AI产品经理技能包：从SaaS指标诊断到PRD评审的实战指南

1. 项目概述：一个为AI编程工具设计的“产品经理”技能包

如果你是一名产品经理、技术创始人，或者任何需要深度思考产品问题的人，并且你日常的工作流已经深度嵌入了像 Claude Code、Cursor 或 Windsurf 这样的 AI 编程工具，那么你很可能和我一样，经历过一个“甜蜜的烦恼”。这些工具能快速生成代码、解释概念，但当你试图让它帮你分析 SaaS 健康度、评审一份 PRD（产品需求文档）或者规划职业路径时，得到的回答往往流于表面，充斥着“听起来正确但毫无用处”的通用建议。比如，你输入“分析一下我们的月流失率 8%”，它可能会告诉你“流失率偏高，建议改善用户体验”——这谁不知道呢？我们需要的是知道“8%的月流失意味着什么？是哪个用户群出了问题？下一步该优先做什么？”

这就是product-manager-skills这个项目诞生的背景。它不是一个简单的提示词合集，而是一个专为 AI 编程工具设计的、结构化的“产品经理操作员”。它的核心价值在于，将那些经过实战检验的产品管理框架、思维模型和工作流，封装成 AI 能够理解和高效执行的“技能”。简单说，它把你的 AI 助手，从一个“文笔不错的实习生”，训练成了一个能和你进行专业对话、能提出尖锐问题、能进行量化分析的“资深产品同行”。

我最初接触这个项目，是因为受够了每次都要向 AI 重新解释什么是 JTBD、如何计算 LTV:CAC。这个技能包彻底改变了我的工作方式。现在，我只需要一句“帮我从 idea 到 PRD 跑个完整流程”或者“以教练模式评审这份文档”，它就能基于内置的知识体系，给出有框架、有逻辑、可立即行动的输出。下面，我就结合自己的深度使用经验，为你拆解这个“产品经理外挂大脑”是如何工作的，以及你如何能最大化地利用它。

2. 核心设计哲学：为什么它比通用提示更有效

在深入细节之前，我们必须理解这个技能包底层的设计哲学，这决定了它为什么好用。大多数人在使用 AI 处理产品问题时，陷入的是“一次性提示”的陷阱：每次都要重新描述背景、解释术语、设定思考框架，效率极低且输出质量不稳定。

2.1 从“生成文本”到“应用框架”

通用 AI 提示的核心缺陷是优化目标错位。它的目标是生成一段语法正确、看起来合理的文本。而产品经理的工作核心是做出高质量的决策，这需要严谨的框架、明确的权衡和基于证据的判断。

product-manager-skills从根本上改变了这个优化目标。它内置了超过 7 个知识模块和 12 个模板，覆盖了从发现到交付的全流程。当你让它分析 SaaS 指标时，它不是在“描述”指标，而是在应用一套诊断框架。例如，对于“MRR $50k, 500 customers, monthly churn 8%, CAC $500”这组数据，一个通用 AI 可能会说：“客户获取成本为500美元，月流失率8%表明客户保留方面存在挑战。” 这完全是正确的废话。

而这个技能包会这样计算并推理：

1. 计算用户平均收入（ARPA）: $50,000 / 500 = $100/月。
2. 计算粗略生命周期价值（LTV）: 在 80% 毛利率和 8% 月流失率下，LTV ≈ $100 / 0.08 * 0.8 = $1,000。这里它应用了简化公式LTV = ARPA * Gross Margin % / Churn Rate，并明确告诉你计算逻辑。
3. 计算 LTV:CAC 比率: $1,000 / $500 = 2:1。
4. 计算回收期: $500 / ($100 * 0.8) = 6.25 个月。
5. 给出诊断结论: “8%的月流失率年化后约为63%，这是红色警报，而非‘略高’。回收期（6.25个月）尚可，但 LTV:CAC（2:1）处于临界点。核心问题不是增长，而是留存。在按用户群深入理解流失原因之前，切勿扩大获客规模。”

看到区别了吗？后者不仅给出了数字，更给出了优先级判断和行动指令。它把“分析指标”这个模糊任务，转换成了“运行 SaaS 健康诊断框架”这个具体操作。

2.2 内置的“质量门禁”与反模式挑战

优秀的产品经理的价值往往体现在说“不”和提出“为什么”上。这个技能包模拟了这种思维，内置了多个“质量门禁”，专门用于挑战不严谨的输入。

• 解决方案走私（Solution Smuggling）: 这是产品新手最常见的错误——把解决方案伪装成问题陈述。比如，“我们需要一个通知偏好设置中心”是一个解决方案。技能包会立即指出：“你的问题陈述涉嫌‘解决方案走私’。真正的问题可能是‘用户因收到不相关通知而感到困扰并关闭了所有通知’或‘客服收到大量关于通知过多的投诉’。请重新用用户目标或商业问题来定义。”
• 指标剧场（Metrics Theater）: 设定无法衡量或没有基线的虚荣指标。例如，“提升用户参与度”就是一个糟糕的指标。技能包会追问：“‘参与度’的具体定义是什么？是日活用户数、功能使用频率还是会话时长？当前的基线值是多少？目标值是多少？如何确保这个指标与商业结果（如留存、收入）相关？”
• 功能工厂（Feature Factory）: 只顾输出功能，不关注结果。当你扔给它一堆功能点子做优先级排序时，它会强制你为每个点子关联一个可衡量的结果（如“预计提升留存率X%”或“减少客服工单Y%”），并追问验证这个结果的实验设计。

这种“挑战性”是刻意设计的。在“教练模式”下，这种风格会被放大。它会像一个苛刻的同行一样，不断追问你的假设、证据和逻辑链条，确保你的思考是经得起推敲的。这虽然有时让人感到压力，但正是提升产品决策质量的关键。

3. 核心模块深度解析与实战应用

这个技能包不是一个黑盒，它的强大源于其清晰、模块化的结构。理解这些模块，你就能像搭积木一样组合使用它们。我将结合自己的使用案例，深入讲解几个核心模块。

3.1 财务与指标模块：从数据到诊断

这是我认为价值最高的模块之一。它不是一个简单的计算器，而是一个诊断引擎。

核心框架与应用：它内置了超过 32 个 SaaS 关键指标的计算逻辑和解读框架，如 MRR、ARR、NRR、CAC、LTV、Rule of 40、Magic Number 等。但更重要的是，它知道这些指标如何关联，以及异常值意味着什么。

实战案例：一次真实的增长复盘我曾用这个模块分析一个早期产品的数据：MRR $20k，客户数 200，月流失率 5%，CAC $300。

• 通用 AI 回答：“用户获取成本为300美元，月流失率5%在早期阶段可以接受，建议继续优化获客渠道。”
• 技能包诊断：
  1. ARPA = $100。LTV ≈ $100 * 0.8 / 0.05 = $1,600。
  2. LTV:CAC ≈ 5.3:1，非常健康。
  3. 但是，它指出了关键一点：“5%的月流失率年化约为46%，这意味着一年后你几乎会失去一半客户。虽然 LTV:CAC 好看，但高流失率会严重侵蚀长期价值，并限制你为获客支付更高成本的能力。当前阶段的重点不是‘优化获客’，而是必须启动‘流失用户深度访谈’，定位前3个月流失的根本原因（是上手问题、价值未达预期还是竞品？）。”

这个诊断直接改变了我们下一个季度的路线图重心，从计划中的新渠道测试转向了深入的客户成功访谈和产品改进。

注意事项：技能包的计算基于标准公式和你的输入假设（如毛利率）。对于复杂情况（如不同用户群差异极大），它给出的是一种“方向性判断”。你需要将其结论作为起点，结合业务特异性进行深入分析。永远不要完全依赖任何工具的单一输出做重大决策。

3.2 产品发现与策略模块：从模糊到清晰

这个模块将经典的 product discovery 流程（如《启示录》中所述）和策略框架（如 Geoffrey Moore 的定位理论）进行了可操作化封装。

核心工作流：PM Sprint这是 v0.5 版本引入的杀手级功能。你只需要对一个模糊的需求说“take this from idea to PRD”（把它从想法变成 PRD），它就会自动启动一个六阶段的工作流：

1. Discover（发现）: 帮你澄清问题，定义目标用户和待办任务（JTBD）。
2. Position（定位）: 分析市场、竞争格局，明确产品定位和价值主张。
3. Prioritize（优先级排序）: 使用 RICE/ICE 等模型对解决方案想法进行排序。
4. Specify（详述）: 撰写包含问题陈述、成功指标、用户故事等的 PRD 草案。
5. Validate（验证）: 设计验证实验（如用户访谈提纲、A/B 测试方案）。
6. Measure（衡量）: 定义上线后如何衡量成功，设置监测指标。

我的使用心得：我经常用它来快速处理来自销售或客户支持的“功能请求”。以前，我需要自己脑补所有环节。现在，我输入“销售反馈说大客户需要自定义报告功能，做个 PM Sprint”，它会在“发现”阶段追问：“大客户的什么角色在什么场景下遇到了什么问题？现有的报告工具为何无法满足？这个需求背后是节省时间、减少错误还是满足合规要求？” 这迫使请求方和我一起把模糊的“想要”转化为清晰的“问题”，极大地减少了后续的返工和误解。

3.3 职业教练模块：从执行者到领导者

这个模块对我个人的职业发展帮助巨大。它基于“Altitude-Horizon”等框架，帮助产品经理诊断在不同职级（PM → Senior PM → Director → VP）所需的能力差距。

如何使用：你可以直接输入“我是一名高级产品经理，管理两个产品经理，擅长执行，但在组织影响力方面较弱，正在为 3 个月后的总监职位面试做准备。请指导我。” 它会输出类似这样的结构化分析：

• 诊断：强于团队高度（交付功能），弱于组织高度（影响跨部门战略、管理产品组合权衡）。
• 具体差距：你能很好地描述功能上线的执行过程，但缺乏展示如何在多个产品线间进行资源权衡、或如何影响技术架构以支持长期产品愿景的故事。
• 行动计划：
  1. 收集故事：在未来 3 个月，主动参与至少两次跨部门（如与市场、销售、财务）的战略讨论，并主导一次基于数据的优先级辩论。记录下你的贡献和结果。
  2. 建立能见度：每周写一份简短的“产品思考”邮件，分享你对某个产品领域或行业趋势的见解，发送给上级和合作伙伴，不是为了邀功，而是为了建立思想领导力。
  3. 练习决策框架：在团队会议上，不仅汇报进度，更要有意识地用“如果我们做 A，就会牺牲 B，因为我们的核心约束是 X”这样的句式来阐述你的建议，展示权衡思维。

这个模块的价值在于，它提供了非常具体、可行动的建议，而不是“加强沟通能力”、“提升战略思维”这样的空话。

4. 安装、配置与深度集成指南

这个技能包的安装极其简单，但其威力在于与你日常工作流的深度集成。它支持多种主流的 AI 编程环境。

4.1 安装步骤详解

根据你使用的工具，选择以下一种方式：

对于 Claude Code / OpenClaw 用户：

clawhub install product-manager-skills

这行命令会从技能中心拉取最新的技能包并完成配置。安装后，在你的 AI 对话中就可以直接调用相关指令。

对于 Cursor、Windsurf 或任何支持npx skills的工具：

npx skills add Digidai/product-manager-skills

同样，这是一次性的安装命令。npx会从 GitHub 仓库获取技能包并集成到你的本地环境。

手动集成（适用于任何能读取本地文件的 LLM 工具）：

1. 克隆或下载项目仓库。
2. 将SKILL.md文件的内容，作为“系统提示词”或“上下文”加载到你的 AI 工具中。
3. 确保knowledge/和templates/目录与你的对话上下文关联（有些工具支持上传整个文件夹）。 这种方式最灵活，但需要你对工具的文件加载机制有一定了解。

4.2 核心文件结构解读

理解项目结构，有助于你进行自定义或排查问题。

SKILL.md # 核心技能定义文件，包含所有路由逻辑和指令 VERSION # 版本号文件 knowledge/ # 知识库目录，存放PM框架、计算公式等 templates/ # 模板目录，用于PRD、用户故事等结构化输出 examples/ # 完整的使用示例，是学习的最佳材料 bin/update-check # 可选的手动更新检查脚本（非自动运行）

关键点：整个技能包的“运行时”就是纯 Markdown 文本。SKILL.md文件定义了各种指令（如/diagnose,/review-prd,/coach）如何触发knowledge/和templates/下对应的内容。没有任何隐藏的可执行代码在后台运行，这也是其安全性的体现。

4.3 打造你的个性化工作流

安装只是开始，真正的高效来自于将其融入你的日常节奏。以下是我个人的每周工作流示例：

• 周一早晨（战略对齐）：输入“以教练模式评审我本周的路线图变更”，让 AI 挑战我新加入的需求是否证据充分，优先级是否合理。
• 周三下午（交付评审）：在把 PRD 或用户故事发给工程师之前，输入“严厉评审这份关于‘导出功能’的 PRD”，让它从解决方案走私、指标定义、范围控制等角度挑刺。
• 周五下午（健康检查）：输入“运行 SaaS 健康诊断”，并粘贴上周的最新数据（MRR，用户数，流失率等），获得一个快速的业务健康度快照和风险提示。
• 随时（灵感与规划）：当有一个新想法时，直接说“对这个‘智能标签’功能做个完整的 PM Sprint”，快速生成从发现到验证的完整草案，作为与团队讨论的起点。

高级技巧：创建快捷指令大多数 AI 编程工具支持自定义快捷指令或代码片段。你可以将常用的命令封装起来。例如，在 Cursor 中，你可以设置一个快捷键，自动输入#review-prd并附上剪贴板中的文档内容，一键启动评审。

5. 高级技巧、常见问题与避坑指南

经过数月的深度使用，我积累了一些能极大提升效率的技巧，也踩过一些坑。这里分享给你。

5.1 如何获得最佳输出的提问技巧

技能包很强大，但“垃圾进，垃圾出”的原则依然适用。你的输入质量直接决定输出质量。

• 技巧一：提供上下文，而非仅仅指令。不要只说“分析这些指标”。要说：“我们是一个面向中小企业的 SaaS 工具，目前处于 PMF 验证阶段。这是本月的核心指标：MRR $30k, 客户 400, 月流失 10%, CAC $400。请诊断健康度并给出下季度首要行动建议。” 额外的上下文（阶段、客户类型）能让分析更具针对性。
• 技巧二：明确输出格式。如果你需要的是一个可以分享给团队的表格，就说“以表格形式输出分析结果，包含指标、计算过程、当前值、健康阈值和建议”。技能包会调整其输出格式。
• 技巧三：善用“教练模式”进行脑力激荡。当你自己思路卡壳时，不要让它直接给答案。尝试说：“我正在思考如何降低新用户首周流失率，目前只有一些模糊的想法。请以教练模式向我提问，帮助我理清思路。” 它会通过一系列苏格拉底式提问，引导你自己找到答案，这个过程往往比直接获得答案更有价值。

5.2 常见问题与解决方案

5.3 安全与维护须知

这是一个让我非常放心的开源项目。

• 零数据泄露风险：所有处理都在你的本地环境或你信任的 AI 工具平台内进行。你的产品数据、指标、PRD 从未被发送到项目作者的服务器。技能包本身是静态的 Markdown 文件。
• 手动更新：项目更新时，你需要手动运行bin/update-check（或重新运行安装命令）来获取新版本。这意味着你完全控制更新节奏，不会出现意外变更打断你的工作流。
• 理解其边界：它不是一个全自动的产品管理 SaaS。它不处理审批流程、团队协作或甘特图绘制。它是一个增强你个人思考与决策能力的“力放大器”，核心价值在于提升你与 AI 交互的深度和质量。

6. 实战场景全流程演绎：从一个模糊需求到可执行方案

让我们通过一个完整的、虚构但非常真实的案例，来看看如何将这个技能包应用到端到端的工作流中。假设你是一家协作软件公司的产品经理，销售总监向你反馈：“我们的几个大客户都抱怨通知太多太杂，他们想要一个通知偏好设置中心。”

第一步：启动 PM Sprint，进行问题发现你打开 AI 工具，输入：“销售反馈说大客户需要通知偏好设置中心。对此启动一个完整的 PM Sprint，从发现阶段开始。”

AI（基于技能包）可能会回复：

阶段 1: Discover当前输入：解决方案请求——“通知偏好设置中心”。问题澄清：这很可能是一个“解决方案走私”。我们需要找到背后的真实问题。引导性问题：

1. 哪些角色在抱怨？（是最终用户、团队管理员，还是 IT 管理员？）
2. 在什么具体场景下通知成为问题？（是深夜收到推送影响休息，还是工作流被不重要的通知打断？）
3. 当前的变通方法是什么？（是完全关闭通知，导致错过重要信息；还是忍受干扰？）
4. 这个问题的后果是什么？（用户满意度下降、支持工单增加、功能采用率降低？）建议行动：请先回答以上 1-2 个问题，或分享已有的用户反馈/数据。然后我们进入 Positioning 阶段。

你根据已知信息补充：“抱怨主要来自团队管理员和部分活跃用户。场景是：1. 非工作时间收到项目更新推送。2. 被非自己负责频道的@提及消息刷屏。后果是部分用户关闭了所有推送，错过了关键审批消息。”

第二步：定位与优先级排序AI 进入下一阶段：

阶段 2: Position & Prioritize基于补充信息，定义问题：用户无法根据自身角色、工作时间和关注范围来管理通知的接收渠道和频率，导致要么受到干扰，要么错过重要信息，降低了产品效用和满意度。市场与竞品：主流协作工具（如 Slack, Teams）均提供细粒度的通知偏好设置，这已成为用户预期。优先级评估（使用 RICE 框架初步估算）：

• Reach（影响范围）：影响所有用户，尤其是活跃用户和管理员（假设 60% 的月活用户），得分 6。
• Impact（影响程度）：对用户体验和留存有中度到高度影响，假设为 0.5（0.25-3 尺度）。
• Confidence（信心）：问题明确，有直接用户反馈，解决方案模式成熟，信心度 80%（0.8）。
• Effort（投入）：涉及前端、后端和可能的推送服务改造，初步估计 3-4 人/月，得分 3。
• RICE 分数：(6 * 0.5 * 0.8) / 3 =0.8。这是一个中等偏上优先级的项目。建议：问题成立，且有一定优先级。是否进入 Specify 阶段撰写 PRD 草案？

第三步：撰写与评审 PRD你确认后，AI 进入详述阶段，生成一份结构化的 PRD 草案，包含背景、问题陈述、目标用户、成功指标（如“将因通知过多而关闭所有推送的用户比例降低 50%”）、解决方案概要等。

然后，你立即使用评审功能：“以教练模式，严厉评审刚才生成的这份关于通知管理的 PRD 草案。”

AI 会进入“挑剔同行”模式，可能会指出：

• 成功指标风险：你设定的“降低 50%”缺乏当前基线数据。建议先通过查询确定当前完全关闭通知的用户比例作为基线。
• 范围蔓延：草案中同时包含了“频道级静音”、“工作时间设置”、“推送渠道选择（邮件/推送）”等多个功能。建议进行最小化发布：第一期只做“全局推送开关”和“基于频道类型的静音（如仅静音非@提及的频道消息）”，以快速验证核心假设。
• 遗漏项：未考虑数据迁移（用户现有设置如何处理）和后台管理功能（管理员能否为团队设置默认策略）。

第四步：设计验证方案根据评审反馈修改 PRD 后，你继续：“为这个通知偏好设置项目（第一期最小范围）设计验证方案。”

AI 会进入 Validate 阶段，输出：

验证计划：

1. 可用性测试（上线前）：招募 5-8 名目标用户（包含管理员和普通用户），完成“找到并设置静音某类通知”的核心任务，观察完成时间和困惑点。
2. A/B 测试（上线后）：对 50% 的用户灰度发布新功能。核心指标：实验组中“完全关闭通知”的用户比例变化、关键操作（如审批）的响应延迟时间、用户满意度调查（NPS）相关项得分。
3. 定性访谈：上线后两周，访谈 10 位实验组用户（包含使用了和未使用新功能的），了解其使用感受和未使用的原因。

至此，一个从模糊销售反馈到清晰、可执行、且经过初步压力测试的产品方案就完成了。整个过程可能只需要你 30-60 分钟的交互时间，但产出的思考深度和文档完整度，远超自己苦思冥想或与通用 AI 进行多轮低效对话。

这个技能包的本质，是将优秀产品经理的思维模式和工作流“固化”成了一组可重复调用的指令。它不能替代你的判断，但能极大地增强你的判断力、规范你的思考过程，并把你从重复性的框架解释和基础计算中解放出来，让你更专注于只有人类才能做的创造性工作和复杂决策。如果你每天都在与产品问题打交道，并且你的工作台里有一个 AI 编程伙伴，那么product-manager-skills绝对值得你花一小时安装和尝试，它很可能会成为你生产力工具箱中最锋利的一把工具。