AI 技能AI 插件【免费下载链接】Product-Manager-SkillsProduct Management skills framework built on battle-tested methods for Claude Code, Cowork, Codex, and AI agents.项目地址https://gitcode.com/gh_mirrors/pr/Product-Manager-Skills点击查看免费下载本篇技术指南围绕开源仓库 Product-Manager-Skills 中pol-probe技能Proof of Life Probe生命证明探针的工业领域示例展开以虚构的 Northfield Automation 公司在 NFA-500 控制器开发过程中的三个真实探针案例为主体讲解在硬件/工业场景下如何用纸板、打印卡片和存量数据这些极廉价的道具在投入昂贵开模与工具链周期之前获取残酷真相。读完本文你将掌握工业场景下 PoL Probe 的设计原则、正反案例判据以及如何借助仓库内的 template.md 与 SKILL.md 快速落地自己的验证探针。什么是 Proof of Life Probe先讲清概念骨架pol-probe技能在 SKILL.md 中给出了严谨定义PoL Probe 是一种有意的、一次性的验证实验设计目的是用尽可能低的成本、最快的速度回答一个特定问题。它既不是产品也不是 MVP更不是试点pilot而是一次侦察任务reconnaissance mission——按设计要被删除而不是被扩展。该框架的源头在 SKILL.md 中有明确交代由 Dean PetersProductside提出建立在 Marty Cagan 2014 年关于 prototype flavors原型口味的工作之上并引用了 Jeff Patton 的原则——测试一个想法最昂贵的方式就是去构建生产级质量的软件。SKILL.md 定义了每个 PoL Probe 必须满足的5 大本质特征这是后续所有工业案例的评判标尺特征含义为什么重要轻量Lightweight资源投入最小化小时/天而非周如果探针太贵数据说要杀掉它时你会下不了手可丢弃Disposable明确计划在验证后删除不做扩展防止沉没成本谬误与范围蔓延窄范围Narrow Scope只测一个具体假设或风险宽泛实验只会产出含混的结果残酷诚实Brutally Honest暴露严酷真相而非虚荣指标礼貌的数据等于没用的数据微小聚焦Tiny Focused永远是侦察任务绝不是 MVP小表面积 更快的学xi循环SKILL.md 还特别警告了一个反模式如果你的原型精致到舍不得删那它就不是 PoL Probe而是原型剧场prototype theater。在仓库的 catalog/skills-index.yaml 中pol-probe被登记为type: component主题归类为validation-experiments预估用时 15–25 分钟描述为用低成本探针测试高风险假设在构建真实产品前获取残酷真相。工业版 twist为什么硬件场景让探针更值钱本文关联文档 sample-industrial.md 开篇就点出了工业场景的核心差异你不可能把一扇假门fake door搬到工厂车间里。没有功能开关feature flag没有 5% 灰度发布没有出了问题我们就回滚。这让廉价的实体探针变得更有价值——因为真实的实验要花掉一个工装周期而且可能长达一年。这句话背后的推理链条是软件产品可以低成本试错灰度发布、一键回滚但工业硬件的每一次真实实验都意味着开模、工装、产线停摆或一年的验证周期。因此在动手做真实实验之前用物理道具和存量数据做假实验来获取真相是硬件领域风险管理的杠杆点。这一点在仓库的维护文档 docs/maintenance/2026-07-17-adornment-and-docs-plan.md 中得到印证仓库刻意要求示例覆盖一个 SaaS 域 一个工业/非 SaaS 域并复用虚构的工业世界Helix Motion Systems、Northfield Automation、Corvid Industrial而 docs/Building PM Skills.md 明确规定示例公司必须为虚构。因此本文中的 Northfield Automation 与 NFA-500 均为教学虚构案例而非真实公司数据。优秀案例一任务聚焦探针——一张打印卡片测出可读性与操作手势假设与探针设计在 NFA-500 的开发中团队提出了一个可以被证伪的假设技术员戴着工作手套、在车间灯光下能在 30 秒内从前面板判断出哪个 I/O 槽位发生故障。探针道具极为朴素一张按面板高度安装的打印卡片展示提议的前面板布局。三名技术员原文为 nine technicians at three sites即三个站点的九名技术员被给予一个模拟故障4 号槽位故障了——告诉我你会怎么判断并计时。成本两天时间、一台彩色打印机以及一次本来就已安排的其他工作的现场拜访顺路完成。学到的真相9 人中有 7 人在 20 秒内定位了槽位两人用时超过一分钟——而这两位都来自面板照明最暗的那个站点九人全部戴着工作手套去够卡片没有一个人尝试精细触摸操作有四人提出了它告诉我坏了什么还是只告诉我坏在哪——一个团队里没有人想到要去回答的问题。决策改变触摸屏方案被放弃指示灯高度增加以保证低光环境下的可读性槽位号旁边新增了故障类型代码——正是源于那个我们没想到要问的问题。为什么这是一个好探针文档 sample-industrial.md 给出了四点归纳它测试的是风险最大的假设——真实条件下的可读性而不是最容易测的那个它零成本启动且可以廉价失败——9 人中 2 人失败是发现而不是挫折它在工作发生的地方运行——同一张卡片放在办公室里测试会轻松通过却什么都学不到它暴露了未知的未知——坏了什么而非坏在哪这个问题来自把一个真实物件放到真实用户面前。这个案例完美对应 SKILL.md 五种原型中的Task-Focused Test任务聚焦测试核心问题用户能否无摩擦地完成这个工作关注关键 UI 时刻、字段标签、决策点。在工业语境下这个UI就是前面板。优秀案例二可行性探针——用存量数据杀掉一个预言性维护 Epic假设与探针设计第二个假设是技术可行性的模块在失效之前I/O 数据中存在可检测的前兆信号。探针设计没有写任何新代码一名工程师、一周时间从服务数据库中拉取 50 次已知模块故障之前的信号日志进行分析。学到的真相前兆模式只出现在50 次中的 9 次。决策改变预言性维护predictive-maintenance的 Epic 在开工三周后被杀掉工程成本几乎为零。为什么这是一个好探针这是典型的Feasibility Check可行性检查——1–2 天的 spike-and-delete 测试回答我们能不能构建这个。文档给出的判断是它使用了已经存在的数据去回答一个本会消耗两个季度的问题。在工业领域一次虚假的你的产线要停了警报对信任的摧毁比完全没有警报更快——错误率高达 80% 的方案是致命的而探针在任何人写固件之前就发现了这一点。反面案例那个不可能失败的探针假设与探针设计客户想要更好的诊断功能。探针给十二名客户放映提议的 NFA-500 诊断功能的幻灯片问他们是否觉得有价值。结果十二人全部说是。为什么这是一个坏探针文档 sample-industrial.md 给出了四条致命缺陷没有人会对你抱怨的东西我给你个更好的版本说不——结果在探针运行前就已经注定了它测试的是热情而不是行为——技术员在会议室里说一句那太好了告诉不了你他们在面板高度、戴着工作手套时能不能读懂它它没有失败条件——一个不可能回传负面结果的探针不是探针是一场演示presentation它只是确认了一个已经做出的决定——这是最昂贵的调研形式用虚假信心换走真正的学习。修复方案文档明确指出修复方案就是前文那张打印卡片探针同样的问题四天时间9 人中 2 人失败——这恰恰正是它值得运行的原因。这个反面案例与 sample.md 中的 SaaS 域反例原型剧场互为镜像共同构成仓库对 PoL Probe 反模式的统一教学测试热情、无失败条件、确认已有决策都是原型剧场的变体。硬件如何改变探针的设计表sample-industrial.md 末尾用一张对比表总结了硬件/工业场景与软件场景在探针设计上的系统性差异这是全文最值得反复对照的实操表格维度软件硬件 / 工业最廉价的真实测试发布到 5% 用户并测量纸、纸板或已有数据失败成本回滚标志位工具链周期可能长达一年在哪里测试用户在哪儿就在哪儿测在工作的物理现场测试风险最大的假设通常是需求demand往往是物理性的可读性、可触及性、环境文档给出的核心结论是纪律完全一致只是道具更便宜、更物理而现场拜访site visit是不可妥协的——在办公室里跑的探针测出的只是办公室。这张表同时也呼应了 SKILL.md 的金科玉律用能讲出最残酷真相的最便宜原型。如果它不刺痛那它多半只是剧场。在工业场景中最便宜的答案往往是纸板与存量数据而非代码。如何在自己的工业项目里落地一个 PoL Probe用仓库模板填写探针文档template.md 提供了完整的填空式结构工业团队可以直接复制使用。核心字段包括Hypothesis假设一句话陈述你相信为真的事情例如如果我们把面板指示灯高度提高 20%低光环境下故障定位时间会降到 30 秒以内Risk Being Eliminated被消除的风险明确你正在处理的具体未知Prototype Type原型类型从五种原型中选择并打勾——Feasibility Check / Task-Focused Test / Narrative Prototype / Synthetic Data Simulation / Vibe-Coded PoL ProbeTarget Users / Audience目标用户谁会与探针交互例如三个站点的 9 名现场技术员Success Criteria (Harsh Truth)成功标准/残酷真相必须分别写出Pass / Fail / Learn三档阈值例如通过≥8/9 在 20 秒内定位失败≥2 人超过 1 分钟学习定位到具体摩擦点Tools / Stack工具栈工业场景常为彩色打印机 面板高度卡片 计时器 已有的现场拜访日程Timeline时间线明确 Build / Test / Analyze / Disposal 各阶段天数Disposal Plan处置计划验证完成后何时、以何种方式删除/归档探针Owner负责人谁对运行与处置该探针负责Status状态清单从假设已定义到探针已处置的六项勾选进度。SKILL.md 附带的Quality Checklist质量清单是启动前的最后一道闸门能否 1–3 天建成是否承诺了处置日期是否只测一个假设数据会不会在你错的时候刺痛你是否比 MVP 更小能否描述失败长什么样是否有单一负责人任何一项为否就要修改探针或重新考虑是否真的需要它。五种原型与工业场景的对应根据 pol-probe-advisor 的决策框架该交互式技能专门负责把验证方法匹配到真正的学习目标而不是匹配到工具熟练度工业团队可以按核心问题选择原型核心问题推荐原型工业落地示例我们能不能构建这个Feasibility Check1–2 天用 50 次已知故障的存量 I/O 日志验证前兆信号即案例二用户能否无摩擦完成这个工作Task-Focused Test2–5 天面板高度打印卡片 模拟故障计时即案例一这个工作流能否赢得干系人认同Narrative Prototype1–3 天Loom 演示 幻灯片讲故事而非测试 UI能否在无生产风险下建模Synthetic Data Simulation2–4 天用合成故障数据模拟报警逻辑方案能否经受真实用户接触Vibe-Coded PoL Probe2–3 天半功能可交互面板模拟仅够捕捉信号在仓库中查看与使用该技能技能定义与完整概念pol-probe组件技能位于 skills/pol-probe/SKILL.md填空模板skills/pol-probe/template.mdSaaS 域完整示例skills/pol-probe/examples/sample.md工业域完整示例本文主体skills/pol-probe/examples/sample-industrial.md类型选择顾问交互式skills/pol-probe-advisor/SKILL.md它的 SKILL.md 提供了从收集上下文 → 识别核心问题 → 推荐原型 → 生成 artifact的四步决策流程技能目录索引catalog/skills-index.yaml 与 catalog/skills-by-type.md。pol-probe还与仓库内其他技能构成完整的工作流先用 problem-statement 定义问题、用 epic-hypothesis 把 Epic 转化为可测试假设再通过 discovery-process 在验证阶段运行 PoL Probe——这一协作关系在 SKILL.md 的 Related Skills 一节有明确列出。常见陷阱与规避结合 SKILL.md 与 pol-probe-advisor 的 Common Pitfalls工业场景下最需要警惕的五类失败模式是运行宽泛的用户会喜欢吗实验而不是测试一个可证伪的窄假设把 PoL Probe 当作 proto-MVP拒绝处置它——如果无法承诺删除你建的就不是探针使用逃避不适真相的虚荣指标——会议室里的点头不算行为数据在测试开始前跳过预定义的失败阈值——我们到时候就知道了等于没有残酷真相先选工具、后定假设——因为我熟悉 Figma/PPT而选择原型恰好是 pol-probe-advisor 指出的方法-假设错配method-hypothesis mismatch核心病根。回到 Northfield Automation 的语境真正的纪律不是跑探针而是让探针以最便宜的道具、在现场、带失败条件地运行——一张纸板卡片测出了触摸屏方案的去留50 份存量日志杀掉了两个季度的 Epic。这就是 PoL Probe 在工业世界里harsh truth before expensive build的完整闭环。赞分享AI 技能AI 插件【免费下载链接】Product-Manager-SkillsProduct Management skills framework built on battle-tested methods for Claude Code, Cowork, Codex, and AI agents.项目地址https://gitcode.com/gh_mirrors/pr/Product-Manager-Skills点击查看免费下载相关推荐Product-Manager-Skills 仓库 discovery-process 工作流详解从问题假设到验证方案的六阶段发现循环Product Manager Skills 仓库 discovery process 工作流详解从问题假设到验证方案的六阶段发现循环 本文以 discoveAI 技能AI 插件Product-Manager-Skills 史诗假设Epic Hypothesis实战指南用可证伪的 If/Then 框架给每个重大举措设定赌注与验证方法Product Manager Skills 史诗假设Epic Hypothesis实战指南用可证伪的 If/Then 框架给每个重大举措设定赌注与验证方AI 技能AI 插件Ansoff Matrix 工业实战示例深度解析从证据象限到风险排序Product-Manager-Skills 仓库Ansoff Matrix 工业实战示例深度解析从证据象限到风险排序Product Manager Skills 仓库 导读 本文围绕 Product MAI 技能AI 插件上一篇YouTube.js 中 AppendContinuationItemsAction 节点解析实现原理与在评论、播放列表、续流场景中的实际应用下一篇VibeSDK 官方 TypeScript SDK 实战指南用 cf-vibesdk/sdk 构建与部署全栈 AI 应用创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 在工业现场验证风险假设：用 Product-Manager-Skills 的 PoL Probe 技能设计低成本“生命证明“探针
AI 技能AI 插件【免费下载链接】Product-Manager-SkillsProduct Management skills framework built on battle-tested methods for Claude Code, Cowork, Codex, and AI agents.项目地址https://gitcode.com/gh_mirrors/pr/Product-Manager-Skills点击查看免费下载本篇技术指南围绕开源仓库 Product-Manager-Skills 中pol-probe技能Proof of Life Probe生命证明探针的工业领域示例展开以虚构的 Northfield Automation 公司在 NFA-500 控制器开发过程中的三个真实探针案例为主体讲解在硬件/工业场景下如何用纸板、打印卡片和存量数据这些极廉价的道具在投入昂贵开模与工具链周期之前获取残酷真相。读完本文你将掌握工业场景下 PoL Probe 的设计原则、正反案例判据以及如何借助仓库内的 template.md 与 SKILL.md 快速落地自己的验证探针。什么是 Proof of Life Probe先讲清概念骨架pol-probe技能在 SKILL.md 中给出了严谨定义PoL Probe 是一种有意的、一次性的验证实验设计目的是用尽可能低的成本、最快的速度回答一个特定问题。它既不是产品也不是 MVP更不是试点pilot而是一次侦察任务reconnaissance mission——按设计要被删除而不是被扩展。该框架的源头在 SKILL.md 中有明确交代由 Dean PetersProductside提出建立在 Marty Cagan 2014 年关于 prototype flavors原型口味的工作之上并引用了 Jeff Patton 的原则——测试一个想法最昂贵的方式就是去构建生产级质量的软件。SKILL.md 定义了每个 PoL Probe 必须满足的5 大本质特征这是后续所有工业案例的评判标尺特征含义为什么重要轻量Lightweight资源投入最小化小时/天而非周如果探针太贵数据说要杀掉它时你会下不了手可丢弃Disposable明确计划在验证后删除不做扩展防止沉没成本谬误与范围蔓延窄范围Narrow Scope只测一个具体假设或风险宽泛实验只会产出含混的结果残酷诚实Brutally Honest暴露严酷真相而非虚荣指标礼貌的数据等于没用的数据微小聚焦Tiny Focused永远是侦察任务绝不是 MVP小表面积 更快的学xi循环SKILL.md 还特别警告了一个反模式如果你的原型精致到舍不得删那它就不是 PoL Probe而是原型剧场prototype theater。在仓库的 catalog/skills-index.yaml 中pol-probe被登记为type: component主题归类为validation-experiments预估用时 15–25 分钟描述为用低成本探针测试高风险假设在构建真实产品前获取残酷真相。工业版 twist为什么硬件场景让探针更值钱本文关联文档 sample-industrial.md 开篇就点出了工业场景的核心差异你不可能把一扇假门fake door搬到工厂车间里。没有功能开关feature flag没有 5% 灰度发布没有出了问题我们就回滚。这让廉价的实体探针变得更有价值——因为真实的实验要花掉一个工装周期而且可能长达一年。这句话背后的推理链条是软件产品可以低成本试错灰度发布、一键回滚但工业硬件的每一次真实实验都意味着开模、工装、产线停摆或一年的验证周期。因此在动手做真实实验之前用物理道具和存量数据做假实验来获取真相是硬件领域风险管理的杠杆点。这一点在仓库的维护文档 docs/maintenance/2026-07-17-adornment-and-docs-plan.md 中得到印证仓库刻意要求示例覆盖一个 SaaS 域 一个工业/非 SaaS 域并复用虚构的工业世界Helix Motion Systems、Northfield Automation、Corvid Industrial而 docs/Building PM Skills.md 明确规定示例公司必须为虚构。因此本文中的 Northfield Automation 与 NFA-500 均为教学虚构案例而非真实公司数据。优秀案例一任务聚焦探针——一张打印卡片测出可读性与操作手势假设与探针设计在 NFA-500 的开发中团队提出了一个可以被证伪的假设技术员戴着工作手套、在车间灯光下能在 30 秒内从前面板判断出哪个 I/O 槽位发生故障。探针道具极为朴素一张按面板高度安装的打印卡片展示提议的前面板布局。三名技术员原文为 nine technicians at three sites即三个站点的九名技术员被给予一个模拟故障4 号槽位故障了——告诉我你会怎么判断并计时。成本两天时间、一台彩色打印机以及一次本来就已安排的其他工作的现场拜访顺路完成。学到的真相9 人中有 7 人在 20 秒内定位了槽位两人用时超过一分钟——而这两位都来自面板照明最暗的那个站点九人全部戴着工作手套去够卡片没有一个人尝试精细触摸操作有四人提出了它告诉我坏了什么还是只告诉我坏在哪——一个团队里没有人想到要去回答的问题。决策改变触摸屏方案被放弃指示灯高度增加以保证低光环境下的可读性槽位号旁边新增了故障类型代码——正是源于那个我们没想到要问的问题。为什么这是一个好探针文档 sample-industrial.md 给出了四点归纳它测试的是风险最大的假设——真实条件下的可读性而不是最容易测的那个它零成本启动且可以廉价失败——9 人中 2 人失败是发现而不是挫折它在工作发生的地方运行——同一张卡片放在办公室里测试会轻松通过却什么都学不到它暴露了未知的未知——坏了什么而非坏在哪这个问题来自把一个真实物件放到真实用户面前。这个案例完美对应 SKILL.md 五种原型中的Task-Focused Test任务聚焦测试核心问题用户能否无摩擦地完成这个工作关注关键 UI 时刻、字段标签、决策点。在工业语境下这个UI就是前面板。优秀案例二可行性探针——用存量数据杀掉一个预言性维护 Epic假设与探针设计第二个假设是技术可行性的模块在失效之前I/O 数据中存在可检测的前兆信号。探针设计没有写任何新代码一名工程师、一周时间从服务数据库中拉取 50 次已知模块故障之前的信号日志进行分析。学到的真相前兆模式只出现在50 次中的 9 次。决策改变预言性维护predictive-maintenance的 Epic 在开工三周后被杀掉工程成本几乎为零。为什么这是一个好探针这是典型的Feasibility Check可行性检查——1–2 天的 spike-and-delete 测试回答我们能不能构建这个。文档给出的判断是它使用了已经存在的数据去回答一个本会消耗两个季度的问题。在工业领域一次虚假的你的产线要停了警报对信任的摧毁比完全没有警报更快——错误率高达 80% 的方案是致命的而探针在任何人写固件之前就发现了这一点。反面案例那个不可能失败的探针假设与探针设计客户想要更好的诊断功能。探针给十二名客户放映提议的 NFA-500 诊断功能的幻灯片问他们是否觉得有价值。结果十二人全部说是。为什么这是一个坏探针文档 sample-industrial.md 给出了四条致命缺陷没有人会对你抱怨的东西我给你个更好的版本说不——结果在探针运行前就已经注定了它测试的是热情而不是行为——技术员在会议室里说一句那太好了告诉不了你他们在面板高度、戴着工作手套时能不能读懂它它没有失败条件——一个不可能回传负面结果的探针不是探针是一场演示presentation它只是确认了一个已经做出的决定——这是最昂贵的调研形式用虚假信心换走真正的学习。修复方案文档明确指出修复方案就是前文那张打印卡片探针同样的问题四天时间9 人中 2 人失败——这恰恰正是它值得运行的原因。这个反面案例与 sample.md 中的 SaaS 域反例原型剧场互为镜像共同构成仓库对 PoL Probe 反模式的统一教学测试热情、无失败条件、确认已有决策都是原型剧场的变体。硬件如何改变探针的设计表sample-industrial.md 末尾用一张对比表总结了硬件/工业场景与软件场景在探针设计上的系统性差异这是全文最值得反复对照的实操表格维度软件硬件 / 工业最廉价的真实测试发布到 5% 用户并测量纸、纸板或已有数据失败成本回滚标志位工具链周期可能长达一年在哪里测试用户在哪儿就在哪儿测在工作的物理现场测试风险最大的假设通常是需求demand往往是物理性的可读性、可触及性、环境文档给出的核心结论是纪律完全一致只是道具更便宜、更物理而现场拜访site visit是不可妥协的——在办公室里跑的探针测出的只是办公室。这张表同时也呼应了 SKILL.md 的金科玉律用能讲出最残酷真相的最便宜原型。如果它不刺痛那它多半只是剧场。在工业场景中最便宜的答案往往是纸板与存量数据而非代码。如何在自己的工业项目里落地一个 PoL Probe用仓库模板填写探针文档template.md 提供了完整的填空式结构工业团队可以直接复制使用。核心字段包括Hypothesis假设一句话陈述你相信为真的事情例如如果我们把面板指示灯高度提高 20%低光环境下故障定位时间会降到 30 秒以内Risk Being Eliminated被消除的风险明确你正在处理的具体未知Prototype Type原型类型从五种原型中选择并打勾——Feasibility Check / Task-Focused Test / Narrative Prototype / Synthetic Data Simulation / Vibe-Coded PoL ProbeTarget Users / Audience目标用户谁会与探针交互例如三个站点的 9 名现场技术员Success Criteria (Harsh Truth)成功标准/残酷真相必须分别写出Pass / Fail / Learn三档阈值例如通过≥8/9 在 20 秒内定位失败≥2 人超过 1 分钟学习定位到具体摩擦点Tools / Stack工具栈工业场景常为彩色打印机 面板高度卡片 计时器 已有的现场拜访日程Timeline时间线明确 Build / Test / Analyze / Disposal 各阶段天数Disposal Plan处置计划验证完成后何时、以何种方式删除/归档探针Owner负责人谁对运行与处置该探针负责Status状态清单从假设已定义到探针已处置的六项勾选进度。SKILL.md 附带的Quality Checklist质量清单是启动前的最后一道闸门能否 1–3 天建成是否承诺了处置日期是否只测一个假设数据会不会在你错的时候刺痛你是否比 MVP 更小能否描述失败长什么样是否有单一负责人任何一项为否就要修改探针或重新考虑是否真的需要它。五种原型与工业场景的对应根据 pol-probe-advisor 的决策框架该交互式技能专门负责把验证方法匹配到真正的学习目标而不是匹配到工具熟练度工业团队可以按核心问题选择原型核心问题推荐原型工业落地示例我们能不能构建这个Feasibility Check1–2 天用 50 次已知故障的存量 I/O 日志验证前兆信号即案例二用户能否无摩擦完成这个工作Task-Focused Test2–5 天面板高度打印卡片 模拟故障计时即案例一这个工作流能否赢得干系人认同Narrative Prototype1–3 天Loom 演示 幻灯片讲故事而非测试 UI能否在无生产风险下建模Synthetic Data Simulation2–4 天用合成故障数据模拟报警逻辑方案能否经受真实用户接触Vibe-Coded PoL Probe2–3 天半功能可交互面板模拟仅够捕捉信号在仓库中查看与使用该技能技能定义与完整概念pol-probe组件技能位于 skills/pol-probe/SKILL.md填空模板skills/pol-probe/template.mdSaaS 域完整示例skills/pol-probe/examples/sample.md工业域完整示例本文主体skills/pol-probe/examples/sample-industrial.md类型选择顾问交互式skills/pol-probe-advisor/SKILL.md它的 SKILL.md 提供了从收集上下文 → 识别核心问题 → 推荐原型 → 生成 artifact的四步决策流程技能目录索引catalog/skills-index.yaml 与 catalog/skills-by-type.md。pol-probe还与仓库内其他技能构成完整的工作流先用 problem-statement 定义问题、用 epic-hypothesis 把 Epic 转化为可测试假设再通过 discovery-process 在验证阶段运行 PoL Probe——这一协作关系在 SKILL.md 的 Related Skills 一节有明确列出。常见陷阱与规避结合 SKILL.md 与 pol-probe-advisor 的 Common Pitfalls工业场景下最需要警惕的五类失败模式是运行宽泛的用户会喜欢吗实验而不是测试一个可证伪的窄假设把 PoL Probe 当作 proto-MVP拒绝处置它——如果无法承诺删除你建的就不是探针使用逃避不适真相的虚荣指标——会议室里的点头不算行为数据在测试开始前跳过预定义的失败阈值——我们到时候就知道了等于没有残酷真相先选工具、后定假设——因为我熟悉 Figma/PPT而选择原型恰好是 pol-probe-advisor 指出的方法-假设错配method-hypothesis mismatch核心病根。回到 Northfield Automation 的语境真正的纪律不是跑探针而是让探针以最便宜的道具、在现场、带失败条件地运行——一张纸板卡片测出了触摸屏方案的去留50 份存量日志杀掉了两个季度的 Epic。这就是 PoL Probe 在工业世界里harsh truth before expensive build的完整闭环。赞分享AI 技能AI 插件【免费下载链接】Product-Manager-SkillsProduct Management skills framework built on battle-tested methods for Claude Code, Cowork, Codex, and AI agents.项目地址https://gitcode.com/gh_mirrors/pr/Product-Manager-Skills点击查看免费下载相关推荐Product-Manager-Skills 仓库 discovery-process 工作流详解从问题假设到验证方案的六阶段发现循环Product Manager Skills 仓库 discovery process 工作流详解从问题假设到验证方案的六阶段发现循环 本文以 discoveAI 技能AI 插件Product-Manager-Skills 史诗假设Epic Hypothesis实战指南用可证伪的 If/Then 框架给每个重大举措设定赌注与验证方法Product Manager Skills 史诗假设Epic Hypothesis实战指南用可证伪的 If/Then 框架给每个重大举措设定赌注与验证方AI 技能AI 插件Ansoff Matrix 工业实战示例深度解析从证据象限到风险排序Product-Manager-Skills 仓库Ansoff Matrix 工业实战示例深度解析从证据象限到风险排序Product Manager Skills 仓库 导读 本文围绕 Product MAI 技能AI 插件上一篇YouTube.js 中 AppendContinuationItemsAction 节点解析实现原理与在评论、播放列表、续流场景中的实际应用下一篇VibeSDK 官方 TypeScript SDK 实战指南用 cf-vibesdk/sdk 构建与部署全栈 AI 应用创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考