AI Native 产品需求发现 — SKILL.md

一句话定位

当 AI 让"做出来"变得容易时，真正稀缺的是判断"什么才值得做"的能力。本 Skill 提供一套从"真实处境"出发的需求发现流程，帮助你避开 AI 时代最容易陷入的伪需求陷阱。

何时触发

用户提供了一个产品想法、问题线索或需求描述，需要：

• 判断这是真实需求还是伪需求
• 在 AI Agent 时代重新定义需求边界
• 从"用户说什么"转向"用户在什么处境中做了什么"
• 产出一份可用于后续方向定界和系统构建的需求简报

核心方法论（来自书稿）

第一性原理

数字世界正在把世界压扁，但真实世界始终是立体的。AI 很擅长处理被表达、被记录、被整理过的世界，但真正有价值的问题，往往长在现实里那些还没有被说清、也不容易被看见的地方。

核心公式

真实需求 = 场景入口 × 处境深度 × 行为证据密度
伪需求 = 表达强度 × 技术兴奋度 × 可见性偏差

三条核心线索

1. 媒介批判线：我们看到的≠现实本身。平台放大、压缩、分类和引导过的"需求"，往往只是高可见需求，不一定是真问题。
2. 产品方法线：过去需求管理的核心是资源分配；今天必须升级为问题判断——什么问题值得进入系统，什么只是被技术兴奋或舆论噪音放大的伪需求。
3. 人的能力线：当 AI 越来越会整理、总结、生成、规划，人的核心竞争力是走回现实、观察处境、判断什么该交给系统、什么必须留给人。

执行流程

Step 1：需求解构（Deconstruct the Stated Need）

把用户/客户/团队"说出来的需求"拆成三层：

层级	问题	输出
表达层	他们说了什么？	原始需求陈述
行为层	他们在什么处境中做了什么？	行为证据清单
结构层	什么在阻碍他们达成目标？	结构性约束清单

关键动作：

• 收集至少 3 个真实用户的行为案例（不是问卷，不是访谈录音，是"他们在什么场景下做了什么"）
• 标记每一个"需求"是否来自平台/算法/社交媒体的放大
• 区分"用户的痛苦"和"用户描述的痛苦"——后者往往已经被媒介翻译过

Step 2：处境映射（Situation Mapping）

AI Native 需求管理的核心转变：从"用户是谁"到"用户在什么处境中"。

处境地图的四个维度：

1. 物理处境：在哪里？用什么设备？网络环境？时间压力？
2. 社交处境：和谁在一起？谁在看？有什么社会压力？
3. 任务处境：正在完成什么目标？这个目标是谁设定的？
4. 情绪处境：当下的情绪状态？对失败的容忍度？

输出：一幅"处境-行为"映射表，显示用户在每个处境下的真实行为（而非表达意愿）。

Step 3：伪需求检测（Pseudo-Need Detection）

用 5 个信号判断一个需求是否为伪需求：

信号	检测问题	风险等级
S1: 技术兴奋型	"如果不用 AI，这个问题还存在吗？"	🔴 高
S2: 可见性偏差型	"这个需求是在哪个平台/会议上被放大的？"	🟡 中
S3: 表达-行为断裂型	"用户说的和做的是否一致？"	🔴 高
S4: 代理偏差型	"这个需求是谁的声音？是终端用户还是中间人？"	🟡 中
S5: 解决方案伪装型	"他们描述的是问题，还是已经混进了解决方案？"	🔴 高

规则：命中 ≥2 个 🔴 信号 → 标记为"高伪需求风险"，必须回到 Step 1 重新收集行为证据。

Step 4：Agent 适配评估（Agent Fit Assessment）

判断这个需求是否适合用 AI Agent 解决，而非传统工具或人工。

Agent 适配四问：

1. 边界是否清晰？ Agent 的输入和输出能否被明确定义？
2. 反馈是否闭环？ Agent 的行动结果能否被快速验证并回流到系统？
3. 错误是否可承受？ Agent 出错的代价是否在可接受范围内？（参考 Risk Exposure 框架）
4. 人的角色是否被保留？ 哪些决策必须留给人，哪些可以交给 Agent？

输出：Agent 适配评分（0-100）+ 不适合 Agent 的环节清单。

Step 5：需求简报输出（Needs Brief）

整合所有分析，输出一份标准化的 AI Native 需求简报：

needs_brief:
  problem_statement: "用一句话描述真正的核心问题（不是解决方案）"
  situation_map:
    - situation: "处境描述"
      behavior_evidence: "行为证据"
      frequency: "发生频率"
  pseudo_need_flags: ["S1", "S3"]  # 命中的伪需求信号
  agent_fit:
    score: 85
    suitable_for_agent: true
    human_reserved_decisions: ["最终审批", "伦理判断"]
  validation_criteria:
    - "验证标准1：..."
    - "验证标准2：..."
  next_stage: "p2"  # 下一阶段：方向定界

关键原则

1. 行为 > 表达：用户的行为证据比他们说的话更可信。
2. 处境 > 画像：先理解用户在什么处境中，再谈用户是谁。
3. 问题 > 方案：永远先定义问题，再讨论解决方案。AI 时代最容易犯的错误是把解决方案（"我想做一个 Agent"）当成需求。
4. 真实 > 可见：高可见的需求不一定是真需求，可能只是被算法放大了。

常见陷阱

• 陷阱 1：把"用户想要一个 AI 助手"当成需求 → 实际上用户想要的是"减少重复性工作的痛苦"
• 陷阱 2：用 AI 生成虚假需求 → 用 LLM 生成"用户故事"，看起来很像，但没有真实行为支撑
• 陷阱 3：场景太宽 → "帮助所有人提高效率"不是场景，"帮助电商客服在高峰时段处理退货请求"才是
• 陷阱 4：忽视媒介过滤 → 从社交媒体、行业报告中读到的"热点需求"，往往已经被平台扭曲

与其他 Skill 的关系

• 上游输入：无（本 Skill 是工作流起点之一）
• 下游输出：ai-native-direction-framing（方向定界）
• 并行参考：ai-native-experiment-engine（试验展开，用于验证需求假设）