AI 绝不能给出诊断结论或用药建议
   • 必须定位为"信息收集助手"，而非"诊疗建议"

4. 资料条件审查

   • 可得性：通用医学知识（有）、医院内部病历（需授权）
   • 可脱敏性：必须去除患者身份标识
   • 可授权性：需通过医院伦理审查
   • 合规要求：需符合《医疗健康数据安全管理办法》

输出结果：

# Direction Brief：医疗智能预问诊助手

## 目标问题
门诊医生平均问诊时间仅8分钟，难以充分了解患者完整病史；
患者候诊时间长，希望提前整理症状描述

## 场景边界（严格限定）
- ✅ 明确做：症状收集、病史整理、就诊提醒
- ❌ 明确不做：诊断建议、用药推荐、治疗方案
- 边界描述：AI 只是"信息收集员"，所有医疗决策权归医生

## 资料盘点
- ✅ 公开医学知识库（症状-科室对应关系）
- ⚠️ 本院历史病历（需脱敏+伦理审批）
- ⚠️ 医学教材和诊疗指南（需确认版权）
- ❌ 药品推荐数据库（暂不涉及）

## 能力假设
- AI 能引导患者描述症状（多轮对话）
- AI 能整理结构化病史摘要（供医生参考）
- AI 能推荐合适科室（基于症状，非诊断）
- AI 绝对不生成任何诊断结论

## 价值假设
- 医生问诊准备时间节省 3-5 分钟
- 患者就诊体验提升（感觉被充分了解）
- 科室分诊准确率提升 15%

## 风险边界（医疗场景高标准）
- 🚫 绝对禁止：诊断、用药、治疗建议
- 🚫 绝对禁止：替代医生做任何医疗决策
- ✅ 必须保留：所有输出仅供医生参考
- ✅ 必须设计：医生可一键查看原始患者描述
- ✅ 必须设计：患者明确知晓"AI 非医生"

## 进入条件
- [ ] 通过医院伦理委员会审查
- [ ] 法务确认合规（医疗数据安全法）
- [ ] 临床医生参与设计并认可边界
- [ ] 完成100例真实场景 shadow 测试
- [ ] 零误诊风险事件（测试期）

## 特别说明
⚠️ 本方向进入实验阶段后，任何涉及诊断的扩展都必须重新定界

---

示例4：金融合规文档审查助手

场景描述： 证券公司合规部门每天需要审查大量合同和公告，确保符合监管要求，人工审查效率低且容易遗漏。

用户输入： "我们想把 AI 用于自动审核合同，替代合规专员的工作"

Skill 执行流程：

1. 问题语言转换

   • 原始输入："AI 自动审核替代专员"（过于激进）
   • 修正为："如何辅助合规专员更快识别合同中的风险条款和合规问题"

2. 五维度判断

维度	评估	说明
问题真实性	✅	每天50+份合同，审查压力大
场景可切入	✅	合同提交后的审查流程
资料可得性	✅	监管规则公开、历史合同有积累
能力可能性	✅	条款识别、风险标记适合AI
价值判断	✅	提升审查效率，降低合规风险

3. 金融合规特殊考虑

   • 监管要求严格，审查结果需可追溯
   • 不能替代合规专员的最终判断
   • 需保留完整的审查决策链

4. 资料条件审查

   • 外部资料：证监会/交易所监管规则（公开）
   • 内部资料：历史合同、审查记录（需脱敏）
   • 持续更新：监管规则经常变化，需及时同步

输出结果：

# Direction Brief：金融合规文档审查助手

## 目标问题
合规专员日均审查合同50+份，条款遗漏风险高；
新人培训周期长（3个月），难以快速掌握全部监管规则

## 场景边界
- ✅ 明确做：风险条款高亮、监管规则引用、相似案例提示
- ✅ 明确做：审查 checklist 自动生成
- ❌ 明确不做：最终合规判断、替代专员签字
- 定位：AI 是"第一筛查员"，专员是"最终决策者"

## 资料盘点
- ✅ 证监会监管规则（公开，可爬取）
- ✅ 交易所业务规则（公开）
- ⚠️ 公司历史合同（需脱敏处理）
- ⚠️ 内部合规检查清单（需业务方确认）
- 挑战：监管规则频繁更新，需建立同步机制

## 能力假设
- AI 能识别合同中的关键条款（80%+准确率）
- AI 能匹配相关监管规则条文
- AI 能标记高风险条款（如违约责任不对等）
- AI 能提示历史类似合同的处理方式

## 价值假设
- 合同审查时间从2小时降至30分钟
- 条款遗漏率降低 70%
- 新人培训周期从3个月降至1个月

## 风险边界（金融合规场景）
- 所有 AI 标记必须附带依据（监管条文编号）
- AI 建议与最终决策分离，专员负全责
- 完整审计日志：谁看了AI建议、做了什么决定
- 季度人工抽样复核：验证 AI 准确率

## 进入条件
- [ ] 法务确认监管合规性
- [ ] 获取100份历史合同样本（已脱敏）
- [ ] 合规主管认可边界设计
- [ ] 完成影子验证（AI vs 专员对比）
- [ ] 条款识别准确率 > 85%

## 特别考虑
⚠️ 监管规则变化时需及时更新知识库
⚠️ 建立人工复核机制，避免过度依赖AI

---

示例5：教育个性化学习助手

场景描述： 在线教育平台希望用 AI 为学生提供个性化学习建议，根据学习情况推荐练习题和学习路径。

用户输入： "我们想做一个 AI 家教，能自动教学生解题"

Skill 执行流程：

1. 问题语言转换

   • 原始输入："AI 家教自动教学生"（过于宽泛）
   • 修正为："如何根据学生学习数据，推荐适合难度的练习题和学习资源"

2. 五维度判断

维度	评估	说明
问题真实性	✅	学生确实需要针对性练习
场景可切入	✅	课后练习、错题复习场景
资料可得性	✅	题库、学习记录、知识点图谱
能力可能性	✅	难度匹配、资源推荐适合AI
价值判断	✅	提升学习效率，减少无效练习

3. 教育场景特殊考虑

   • 不同年龄段学习特点不同
   • 需要循序渐进，避免打击学习信心
   • 家长关注学习数据隐私

4. 资料条件审查

   • 学习数据：学生做题记录、学习时长、正确率
   • 内容资源：题库、知识点讲解、视频资源
   • 隐私合规：学生数据需严格保护

输出结果：

# Direction Brief：教育个性化学习助手

## 目标问题
学生刷题效率低，常做已掌握的题或难度不匹配；
老师难以针对每个学生定制练习计划

## 场景边界
- ✅ 明确做：练习题难度推荐、错题回顾、知识点诊断
- ✅ 明确做：学习路径建议、资源推荐
- ❌ 明确不做：替学生完成作业、直接给出答案
- 定位：AI 是"学习规划助手"，不是"答案提供者"

## 资料盘点
- ✅ 题库数据库（已有10万+题目）
- ✅ 知识点图谱（学科知识点关联）
- ✅ 学生学习记录（平台已有数据）
- ⚠️ 学生个人信息（需家长授权）

## 能力假设
- AI 能诊断学生知识点掌握情况
- AI 能推荐适当难度的练习题（不太易、不太难）
- AI 能生成个性化学习计划
- AI 能提供解题思路提示（不给最终答案）

## 价值假设
- 学生练习效率提升 30%
- 同类错题重复率降低 50%
- 家长满意度提升（看到进步轨迹）

## 风险边界（教育场景）
- 避免"答案依赖"：不直接给答案，只给思路
- 保护学生隐私：学习数据不外泄
- 家长知情权：定期向家长汇报学习情况
- 循序渐进：难度调整幅度适度，避免挫败感

## 进入条件
- [ ] 获取500名学生历史学习数据
- [ ] 教研团队认可推荐算法逻辑
- [ ] 家长隐私协议签署
- [ ] 完成 A/B 测试（推荐 vs 随机）
- [ ] 学生满意度 > 70%

## 特别考虑
🎯 不同学科、不同年级需分别验证
🎯 学习动机比学习效率更重要