// 好问题六维观察表。AI 时代产品经理最重要的能力不是给答案，而是提好问题。 这个 Skill 提供六个维度的观察框架，帮你从不同角度发现好问题。
[HINT] Download the complete skill directory including SKILL.md and all related files
| name | p0e-good-question-generator |
| description | 好问题六维观察表。AI 时代产品经理最重要的能力不是给答案，而是提好问题。 这个 Skill 提供六个维度的观察框架，帮你从不同角度发现好问题。 |
产品经理最重要的能力不是给答案，而是提好问题。六个维度帮你发现别人看不到的好问题。
一个领域、场景或问题线索。
示例输入：
领域: 企业协作软件
当前问题: "如何提升团队协作效率"
六个维度的问题集 + 最佳问题推荐 + 研究方向建议。
观察角度：
示例问题：
"目标用户在协作中花费时间最多的三件事是什么？"
"他们是怎么解决这些问题的？这些解决方案的代价是什么？"
"如果有一个魔法按钮能解决一个问题，他们会选哪个？"
观察角度：
示例问题：
"完成一次完整的协作需要经历哪几个步骤？"
"每个步骤中，哪一步的失败率最高？"
"如果只能优化一个步骤，哪个对整体效率影响最大？"
观察角度：
示例问题：
"当前协作涉及哪几个系统（通讯、文档、项目管理、知识库）？"
"这些系统之间的信息是怎么流动的？哪里断裂了？"
"如果只能整合两个系统，哪两个的整合价值最大？"
观察角度：
示例问题：
"在协作流程中，哪些角色有决策权，哪些只能执行？"
"谁的工作成果最难被看见，但对整体效率影响最大？"
"如果要推动一个改变，需要谁的支持？谁可能阻止？"
观察角度：
示例问题：
"三年前团队协作的方式是什么？现在有什么不同？"
"远程办公、AI 工具、新一代员工，正在怎么改变协作方式？"
"三年后，协作软件如果还存在，它最核心的价值会是什么？"
观察角度：
示例问题：
"同类协作软件如何处理这个问题？它们的方法有什么限制？"
"其他行业（如医疗、航空）是怎么解决高风险协作的？"
"有没有一个完全不同的方法解决了类似问题？"
good_question_assessment:
input: "原始领域/场景"
dimension1_user:
questions: ["用户维度问题列表"]
key_insight: "核心发现"
dimension2_task:
questions: ["任务维度问题列表"]
key_insight: "核心发现"
dimension3_system:
questions: ["系统维度问题列表"]
key_insight: "核心发现"
dimension4_organization:
questions: ["组织维度问题列表"]
key_insight: "核心发现"
dimension5_time:
questions: ["时间维度问题列表"]
key_insight: "核心发现"
dimension6_comparison:
questions: ["对比维度问题列表"]
key_insight: "核心发现"
synthesis:
best_question: "最佳问题"
why_best: "为什么这是最好的问题"
research_direction: "研究方向建议"
blind_spots: ["可能的盲区"]
好问题不是找到答案，而是让正确的答案自然浮现。
好问题不是坐在屏幕前靠语感雕出来的，而是从现实里长出来的。提问能力不等于 prompt 技巧，而是把立体现实压缩成高质量问题的能力。
关键洞察：AI 时代，当所有人都能获得"看起来像答案"的东西时，真正的差异回到输入端——谁更接近未经压平的现实，谁就更可能提出值得被 AI 回答的问题。
在 AI 时代，一个人的优势将越来越多地来自：AI 不知道、但你知道的东西。
最常见的幻觉是把"问题已经被说出来"误认为"问题已经被定义"。
扁平化的三个来源：
给 AI 扁平化的问题，只能得到标准化的答案。模型可以让那个壳更好看，但几乎不可能在输入里没有的维度上重新长出真实。
六个维度不是为了"让问题听起来更专业"，而是为了让团队不至于从一开始就用扁平化输入起跑。
维度间的关系：
如果六个维度里只剩标签和人口属性，说明问题还太平，需要回到现场补充。
好问题不是更复杂，而是更接近核心。
三个判断标准：
一个扁平问题往往引出一长串浅层方案；一个精确问题往往自然收窄方向。
过去产品经理的优势体现在更好的 PRD、更好的功能拆解、更好的流程协调。今天 AI 越来越能分担这些能力，新的分界线出现：
谁能把三维现实压缩成一个值得回答的问题？
真正的差距越来越来自：你手里有没有 AI 不知道的东西——行业里没被写下来的默认规则、只有内行才懂的行话、只有陪用户足够久才看得到的补偿行为、一种能让你立刻察觉"这里不对"的专业直觉。
输入：团队提出的产品问题或研究方向
处理：
输出：标注了扁平化风险的原始问题
输入：Step 1 产出的标注问题
处理：
要求：至少写满三个维度。如果六个维度里只剩标签，标记为"问题还太平"。
输出：六维观察记录表
输入：Step 2 产出的六维观察记录
处理：
输出：重写后的产品问题（1-3 个候选）
输入：原始问题 + 重写后的问题
处理：
输出：新旧问题对比报告 + 最终推荐问题
输入：Step 4 产出的最终推荐问题
处理：
输出：经过现场验证的好问题 + 后续研究方向建议
场景描述：一家企业协作软件团队收到大量反馈"协作效率太低"，想用 AI 优化。
Step 1 输入解构：
Step 2 六维展开：
Step 3 问题重写：
Step 4 对比验证：
结论：重写后的问题让方案从"功能堆叠"转向"接住隐性劳动"，方向完全不同。
场景描述：一个内容平台想提升推荐系统的准确率，用户反馈"总是推荐类似的东西"。
Step 1 输入解构：
Step 2 六维展开：
Step 3 问题重写：
Step 4 对比验证：
结论：重写后的问题把方向从"算法优化"转向"保护人的多元性"，产品方向完全不同。