# P1 Direction Framing

> AI Native 方向定界 Skill

- Skill: `gabrielmoreira/p1-direction-framing` (Agent Skill)
- Install (CLI): `npx skillmds@latest add gabrielmoreira/p1-direction-framing`
- Raw SKILL.md: https://api.skillmd.com/api/skills/gabrielmoreira/p1-direction-framing/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: gabrielmoreira (https://skillmd.com/u/gabrielmoreira)
- Updated: 2026-09-21
- Page: https://skillmd.com/skills/gabrielmoreira/p1-direction-framing

---



# AI Native 方向定界 Skill

## 使用场景

- 你有一个 AI 产品想法，需要判断是否值得投入实验
- 你需要为团队输出一份方向定界简报，确定进入试验的条件
- 你需要判断某个问题空间是否适合用 AI 解决

## 核心判断流程

```
问题线索
  → 问题是否真实且高频？
    → 场景是否可切入？
      → 资料是否可得且可控？
        → 能力是否可能成立？
          → 价值是否值得继续？
            → 输出 Direction Brief
```

## 五个必答问题

### 1. 问题是否真实且高频

- 这个问题是不是用户日常反复遇到、成本明显、值得被改变
- 判断标准：是否有具体的用户反馈、工单数据、时间成本证据
- 如果问题一年只发生几次，投入产品化往往不值得

### 2. 场景是否可切入

- 这个问题发生在什么角色、什么流程、什么时间点
- 是否存在明确入口可以接入 AI 能力
- 判断标准：能否描述清楚 "用户在 X 场景下遇到 Y 问题"

### 3. 资料是否可得且可控

审查五件事：

- **可得性**：团队到底能拿到哪些外部资料和内部资料，拿不到的关键材料是什么
- **可脱敏性**：资料是否涉及敏感信息，能否脱敏处理
- **可授权性**：资料使用是否获得合规授权
- **可结构化**：资料是否能够被清理、索引和持续供给
- **持续供给**：资料是否会持续更新，还是一次性的

### 4. 能力是否可能成立

- AI 在这里能不能形成比传统软件更强的新能力
- 而不只是包装旧流程
- 判断方法：用最强模型做一个最小验证，看能力天花板在哪里

### 5. 价值是否值得继续

- 即使技术可行，这个方向是否足以形成产品价值、业务收益或长期护城河
- 判断标准：能否回答 "如果做成了，对业务的影响是什么"

## 产品战略主路径

```
Data / Materials
  → Capability
    → Product
      → Moat
```

- 最早期可用的不一定是干净结构化数据，更可能是零散但关键的材料
- 外部资料：行业知识、公开规则、产品文档、操作手册、标准流程
- 内部业务资料：SOP、历史工单、客服对话、系统日志、知识库、专家经验

## 不适合推进的场景

- 资料条件不成立：没有足够资料或无法脱敏/授权
- 容错率极低又不能保留人工接管：医疗诊断、法律结论、危险设备控制
- 响应要求强实时强确定性：必须极短时间内给出可证明正确的结果
- 场景频率太低、价值太弱
- 团队无法获得真实反馈

## 输出物：Direction Brief

方向定界阶段的最小产物，包含：

1. **问题定义**：用户真正遇到的问题是什么
2. **价值假设**：如果解决了，业务价值是什么
3. **资料清单**：可用资料、缺失资料、脱敏状态
4. **风险边界**：高风险动作、必须人工接管的场景
5. **进入实验的条件**：什么条件满足后可以进入试验展开

## 使用方式

当用户提供一个 AI 产品方向或问题线索时，自动执行以下步骤：

1. 将用户输入转换为问题语言（而不是功能语言）
2. 逐一回答五个必答问题
3. 审查资料条件的五个维度
4. 评估能力天花板和价值密度
5. 输出 Direction Brief 或给出 "不建议推进"的明确结论

## 示例

### 示例1：电商 AI 客服协同系统

**场景描述**：
某电商平台客服团队每天处理数千个咨询，首响时间长，资深客服过载，新人培训成本高。团队想引入 AI 来改善客服效率。

**用户输入**：
"我们想做 AI 客服系统，自动回复用户问题"

**Skill 执行流程**：

1. **问题语言转换**
   - 原始输入是功能语言（"做 AI 客服系统"）
   - 转换为问题语言："客服首响时间为什么慢？哪些问题重复度最高？"

2. **五维度判断**
   - 问题真实且高频：✅ 每天数千个咨询，首响时间影响用户满意度
   - 场景可切入：✅ 发生在客服工作台，有明确入口
   - 资料可得且可控：⚠️ 需要盘点 FAQ、历史工单、物流规则，确认能否脱敏
   - 能力可能成立：✅ 订单查询、物流解释等任务适合 AI 辅助
   - 价值值得继续：✅ 缩短首响时间、降低培训成本、提升一致性

3. **资料条件审查**
   - 可得性：FAQ（有）、工单记录（有）、物流规则（有）
   - 可脱敏性：需要移除用户手机号、地址等敏感字段
   - 可授权性：内部资料需合规审批
   - 可结构化：可整理为知识库
   - 可持续供给：工单持续产生

4. **方向摘要输出**

**输出结果**：

```markdown
# Direction Brief：AI 客服协同系统

## 目标问题
客服首响时间长（平均5分钟），重复性问题占比60%，新人培训周期2周

## 场景边界
- 先做：订单查询、物流解释、售后政策咨询
- 暂不做：投诉处理、赔付决策、情感安抚

## 资料盘点
- ✅ FAQ（500条）
- ✅ 历史工单（10万条，需脱敏）
- ✅ 物流规则文档
- ⚠️ 售后政策（需法务确认可用性）

## 能力假设
AI 提供意图理解、规则检索、候选回复生成，高风险承诺保留人工确认

## 价值假设
- 首响时间从5分钟降至1分钟内
- 新人培训周期从2周降至3天
- 客服满意度提升10%

## 风险边界
- 退款、赔付承诺必须人工确认
- 敏感账户操作不能自动化
- 情感升级话题自动转人工

## 进入条件
- [x] 资料脱敏方案通过
- [x] 法务确认规则文档可用
- [ ] 完成50例影子验证
- [ ] 误判率 < 5%
```

---

### 示例2：AIOps 故障分诊系统

**场景描述**：
运维团队面临告警风暴，一次故障触发几十条告警，值班工程师判断困难，依赖少数专家经验。

**用户输入**：
"我们想做 AIOps，自动修复生产故障"

**Skill 执行流程**：

1. **问题语言转换**
   - 原始输入："自动修复故障"（过于激进）
   - 修正为："故障发生时，如何更快完成初步判断和分诊"

2. **五维度判断**
   - 问题真实且高频：✅ 每周多次故障，告警量大
   - 场景可切入：✅ 值班工程师工作台
   - 资料可得且可控：⚠️ 需历史故障工单、日志样本
   - 能力可能成立：✅ 告警聚类、日志解释、案例召回可行
   - 价值值得继续：✅ 缩短定位时间，减少专家依赖

3. **关键边界识别**
   - 错误代价高：错误归因可能放大事故
   - 不适合全自动：先做辅助分诊，不做自动修复
   - 必须保留人工：升级决策权始终归工程师

**输出结果**：

```markdown
# Direction Brief：AIOps 故障分诊辅助系统

## 目标问题
故障告警过多（平均30条/次），定位时间长（平均45分钟），过度依赖专家经验

## 场景边界
- 先做：告警聚类、日志摘要、相似案例召回、初步归因建议
- 明确不做：自动修复、自动重启、自动切流

## 资料盘点
- ✅ 历史故障工单（2000条，已脱敏）
- ✅ 日志样本（ ELK 可查询）
- ✅ 监控信号（Prometheus）
- ✅ 处理手册（Confluence）

## 能力假设
能理解日志、关联多源信号、召回历史案例，输出"先看哪里"的建议

## 价值假设
- 故障定位时间从45分钟降至15分钟
- 减少50%的无效升级
- 新人也能借助系统完成初步判断

## 风险边界（高约束场景）
- 所有输出只能作为建议，不作为命令
- 高风险动作必须双人确认
- AI 不能直接操作生产环境
- 误判路径需人工可追溯

## 进入条件
- [x] 资料可用性确认
- [x] 风险边界与 SRE 团队达成一致
- [ ] 完成影子验证（对比人工判断）
- [ ] 召回准确率 > 80%
```

---

### 示例3：医疗智能问诊助手（高风险场景）

**场景描述**：
三甲医院门诊部希望用 AI 辅助医生进行预问诊，收集患者症状和病史，提高门诊效率。

**用户输入**：
"我们想开发 AI 医生，让患者先和AI交流，自动生成诊断建议"

**Skill 执行流程**：

1. **问题语言转换**
   - 原始输入："AI 医生自动生成诊断"（过于激进，风险极高）
   - 修正为："如何在诊前高效收集患者症状信息，辅助医生了解病情背景"

2. **五维度判断与风险评估**

| 维度 | 评估 | 关键考虑 |
|------|------|----------|
| 问题真实性 | ✅ | 医生确实需要更多时间了解患者背景 |
| 场景可切入 | ✅ | 挂号后、就诊前的等待窗口期 |
| 资料可得性 | ⚠️ | 病历数据敏感，需严格脱敏和授权 |
| 能力可能性 | ✅ | 症状收集、病史整理适合AI辅助 |
| 价值判断 | ✅ | 节省医生问诊时间，提升患者体验 |

3. **高风险边界识别**
   - 医疗误诊代价极高，涉及生命安全
   - AI 绝不能给出诊断结论或用药建议
   - 必须定位为"信息收集助手"，而非"诊疗建议"

4. **资料条件审查**
   - 可得性：通用医学知识（有）、医院内部病历（需授权）
   - 可脱敏性：必须去除患者身份标识
   - 可授权性：需通过医院伦理审查
   - 合规要求：需符合《医疗健康数据安全管理办法》

**输出结果**：

```markdown
# Direction Brief：医疗智能预问诊助手

## 目标问题
门诊医生平均问诊时间仅8分钟，难以充分了解患者完整病史；
患者候诊时间长，希望提前整理症状描述

## 场景边界（严格限定）
- ✅ 明确做：症状收集、病史整理、就诊提醒
- ❌ 明确不做：诊断建议、用药推荐、治疗方案
- 边界描述：AI 只是"信息收集员"，所有医疗决策权归医生

## 资料盘点
- ✅ 公开医学知识库（症状-科室对应关系）
- ⚠️ 本院历史病历（需脱敏+伦理审批）
- ⚠️ 医学教材和诊疗指南（需确认版权）
- ❌ 药品推荐数据库（暂不涉及）

## 能力假设
- AI 能引导患者描述症状（多轮对话）
- AI 能整理结构化病史摘要（供医生参考）
- AI 能推荐合适科室（基于症状，非诊断）
- AI 绝对不生成任何诊断结论

## 价值假设
- 医生问诊准备时间节省 3-5 分钟
- 患者就诊体验提升（感觉被充分了解）
- 科室分诊准确率提升 15%

## 风险边界（医疗场景高标准）
- 🚫 绝对禁止：诊断、用药、治疗建议
- 🚫 绝对禁止：替代医生做任何医疗决策
- ✅ 必须保留：所有输出仅供医生参考
- ✅ 必须设计：医生可一键查看原始患者描述
- ✅ 必须设计：患者明确知晓"AI 非医生"

## 进入条件
- [ ] 通过医院伦理委员会审查
- [ ] 法务确认合规（医疗数据安全法）
- [ ] 临床医生参与设计并认可边界
- [ ] 完成100例真实场景 shadow 测试
- [ ] 零误诊风险事件（测试期）

## 特别说明
⚠️ 本方向进入实验阶段后，任何涉及诊断的扩展都必须重新定界
```

---

### 示例4：金融合规文档审查助手

**场景描述**：
证券公司合规部门每天需要审查大量合同和公告，确保符合监管要求，人工审查效率低且容易遗漏。

**用户输入**：
"我们想把 AI 用于自动审核合同，替代合规专员的工作"

**Skill 执行流程**：

1. **问题语言转换**
   - 原始输入："AI 自动审核替代专员"（过于激进）
   - 修正为："如何辅助合规专员更快识别合同中的风险条款和合规问题"

2. **五维度判断**

| 维度 | 评估 | 说明 |
|------|------|------|
| 问题真实性 | ✅ | 每天50+份合同，审查压力大 |
| 场景可切入 | ✅ | 合同提交后的审查流程 |
| 资料可得性 | ✅ | 监管规则公开、历史合同有积累 |
| 能力可能性 | ✅ | 条款识别、风险标记适合AI |
| 价值判断 | ✅ | 提升审查效率，降低合规风险 |

3. **金融合规特殊考虑**
   - 监管要求严格，审查结果需可追溯
   - 不能替代合规专员的最终判断
   - 需保留完整的审查决策链

4. **资料条件审查**
   - 外部资料：证监会/交易所监管规则（公开）
   - 内部资料：历史合同、审查记录（需脱敏）
   - 持续更新：监管规则经常变化，需及时同步

**输出结果**：

```markdown
# Direction Brief：金融合规文档审查助手

## 目标问题
合规专员日均审查合同50+份，条款遗漏风险高；
新人培训周期长（3个月），难以快速掌握全部监管规则

## 场景边界
- ✅ 明确做：风险条款高亮、监管规则引用、相似案例提示
- ✅ 明确做：审查 checklist 自动生成
- ❌ 明确不做：最终合规判断、替代专员签字
- 定位：AI 是"第一筛查员"，专员是"最终决策者"

## 资料盘点
- ✅ 证监会监管规则（公开，可爬取）
- ✅ 交易所业务规则（公开）
- ⚠️ 公司历史合同（需脱敏处理）
- ⚠️ 内部合规检查清单（需业务方确认）
- 挑战：监管规则频繁更新，需建立同步机制

## 能力假设
- AI 能识别合同中的关键条款（80%+准确率）
- AI 能匹配相关监管规则条文
- AI 能标记高风险条款（如违约责任不对等）
- AI 能提示历史类似合同的处理方式

## 价值假设
- 合同审查时间从2小时降至30分钟
- 条款遗漏率降低 70%
- 新人培训周期从3个月降至1个月

## 风险边界（金融合规场景）
- 所有 AI 标记必须附带依据（监管条文编号）
- AI 建议与最终决策分离，专员负全责
- 完整审计日志：谁看了AI建议、做了什么决定
- 季度人工抽样复核：验证 AI 准确率

## 进入条件
- [ ] 法务确认监管合规性
- [ ] 获取100份历史合同样本（已脱敏）
- [ ] 合规主管认可边界设计
- [ ] 完成影子验证（AI vs 专员对比）
- [ ] 条款识别准确率 > 85%

## 特别考虑
⚠️ 监管规则变化时需及时更新知识库
⚠️ 建立人工复核机制，避免过度依赖AI
```

---

### 示例5：教育个性化学习助手

**场景描述**：
在线教育平台希望用 AI 为学生提供个性化学习建议，根据学习情况推荐练习题和学习路径。

**用户输入**：
"我们想做一个 AI 家教，能自动教学生解题"

**Skill 执行流程**：

1. **问题语言转换**
   - 原始输入："AI 家教自动教学生"（过于宽泛）
   - 修正为："如何根据学生学习数据，推荐适合难度的练习题和学习资源"

2. **五维度判断**

| 维度 | 评估 | 说明 |
|------|------|------|
| 问题真实性 | ✅ | 学生确实需要针对性练习 |
| 场景可切入 | ✅ | 课后练习、错题复习场景 |
| 资料可得性 | ✅ | 题库、学习记录、知识点图谱 |
| 能力可能性 | ✅ | 难度匹配、资源推荐适合AI |
| 价值判断 | ✅ | 提升学习效率，减少无效练习 |

3. **教育场景特殊考虑**
   - 不同年龄段学习特点不同
   - 需要循序渐进，避免打击学习信心
   - 家长关注学习数据隐私

4. **资料条件审查**
   - 学习数据：学生做题记录、学习时长、正确率
   - 内容资源：题库、知识点讲解、视频资源
   - 隐私合规：学生数据需严格保护

**输出结果**：

```markdown
# Direction Brief：教育个性化学习助手

## 目标问题
学生刷题效率低，常做已掌握的题或难度不匹配；
老师难以针对每个学生定制练习计划

## 场景边界
- ✅ 明确做：练习题难度推荐、错题回顾、知识点诊断
- ✅ 明确做：学习路径建议、资源推荐
- ❌ 明确不做：替学生完成作业、直接给出答案
- 定位：AI 是"学习规划助手"，不是"答案提供者"

## 资料盘点
- ✅ 题库数据库（已有10万+题目）
- ✅ 知识点图谱（学科知识点关联）
- ✅ 学生学习记录（平台已有数据）
- ⚠️ 学生个人信息（需家长授权）

## 能力假设
- AI 能诊断学生知识点掌握情况
- AI 能推荐适当难度的练习题（不太易、不太难）
- AI 能生成个性化学习计划
- AI 能提供解题思路提示（不给最终答案）

## 价值假设
- 学生练习效率提升 30%
- 同类错题重复率降低 50%
- 家长满意度提升（看到进步轨迹）

## 风险边界（教育场景）
- 避免"答案依赖"：不直接给答案，只给思路
- 保护学生隐私：学习数据不外泄
- 家长知情权：定期向家长汇报学习情况
- 循序渐进：难度调整幅度适度，避免挫败感

## 进入条件
- [ ] 获取500名学生历史学习数据
- [ ] 教研团队认可推荐算法逻辑
- [ ] 家长隐私协议签署
- [ ] 完成 A/B 测试（推荐 vs 随机）
- [ ] 学生满意度 > 70%

## 特别考虑
🎯 不同学科、不同年级需分别验证
🎯 学习动机比学习效率更重要
```