القائمة
AI Native 产品方法论——目标收敛与产品决策的实操 Skill。 用户提供多轮实验记录，Skill 自动执行收敛分析： 实验记录整理 → 证据对比分析 → 收敛信号识别 → 产品决策 → 输出收敛报告与决策结论。 基于《AI Native 产品方法论》第09章（试验展开-目标收敛与产品决策）。
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
AI Native 产品方法论——价值发现循环的实操 Skill。 用户提供已上线或正在验证的 AI 产品，Skill 自动执行价值发现流程： 价值信号识别 → 伪价值排除 → 价值密度评估 → 市场测试设计 → 定价策略联动 → 方向修正建议 → 输出价值发现方案。 基于《AI Native 产品方法论》第22章。
《观照》全书编排器——根据用户输入的问题类型，路由到对应的章节Skill，串联全链路决策修正流程
检查方法使用的前提是否成立——识别情境变化、验证假设前提、重配适用方法
先看机制是否有害，再看结果是否有效——价值/代价/情绪/退出权四重检查
停止错误方向，也是一种推进——归零分析、暂停策略、止损决策
收入从哪里来，产品就会站在哪边——收入来源审视与激励偏差检查
| name | p2d-convergence-decision |
| description | AI Native 产品方法论——目标收敛与产品决策的实操 Skill。 用户提供多轮实验记录，Skill 自动执行收敛分析： 实验记录整理 → 证据对比分析 → 收敛信号识别 → 产品决策 → 输出收敛报告与决策结论。 基于《AI Native 产品方法论》第09章（试验展开-目标收敛与产品决策）。 |
| tags | ["ai-product","methodology","convergence","decision","experiment-record","book-skill"] |
| author | Max |
| source_book | AI Native 产品方法论 |
| source_chapter | 第09章 试验展开-目标收敛与产品决策 |
| version | 1 |
| stage | p2d |
| homepage | https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p2d-convergence-decision |
假设池
→ 实验记录整理
→ 证据对比
→ 收敛信号识别
→ 产品决策
→ 进入系统构建 / 延后 / 放弃
把所有实验结果结构化：
| 实验ID | 假设 | 实验类型 | 结果 | 成功率 | 关键发现 |
|---|---|---|---|---|---|
| E-01 | 自动回复能减少人工 | 商业实验 | 采纳率38% | 低 | 风险过高，用户不接受 |
| E-02 | Copilot 能提升效率 | 产品实验 | 采纳率65% | 中 | 主流程成立 |
| E-03 | 售后政策AI准确率>85% | 能力实验 | 准确率78% | 低 | 资料不足 |
从四个维度对比每个方向：
对每个方向给出决策：
| 决策 | 条件 | 后续动作 |
|---|---|---|
| 继续（进入系统构建） | 四维度全部达标 | 启动工程化 |
| 延后 | 部分维度达标，资料或风险待解决 | 补充条件后重评 |
| 转向 | 原方向不可行，但相关方向有信号 | 调整方向重做实验 |
| 停止 | 核心假设被证伪 | 资源释放，聚焦其他方向 |
"客服实验已完成 E-01 至 E-08 共8个实验，需要收敛判断"
实验记录整理:
E-01 自动回复 → 采纳率38%，风险过高 → 停止
E-02 Copilot → 采纳率65%，效率提升35% → 继续
E-03 意图识别 → 准确率88%，边界清晰 → 继续
E-04 知识库检索 → 命中率72%，长尾不足 → 延后
E-05 自主回复 → 风险过高 → 停止
E-06 售后政策 → 准确率78%，需补充资料 → 延后
E-07 情绪检测 → 可行性低 → 停止
E-08 工单分类 → 准确率92%，价值明确 → 继续
收敛信号评估:
| 方向 | 技术 | 用户 | 价值 | 资料 | 综合 |
|------|------|------|------|------|------|
| Copilot | ✅ | ✅ | ✅ | ✅ | 强收敛→继续 |
| 意图识别 | ✅ | ✅ | ⚠️ | ✅ | 弱收敛→试点 |
| 知识库检索 | ✅ | ⚠️ | ⚠️ | ⚠️ | 无收敛→停止 |
产品决策:
继续: Copilot + 工单分类（进入系统构建）
试点: 意图识别（小范围试点，继续验证价值）
停止: 自动回复、情绪检测（资源释放）
延后: 知识库长尾、售后政策（补充资料后重评）
进入系统构建条件:
✅ Copilot 采纳率65%，超过60%阈值
✅ 工单分类准确率92%，超过85%阈值
✅ 价值密度已验证（ROI>200%）
✅ 风险边界清晰（人工确认兜底）
基于书稿第09章，以下概念在执行本 Skill 时需深入理解：
基于书稿方法论，本 Skill 的完整执行分为 5 步：
"客服实验已完成 E-01 至 E-08 共 8 个实验，需要收敛判断。"
实验记录整理:
E-01 自动回复（能力实验）:
假设: AI 自动回复能减少人工介入
结果: 采纳率 38%，高风险承诺过多
结论: ❌ 停止（核心假设被证伪）
E-02 Copilot 建议（产品实验）:
假设: Copilot 能提升客服效率
结果: 采纳率 65%，效率提升 35%
结论: ✅ 继续
E-03 意图识别（能力实验）:
假设: AI 能准确识别客户意图
结果: 准确率 88%，边界清晰
结论: ✅ 继续
E-04 知识库检索（能力实验）:
假设: AI 能从知识库准确召回答案
结果: 命中率 72%，长尾问题不足
结论: ⚠️ 延后（需补充知识库）
E-05 自主回复（能力实验）:
假设: AI 能独立完成完整回复
结果: 风险过高（赔付承诺错误率 15%）
结论: ❌ 停止
E-06 售后政策（能力实验）:
假设: AI 能准确解释售后政策
结果: 准确率 78%，政策文档过时
结论: ⚠️ 延后（补充资料后重评）
E-07 情绪检测（能力实验）:
假设: AI 能检测客户情绪
结果: 可行性低（准确率 55%）
结论: ❌ 停止
E-08 工单分类（能力实验）:
假设: AI 能自动分类工单
结果: 准确率 92%，价值明确
结论: ✅ 继续
四维度证据对比:
| 方向 | 技术可行性 | 用户接受度 | 价值密度 | 资料完备度 |
|------|-----------|-----------|---------|-----------|
| Copilot | ✅ 采纳率65% | ✅ 满意度82分 | ✅ ROI>200% | ✅ FAQ+工单充足 |
| 意图识别 | ✅ 准确率88% | ✅ 有明确需求 | ⚠️ 需量化验证 | ✅ 标注数据充足 |
| 工单分类 | ✅ 准确率92% | ✅ 自动化价值高 | ✅ 减少人工分类 | ✅ 历史工单充足 |
| 知识库检索 | ✅ 基础能力成立 | ⚠️ 长尾体验差 | ⚠️ 需评估覆盖度 | ⚠️ 长尾FAQ缺失 |
| 售后政策 | ⚠️ 准确率78% | ⚠️ 未充分测试 | ⚠️ 需量化 | ❌ 文档过时 |
收敛信号评估:
Copilot:
能力信号: ✅ 采纳率65%超过60%阈值
资料信号: ✅ FAQ和工单样本充足
使用信号: ✅ 客服主动使用
价值信号: ✅ 效率提升35%，ROI>200%
工程信号: ✅ 边界清晰（人工确认兜底）
判定: 强收敛 → 继续
意图识别:
能力信号: ✅ 准确率88%
资料信号: ✅ 标注数据充足
使用信号: ⚠️ 仅内部测试
价值信号: ⚠️ 需量化验证实际效果
工程信号: ✅ 边界清晰
判定: 弱收敛 → 试点验证价值
工单分类:
能力信号: ✅ 准确率92%
资料信号: ✅ 历史工单充足
使用信号: ✅ 可直接嵌入工单系统
价值信号: ✅ 减少人工分类工作量
工程信号: ✅ 标准化接口
判定: 强收敛 → 继续
知识库检索:
能力信号: ⚠️ 长尾命中率不足
资料信号: ⚠️ 长尾FAQ缺失
使用信号: ⚠️ 未充分测试
价值信号: ⚠️ 需评估覆盖度提升空间
工程信号: ⚠️ 边界不完全清晰
判定: 无收敛 → 停止（补充资料后可重开）
产品决策:
继续（进入系统构建）:
- Copilot + 工单分类（强收敛，四维度全部达标）
试点（小范围继续验证）:
- 意图识别（弱收敛，需量化价值信号后决定）
延后（补充条件后重评）:
- 售后政策（需更新政策文档+提升准确率至85%+）
- 知识库检索（需补充长尾FAQ200+条）
停止（资源释放）:
- 自动回复（E-01 核心假设证伪）
- 自主回复（E-05 风险不可控）
- 情绪检测（E-07 技术不可行）
进入系统构建条件:
✅ Copilot 采纳率 65% > 60% 阈值
✅ 工单分类准确率 92% > 85% 阈值
✅ 价值密度已验证（ROI > 200%）
✅ 风险边界清晰（人工确认兜底）
✅ 资料可持续供给
实验结论可继承性:
边界清楚: Copilot 在订单/物流场景稳定，售后需人工
失败清楚: 自动回复风险过高，情绪检测不可行
接口清楚: 需要工单系统API、FAQ知识库、规则引擎
资料链路清楚: FAQ持续更新、工单样本季度刷新、规则库专人维护
"文档审核实验已完成 D-01 至 D-06 共 6 个实验，需要收敛判断。场景是合同和法律文档的合规审核。"
实验记录整理:
D-01 合同条款提取（能力实验）:
假设: AI 能从合同中提取关键条款
结果: 准确率 91%，结构化输出稳定
结论: ✅ 继续
D-02 合规风险标记（能力实验）:
假设: AI 能标记合同中的合规风险
结果: 风险标记准确率 79%，漏过率 12%
结论: ⚠️ 延后（漏过率过高，法律场景不可接受）
D-03 合同对比（能力实验）:
假设: AI 能对比两版合同差异
结果: 差异识别率 87%，但遗漏隐含变更
结论: ⚠️ 延后
D-04 审核工作台（产品实验）:
假设: 法务人员愿意使用 AI 辅助审核工作台
结果: 采纳率 52%，满意度 71 分
结论: ⚠️ 延后（采纳率不足）
D-05 批量初筛（产品实验）:
假设: AI 能对大量合同做初筛分级
结果: 分级准确率 84%，效率提升 60%
结论: ✅ 继续
D-06 定价验证（商业实验）:
假设: 客户愿意为 AI 审核付费
结果: 3/5 客户愿意试点，但要求准确率 > 90%
结论: ⚠️ 延后（准确率未达客户要求）
四维度证据对比:
| 方向 | 技术可行性 | 用户接受度 | 价值密度 | 资料完备度 |
|------|-----------|-----------|---------|-----------|
| 条款提取 | ✅ 91% | ✅ 嵌入工作流 | ✅ 节省大量手工 | ✅ 合同样本充足 |
| 批量初筛 | ✅ 84% | ✅ 效率+60% | ✅ 客户愿意付费 | ✅ 历史合同充足 |
| 风险标记 | ⚠️ 79% | ⚠️ 漏过不可接受 | ⚠️ 需>90% | ⚠️ 风险案例不足 |
| 合同对比 | ⚠️ 87% | ⚠️ 未充分测试 | ⚠️ 需量化 | ⚠️ 隐含变更样本少 |
| 审核工作台 | ⚠️ 依赖上游 | ⚠️ 52%偏低 | ⚠️ 依赖准确率 | ✅ 流程文档充足 |
收敛信号评估:
条款提取:
能力信号: ✅ 准确率91%
资料信号: ✅ 合同样本充足
使用信号: ✅ 可嵌入现有流程
价值信号: ✅ 大量手工提取可自动化
工程信号: ✅ 结构化输出稳定
判定: 强收敛 → 继续
批量初筛:
能力信号: ✅ 分级准确率84%
资料信号: ✅ 历史合同充足
使用信号: ✅ 法务团队认可
价值信号: ✅ 效率提升60%
工程信号: ✅ 批量处理架构成熟
判定: 强收敛 → 继续
风险标记:
能力信号: ❌ 漏过率12%（法律场景不可接受）
资料信号: ⚠️ 风险案例样本不足
使用信号: ⚠️ 法务不信任
价值信号: ⚠️ 客户要求>90%
工程信号: ⚠️ 边界不清
判定: 无收敛 → 停止（当前技术条件不满足）
产品决策:
继续（进入系统构建）:
- 合同条款提取（强收敛）
- 批量初筛分级（强收敛）
延后（补充条件后重评）:
- 合同对比（需补充隐含变更样本，提升至92%+）
停止（资源释放）:
- 合规风险标记（漏过率12%，法律场景不可接受，核心假设暂不成立）
- 审核工作台（依赖上游能力，当前准确率不足以支撑采纳率）
进入系统构建条件:
✅ 条款提取准确率 91% > 90% 客户要求
✅ 批量初筛准确率 84%，效率提升 60%
✅ 价值密度已验证（3/5 客户愿意试点）
✅ 资料可持续供给
⚠️ 需要明确：系统构建阶段仅覆盖条款提取和批量初筛，风险标记留待技术突破后重开
实验结论可继承性:
边界清楚: 条款提取在标准合同模板上稳定，非标合同需人工复核
失败清楚: 风险标记漏过率不可接受，合同对比遗漏隐含变更
接口清楚: 需要合同文档解析API、条款知识库、分类模型
资料链路清楚: 合同样本持续收集、条款库按行业更新、风险案例库专人维护