# Feature Iteration

> 功能迭代优化工作流 (Feature Iteration Workflow)

- Skill: `dvcrn/feature-iteration` (Agent Skill)
- Install (CLI): `npx skillmds@latest add dvcrn/feature-iteration`
- Raw SKILL.md: https://api.skillmd.com/api/skills/dvcrn/feature-iteration/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Productivity
- Author: dvcrn (https://skillmd.com/u/dvcrn)
- Updated: 2026-09-21
- Page: https://skillmd.com/skills/dvcrn/feature-iteration

---

# 功能迭代优化工作流 (Feature Iteration Workflow)

> 版本：v1.0.0  
> 创建：2026-03-09  
> 作者：Elatia 🌀  
> 许可：MIT  
> 类型：Workflow Skill

---

## 📋 技能描述

**面向场景**: 已有功能的需求迭代和持续优化  
**目标用户**: 产品经理、增长负责人  
**核心价值**: 基于数据和用户反馈，持续优化已有功能

---

## 🎯 工作流阶段

### 阶段 1: 数据分析 (20 分钟)
1. 收集功能使用数据（DAU/留存/转化）
2. 识别问题和机会点
3. **输出**: 数据分析报告

### 阶段 2: 用户反馈 (30 分钟)
1. 收集用户反馈（客服/评论/访谈）
2. 运行 `problem-statement` — 定义问题
3. **输出**: 用户反馈汇总 + 问题定义

### 阶段 3: 优先级评估 (30 分钟)
1. 运行 `prioritization-advisor` — 选择框架
2. 运行 `feature-investment-advisor` — ROI 评估
3. **输出**: 优先级清单

### 阶段 4: 方案设计 (40 分钟)
1. 运行 `user-story` — 定义需求
2. 运行 `epic-hypothesis` — 定义假设
3. **输出**: 优化方案

### 阶段 5: 实验设计 (20 分钟)
1. 设计 A/B 测试方案
2. 定义成功指标
3. **输出**: 实验方案

---

## 🔧 使用方式

```markdown
/feature-iteration
```

**预计耗时**: 2-2.5 小时

---

## 📈 成功指标

| 指标 | 目标值 |
|------|--------|
| 功能使用率提升 | ≥20% |
| 用户满意度提升 | ≥10% |
| 实验成功率 | ≥60% |

---

## 🔖 版本历史

| 版本 | 日期 | 变更 |
|------|------|------|
| v1.0.0 | 2026-03-09 | 初始版本 |

---

## 📄 许可

MIT License

---

*创建者：Elatia 🌀*