product-discovery

name	product-discovery
description	知识先行的产品需求发现与分析技能。从用户描述中提炼完整、可测量、无歧义的需求集合。 包含质量属性场景六要素、MoSCoW 优先级、需求 Rubric 评估。 基于 SAiP + Clean Architecture 方法论，配合 Generator-Evaluator 反 LLM 缺陷协议。 触发词：需求分析、需求发现、产品需求、质量属性、非功能需求、MoSCoW、用户故事、QAS。 当用户说"分析需求"、"整理需求"、"我要做一个 XXX 系统"时触发。

Product Discovery — 产品需求发现与分析

核心理念

知识先行，角色后置。
每个需求决策必须引用 knowledge/ 中的决策框架 [K]，不凭直觉。
生成（Generator）和评估（Evaluator）由不同角色执行。

文件结构

.claude/skills/product-discovery/
├── SKILL.md                              ← 你在这里
├── knowledge/requirements-quality.md     ← SAiP+Clean Arch: QAS/ATAM/分层
├── knowledge/theory-of-constraints.md    ← TOC: 五聚焦步骤/瓶颈/吞吐量会计
├── roles/product-analyst.md              ← Generator: 需求发现 + 优先级
├── roles/reviewer.md                     ← Evaluator: 对抗性评估
├── references/PROTOCOL.md                ← 反 LLM 缺陷协议（全程约束）
└── templates/
    ├── checkpoint.md                     ← 阶段检查点格式
    ├── progress.md                       ← design-progress.json 格式
    └── requirements.md                   ← 需求规格输出格式

启动步骤

1. 读取本文件 — 了解工作流
2. 读取 .claude/skills/product-discovery/references/PROTOCOL.md — 了解反 LLM 缺陷约束
3. 创建 design-progress.json — 格式见 .claude/skills/product-discovery/templates/progress.md
4. 加载 .claude/skills/product-discovery/knowledge/requirements-quality.md — 需求分析的核心知识
5. 加载 .claude/skills/product-discovery/knowledge/theory-of-constraints.md — TOC 约束理论
6. 走收敛循环 — GENERATE → EVALUATE → RESOLVE → CHECK
7. 产出 checkpoint — checkpoint-1-discovery.yaml

Sprint 契约

• 输入： 用户的产品描述
• 产出： 结构化需求列表（FR-xxx / NFR-xxx）+ checkpoint-1-discovery.yaml
• 收敛标准： Rubric 每项 ≥ 7/10
• 迭代： 持续直到收敛（不限轮次）
• Generator： .claude/skills/product-discovery/roles/product-analyst.md
• Evaluator： .claude/skills/product-discovery/roles/reviewer.md（或独立 Subagent）

收敛循环

┌─────────────────────────────────────────────────┐
│  GENERATE  →  EVALUATE  →  RESOLVE  →  CHECK    │
│  (生成方案)    (独立评估)    (修正)      (收敛检查) │
│      ▲                                  │       │
│      │            未收敛                 │       │
│      └──────────────────────────────────┘       │
│               已收敛 ↓                           │
│          CHECKPOINT（固化 + 交接）                │
└─────────────────────────────────────────────────┘

步骤 1：收集原始输入

• 用户描述产品想法 → 提取关键词 → 识别领域
• 向用户提问（最多 5 个高质量问题，聚焦于消除歧义）

步骤 2：知识匹配

• 读取 .claude/skills/product-discovery/knowledge/requirements-quality.md
• 读取 .claude/skills/product-discovery/knowledge/theory-of-constraints.md — 用五聚焦步骤识别系统约束，指导优先级
• 用"质量属性场景六要素"检查每个非功能需求
• 用 TOC 五聚焦步骤识别系统瓶颈，高优需求必须针对约束
• 用"需求优先级矩阵" + TOC 吞吐量思维排序

步骤 3：GENERATE（product-analyst 角色）

• 整理出结构化需求列表（FR-xxx / NFR-xxx）
• 每个需求标注来源 [U]/[K]/[E]
• NFR 必须包含六要素：刺激源/刺激/环境/制品/响应/度量

步骤 4：EVALUATE（reviewer 角色，独立评估）

维度	权重	评估问题
完整性	35%	核心流程是否覆盖？NFR 有六要素？
可测量性	30%	每个 NFR 有具体数字？有无模糊词？
优先级清晰	20%	MoSCoW 是否合理？Top 3 是否针对系统约束？
排除项	15%	显式声明不做什么？边界清晰？

强制找到 ≥2 个问题。向用户展示评估报告。

步骤 5：RESOLVE + CHECK

收敛条件（全部满足才可退出）：

• ✓ 每个 NFR 有六要素（刺激源/刺激/环境/制品/响应/度量）
• ✓ 需求按 MoSCoW 分类
• ✓ 无 [UNCERTAIN] / [A] 标记
• ✓ 用户确认 Top 3 优先级
• ✓ Rubric 每项 ≥ 7/10

步骤 6：产出 checkpoint-1-discovery.yaml + 更新 design-progress.json

关键规则

• GENERATE 和 EVALUATE 由不同角色执行
• EVALUATE 必须找到 ≥ 2 个问题
• 迭代不限轮次，持续直到 Rubric 收敛；仅当超出 LLM 能力时标 [ESCALATE]
• 所有决策标注来源：[K] 知识 / [V] 已验证 / [E:置信度] 经验 / [U] 用户 / [A] 假设
• [A] 必须在本阶段内消解，不允许 [A] 支撑 [A]
• 角色 = 视角过滤器，不是人格模拟

与 domain-modeling 的衔接

本 skill 的 checkpoint-1-discovery.yaml 是 domain-modeling skill 的输入。 完成需求发现后，建议用户继续使用 domain-modeling skill 进行限界上下文划分。