产品形态探索 Skill

使用场景

• 能力实验已完成，需要探索能力最终以什么形态服务于用户
• 不确定应该做问答、Copilot、工作流还是 Agent
• 需要用实验驱动设计（Experiment Driven Design）而非拍脑袋定形态

核心概念

• 实验驱动设计（Experiment Driven Design）：先通过实验发现能力边界，再反过来定义产品形态
• 能力入口：用户进入某项能力的方式（问答、Copilot、工作台、自动流程、Agent）
• 产品形态：能力最终以什么交互和工作流被用户使用，而非页面长什么样

产品形态决策框架

能力特征	推荐形态
低风险、高重复、边界清晰	自动流程 / Agent
中风险、需要人工确认	Copilot
高风险、需要透明解释	工作台（人工主导）
探索期、边界不清	问答 + 反馈收集

探索流程

能力实验结论
  → 能力边界分析
    → 候选形态列举
      → 交互原型设计
        → 工作流嵌入测试
          → 产品形态决策

第一步：能力边界分析

从能力实验结论提取关键维度：

维度	问题	影响
风险等级	出错后影响多大？	决定自动化程度上限
边界清晰度	AI 能明确判断的场景占比？	决定自主模式可行性
任务重复度	同一任务出现频率？	决定投入产出比
用户期望	用户希望快还是希望准？	决定形态侧重

第二步：候选形态列举

基于能力边界，列举所有形态可能性：

1. 问答：适合信息查询、规则解释、FAQ 类
2. Copilot：适合需要人工确认、高风险、有合规要求的场景
3. 工作台：适合复杂判断、需要人工整合多源信息的场景
4. 自动流程：适合低风险、边界清晰、重复高的任务
5. Agent：适合多步骤、有工具调用需求、但风险可控的场景

第三步：交互原型设计

每个候选形态设计原型，验证：

• 用户如何进入（入口设计）
• 系统如何输出（展示形式）
• 用户如何纠偏（反馈机制）
• 失败时如何处理（降级策略）

第四步：工作流嵌入测试

原型必须在真实工作流中测试，而非仅限演示：

• 模拟完整任务链路
• 记录中断点和人工介入点
• 测量效率提升和用户满意度

输出物：产品形态建议

1. 形态推荐：基于能力边界的最优形态
2. 交互原型：入口、输出、反馈机制设计
3. 工作流嵌入方案：如何嵌入现有工作流
4. 风险边界：该形态的风险上限和管理方式
5. 进入下阶段条件：什么条件下可以进入流程重构

与其他 Skill 的关系

• 前置：@p2a-experiment-overview（提供能力实验结论）
• 后置：@p2c-process-redesign（深入流程层面）、@p2d-convergence-decision（收敛决策）
• 协同：@ai-native-ux-design（UX 设计细节）

示例

用户输入

"客服 Copilot 能力实验已完成，订单查询准确率 92%，物流解释 85%，但售后政策 78%，多轮上下文处理不稳定"

Skill 执行

能力边界分析:
  风险: 中（售后政策出错可能引发投诉）
  边界清晰度: 订单/物流高，售后低
  推荐形态: Copilot（人工确认模式）

形态原型:
  界面: 侧边栏候选回复 + 风险标记
  交互: 一键采纳 / 快速编辑 / 风险提示
  边界: 退款/赔付类必须人工确认后发送

工作流嵌入:
  当前流程: 客服读工单→查系统→组织回复→发送
  新流程: AI预读→建议回复→客服确认→发送
  预期提升: 首响时间-60%，培训周期-50%

进入下阶段条件:
  ✅ 采纳率 > 60%（通过影子验证）
  ✅ 风险标记准确率 > 85%
  ⏳ 售后政策准确率需提升至 85%+