القائمة
判断产品里要不要内置 AI 能力。当用户的产品想法已经过需求澄清，在决定要不要给产品加 AI 功能时使用。通过 4 个问题的决策链，15 分钟内给出"加 AI 功能 / 用规则功能 / 混合 / 不加"的结论，附判断标准与 AI 执行约束。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
小象AI产品Builder技能包主入口。双模式：任务前路由（你的想法该用哪个 skill）+ 任务后导航（刚做完一个 skill，下一步该干什么）。帮助用户用好 AI Agent 把想法做成上线的产品，覆盖想清楚/做出来/跑起来三阶段。触发方式：/xxskill、"帮我做产品"、"我不知道从哪开始"、"下一步怎么走"。
性能优化技能。当产品在低端机卡顿、接口等待白屏、历史列表滚动掉帧、或需要优化帧循环计算、运动交互时使用。覆盖典型性能场景（含 AI 调用的流式渲染、长等待、长列表、冷启动、节流防抖）和零体验降级原则，按P0/P1/P2分级优化，输出可直接应用的参考实现。
最小后端技能。当产品需要调用 AI API（或第三方 API）但不想搞复杂后端时使用。只讲最小三件套：API 代理（隐藏 key）、key 管理、简单缓存降本。不碰微服务、不碰数据库设计。
数据中心与AI评估方法论技能。当产品的 AI 能力需要提升输出质量、用户只靠改prompt碰运气、或缺乏系统化的评估方法时使用。基于Andrew Ng的Data-Centric AI思想，建立评估集、做离线/在线评估、绑定prompt与数据版本，用数据迭代而非盲目调prompt。输出数据迭代日志。AI 按本规范维护评估集与日志，用户按判断标准判断质量好坏。
安全与合规技能。当产品收集用户数据、涉及 AI 输出内容、准备提交微信小程序审核时使用。覆盖通用合规（隐私、备案、类目资质）和 AI 专属合规（内容审核、AI 输出安全），输出上线前合规检查清单。
微信小程序数据埋点与 WeAnalysis 后台配置全流程：事件命名规范、五阶段埋点事件表、转化漏斗分析、数据驱动决策8步框架、wx.reportEvent 代码示例、批量创建JSON模板、元事件配置陷阱、AI 质量监控。主要给 AI 执行埋点规范，给人判断埋点是否覆盖核心旅程。
| name | xx-ai-feature |
| description | 判断产品里要不要内置 AI 能力。当用户的产品想法已经过需求澄清，在决定要不要给产品加 AI 功能时使用。通过 4 个问题的决策链，15 分钟内给出"加 AI 功能 / 用规则功能 / 混合 / 不加"的结论，附判断标准与 AI 执行约束。 |
不是所有产品功能都需要 AI。规则能做的别上 AI，再判断 AI 带来的价值能不能盖过成本。
帮你在 15 分钟内判断"我的产品某个功能要不要做成 AI 功能"，避免硬塞 AI 导致成本失控和体验下降。
输出一张产品 AI 能力决策卡，明确告诉你：这个功能加 AI、用规则功能、混合、还是不加 AI。
本技能面向"用自然语言提需求、看结果提优化"的用户：你不需要懂技术细节，只需按 4 个问题如实描述功能场景，AI 负责走完决策链并给出结论和风险。
AI 执行约束： 走决策链时必须按 Q1→Q2→Q3→Q4 顺序，前面问题答完能停就停，不要跳过。每个问题的"是/否"必须有场景事实支撑，不能凭感觉给结论。
按顺序回答，前面问题答完就能停。
为什么先问这个： 规则能搞定的事做成 AI 功能是过度设计，徒增成本和不确定性。
为什么问这个： AI 的本质是概率输出，做不到 100%。产品功能要 100% 准确的场景硬上 AI 就是给用户挖坑。
为什么问这个： 静默失败是 AI 产品功能最大的坑。用户不知道错了，按错的用，最后出大事。
为什么问这个： AI 每次调用都要钱。如果一个功能单次调用成本 5 分钱，但给用户只值 1 分钱价值，用一次亏一次。
怎么粗估成本： 国内主流大模型按 token 计费，输入约 0.5-2 元/百万 token，输出约 1-8 元/百万 token。一次普通调用（输入 200 字 + 输出 100 字）大约几厘到几分钱。图片生成按张计费，约 2-8 分/张。不确定就直接问 AI："我用的 XX 模型，这个功能一次调用大概多少钱？"
判断标准： 4 个问题任一答"否/慎用"且对应结论成立，就按该结论走，不要硬往下走。决策链的价值在于"早停"，不在于走完。
| 场景特征 | 例子 |
|---|---|
| 功能输入有大量长尾变化 | 客服问答、内容审核、自由文本分类 |
| 用户容忍 80-95% 准确率 | 起名建议、文案生成、中式色名命名 |
| 错误可被用户发现纠正 | 翻译润色、配色命名、代码补全 |
| 价值高到能覆盖调用成本 | 合同风险识别、医疗影像辅助、海报生成 |
| 场景特征 | 替代方案 |
|---|---|
| 功能规则可枚举、能查表 | 做成规则功能 / 查表功能 |
| 要求 100% 准确 | 规则功能 + 人工校验 |
| 调用成本 > 业务价值 | 不加 AI，或用免费方案 |
| 高频低价值（每次调用都不值） | 规则功能 + 缓存 |
开始：产品某个功能要不要做成 AI 功能
↓
Q1：规则/查表能做？
├─ 是 → 做成规则功能
└─ 否 ↓
Q2：用户容忍 <100% 准确？
├─ 否 → 做成规则功能
└─ 是 ↓
Q3：AI 出错用户能发现？
├─ 否 → 慎用 AI 功能（需强监控）
└─ 是 ↓
Q4：价值 > 成本？
├─ 否 → 不加 AI 功能
└─ 是 → 加 AI 功能
大多数真实产品是混合的：核心功能用规则保证确定性，部分环节加 AI 处理模糊和长尾。
例子：小象取色
这种分工让规则保证底线（数字、格式不能错），AI 发挥优势（理解文化语义、生成创意）。
AI 执行约束： 若结论是"混合"，必须明确写出哪部分做成 AI 功能、哪部分做成规则功能、两部分的交接点在哪。不能只说"混合"了事。
真相： 用户不关心你的产品用了什么技术，只关心能不能解决问题。规则功能能解决就用规则功能。
真相： AI 功能和规则功能是互补的。规则功能做确定性的事，AI 功能做模糊性的事。
真相： 一个小功能判断错，每次调用都浪费钱，用户量大了累积起来很贵。
真相： 你用 AI Agent 开发产品（开发 AI），不代表产品本身要内置 AI 功能（产品 AI）。记账小程序用 AI 写代码，但记账功能本身可能全是规则。
## 产品 AI 能力决策卡
### 功能
[要判断的产品功能]
### 4 个问题答案
Q1 规则能做：是/否
Q2 容忍 <100%：是/否
Q3 错误可发现：是/否
Q4 价值 > 成本：是/否
### 结论
[加 AI 功能 / 用规则功能 / 混合 / 不加]
### 如果加 AI 功能，主要风险
- 风险1：[描述] → 应对：[方案]
- 风险2：[描述] → 应对：[方案]
### 如果混合，分工
- AI 功能负责：[任务]
- 规则功能负责：[任务]
- 交接点：[在哪交接]
AI 执行约束： 决策卡中每个"是/否"必须附一句依据（场景里的什么事实支持这个判断）。结论必须和决策链结果一致，不能出现"Q2 答 100% 准确但结论是加 AI 功能"这种矛盾。
"产品某功能要不要加 AI"的结论是否可靠：
AI 执行约束： 任意一项不满足，必须明确标注"该项证据不足"，不能补全脑补。
场景： 小象取色要做"AI 中式命名"和"AI 配色方案生成"两个候选 AI 功能，分别判断要不要加。
| 问题 | 答案 | 依据 |
|---|---|---|
| Q1 规则能做？ | 否 | 输入是 Hex，但"中式色名"是开放集合无法枚举，且需结合文化语义 |
| Q2 容忍 <100%？ | 是 | 用户能一眼看出命名贴不贴，错了改一下就行，不涉及财务/合规 |
| Q3 错误可发现？ | 是 | 用户看到"故宫红"会对照实物判断，错了能立刻纠正 |
| Q4 价值 > 成本？ | 是 | 单次调用约几厘钱，用户为"高级配色/海报"付费，价值远超成本 |
结论：加 AI 功能。
主要风险与应对：
| 问题 | 答案 | 依据 |
|---|---|---|
| Q1 规则能做？ | 否 | 整套配色需审美和创意，规则枚举不出好方案 |
| Q2 容忍 <100%？ | 是 | 配色是审美判断，用户能挑能改 |
| Q3 错误可发现？ | 是 | 用户看配色丑不丑一眼判断 |
| Q4 价值 > 成本？ | 否 | 生成整套配色需多轮调用、token 多，单次成本约几角；但调研显示大多数用户只要色名就够，愿为"整套配色"付费的少，价值盖不过成本 |
结论：暂不加 AI 功能（先验证需求）。
替代方案：
同一个产品里，AI 中式命名值得加，AI 配色方案生成暂不值得——这就是混合决策。不要因为"一个功能值得加 AI"就给所有功能都上 AI，也不要因为"一个功能不值得"就否定整个产品的 AI 价值。
把你的产品功能和候选 AI 能力告诉我，我用这 4 个问题帮你逐个判断。你只需用自然语言描述功能场景，我走完决策链给出结论和风险。
对话示例：
xx-clarify 需求澄清、xx-goal 定目标后 → 用本技能判断"产品功能要不要加 AI"xx-business 理商业模式（AI 功能成本要进成本结构），再进 02-build/ 层xx-track 上线后 AI 质量监控的输入| 开发 AI（开发工具） | 产品 AI（产品功能） | |
|---|---|---|
| 是什么 | 你用 AI Agent 帮你写代码、调试、生成方案 | 你的产品内置 AI 能力，终端用户直接用 |
| 谁用 | 你（开发者） | 你的产品用户 |
| 本 skill 管不管 | 不管，始终是 AI Agent | 管，本 skill 只判断这个 |
判断标准： 区分这两个 AI，看"谁在用 AI"——是你开发时用，还是你的产品用户用。前者不讨论，后者才是本 skill 的判断对象。
AI 执行约束： 如果用户问的是"我开发这个产品要不要用 AI Agent"，明确回答"开发工具始终是 AI Agent，这不是本 skill 的范围"，然后把问题转译为"你的产品某个功能要不要做成 AI 功能"再走决策链。
举例：