ワンクリックでManusで任意のスキルを実行

ai-pm-data

数据分析技能。提供数据指标设计、数据洞察分析、仪表盘生成三大能力。从数据中发现产品需求和优化机会。当用户说「分析数据」「上传Excel」「数据洞察」「数据可视化」「做仪表盘」「数据看板」「指标设计」「埋点方案」「从数据里找需求」「数据报表」时，立即使用此技能。

Manusで実行

概要

インストールコマンド

npx skills add https://github.com/K3tty5555/AI_PM --skill ai-pm-data

このコマンドをClaude Codeにコピー＆ペーストしてスキルをインストール

ソース

K3tty5555/AI_PM

スター2

フォーク0

更新日2026年6月1日 07:54

SKILL.md

readonly

name	ai-pm-data
description	数据分析技能。提供数据指标设计、数据洞察分析、仪表盘生成三大能力。从数据中发现产品需求和优化机会。当用户说「分析数据」「上传Excel」「数据洞察」「数据可视化」「做仪表盘」「数据看板」「指标设计」「埋点方案」「从数据里找需求」「数据报表」时，立即使用此技能。
argument-hint	[数据文件路径 \| 命令: insight/metrics/dashboard]
allowed-tools	Read Write Edit Bash(mkdir) Bash(ls) Bash(python3)

ai-pm-data — 数据分析技能

命令路由

根据 $ARGUMENTS 路由：

输入	执行
`metrics`	数据指标设计
`insight {文件路径}`	数据洞察分析
`dashboard`	项目仪表盘
直接传入文件路径	自动执行 insight
无参数	显示帮助

1. metrics — 数据指标设计

基于 PRD 设计指标体系、埋点方案。

用法:

/ai-pm data metrics           # 读取当前项目 PRD
/ai-pm data metrics abtest    # 追加 A/B 测试设计

流程:

读取 05-prd/05-PRD-v1.0.md
    ↓
提取可量化目标
    ↓
设计指标体系（北极星 → 一级 → 二级 → 过程指标）
    ↓
设计埋点方案（事件名、属性、触发时机）
    ↓
输出 09-analytics-requirement.md

输出: {项目目录}/09-analytics-requirement.md

2. insight — 数据洞察分析

上传数据文件（Excel/CSV），通过 EDA 发现业务洞察。

用法:

/ai-pm data insight ./data.xlsx
/ai-pm data insight ./data.csv --focus=conversion

分析步骤:

数据探索 — 加载文件，检查结构、字段、缺失值
关键指标 — 描述统计、分布特征
异常检测 — 识别异常值、数据质量问题
趋势分析 — 时间序列、周期性规律
产品洞察 — 提炼可操作的产品改进建议

强制规范 — Excel 读取:

# 必须用 data_only=True，否则读到的是公式而非值
import openpyxl
wb = openpyxl.load_workbook(file_path, data_only=True)

执行方式: 用 python3 直接执行分析脚本，脚本写入结果文件后退出。

输出:

{项目目录}/10-data-insight-report.md — 洞察报告（含 Top 3 洞察摘要）
{项目目录}/11-data-driven-requirements.md — 数据驱动需求
{项目目录}/12-data-insight-dashboard/index.html — 可视化仪表盘

3. dashboard — 项目仪表盘

生成当前项目的全景视图 HTML，展示进度和关键指标。

用法:

/ai-pm data dashboard

输出: {项目目录}/12-data-insight-dashboard/index.html

HTML 仪表盘规范

数据仪表盘为展示型产物，默认使用 AI 情境定制：客户端流式生成时自动注入项目自带 ai-pm-frontend-design，并在用户本机存在时追加 impeccable:frontend-design 作为增强。必须读取本地设计内核的 references/dashboard-design.md 和 references/quality-gate.md，先判断仪表盘服务的决策类型，再选择图表、信息层级和视觉表达。若项目已加载公司规范（templates/ui-specs/.active-spec），则优先使用公司规范。

Chart.js 规范:

// indexAxis:'y' 必须在 options 顶层，不能放在 scales 里
{
  type: 'bar',
  data: { ... },
  options: {
    indexAxis: 'y',   // ← 正确位置：options 顶层
    scales: {
      x: { ... },
      y: { ... }
    }
  }
}

卡片样式:

.card {
  background: white;
  border-radius: 12px;
  padding: 24px;
  box-shadow: 0 2px 8px rgba(0,0,0,0.08);
}

布局: CSS Grid，响应式，最大宽度 1200px，左右 padding 24px。

分析维度参考

用户行为：活跃度、留存率、转化漏斗
用户分层：RFM 模型、生命周期阶段、价值分层
时间模式：日/周/月趋势、时段分布、季节性
异常检测：突变点、离群值、数据质量问题

Anti-Pattern

Excel 文件不用 data_only=True → 读到公式字符串
indexAxis:'y' 放在 scales 里 → 图表渲染错误
仪表盘设计方向不明确，沦为通用 AI 审美（蓝白配色 + 圆角卡片）
分析结论不落到具体产品建议（只描述数据，不给洞察）

このリポジトリの他の Skills

同じリポジトリ

ai-pm-interview

K3tty5555/AI_PM

现场调研技能。适用于线下与客户面对面沟通场景，支持结构化访谈、实时记录和快速生成 PRD。当用户说「现场调研」「客户访谈」「用户访谈」「拜访客户」「面对面沟通」「帮我设计访谈问题」「用户研究」「访谈提纲」「带客户调研」时，立即使用此技能。

2026-06-022

ai-pm

K3tty5555/AI_PM

当需要从零开始走完完整产品立项流程（需求→分析→竞品→用户故事→PRD→原型→评审）时使用。支持多项目管理和断点续传，复杂需求可启用多代理协作。当用户说「我有个产品想法」「帮我做个产品」「从零开始做需求」「全流程出PRD」「做一个App/小程序/系统」「产品立项」「继续上次的项目」「切换项目」时，立即使用此技能。

2026-06-022

tutorial-center-update

K3tty5555/AI_PM

AI_PM 教程中心自动化更新 Skill。扫描所有 skills，增量更新单一 HTML 文件，完全离线可用。当用户说「更新教程中心」「刷新教程」「教程中心过期了」「新增了技能需要更新文档」「同步技能列表到教程」时，立即使用此技能。注意：必须增量编辑，禁止整体重写。

2026-06-022

ai-pm-design-spec

K3tty5555/AI_PM

设计规范技能。上传公司或团队的 UI 规范，让所有 HTML 输出（原型、仪表盘）自动遵守你们的设计标准，优先级高于 AI 情境定制。当用户说「上传设计规范」「加载UI规范」「用公司规范」「Figma规范」「设计Token」「统一原型风格」「公司色彩规范」「设计系统」时，立即使用此技能。

2026-06-012

ai-pm-frontend-design

K3tty5555/AI_PM

AI_PM 本地 HTML/UI 设计内核。用于 AI_PM 生成可评审 HTML 原型、数据仪表盘、独立展示页和 UI/HTML 产出物时提供稳定的视觉判断、交互状态、信息层级、响应式与质量自检规则。当 ai-pm-prototype、ai-pm-data dashboard、HTML 原型、数据看板、可交互页面、页面视觉打磨、原型审计或 clone 用户未安装外部 impeccable 插件时，必须使用此技能作为项目自带 fallback。

2026-06-012

ai-pm-prototype

K3tty5555/AI_PM

原型生成技能。基于 PRD 生成可交互的单页网页原型，支持移动端和 Web 端。首次生成时询问设计规范（公司规范 / AI 情境定制 / 主流组件库），项目内记住偏好。若项目存在 Codex 生成的视觉锚点包（06-prototype-visual/manifest.json），生成 HTML 前必须读取并遵循。当用户说「生成原型」「做原型」「可交互原型」「HTML原型」「页面原型」「低保真」「高保真原型」「画个界面」「把PRD做成原型」时，立即使用此技能。边界：本技能用于「把已有 PRD/需求做成可评审原型」；脱离 PRD 的纯视觉探索、通用 UI 组件生成或视觉精修，可使用外部 impeccable 增强，但 AI_PM 原型默认以 ai-pm-frontend-design 为本地设计内核。

2026-06-012

ソース

K3tty5555

K3tty5555/AI_PM

GitHub リポジトリを開く Creator のリポジトリを見る

インストールコマンド

ダウンロード

Manusで実行

役立つ用途SOC

ウェブ開発者コンピュータ・数学職15-1254L4

name	ai-pm-data
description	数据分析技能。提供数据指标设计、数据洞察分析、仪表盘生成三大能力。从数据中发现产品需求和优化机会。当用户说「分析数据」「上传Excel」「数据洞察」「数据可视化」「做仪表盘」「数据看板」「指标设计」「埋点方案」「从数据里找需求」「数据报表」时，立即使用此技能。
argument-hint	[数据文件路径 \| 命令: insight/metrics/dashboard]
allowed-tools	Read Write Edit Bash(mkdir) Bash(ls) Bash(python3)

ai-pm-data — 数据分析技能

命令路由

根据 $ARGUMENTS 路由：

输入	执行
`metrics`	数据指标设计
`insight {文件路径}`	数据洞察分析
`dashboard`	项目仪表盘
直接传入文件路径	自动执行 insight
无参数	显示帮助

1. metrics — 数据指标设计

基于 PRD 设计指标体系、埋点方案。

用法:

/ai-pm data metrics           # 读取当前项目 PRD
/ai-pm data metrics abtest    # 追加 A/B 测试设计

流程:

读取 05-prd/05-PRD-v1.0.md
    ↓
提取可量化目标
    ↓
设计指标体系（北极星 → 一级 → 二级 → 过程指标）
    ↓
设计埋点方案（事件名、属性、触发时机）
    ↓
输出 09-analytics-requirement.md

输出: {项目目录}/09-analytics-requirement.md

2. insight — 数据洞察分析

上传数据文件（Excel/CSV），通过 EDA 发现业务洞察。

用法:

/ai-pm data insight ./data.xlsx
/ai-pm data insight ./data.csv --focus=conversion

分析步骤:

数据探索 — 加载文件，检查结构、字段、缺失值
关键指标 — 描述统计、分布特征
异常检测 — 识别异常值、数据质量问题
趋势分析 — 时间序列、周期性规律
产品洞察 — 提炼可操作的产品改进建议

强制规范 — Excel 读取:

# 必须用 data_only=True，否则读到的是公式而非值
import openpyxl
wb = openpyxl.load_workbook(file_path, data_only=True)

执行方式: 用 python3 直接执行分析脚本，脚本写入结果文件后退出。

输出:

{项目目录}/10-data-insight-report.md — 洞察报告（含 Top 3 洞察摘要）
{项目目录}/11-data-driven-requirements.md — 数据驱动需求
{项目目录}/12-data-insight-dashboard/index.html — 可视化仪表盘

3. dashboard — 项目仪表盘

生成当前项目的全景视图 HTML，展示进度和关键指标。

用法:

/ai-pm data dashboard

输出: {项目目录}/12-data-insight-dashboard/index.html

HTML 仪表盘规范

Chart.js 规范:

// indexAxis:'y' 必须在 options 顶层，不能放在 scales 里
{
  type: 'bar',
  data: { ... },
  options: {
    indexAxis: 'y',   // ← 正确位置：options 顶层
    scales: {
      x: { ... },
      y: { ... }
    }
  }
}

卡片样式:

.card {
  background: white;
  border-radius: 12px;
  padding: 24px;
  box-shadow: 0 2px 8px rgba(0,0,0,0.08);
}

布局: CSS Grid，响应式，最大宽度 1200px，左右 padding 24px。

分析维度参考

用户行为：活跃度、留存率、转化漏斗
用户分层：RFM 模型、生命周期阶段、价值分层
时间模式：日/周/月趋势、时段分布、季节性
异常检测：突变点、离群值、数据质量问题

Anti-Pattern

Excel 文件不用 data_only=True → 读到公式字符串
indexAxis:'y' 放在 scales 里 → 图表渲染错误
仪表盘设计方向不明确，沦为通用 AI 审美（蓝白配色 + 圆角卡片）
分析结论不落到具体产品建议（只描述数据，不给洞察）