staruhub/ClaudeSkills / skills/Geek-skills-product-manager
product-manager
Verified资深产品经理助手,提供 PRD/MRD/BRD 创作与评审、产品策略、留存增长、竞品分析、功能优先级,以及 grill-me-to-doc 逐轮访谈。用户要求“逐个问我”“先把需求问清楚”“grill me”“把想法变成产品文档”时进入 grill-me-to-doc:先读仓库证据,每轮只问一个决策,给推荐答案与理由,记录决策和未决项,支持 resume,产出结构化 PRODUCT-DOC;文档完成且用户批准前硬停止,任何时候都不写实现代码。即使未提“产品”,讨论 App 功能、增长或商业模式也应触发。不用于:单纯代码实现、系统架构深设(用 solution-architect)、需多源引用的市场调研(用 deep-research)、纯营销文案。
| File | Kind | Size |
|---|---|---|
| SKILL.md | skill md | 18.4 KB |
| evals/routing-evals.json | config | 2.1 KB |
| references/GRILL-ME-TO-DOC.md | markdown | 6.0 KB |
| references/PM-BEST-PRACTICES.md | markdown | 16.7 KB |
| references/PRD-TEMPLATE.md | markdown | 11.6 KB |
| references/PRD-WRITING-GUIDE.md | markdown | 13.0 KB |
| references/PRODUCT-DOC-TEMPLATE.md | markdown | 1.6 KB |
| references/REVIEW-CHECKLIST.md | markdown | 12.8 KB |
| schemas/grill-state.schema.json | config | 5.0 KB |
| scripts/validate_grill_session.py | script | 12.3 KB |
references/PRD-WRITING-GUIDE.md
View on GitHub# PRD 深度写作指南
本文档提供PRD各核心章节的深度写作模式,帮助产出"开发读完就能动手"级别的PRD。每个章节提供:写作模式、深度标准、反面教材检查、领域特化指引。
---
## 写作心法
PRD的本质是一份**规格说明书**,不是散文,不是讨论稿,不是PPT。它的读者是开发、测试、设计——他们需要的是:
1. **确定性**:告诉我要做什么,不要说"可以考虑"
2. **完整性**:告诉我所有的情况,不要让我猜
3. **可验证性**:告诉我怎么算做完了,不要让我自己定义
写PRD时,脑子里始终有一个虚拟的后端开发在读你的文档,每遇到一个模糊点他就会举手问:"这里具体是什么意思?"你的目标是让他从头读到尾不需要举手。
---
## 章节一:需求背景
### 写作模式
需求背景回答一个核心问题:**为什么要做这个功能?**
好的需求背景由三层构成:
1. **现状**(数据支撑):当前是什么情况,有什么数据证明?
2. **问题**(痛点定义):用户遇到了什么具体问题?业务受到什么影响?
3. **机会**(价值论证):做了之后有什么价值?竞品是什么情况?
### 深度标准
- ✅ 有至少一个具体的数据点(用户调研数据、业务数据、行业数据均可)
- ✅ 痛点描述具体到可感知的场景,而非抽象的"用户体验不好"
- ✅ 提到了竞品现状或市场机会
- ❌ 反面教材:只有一句"用户需要XX功能"
### 示例
**AI口语评测 — 需求背景:**
> **现状**:OneOneTalk当前核心功能为AI实时口语对练,用户日均发起对话3.2次(N=5000 DAU)。但对话结束后用户无法获得口语水平的量化反馈——不知道自己的发音准不准、语法对不对、和上次比有没有进步。
>
> **问题**:用户调研(2026年1月,N=200)显示78%的学习者将"不知道自己说得好不好"列为最大痛点。这直接导致学习动力衰减——我们的7日留存仅15%,用户反馈"练了不知道有没有用"。
>
> **机会**:竞品流利说(DAU 150万+)已有成熟的发音评测体系,ELSA Speak以AI语音评测为核心卖点(融资$27M)。口语评测是AI语言学习产品的核心差异化能力。补齐评测能力预期可将7日留存提升至25%+。
### 没有数据怎么办?
如果用户没有提供具体数据,用以下方式补充:
- 使用 web search 搜索行业报告数据作为参考
- 用合理估算并标注"[预估数据,待验证]"
- 用定性描述替代,但要具体:"用户反馈集中反映XX问题"而非"用户有需求"
---
## 章节二:用户场景
### 写作模式
用户场景是**带有时间线的叙事**,描述一个具体用户在具体时间、地点、心理状态下如何使用产品。它的目的是让开发和设计产生共情,理解"我们在为谁做什么"。
用户场景的5W结构:
1. **Who**:具体的人物画像(姓名、身份、特征)
2. **When/Where**:使用场景(时间、地点、设备)
3. **What**:用户的目标和操作步骤
4. **Flow**:系统的响应和交互流程
5. **Result**:最终用户得到什么结果
### 深度标准
- ✅ 每个核心功能至少2个场景(正常场景+边缘/异常场景)
- ✅ 场景中的操作步骤足够具体,能直接映射到UI交互
- ✅ 包含系统的响应行为,不只有用户动作
- ❌ 反面教材:"用户可以使用XX功能"
### 示例
**AI口语评测 — 用户场景:**
> **场景1:高中生晚自习后练习(正常流程)**
>
> 小明是高二学生,每天晚自习9点结束后用手机练习英语口语。他打开OneOneTalk,进入"口语评测"模块,看到三种评测模式:跟读评测、话题回答、情景对话。他选择"跟读评测",系统随机出一段BBC新闻朗读材料(约30词),页面展示英文文本+参考音频播放按钮。
>
> 小明点击"开始录音",页面底部出现实时音频波形。他朗读完成后点击"提交评测",页面显示分析动画(约1.5秒),然后展示评测结果卡片:综合分82分,其中发音准确度85分、语调自然度78分、流畅度83分。"th"和"r"发音被标红,点击可听到标准发音对比。底部展示"本周进步+5分"的趋势图。
>
> **场景2:弱网环境下的降级体验(异常流程)**
>
> 小红在地铁上使用,网络信号不稳定(4G频繁切3G)。她录完音频点击提交后,系统尝试上传但网络超时(>5秒)。页面提示"网络不给力,音频已保存到本地,网络恢复后自动提交评测"。到站后WiFi连接,系统自动完成评测并推送通知"你的评测结果出来了:综合分79分"。
### 场景数量建议
| 功能复杂度 | 正常场景 | 异常/边缘场景 | 总计 |
|-----------|---------|-------------|------|
| 小功能 | 1 | 0-1 | 1-2 |
| 中等功能 | 2-3 | 1-2 | 3-5 |
| 大功能 | 3-5 | 2-3 | 5-8 |
---
## 章节三:功能需求
### 写作模式
功能需求是PRD的核心。每个功能点要用**IPO模式**描述:
- **Input**:什么触发了这个功能?用户做了什么操作?输入数据是什么格式?
- **Process**:系统内部做了什么处理?业务逻辑是什么?有什么规则?
- **Output**:系统返回了什么?页面展示了什么?状态如何变化?
- **Exception**:出错了怎么办?边界条件如何处理?
### 深度标准
- ✅ 每个功能点都有Input/Process/Output/Exception
- ✅ 关键业务规则用表格或条件列表明确描述
- ✅ 状态流转关系清晰(可用Mermaid状态图)
- ✅ 数据格式和范围有明确定义
- ❌ 反面教材:只有功能名称+一句话描述
### 示例
**发音评测功能 — 功能需求:**
> **3.1 发音评测**
>
> **Input**:
> - 触发方式:用户在评测页点击"提交评测"按钮
> - 输入数据:音频文件(WebM/Opus格式,采样率16kHz,单声道,时长5-60秒)
> - 附带数据:评测材料ID、语种标识(en/zh)、用户等级
>
> **Process**:
> 1. 客户端将音频转码为16kHz PCM格式
> 2. 通过HTTPS上传至评测服务(最大文件5MB,超时10秒)
> 3. 评测服务调用语音评测模型,返回多维度评分
> 4. 评分结果写入用户评测记录表,更新统计数据
>
> **Output**:
> - 综合评分:0-100整数,= 发音×0.4 + 语调×0.3 + 流畅度×0.3(权重后台可配置)
> - 维度评分:发音准确度(0-100)、语调自然度(0-100)、流畅度(0-100)
> - 薄弱点标注:返回具体单词级的错误标注(单词index + 错误类型 + 纠正建议)
> - 历史趋势:最近7次评测的分数变化折线数据
>
> **Exception**:
> | 异常场景 | 系统行为 | 用户提示 |
> |---------|---------|---------|
> | 音频时长<5秒 | 客户端拦截,不上传 | "录音时间太短,请至少朗读5秒" |
> | 音频时长>60秒 | 客户端截取前60秒上传 | "已截取前60秒进行评测" |
> | 上传超时(>10秒)| 本地缓存音频,网络恢复后重试 | "网络不给力,稍后自动重试" |
> | 模型评测失败 | 重试1次,仍失败则返回错误 | "评测服务暂时繁忙,请稍后重试" |
> | 环境噪音过大(SNR<10dB)| 客户端检测后提醒 | "环境较吵,建议到安静处再录音" |
### 状态图(复杂流程推荐使用)
对于有多状态的功能,用Mermaid画状态流转图:
```mermaid
stateDiagram-v2
[*] --> 待录音
待录音 --> 录音中: 点击开始录音
录音中 --> 待提交: 点击停止
录音中 --> 待录音: 点击取消
待提交 --> 评测中: 点击提交
待提交 --> 录音中: 点击重录
评测中 --> 结果展示: 评测成功
评测中 --> 评测失败: 超时/模型错误
评测失败 --> 评测中: 重试
评测失败 --> 待录音: 放弃
结果展示 --> 待录音: 再来一次
结果展示 --> [*]: 退出
```
---
## 章节四:非功能需求
### 写作模式
非功能需求不是通用性能指标("要快"、"要稳"),而是**该产品场景下的具体技术约束**。
### 领域特化写法
**AI/大模型产品**:
- 模型推理延迟预算:端到端(用户感知)≤ X秒,其中网络传输≤Y ms,模型推理≤Z ms
- Token成本预算:单次请求平均X tokens,日均请求Y次,月成本≤Z元
- 准确率/召回率目标:评测准确率≥X%(基准:人工评测一致性)
- 降级策略:模型不可用时如何处理(缓存结果/简化评测/关闭功能)
**实时通信产品**:
- 端到端延迟:语音≤200ms(ITU-T G.114标准),视频≤400ms
- 连接建立时间:首次连接≤3秒,重连≤1秒
- 弱网表现:丢包5%时音质可接受,丢包20%时自动降码率
- 并发设计:支持X个并发连接/服务器实例
**教育产品**:
- 学习数据同步:多端数据同步延迟≤5秒
- 离线支持:核心学习内容支持离线使用
- 内容安全:所有AI生成内容需过敏感词过滤
### 深度标准
- ✅ 性能指标有具体数值和测量方法(P95/P99而非平均值)
- ✅ 指标与业务场景关联(为什么是200ms不是500ms)
- ✅ 包含降级和容错策略
- ❌ 反面教材:"性能要好"、"要快"、"高可用"
---
## 章节五:验收标准
### 写作模式
验收标准 = QA的测试用例种子。用**Given-When-Then**模式或**AC编号**模式。
### 深度标准
- ✅ 每个功能至少3条可验证的AC
- ✅ AC包含具体数值(时间、数量、百分比)
- ✅ 覆盖正常和异常路径
- ✅ 可以直接转写为自动化测试用例
- ❌ 反面教材:"功能正常可用"、"用户体验良好"
### 示例
> **发音评测验收标准:**
>
> - AC1:用户完成跟读后提交评测,P95延迟≤2秒展示评测结果
> - AC2:评测结果包含综合分+3个维度分,均为0-100整数
> - AC3:评测结果中错误单词标注与人工标注一致性≥85%(取样100句)
> - AC4:弱网环境(模拟3G,丢包5%)下评测完成率≥90%
> - AC5:音频录制支持实时波形展示,帧率≥24fps,延迟≤100ms
> - AC6:连续评测10次不出现内存泄漏(页面内存增量<20MB)
> - AC7:评测记录同步到"学习报告"页面,延迟≤5秒
---
## 章节六:数据埋点
### 写作模式
每个关键用户行为都需要一个埋点事件。用表格格式,确保开发不遗漏。
### 深度标准
- ✅ 覆盖核心转化路径的每个节点
- ✅ 事件名称规范统一(推荐 object_action 格式)
- ✅ 字段定义完整(字段名、类型、取值范围、是否必填)
- ❌ 反面教材:"需要埋点"、只写了事件名没写字段
### 示例
> | 事件名称 | 触发时机 | 关键字段 | 分析目的 |
> |---------|---------|---------|---------|
> | assessment_start | 用户点击"开始录音" | user_id, mode(跟读/话题/对话), material_id, language | 评测功能使用率 |
> | assessment_submit | 用户提交评测 | user_id, audio_duration_sec, file_size_kb | 完成率分析 |
> | assessment_result | 评测结果返回 | user_id, overall_score, latency_ms, dimension_scores(JSON) | 评测质量+性能监控 |
> | assessment_retry | 用户点击重试 | user_id, retry_reason(timeout/error/voluntary) | 失败率追踪 |
> | assessment_share | 用户分享评测结果 | user_id, share_channel(wechat/screenshot/link) | 传播分析 |
---
## 竞品分析写法
### 原则
竞品分析不是列一堆竞品名称+"优势/劣势"的空表格。好的竞品分析要:
1. 选择2-3个最直接的竞品(不要列10个凑数)
2. 深入分析它们的具体产品设计(截图、流程、评分体系)
3. 提炼可借鉴的点和差异化空间
### 操作方法
- **必须** 使用 web search 搜索竞品的最新功能和用户评价
- 如果可能,亲自体验竞品并记录关键交互流程
- 竞品对比维度要针对当前功能场景(不要用通用的"界面/功能/价格")
### 示例维度(口语评测场景)
| 维度 | OneOneTalk(本产品) | 流利说 | ELSA Speak |
|------|-------------------|-------|-----------|
| 评测维度 | 发音+语调+流畅度 | 发音+语调+流畅度+完整度 | 发音+重音+语调+流畅度 |
| 评分精度 | 单词级 | 音素级 | 音素级 |
| 反馈方式 | 分数+文字建议 | 分数+示范音频+口型动画 | 分数+波形对比+发音图谱 |
| 离线支持 | 不支持(V1) | 支持 | 部分支持 |
| 语种支持 | 中/英 | 中/英 | 英语为主 |
---
## PRD反面教材检查清单
写完PRD后,搜索以下字样。如果出现,说明该处需要加深度:
- [ ] "用户可以XX" → 改为具体的交互流程
- [ ] "系统支持XX" → 改为功能的IPO描述
- [ ] "性能要好/要快" → 改为具体数值
- [ ] "使用AI实现" → 改为模型选型+参数+成本分析
- [ ] "参考竞品" → 改为具体竞品名称+功能对比
- [ ] 连续3行以上没有具体数字 → 尝试补充量化数据
- [ ] "[待补充]"超过3处 → 主动搜索或做合理估算
- [ ] 整个功能描述<5行 → 大概率深度不够
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| add-product-e2e-evalpaperclipai/paperclipAdd or extend a Paperclip full-stack runner E2E workflow, fixture, matcher, or report evidence path for local or Daytona execution. | Stars: 115k | Updated | Claude CodeCodex | Verified | Install |
| add-runner-evalpaperclipai/paperclipAdd or extend a Paperclip Runner protocol evaluation definition, roster, assertion, or report fixture with provenance and narrow validation. | Stars: 115k | Updated | Claude CodeCodex | Verified | Install |
| diagnose-why-work-stoppedpaperclipai/paperclipCompatibility entry point for failed, stalled, looping, or over-recovered Paperclip work. Use fix-failed-paperclip-run for the full diagnosis, regression, repair, real verification, and green-PR workflow; honor an explicitly requested diagnosis-only scope. | Stars: 115k | Updated | Claude CodeCodex | Verified | Install |
| fix-failed-paperclip-runpaperclipai/paperclipDiagnose and fix failed, stuck, slow, or incorrectly blocked Paperclip tasks and runs. Use with a task/run URL or failure report to trace the root cause, prove a regression red then green, check second-order effects, verify the real workflow, and deliver a PR with passing checks. | Stars: 115k | Updated | Claude CodeCodex | Verified | Install |