Epic Hypothesis

史诗假设 (Epic Hypothesis)

版本：v1.0.0
创建：2026-03-09
作者：Elatia 🌀 (基于 Product-Manager-Skills 提炼)
许可：MIT
类型：Component Skill

📋 技能描述

面向场景: 大型功能/项目立项、需要验证价值假设、敏捷史诗定义
目标用户: 产品负责人、产品经理、项目负责人
核心价值: 将大型需求转化为可验证假设，避免盲目开发，确保投资回报

🎯 核心能力

1. If/Then 假设结构

使用标准格式清晰表达假设：

如果 我们 [做什么]
为了 [目标用户]
那么 他们会 [产生什么行为]
我们将通过 [指标] 来验证成功
成功标准是 [具体数值]

2. 关键指标定义

• 结果指标（滞后指标）
• 过程指标（先行指标）
• 基线/目标/当前值

3. 验证实验设计

• 最小验证方式
• 验证周期
• 成功/失败标准

🔧 使用方式

方式 1: 交互式引导

/epic-hypothesis

引导问题:

1. 史诗名称

• 简短标题：[5-10 字]
• 一句话描述：[做什么]

2. 假设陈述

• 如果 我们：[做什么/提供什么功能]
• 为了：[目标用户/客户群体]
• 那么 他们会：[产生什么行为/结果]
• 我们将通过：[指标/信号] 来验证成功
• 成功标准是：[具体数值/阈值]

3. 背景与依据

• 市场洞察：[为什么认为这是机会]
• 用户研究：[用户反馈/数据支持]
• 竞争分析：[竞品情况]

4. 关键指标

指标类型	指标名称	基线	目标	当前
结果指标	[如留存率]	X%	Y%	-
过程指标	[如使用率]	A%	B%	-

5. 验证实验

• 实验 1: [最小验证方式]
• 实验 2: [进一步验证]

6. 风险与假设

• 关键假设：[需要验证的假设]
• 主要风险：[可能的失败原因]

方式 2: 快速模式

/epic-hypothesis quick \
  --name "AI 智能推荐" \
  --if "我们引入 AI 推荐算法" \
  --for "电商用户" \
  --then "他们会增加购买频次和客单价" \
  --metric "GMV/用户" \
  --target "+20%"

📝 输出模板

# Epic Hypothesis: [史诗名称]

## 一、假设陈述
**如果** 我们 [做什么/提供什么功能]  
**为了** [目标用户/客户群体]  
**那么** 他们会 [产生什么行为/结果]  
**我们将通过** [指标/信号] **来验证成功**  
**成功标准是** [具体数值/阈值]

## 二、背景与依据
### 市场洞察
[为什么认为这是机会]

### 用户研究
[用户反馈/数据支持]

### 竞争分析
[竞品情况]

## 三、关键指标
| 指标类型 | 指标名称 | 基线 | 目标 | 当前 |
|----------|----------|------|------|------|
| 结果指标 | [名称] | X | Y | - |
| 过程指标 | [名称] | A | B | - |

## 四、验证实验
### 实验 1: [名称]
- **目标**: [验证什么]
- **方法**: [如何验证]
- **周期**: [多长时间]
- **成功标准**: [什么算成功]

### 实验 2: [名称]
- **目标**: [验证什么]
- **方法**: [如何验证]
- **周期**: [多长时间]
- **成功标准**: [什么算成功]

## 五、风险与假设
### 关键假设
需要验证的假设：
1. [假设 1]
2. [假设 2]

### 主要风险
| 风险 | 可能性 | 影响 | 缓解措施 |
|------|--------|------|----------|
| [风险 1] | 高/中/低 | 高/中/低 | [措施] |
| [风险 2] | 高/中/低 | 高/中/低 | [措施] |

## 六、决策建议
**[Proceed / Pivot / Kill]**

**理由**:
[详细解释]

📚 示例

示例：AI 智能推荐功能

# Epic Hypothesis: AI 智能推荐

## 假设陈述
**如果** 我们引入 AI 智能推荐算法  
**为了** 电商平台的中高频用户（月购买≥2 次）  
**那么** 他们会增加购买频次和客单价  
**我们将通过** GMV/用户 **来验证成功**  
**成功标准是** GMV/用户提升 20%+

## 背景与依据
### 市场洞察
- 行业标杆（亚马逊/淘宝）30%+ 收入来自推荐
- AI 推荐技术成熟，成本大幅下降
- 用户对个性化推荐接受度提升

### 用户研究
- 用户反馈："找不到想要的商品"
- 数据：搜索无结果率 15%，浏览深度浅
- 访谈：用户希望"猜你喜欢"更准确

### 竞争分析
- 竞品 A：已上线推荐，转化率 +25%
- 竞品 B：推荐效果一般，用户反馈不准
- 我们的机会：数据质量更好，算法更精准

## 关键指标
| 指标类型 | 指标名称 | 基线 | 目标 | 当前 |
|----------|----------|------|------|------|
| 结果指标 | GMV/用户 | $100 | $120 | - |
| 结果指标 | 复购率 | 30% | 35% | - |
| 过程指标 | 推荐点击率 | - | 15% | - |
| 过程指标 | 推荐转化率 | - | 8% | - |

## 验证实验
### 实验 1: 小流量 A/B 测试
- **目标**: 验证推荐算法有效性
- **方法**: 5% 用户看到推荐，对比 GMV/用户
- **周期**: 2 周
- **成功标准**: 实验组 GMV/用户 +10%+

### 实验 2: 全量灰度
- **目标**: 验证大规模效果
- **方法**: 50% 用户灰度，监控核心指标
- **周期**: 4 周
- **成功标准**: GMV/用户 +15%+，无负面反馈

## 风险与假设
### 关键假设
1. 用户数据足够训练推荐模型
2. 推荐结果准确性达到 85%+
3. 用户对推荐接受度高

### 主要风险
| 风险 | 可能性 | 影响 | 缓解措施 |
|------|--------|------|----------|
| 数据不足 | 中 | 高 | 先用规则推荐，积累数据 |
| 算法不准 | 中 | 高 | 人工审核 + 持续优化 |
| 用户反感 | 低 | 中 | 提供关闭选项 |

## 决策建议
**✅ Proceed（建议推进）**

**理由**:
- 市场验证成功（标杆案例）
- 用户需求明确（访谈支持）
- 技术可行（团队能力）
- ROI 清晰（预计 +20% GMV）

🎯 质量标准

好的史诗假设

• ✅ 格式标准（If/Then 结构清晰）
• ✅ 指标可衡量（具体数值）
• ✅ 验证可行（实验可执行）
• ✅ 风险明确（知道可能失败原因）

常见陷阱

• ❌ 假设模糊（"提升用户体验"）
• ❌ 指标不可衡量（"用户更喜欢"）
• ❌ 验证不可行（需要 6 个月验证）
• ❌ 忽略风险（过于乐观）

🔗 与其他技能的关系

📈 成功指标

🔖 版本历史

📄 许可

MIT License

基于 Product-Manager-Skills by Dean Peters · CC BY-NC-SA 4.0
适配 OpenClaw 标准：Elatia 🌀