菜单
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。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
《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
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
| name | p10a-value-discovery-loop |
| description | 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。 |
| tags | ["ai-product","methodology","value-discovery","signal-detection","pricing","book-skill"] |
| author | Max |
| source_book | AI Native 产品方法论 |
| source_chapter | 第22章 价值发现循环 |
| version | 1 |
| stage | p10a |
| homepage | https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p10a-value-discovery-loop |
试验展开
→ 能力成立 → 价值发现（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
→ 回流到方向定界
对每项已验证能力，从三个维度评估价值密度：
| 维度 | 问题 | 权重 |
|---|---|---|
| 任务结果改善 | 这项能力改变了什么任务结果？ | 40% |
| 时间/成本节约 | 为谁节约了多少时间或成本？ | 30% |
| 付费意愿 | 谁愿意为此持续付费？ | 30% |
高价值密度：三个维度都有明确答案 中价值密度：任务结果和成本有答案，付费不确定 低价值密度：只有一个维度有模糊答案 → 应考虑停止投入
价值密度评估
→ 高密度能力：设计确定性溢价定价
→ 中密度能力：设计用量阶梯定价
→ 低密度能力：纳入免费引流层或停止投入
定价策略不应脱离价值发现独立设计。具体定价方法参见 @ai-native-business-model。
价值发现不是独立环节，它最终回流到方向定界：
当用户提供已上线或正在验证的 AI 产品时，自动执行：
用户输入： "我们的客服 Copilot 已经在内部试用了一个月，想判断哪些能力真正有价值"
Skill 执行流程：
| 信号类型 | 具体信号 | 强度 |
|---|---|---|
| 效率 | 首响时间从5分钟降至1分钟 | ★★★★ |
| 效率 | 培训周期从2周缩至5天 | ★★★ |
| 质量 | 工单分类错误率从12%降至4% | ★★★★ |
| 行为 | 客服主动使用率62% | ★★★ |
| 商业 | 2个部门主动要求扩大试用 | ★★★★ |
| 伪信号类型 | 检测项 | 结论 |
|---|---|---|
| 演示陷阱 | 演示好评率95% vs 日常使用率62% | ✗ 日常使用率合理，非演示陷阱 |
| 新鲜感 | 30天留存曲线平稳 | ✗ 非新鲜感效应 |
| 成本幻觉 | 单次对话成本$0.02，节约人工成本$2.5 | ✗ ROI 明确 |
| 付费断层 | 3个部门中2个表达付费意愿 | ⚠ 需要定价验证 |
| 能力 | 任务结果 | 成本节约 | 付费意愿 | 综合密度 |
|---|---|---|---|---|
| 工单分类 | 40%提升 | 中等 | 高 | ★★★★ 高 |
| 意图识别 | 25%提升 | 中等 | 中 | ★★★ 中 |
| 自动回复 | 15%提升 | 低 | 低 | ★★ 低 |
建议方向调整:
提升: 工单分类能力 → 核心卖点
维持: 意图识别 → 辅助能力
暂缓: 自动回复 → 需要更多验证
定价建议:
核心定价锚: 工单分类的准确率提升
阶梯设计: 基于工单量级
回流方向定界:
Direction Brief 更新:
- 核心场景从"全链路客服"收缩为"工单分类+意图识别"
- 目标客户从"所有客服团队"聚焦为"日工单量>500的中大型团队"
价值信号不是静态的。同一项能力在不同时间窗口内的信号强度完全不同。上线第一周的高频使用可能是新鲜感效应，上线第一个月的留存下降可能是功能疲劳，上线第三个月的稳定使用才更接近真实价值。判断价值信号时必须引入时间维度：短期信号（1-2周）看使用意愿，中期信号（1-3月）看留存和习惯形成，长期信号（3月+）看付费续期和场景扩展。只看短期信号会高估价值，只看长期信号会错过窗口期。
书稿引用：第5章指出"方向定界阶段必须先审资料条件"，同理，价值发现阶段必须先审信号的时间维度。没有时间维度的信号评估，和没有资料条件的方向定界一样，都可能导致高成本偏航。
低价值密度的能力不是"暂时没做好"，而是"方向本身不成立"。很多团队面对低密度能力时，会本能地选择"再优化一下"而不是"停下来"。这是因为沉没成本效应——已经投入了三个月的开发时间，不愿意承认这项能力价值不足。但真正节省团队时间的，不是继续优化低密度能力，而是更早停止投入，把资源转向高密度方向。价值发现循环的核心价值之一，就是提供一个客观框架，帮助团队做出"停止"的决定。
书稿引用："真正节省团队时间的，不是更快开始做实验，而是更早排除不成立的方向。"——第5章
单一类型的价值信号不足以支撑决策。效率信号只说明"快了"，不说明"对了"；行为信号只说明"用了"，不说明"值了"。真正的价值判断需要信号交叉验证：效率提升+质量稳定+用户愿意持续使用+表达付费意愿，四个条件同时满足才是强价值信号。如果只有效率提升但质量下降，说明能力方向可能有偏差；如果用户愿意使用但不愿付费，说明价值感知还没转化为商业价值。
应用：在价值密度评估中，要求每项能力至少在三类信号上获得中等以上强度，才判定为"高价值密度"。只在单一信号上表现突出的能力，应标记为"待交叉验证"，而非直接进入定价阶段。
对已识别的价值信号进行交叉验证：
输出：信号交叉验证矩阵，含一致性评分。
将已验证的价值信号映射到三维空间：
输出：价值地图（三维热力图），标注高价值交叉区域。
用发现的新信号回过头来更新方向定界阶段的价值假设：
输出：价值假设迭代记录，含修正原因和新假设。
用户输入： "我们的AI写作助手已上线2个月，面向营销团队，初始功能包括文案生成、标题优化、多平台适配。用户数据看起来不错但转化率一直上不去。"
Skill 执行流程：
| 信号类型 | 具体信号 | 强度 |
|---|---|---|
| 效率 | 文案初稿生成时间从4小时降至30分钟 | ★★★★★ |
| 效率 | 标题A/B测试准备时间缩短70% | ★★★★ |
| 质量 | 文案通过率从55%提升到72% | ★★★ |
| 行为 | 日均使用时长42分钟 | ★★★★ |
| 行为 | 人均每日生成8.3篇文案 | ★★★★ |
| 覆盖 | 小红书、抖音、微信三平台适配开始被使用 | ★★★ |
| 商业 | 试用用户中12%表达付费意愿 | ★★ |
| 伪信号类型 | 检测项 | 结论 |
|---|---|---|
| 演示陷阱 | 演示转化率40% vs 日常使用率68% | ✗ 日常使用率健康 |
| 新鲜感 | 30天留存曲线从95%降至78%后趋稳 | ⚠ 轻微新鲜感衰减但已企稳 |
| 成本幻觉 | 单次生成成本$0.03，替代人工成本$15 | ✗ ROI 明确 |
| 付费断层 | 使用率高但付费意愿仅12% | ⚠ 核心问题——价值感知未转化为付费意愿 |
| 能力 | 任务结果 | 成本节约 | 付费意愿 | 综合密度 |
|---|---|---|---|---|
| 文案生成 | 40%通过率提升 | 高（4h→30min） | 中 | ★★★★ 高 |
| 标题优化 | A/B效率提升70% | 中 | 低 | ★★★ 中 |
| 多平台适配 | 覆盖面扩大 | 中 | 低 | ★★ 低 |
文案生成能力：
效率+质量: ✓ 效率提升且质量稳定
行为+商业: ⚠ 使用率高但付费率低 → 价值未被充分感知
短期+长期: ✓ 2个月后使用仍在增长
结论：核心能力成立，但定价策略需要调整
标题优化能力：
效率+质量: ✓ 效率提升明显
行为+商业: ✗ 用户觉得"锦上添花"但不愿单独付费
结论：适合作为增值功能而非独立定价锚点
建议方向调整:
提升: 文案生成 → 核心定价锚（从"效率"切入不如从"通过率提升"切入）
维持: 标题优化 → 捆绑增值功能
暂缓: 多平台适配 → 用户使用率不足以支撑独立价值
定价建议:
核心定价锚: 文案通过率提升（可量化结果）
定价逻辑: 从"按生成量计费"转向"按通过率提升幅度计费"
阶梯设计: 基于团队规模和月生成量
关键发现:
- 付费意愿低不是因为能力不值钱，而是因为用户把AI文案视为"工具"而非"成果"
- 需要改变价值叙事：从"帮你写更快"到"帮你写得更好过"
- 建议增加"通过率仪表盘"功能，让用户看到AI带来的质量提升
回流方向定界:
Direction Brief 更新:
- 核心价值假设从"效率提升"修正为"质量提升+效率提升"
- 目标客户从"所有营销团队"聚焦为"月产50+篇内容的中大型营销团队"
- 新增价值假设："通过率可量化"是定价的关键前提
输出：价值发现方案完整报告，含信号矩阵、伪价值排除、交叉验证、价值地图和方向修正建议。
用户输入： "我们做了一个面向电商卖家的AI产品图生成工具，上线3个月，有2000个活跃卖家在用。想知道下一步是扩展品类还是深耕现有品类。"
Skill 执行流程：
| 信号类型 | 具体信号 | 强度 |
|---|---|---|
| 效率 | 产品图制作时间从2天降至2小时 | ★★★★★ |
| 质量 | 买家对产品图的好评率提升18% | ★★★★ |
| 行为 | 月均生成产品图从15张增至42张 | ★★★★ |
| 覆盖 | 服装品类使用率最高（68%），3C品类次之（22%） | ★★★ |
| 商业 | 续费率78%，3个大卖家主动要求API接入 | ★★★★ |
| 能力 | 任务结果 | 成本节约 | 付费意愿 | 综合密度 |
|---|---|---|---|---|
| 服装产品图 | 好评率+18% | 高 | 高（续费85%） | ★★★★★ |
| 3C产品图 | 好评率+8% | 高 | 中（续费62%） | ★★★ |
| 食品产品图 | 数据不足 | - | - | 待验证 |
核心发现:
- 服装品类的价值密度远高于其他品类
- 3C品类"能用"但不够"好用"（好评率提升有限）
- 食品品类数据不足，无法判断
建议:
深耕: 服装品类 → 增加服装专属功能（模特换装、场景搭配、面料质感）
观察: 3C品类 → 收集更多信号再决定
暂停: 食品品类 → 先做小规模验证
不建议扩展新品类的原因:
当前最赚钱的品类（服装）还有很大深化空间，
扩展会分散资源，降低核心品类的竞争壁垒
回流方向定界:
Direction Brief 更新:
- 核心场景从"通用电商产品图"收缩为"服装电商产品图"
- 护城河方向：积累服装品类的专属训练数据和场景理解
- 新增场景假设：模特换装和场景搭配可能是下一个高价值能力
输出：品类价值分析报告 + 聚焦策略建议 + Direction Brief 更新。
在正式执行价值发现循环之前，可以用以下清单快速判断当前产品是否有价值信号：
□ 是否有用户在持续使用（非一次性尝鲜）？
→ 否：可能是演示陷阱或新鲜感效应
□ 使用深度是否在增长（不只是使用频率）？
→ 否：用户可能只是"习惯性打开"而非"依赖使用"
□ 是否有用户主动把更多真实任务交给系统？
→ 否：系统可能只被用于边缘任务
□ 是否有用户表达过付费意愿或主动询问价格？
→ 否：价值可能还没被充分感知
□ 是否有用户向其他人推荐过这个产品？
→ 否：产品可能"能用"但不够"值得推荐"
□ 团队能否用一句话说清楚"用户为什么离不开这个产品"？
→ 否：价值主张可能还不够清晰
诊断结果：
4项以上为"否" → 价值信号弱，需要重新审视方向
2-3项为"是" → 价值信号中等，需要深入验证
5项以上为"是" → 价值信号强，可以进入定价和扩展阶段
表现：团队花了三个月做出了AI能力，技术指标很好看，但用户使用频率很低。 原因：从"能力"到"价值"之间还隔着"场景适配"和"用户习惯改变"。 对策：价值信号必须来自真实使用场景，而非实验室指标。
表现：用户满意度调查得分很高（4.5/5），但付费转化率只有5%。 原因：满意≠依赖。用户可能觉得"好用但不是必须"。 对策：直接测试付费意愿，而非用满意度代替。
表现：用户数量在增长，但单用户使用深度在下降。 原因：增长可能来自营销推广或市场热度，而非产品本身的价值驱动。 对策：同时看"新增用户质量"和"存量用户深度"。
表现：上线首月数据亮眼，第二个月开始下滑。 原因：新鲜感效应——用户觉得"很酷"但不改变原有工作方式。 对策：至少观察30天留存曲线是否稳定，再做价值判断。
表现：最活跃的用户不一定是最高价值的用户。有些用户使用频率不高，但每次使用都处理高价值任务，且付费意愿最强。 原因：团队容易关注高频使用数据，忽略低频高价值使用模式。 对策：按"任务价值"而非"使用频率"来分层分析用户。