P0 product needs

AI Native 产品需求发现 — SKILL.md

一句话定位

当 AI 让"做出来"变得容易时，真正稀缺的是判断"什么才值得做"的能力。本 Skill 提供一套从"真实处境"出发的需求发现流程，帮助你避开 AI 时代最容易陷入的伪需求陷阱。

何时触发

用户提供了一个产品想法、问题线索或需求描述，需要：

• 判断这是真实需求还是伪需求
• 在 AI Agent 时代重新定义需求边界
• 从"用户说什么"转向"用户在什么处境中做了什么"
• 产出一份可用于后续方向定界和系统构建的需求简报

核心方法论（来自书稿）

第一性原理

数字世界正在把世界压扁，但真实世界始终是立体的。AI 很擅长处理被表达、被记录、被整理过的世界，但真正有价值的问题，往往长在现实里那些还没有被说清、也不容易被看见的地方。

核心公式

真实需求 = 场景入口 × 处境深度 × 行为证据密度
伪需求 = 表达强度 × 技术兴奋度 × 可见性偏差

三条核心线索

1. 媒介批判线：我们看到的≠现实本身。平台放大、压缩、分类和引导过的"需求"，往往只是高可见需求，不一定是真问题。
2. 产品方法线：过去需求管理的核心是资源分配；今天必须升级为问题判断——什么问题值得进入系统，什么只是被技术兴奋或舆论噪音放大的伪需求。
3. 人的能力线：当 AI 越来越会整理、总结、生成、规划，人的核心竞争力是走回现实、观察处境、判断什么该交给系统、什么必须留给人。

执行流程

Step 1：需求解构（Deconstruct the Stated Need）

把用户/客户/团队"说出来的需求"拆成三层：

层级	问题	输出
表达层	他们说了什么？	原始需求陈述
行为层	他们在什么处境中做了什么？	行为证据清单
结构层	什么在阻碍他们达成目标？	结构性约束清单

关键动作：

• 收集至少 3 个真实用户的行为案例（不是问卷，不是访谈录音，是"他们在什么场景下做了什么"）
• 标记每一个"需求"是否来自平台/算法/社交媒体的放大
• 区分"用户的痛苦"和"用户描述的痛苦"——后者往往已经被媒介翻译过

Step 2：处境映射（Situation Mapping）

AI Native 需求管理的核心转变：从"用户是谁"到"用户在什么处境中"。

处境地图的四个维度：

1. 物理处境：在哪里？用什么设备？网络环境？时间压力？
2. 社交处境：和谁在一起？谁在看？有什么社会压力？
3. 任务处境：正在完成什么目标？这个目标是谁设定的？
4. 情绪处境：当下的情绪状态？对失败的容忍度？

输出：一幅"处境-行为"映射表，显示用户在每个处境下的真实行为（而非表达意愿）。

Step 3：伪需求检测（Pseudo-Need Detection）

用 5 个信号判断一个需求是否为伪需求：

信号	检测问题	风险等级
S1: 技术兴奋型	"如果不用 AI，这个问题还存在吗？"	🔴 高
S2: 可见性偏差型	"这个需求是在哪个平台/会议上被放大的？"	🟡 中
S3: 表达-行为断裂型	"用户说的和做的是否一致？"	🔴 高
S4: 代理偏差型	"这个需求是谁的声音？是终端用户还是中间人？"	🟡 中
S5: 解决方案伪装型	"他们描述的是问题，还是已经混进了解决方案？"	🔴 高

规则：命中 ≥2 个 🔴 信号 → 标记为"高伪需求风险"，必须回到 Step 1 重新收集行为证据。

Step 4：Agent 适配评估（Agent Fit Assessment）

判断这个需求是否适合用 AI Agent 解决，而非传统工具或人工。

Agent 适配四问：

1. 边界是否清晰？ Agent 的输入和输出能否被明确定义？
2. 反馈是否闭环？ Agent 的行动结果能否被快速验证并回流到系统？
3. 错误是否可承受？ Agent 出错的代价是否在可接受范围内？（参考 Risk Exposure 框架）
4. 人的角色是否被保留？ 哪些决策必须留给人，哪些可以交给 Agent？

输出：Agent 适配评分（0-100）+ 不适合 Agent 的环节清单。

Step 5：需求简报输出（Needs Brief）

整合所有分析，输出一份标准化的 AI Native 需求简报：

needs_brief:
  problem_statement: "用一句话描述真正的核心问题（不是解决方案）"
  situation_map:
    - situation: "处境描述"
      behavior_evidence: "行为证据"
      frequency: "发生频率"
  pseudo_need_flags: ["S1", "S3"]  # 命中的伪需求信号
  agent_fit:
    score: 85
    suitable_for_agent: true
    human_reserved_decisions: ["最终审批", "伦理判断"]
  validation_criteria:
    - "验证标准1：..."
    - "验证标准2：..."
  next_stage: "p2"  # 下一阶段：方向定界

关键原则

1. 行为 > 表达：用户的行为证据比他们说的话更可信。
2. 处境 > 画像：先理解用户在什么处境中，再谈用户是谁。
3. 问题 > 方案：永远先定义问题，再讨论解决方案。AI 时代最容易犯的错误是把解决方案（"我想做一个 Agent"）当成需求。
4. 真实 > 可见：高可见的需求不一定是真需求，可能只是被算法放大了。

常见陷阱

• 陷阱 1：把"用户想要一个 AI 助手"当成需求 → 实际上用户想要的是"减少重复性工作的痛苦"
• 陷阱 2：用 AI 生成虚假需求 → 用 LLM 生成"用户故事"，看起来很像，但没有真实行为支撑
• 陷阱 3：场景太宽 → "帮助所有人提高效率"不是场景，"帮助电商客服在高峰时段处理退货请求"才是
• 陷阱 4：忽视媒介过滤 → 从社交媒体、行业报告中读到的"热点需求"，往往已经被平台扭曲

与其他 Skill 的关系

• 上游输入：无（本 Skill 是工作流起点之一）
• 下游输出：ai-native-direction-framing（方向定界）
• 并行参考：ai-native-experiment-engine（试验展开，用于验证需求假设）

核心概念

概念一：数字世界压扁了世界，但真实世界始终是立体的

AI 很擅长处理被表达、被记录、被整理过的世界。但真正有价值的问题，往往长在现实里那些还没有被说清、也不容易被看见的地方。

核心公式：

真实需求 = 场景入口 × 处境深度 × 行为证据密度
伪需求 = 表达强度 × 技术兴奋度 × 可见性偏差

当 AI 让"做出来"变得容易时，真正稀缺的是判断"什么才值得做"的能力。

概念二：三条核心线索

1. 媒介批判线：我们看到的≠现实本身。平台放大、压缩、分类和引导过的"需求"，往往只是高可见需求，不一定是真问题。
2. 产品方法线：过去需求管理的核心是资源分配；今天必须升级为问题判断——什么问题值得进入系统，什么只是被技术兴奋或舆论噪音放大的伪需求。
3. 人的能力线：当 AI 越来越会整理、总结、生成、规划，人的核心竞争力是走回现实、观察处境、判断什么该交给系统、什么必须留给人。

概念三：从"用户是谁"到"用户在什么处境中"

AI Native 需求管理的核心转变：不是先问"用户是谁"（画像），而是先问"用户在什么处境中"（场景）。

处境地图的四个维度：

维度	问题	示例
物理处境	在哪里？用什么设备？网络环境？时间压力？	地铁上用手机、办公室用电脑
社交处境	和谁在一起？谁在看？有什么社会压力？	独处时搜索、同事面前提问
任务处境	正在完成什么目标？这个目标是谁设定的？	被老板要求的 vs 自己想做的
情绪处境	当下的情绪状态？对失败的容忍度？	焦虑时搜索、放松时浏览

处境 > 画像。先理解用户在什么处境中，再谈用户是谁。

概念四：伪需求的五个信号

信号	检测问题	风险等级
S1: 技术兴奋型	"如果不用 AI，这个问题还存在吗？"	🔴 高
S2: 可见性偏差型	"这个需求是在哪个平台/会议上被放大的？"	🟡 中
S3: 表达-行为断裂型	"用户说的和做的是否一致？"	🔴 高
S4: 代理偏差型	"这个需求是谁的声音？是终端用户还是中间人？"	🟡 中
S5: 解决方案伪装型	"他们描述的是问题，还是已经混进了解决方案？"	🔴 高

规则：命中 ≥2 个 🔴 信号 → 标记为"高伪需求风险"，必须回到 Step 1 重新收集行为证据。

概念五：Agent 适配四问

判断这个需求是否适合用 AI Agent 解决：

1. 边界是否清晰？ Agent 的输入和输出能否被明确定义？
2. 反馈是否闭环？ Agent 的行动结果能否被快速验证并回流到系统？
3. 错误是否可承受？ Agent 出错的代价是否在可接受范围内？
4. 人的角色是否被保留？ 哪些决策必须留给人，哪些可以交给 Agent？

不是所有问题都适合用 AI 解决。Agent 适配评估是需求发现的最后一道关。

分步执行

Step 1：需求解构——把"说出来的需求"拆成三层

输入：用户/客户/团队表达的需求

处理：

1. 表达层：他们说了什么？→ 原始需求陈述
2. 行为层：他们在什么处境中做了什么？→ 行为证据清单
3. 结构层：什么在阻碍他们达成目标？→ 结构性约束清单

关键动作：

• 收集至少 3 个真实用户的行为案例（不是问卷，是"他们在什么场景下做了什么"）
• 标记每一个"需求"是否来自平台/算法/社交媒体的放大
• 区分"用户的痛苦"和"用户描述的痛苦"

输出：三层解构结果（表达层 + 行为层 + 结构层）

---

Step 2：处境映射——绘制用户的真实处境

输入：Step 1 的行为层输出

处理：

1. 绘制物理处境（在哪里、用什么设备、时间压力）
2. 绘制社交处境（和谁在一起、谁在看、社会压力）
3. 绘制任务处境（正在完成什么目标、谁设定的）
4. 绘制情绪处境（当下情绪、对失败的容忍度）

输出：处境-行为映射表

---

Step 3：伪需求检测——用五个信号判断

输入：Step 1-2 的全部输出

处理：

1. 逐一检测 S1-S5 五个信号
2. 统计命中数量和风险等级
3. 如果命中 ≥2 个 🔴，标记为高伪需求风险
4. 如果是高风险，回到 Step 1 重新收集行为证据

输出：伪需求检测报告 + 风险等级 + 回溯建议（如有）

---

Step 4：Agent 适配评估——判断是否适合 AI 解决

输入：已验证的需求

处理：

1. 评估边界清晰度（输入/输出能否定义）
2. 评估反馈闭环（结果能否验证并回流）
3. 评估错误承受度（出错代价是否可接受）
4. 评估人的角色保留（哪些决策必须留给人）

输出：Agent 适配评分（0-100）+ 不适合 Agent 的环节清单

---

Step 5：需求简报输出——整合所有分析

输入：Step 1-4 的全部输出

处理：

1. 用一句话描述真正的核心问题（不是解决方案）
2. 整合处境映射和行为证据
3. 标注伪需求信号和 Agent 适配结果
4. 定义验证标准和下一阶段

输出：AI Native 需求简报（标准化格式）

示例 1：电商客服需求的完整发现流程

场景描述：某电商平台客服团队说"我们需要 AI 自动回复客户"。

Step 1 需求解构：

• 表达层："AI 自动回复客户"
• 行为层：客服每天处理 2000+ 咨询，60% 是重复问题（物流查询、退货政策），新人平均需要 2 周才能独立上岗
• 结构层：知识分散在 FAQ、内部文档、老同事脑子里，新人找不到也问不出口

Step 2 处境映射：

• 物理处境：客服工作台，双屏操作，高峰时段同时处理 5+ 对话
• 社交处境：主管在旁边，同事能看到回复质量排名
• 任务处境：首响时间 < 30 秒的要求，同时保持满意度 > 95%
• 情绪处境：高峰期焦虑，怕回错被投诉

Step 3 伪需求检测：

• S1 技术兴奋型：❌ 即使不用 AI，问题也存在（人工培训成本高）
• S2 可见性偏差型：❌ 问题来自内部工单数据，不是外部放大
• S3 表达-行为断裂型：⚠️ 用户说"自动回复"，但实际行为是"新人不敢问老同事"
• S4 代理偏差型：✅ 需求来自客服主管，不是一线客服
• S5 解决方案伪装型：⚠️ "自动回复"是解决方案，不是问题描述
• 结果：2 个 ⚠️，0 个 🔴 → 中等风险，可继续但需修正问题定义

Step 4 Agent 适配：

• 边界清晰？✅ FAQ 查询 + 历史工单匹配
• 反馈闭环？✅ 客服可以标记"有用/没用"
• 错误可承受？⚠️ 回复错误可能导致客户投诉，但有人工兜底
• 人的角色保留？✅ 最终回复由人工确认后发送
• 适配评分：75/100

Step 5 需求简报：

needs_brief:
  problem_statement: "新人客服无法快速获得资深客服的判断力，导致回复质量不稳定和培训成本高"
  situation_map:
    - situation: "高峰时段，新人面对复杂咨询"
      behavior_evidence: "偷偷看老同事历史对话记录"
      frequency: "每天"
  pseudo_need_flags: ["S3", "S5"]
  agent_fit:
    score: 75
    suitable_for_agent: true
    human_reserved_decisions: ["高风险承诺回复", "投诉处理"]
  validation_criteria:
    - "新人首响时间是否降低 50%"
    - "新人回复满意度是否达到资深客服 80% 水平"
  next_stage: "p1 (方向定界)"

结论：需求成立，但问题定义需要修正——不是"自动回复"，而是"新人知识辅助"。

---

示例 2：AI 学习计划产品的伪需求识别

场景描述：一个创业团队说"我们要做一个 AI 学习计划产品，帮大学生自动制定考研复习计划"。

Step 1 需求解构：

• 表达层："帮大学生自动制定考研复习计划"
• 行为层：学生在考研论坛看学长学姐经验帖，收藏各种计划模板，但很少有人按计划执行超过 2 周
• 结构层：信息过载（太多经验帖、太多教材推荐），不知道哪个适合自己；真正的痛不是"没有计划"，而是"执行过程中没有反馈"

Step 2 处境映射：

• 物理处境：宿舍/图书馆，手机/电脑，考研倒计时压力
• 社交处境：研友互相比较进度，家长询问准备情况
• 任务处境：自主设定的目标，但缺乏外部约束
• 情绪处境：焦虑、自我怀疑、容易被"效率博主"内容吸引

Step 3 伪需求检测：

• S1 技术兴奋型：🔴 如果不用 AI，"制定计划"可以用 Excel + 学长经验解决
• S2 可见性偏差型：🔴 "AI 学习计划"是当前热门赛道，可能被市场热度放大
• S3 表达-行为断裂型：🔴 用户说"需要计划"，但行为显示"有计划也不执行"
• S4 代理偏差型：✅ 需求来自创业团队自己的判断，不是用户反馈
• S5 解决方案伪装型：🔴 "自动制定计划"是解决方案，真正问题是"执行缺反馈"
• 结果：4 个 🔴 → 高伪需求风险

决策：必须回到 Step 1 重新收集行为证据。

重新定义后的问题：不是"制定计划"，而是"考研执行过程中的实时反馈和调整"——学生真正缺的不是一份计划，而是在执行过程中有人告诉他们"你现在的进度是否正常""你的薄弱点在哪里""下一步该优先做什么"。

结论：原需求（AI 制定学习计划）是伪需求。真正的需求是"考研执行过程中的智能反馈系统"。如果团队按原需求做，会做出一个"用户生成了计划但不执行"的产品。

行为 > 表达。用户的行为证据比他们说的话更可信。