# AI Native Product Needs

> AI Native 产品需求发现 Skill。基于《AI rebuild product needs》方法论， 帮助用户在 AI Agent 时代重新定义需求：区分真实需求与伪需求， 以"场景为入口、处境为本体"，用行为证据替代表达性需求， 最终输出一份经过验证的 AI Native 需求简报。

- Skill: `gabrielmoreira/ai-native-product-needs` (Agent Skill)
- Install (CLI): `npx skillmds@latest add gabrielmoreira/ai-native-product-needs`
- Raw SKILL.md: https://api.skillmd.com/api/skills/gabrielmoreira/ai-native-product-needs/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: gabrielmoreira (https://skillmd.com/u/gabrielmoreira)
- Updated: 2026-09-09
- Page: https://skillmd.com/skills/gabrielmoreira/ai-native-product-needs

---


# AI Native 产品需求发现 — SKILL.md

## 一句话定位

当 AI 让"做出来"变得容易时，真正稀缺的是判断"什么才值得做"的能力。本 Skill 提供一套从"真实处境"出发的需求发现流程，帮助你避开 AI 时代最容易陷入的伪需求陷阱。

## 何时触发

用户提供了一个产品想法、问题线索或需求描述，需要：
- 判断这是真实需求还是伪需求
- 在 AI Agent 时代重新定义需求边界
- 从"用户说什么"转向"用户在什么处境中做了什么"
- 产出一份可用于后续方向定界和系统构建的需求简报

## 核心方法论（来自书稿）

### 第一性原理

数字世界正在把世界压扁，但真实世界始终是立体的。AI 很擅长处理被表达、被记录、被整理过的世界，但真正有价值的问题，往往长在现实里那些还没有被说清、也不容易被看见的地方。

### 核心公式

```
真实需求 = 场景入口 × 处境深度 × 行为证据密度
伪需求 = 表达强度 × 技术兴奋度 × 可见性偏差
```

### 三条核心线索

1. **媒介批判线**：我们看到的≠现实本身。平台放大、压缩、分类和引导过的"需求"，往往只是高可见需求，不一定是真问题。
2. **产品方法线**：过去需求管理的核心是资源分配；今天必须升级为**问题判断**——什么问题值得进入系统，什么只是被技术兴奋或舆论噪音放大的伪需求。
3. **人的能力线**：当 AI 越来越会整理、总结、生成、规划，人的核心竞争力是走回现实、观察处境、判断什么该交给系统、什么必须留给人。

## 执行流程

### Step 1：需求解构（Deconstruct the Stated Need）

把用户/客户/团队"说出来的需求"拆成三层：

| 层级 | 问题 | 输出 |
|------|------|------|
| 表达层 | 他们说了什么？ | 原始需求陈述 |
| 行为层 | 他们在什么处境中做了什么？ | 行为证据清单 |
| 结构层 | 什么在阻碍他们达成目标？ | 结构性约束清单 |

**关键动作**：
- 收集至少 3 个真实用户的行为案例（不是问卷，不是访谈录音，是"他们在什么场景下做了什么"）
- 标记每一个"需求"是否来自平台/算法/社交媒体的放大
- 区分"用户的痛苦"和"用户描述的痛苦"——后者往往已经被媒介翻译过

### Step 2：处境映射（Situation Mapping）

AI Native 需求管理的核心转变：从"用户是谁"到"用户在什么处境中"。

**处境地图的四个维度**：
1. **物理处境**：在哪里？用什么设备？网络环境？时间压力？
2. **社交处境**：和谁在一起？谁在看？有什么社会压力？
3. **任务处境**：正在完成什么目标？这个目标是谁设定的？
4. **情绪处境**：当下的情绪状态？对失败的容忍度？

**输出**：一幅"处境-行为"映射表，显示用户在每个处境下的真实行为（而非表达意愿）。

### Step 3：伪需求检测（Pseudo-Need Detection）

用 5 个信号判断一个需求是否为伪需求：

| 信号 | 检测问题 | 风险等级 |
|------|----------|----------|
| S1: 技术兴奋型 | "如果不用 AI，这个问题还存在吗？" | 🔴 高 |
| S2: 可见性偏差型 | "这个需求是在哪个平台/会议上被放大的？" | 🟡 中 |
| S3: 表达-行为断裂型 | "用户说的和做的是否一致？" | 🔴 高 |
| S4: 代理偏差型 | "这个需求是谁的声音？是终端用户还是中间人？" | 🟡 中 |
| S5: 解决方案伪装型 | "他们描述的是问题，还是已经混进了解决方案？" | 🔴 高 |

**规则**：命中 ≥2 个 🔴 信号 → 标记为"高伪需求风险"，必须回到 Step 1 重新收集行为证据。

### Step 4：Agent 适配评估（Agent Fit Assessment）

判断这个需求是否适合用 AI Agent 解决，而非传统工具或人工。

**Agent 适配四问**：
1. **边界是否清晰？** Agent 的输入和输出能否被明确定义？
2. **反馈是否闭环？** Agent 的行动结果能否被快速验证并回流到系统？
3. **错误是否可承受？** Agent 出错的代价是否在可接受范围内？（参考 Risk Exposure 框架）
4. **人的角色是否被保留？** 哪些决策必须留给人，哪些可以交给 Agent？

**输出**：Agent 适配评分（0-100）+ 不适合 Agent 的环节清单。

### Step 5：需求简报输出（Needs Brief）

整合所有分析，输出一份标准化的 **AI Native 需求简报**：

```yaml
needs_brief:
  problem_statement: "用一句话描述真正的核心问题（不是解决方案）"
  situation_map:
    - situation: "处境描述"
      behavior_evidence: "行为证据"
      frequency: "发生频率"
  pseudo_need_flags: ["S1", "S3"]  # 命中的伪需求信号
  agent_fit:
    score: 85
    suitable_for_agent: true
    human_reserved_decisions: ["最终审批", "伦理判断"]
  validation_criteria:
    - "验证标准1：..."
    - "验证标准2：..."
  next_stage: "p2"  # 下一阶段：方向定界
```

## 关键原则

1. **行为 > 表达**：用户的行为证据比他们说的话更可信。
2. **处境 > 画像**：先理解用户在什么处境中，再谈用户是谁。
3. **问题 > 方案**：永远先定义问题，再讨论解决方案。AI 时代最容易犯的错误是把解决方案（"我想做一个 Agent"）当成需求。
4. **真实 > 可见**：高可见的需求不一定是真需求，可能只是被算法放大了。

## 常见陷阱

- **陷阱 1**：把"用户想要一个 AI 助手"当成需求 → 实际上用户想要的是"减少重复性工作的痛苦"
- **陷阱 2**：用 AI 生成虚假需求 → 用 LLM 生成"用户故事"，看起来很像，但没有真实行为支撑
- **陷阱 3**：场景太宽 → "帮助所有人提高效率"不是场景，"帮助电商客服在高峰时段处理退货请求"才是
- **陷阱 4**：忽视媒介过滤 → 从社交媒体、行业报告中读到的"热点需求"，往往已经被平台扭曲

## 与其他 Skill 的关系

- **上游输入**：无（本 Skill 是工作流起点之一）
- **下游输出**：`ai-native-direction-framing`（方向定界）
- **并行参考**：`ai-native-experiment-engine`（试验展开，用于验证需求假设）