원클릭으로 Manus에서 모든 스킬 실행

ai-pm-data

스타3

포크0

업데이트2026년 7월 17일 08:19

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。

설치

Codex 또는 Claude로 설치 이 Prompt를 복사해 Codex, Claude 또는 다른 어시스턴트에 붙여 넣으면 Skill 페이지를 검토하고 설치를 진행할 수 있습니다.

Manus에서 실행

출처

K3tty5555

K3tty5555/AI_PM

GitHub 저장소 열기 Creator 저장소 보기

다운로드

Manus에서 실행

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
`feedback {文件}`	用户反馈文本分析（主题+情感+Top痛点 → 候选需求清单）
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:

读取当前 PRD（由 _status.json.active_prd 指定；首次默认名为 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/analytics-requirement.md

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

北极星收敛（设计指标体系前先做）：别一上来铺一堆指标。先收敛出唯一一个能证明用户真拿到价值的领先指标（客户中心、可短期撬动），再配 3-5 个输入指标。⚠️ 砍掉美式"必须导向营收/增长"的权重——B/G 端北极星不是营收，判据是「对齐产品愿景 + 用户感知到的价值」（如效率类产品 = 用户真用它解决了问题的频次）。

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}/09-analytics/data-insight-report.md — 洞察报告（含 Top 3 洞察摘要）
{项目目录}/09-analytics/data-driven-requirements.md — 数据驱动需求
{项目目录}/09-analytics/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}/09-analytics/dashboard/index.html

4. feedback — 用户反馈文本分析

把一堆非结构化反馈（评论 / 工单 / 调研开放题）→ 自动分主题 + 标情感 + 挑 Top 痛点 + 附用户原话。

用法:

/ai-pm data feedback ./反馈.csv

步骤:

读文本（CSV/Excel 评论、工单导出；Excel 仍用 openpyxl data_only=True），按主题聚类
每个主题标情感倾向（正/负/中）+ 出现频次
挑 Top 痛点，每条附 2-3 句真实用户原话
标小样本风险（量太小别下结论）

出口 = 候选需求清单：产出做成「带主题/痛点/频次/情感的候选需求」，直接喂 /ai-pm priority 当输入——「收集反馈 → 提炼痛点 → 排优先级」一条顺下来，但本步不替优先级做判断排序。

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

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：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 ai-pm-frontend-design/references/dashboard-design.md 和 ai-pm-frontend-design/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

数据严谨度（真做留存分析 / A-B 实验时强制；普通描述统计/趋势/仪表盘不触发）

读取 references/data-rigor-frameworks.md：

留存别看被新用户稀释的整体留存率，按批次分群（cohort）看留存曲线——跌到走平=有粘性，一路跌到底=尝鲜不留。
A/B别拿波动当效果——盯样本量 / 最小可检验差异（MDE）/ 置信，结论三动作：上线 / 继续观察 / 砍掉。
PM 只到业务判断层；具体检验方法、MDE/样本量怎么算由数据侧定，不写统计实现。

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）

输出语言铁律（2026-07-12 波2 N4）

分析产出（报告/结论/图表标注）一律简体中文；术语/英文指标名首次出现带一句大白话解释；长分析禁止中途切换语言（实证：07-08/09 两天 4 次「看不懂,说中文」）。展示以客观数据表为主、少下形容词判断。

이 저장소의 다른 Skills

같은 저장소

ai-pm-strategy

K3tty5555/AI_PM

战略沙盘 skill。用于高阶产品战略推演、智囊团对话、项目级或产品级多项目战略议题讨论，帮助用户在正式规划、汇报或决策前拆解问题、暴露假设、进行多视角交锋和表达预演。Use when the user asks for 战略沙盘、战略推演、智囊团、产品战略、下一阶段方向、资源取舍、产品级战略、多项目推演、增长瓶颈、竞争应对、用户心智、组织协同、汇报前战略预演，或使用 `/ai-pm strategy` / `/ai-pm-strategy`。

2026-07-173

ai-pm-prd

K3tty5555/AI_PM

PRD 生成技能。整合需求分析、竞品研究、用户故事，输出完整的产品需求文档。支持产品分身写作风格和设计规范。当用户说「生成PRD」「写PRD」「产品需求文档」「需求文档」「功能规格书」「输出PRD」「帮我写需求」「把需求整理成文档」时，立即使用此技能。

2026-07-173

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。

2026-07-173

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。

2026-07-173

humanizer-pm

K3tty5555/AI_PM

去除中文文本里的 AI 腔，让文字像真人直白写出来的。针对中文语境的真·AI tell：工整对仗排比、"通过X实现Y"、范畴词冗余（进行了优化/起到…作用）、互联网黑话堆砌（赋能/抓手/闭环/颗粒度）、强行升华结尾、程度副词通胀、空泛连接词、规整书面腔。并压住"去 AI 味后滑向文青腔/段子腔"的冲动——目标是直白大白话，不是有文采。可选用本机真实语料把文字校准到具体某个人的声音。

2026-07-173

ai-pm-driver

K3tty5555/AI_PM

PM 风格 lint 命令入口（评审前最后一道关）。本 skill 是 `pm-agent` 的 thin wrapper——接收 PRD 文件路径，调用 pm-agent 用 lint mode 扫描整份 PRD，输出 punch list（越界 + 缺失 + 篇幅）。与 `pm-agent` 的关系：driver = 命令糖衣 / pm-agent = 真正的判断引擎。判断卡 / 反例 / 越界规则单一事实源在 pm-agent，driver 不重复维护。与 `ai-pm-review`（六角色评审会）和 `multi-perspective-review`（多视角技术审查）的区别：driver 是 PM 个人风格 lint，5 分钟出结论。当用户说「PM 守门」「审视 PRD」「PRD 挑刺」「PRD 越界检查」「driver 一下」「PRD 自审」「评审前体检」「历史 PRD 回归」时，使用此 skill。

2026-07-173

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
`feedback {文件}`	用户反馈文本分析（主题+情感+Top痛点 → 候选需求清单）
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:

读取当前 PRD（由 _status.json.active_prd 指定；首次默认名为 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/analytics-requirement.md

输出: {项目目录}/09-analytics/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}/09-analytics/data-insight-report.md — 洞察报告（含 Top 3 洞察摘要）
{项目目录}/09-analytics/data-driven-requirements.md — 数据驱动需求
{项目目录}/09-analytics/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}/09-analytics/dashboard/index.html

4. feedback — 用户反馈文本分析

把一堆非结构化反馈（评论 / 工单 / 调研开放题）→ 自动分主题 + 标情感 + 挑 Top 痛点 + 附用户原话。

用法:

/ai-pm data feedback ./反馈.csv

步骤:

读文本（CSV/Excel 评论、工单导出；Excel 仍用 openpyxl data_only=True），按主题聚类
每个主题标情感倾向（正/负/中）+ 出现频次
挑 Top 痛点，每条附 2-3 句真实用户原话
标小样本风险（量太小别下结论）

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

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

数据严谨度（真做留存分析 / A-B 实验时强制；普通描述统计/趋势/仪表盘不触发）

读取 references/data-rigor-frameworks.md：

留存别看被新用户稀释的整体留存率，按批次分群（cohort）看留存曲线——跌到走平=有粘性，一路跌到底=尝鲜不留。
A/B别拿波动当效果——盯样本量 / 最小可检验差异（MDE）/ 置信，结论三动作：上线 / 继续观察 / 砍掉。
PM 只到业务判断层；具体检验方法、MDE/样本量怎么算由数据侧定，不写统计实现。

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）