Menu
持续觉察、系统反思、判断沉淀——建立个人与团队的决策觉察力
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
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 | p12a-contemplation-right-mindfulness |
| description | 持续觉察、系统反思、判断沉淀——建立个人与团队的决策觉察力 |
| stage | meta |
| tags | ["正念","持续反思","决策沉淀","系统觉察"] |
| source_book | 观照 |
| source_chapter | 第9章 正念与正定 |
| version | 1.0.0 |
| 字段 | 说明 |
|---|---|
| recent_decisions | 近期重要决策列表 |
| decision_outcomes | 决策的实际结果 |
| personal_factors | 影响判断的个人因素（情绪/压力/信息等） |
定义：佛经中以牧牛譬喻修行——牧人不需要比牛力气大，但需要时时知道自己牵的是什么牛、牛往哪里走。正念不是冥想，而是"注意力的走向"：你一直盯着的是什么，你常常忽视的是什么，你在什么节点最容易看错。
书稿引用：「注意力不是态度，不是'重视'，而是真正处在现场。很多人误以为关注就是态度认真。但关注不是'想关注'，而是真的处在那里。你会注意到那些不容易注意到的事情——不是因为你更聪明，而是因为你的眼睛一直放在正确的位置。」（第9章）书中进一步指出：「团队盯着 dashboard 上的指标，却错过客户语气的变化；盯着产品活跃度，却忽略某个页面停留时间的增加；盯着市场数据，却错过对手一个不起眼的策略调整。这些细节，从不单独出现，而是在日复一日的注意力松懈里叠加。」
应用：每天花 10 分钟"扫描周围"——指标之外的指标、客户情绪变化、团队氛围、信息噪音。不追求立刻看到变化，而是建立"知道自己在不在现场"的判断能力。真正可怕的不是大变化，而是那些日复一日、无人注意的小变化。
定义：AI 时代的关注有了另一层含义——在信息过载、模型幻觉的背景下，产品经理的"注意力"和"现场感"变得比数据本身更重要。当你不知道数据背后是什么，再好的 AI 系统也只是一面模糊的镜子。
书稿引用：「Anthropic 的研究团队在分析 AI 系统行为时，并没有先看大量数字指标。他们第一步做的，是'读模型输出'——读大量案例、反复比对、确认方向再开始量化分析。Graph 的创始人在发现用户频繁退出时，也没有先打开报告，而是去现场看一个用户的真实操作过程。」（第9章）书中总结：「量的视角告诉你'似乎正在改变'，质的视角告诉你'正在改变'。很多时候，团队错失的不是数据，而是那个在现场就已经能感受到、却没人在意的细节。」
应用：培养读案例的习惯——读客户反馈的原话而非只看情感倾向数据，读用户操作视频而非只看埋点，听客户访谈而非只看报告。找到需要关注的"一两个客户"、"一两个行为模式"、"一两次案例"，用心花一小时分析。AI 帮你处理了量的层次，但只有你才能在质的层次上做出真正判断。
很多研发管理者的工作台看起来很完整：GitHub 有提交记录、Jira 有任务状态、Linear 有迭代排期、BI 有 dashboard。PR 数量、交付周期、issue 关闭率、团队吞吐、迭代完成度，都能看，也容易看得很频繁。但 Anthropic 写 Graph 客户案例时指出：很多研发管理者其实不缺分析仪表盘，缺的是能把 GitHub、Jira、Linear 这些碎片重新接回上下文的能力。
recent_decisions:
- "基于 PR 数量下降决定增加工程人力"
- "基于迭代完成度低决定缩减需求范围"
- "基于 issue 关闭率下降决定增加 QA 资源"
decision_outcomes: "资源调整后指标略有改善，但根本问题未解决"
personal_factors: "管理者主要通过 dashboard 了解团队状态，较少直接参与技术讨论"
=== 注意力审计报告 ===
【仪表盘之外的信号】
1. 任务粒度越来越细但产出越来越少（渐进变化）
2. 技术债问题持续影响三个迭代但一直被搁置
3. 工程师反馈"上下文切换太多"
4. 评审会议中越来越多重复讨论
【注意力模式识别】
- 团队倾向："看到指标下降→加资源"，而非"先问为什么下降"
- 这让注意力停在表层指标，没有深入理解现场
- 管理者主要通过 dashboard 了解状态，缺少直接上下文
【渐进变化】
- 任务粒度变化：大任务→碎片化小任务（6个月渐进）
- 团队情绪变化：有挑战感→疲于应对（慢变量）
- 这两个变化可能互相关联，但都没有在 dashboard 上触发警报
【建议】
1. 每周留 30 分钟看"dashboard 之外"：原始 PR 评论、1:1 记录、重复出现的问题
2. 追踪渐进变化：任务粒度、上下文切换频率、技术债影响范围
3. 给"我们最近忽略了什么"这个问题留正式位置
4. 不是加更多报表，而是建立更清醒的观察方式
一个产品团队在过去一年里三次犯了类似的判断错误：看到竞品做某功能就跟风，上线后效果不佳，复盘时说"下次要先验证需求"，但下一次又重复。团队需要识别自己的判断模式。
recent_decisions:
- "Q1：跟风做社交分享功能，上线后使用率 3%"
- "Q2：跟风做 AI 聊天功能，上线后用户反馈'多余'"
- "Q3：跟风做短视频内容模块，上线后留存无变化"
decision_outcomes: "三个功能均未达到预期，复盘时都说'下次先验证需求'"
personal_factors: "团队有强烈的 FOMO（怕错过）情绪，竞品动态是主要决策输入"
=== 注意力审计报告 ===
【判断模式识别】
1. 跟风模式：竞品在做 → 跟风 → 效果不佳 → 复盘 → "下次验证" → 重复
2. 情绪模式：FOMO 驱动决策，"怕落后"让行业共识变得太像答案
3. 复盘模式：复盘结论不落地，"先验证需求"停留在口号
【渐进变化】
- 跟风频率上升：半年一次 → 每季度一次
- 决策速度加快：讨论两周 → 讨论三天就拍板
- 对"竞品在做"的敏感度在提高——需要被觉察
【弱信号】
- 用户反馈"这个功能多余"反复出现——团队没有当作模式信号
- 每次复盘的结论相同但行为不变——说明不是认知问题，是注意力结构问题
- "竞品在做"已成为默认决策触发器——需要被质疑
【决策日志模板（建议）】
| 日期 | 决策 | 触发信号 | 判断依据 | 预期结果 | 实际结果 | 偏差原因 |
|------|------|----------|----------|----------|----------|----------|
【建议】
1. 建立决策日志，记录每次重要决策的触发信号、判断依据和预期
2. 每季度对照实际结果，识别反复出现的判断偏差
3. 设计觉察练习："如果竞品不做这个功能，我们还会做吗？"
4. 把"先验证需求"从口号变成流程中的默认步骤——不验证就不讨论方案
5. 至少留一个人专门看"竞品不做但我们的用户需要什么"
第一种用法：收拢弱信号。 把访谈原话、客服记录、用户抱怨和异常路径一起交给 AI，请它归类那些仪表盘里看不见、但反复出现的小问题。AI 很适合帮你把散乱信号先收拢起来。
第二种用法：扫描慢变量。 请 AI 追踪渐进变化，例如同类情绪词是不是越来越多、某类绕路行为是不是在慢慢变成常态。AI 擅长做这种慢变量扫描，但决定哪些值得回应，还是人的注意力工作。