gabrielmoreira AI Native SaaS 案例模板 Skill
使用场景
- 传统 SaaS 产品需要 AI Native 化改造
- 需要设计数据分析类产品的 AI 能力升级路径
- 关注语义层构建、能力护城河和数据飞轮建设场景
AI Native SaaS 特征与适配性
| SaaS 特征 | 对方法论的影响 |
|---|---|
| 功能型 → 能力型 | 不是加 AI 功能，而是重写能力入口 |
| 语义层依赖 | 需要构建业务语义理解和指标语义层 |
| 数据积累 | 用户数据形成天然的反馈飞轮 |
| 能力护城河 | 真实使用越多，能力越难被复制 |
| 订阅商业模式 | 适合用价值信号驱动续费 |
AI Native SaaS 方法论路径
@ai-native-direction-framing
→ 选择最值得 AI Native 化的功能层
→ 输出：Direction Brief
@p2a-experiment-overview + @p2b-product-form-exploration
→ 验证语义理解、数据解释、洞察生成能力
→ 输出：产品形态建议
@p2c-process-redesign
→ 分析流程重构：问答 → 追问 → 下钻 → 行动
→ 输出：交互工作流
@ai-native-context-engineering
→ 业务上下文构建：指标语义、维度关系、权限语义
→ 输出：上下文架构
@ai-native-knowledge-rag
→ 领域知识 RAG：行业术语、口径定义、业务规则
→ 输出：语义层设计
@ai-native-agent-skill-design
→ 分析 Agent：指标查询、趋势解读、异常归因
→ 输出：Agent 和 Skill 设计
@ai-native-ux-design
→ 自然语言交互设计
→ 输出：信任分级和渐进式透明
@ai-native-audit-release
→ 数据准确性和洞察可靠性审计
→ 输出：放行决策
@ai-native-production-ops
→ 用户行为观测和数据飞轮建设
→ 输出：生产运行方案
SaaS AI Native 化分层
第一层：增强型（最常见）
- 自然语言查询替代下拉筛选
- AI 解读取代固定报表
- 异常自动发现和推送
- → 适合：加在现有产品上，快速验证
第二层：重构型
- 问答即分析（NL to SQL / API）
- 主动洞察推送（不只是被动查询）
- 预测性建议（而非历史数据展示）
- → 适合：产品全面 AI Native 化
第三层：自主型
- AI 自动执行业务动作（数据录入、报告生成、任务派发）
- 跨系统自动化工作流
- → 适合：有强集成能力的高阶产品
SaaS 案例 Skill 输出模板
```yaml
AI Native SaaS 案例方案
方向定界: 核心问题: [哪个功能层最值得 AI Native 化] 当前产品: [现有 SaaS 产品类型] AI Native 化层次: [增强型 / 重构型 / 自主型] Direction Brief: [输出]
试验展开: 能力实验: - 语义理解: [自然语言解析准确率] - 指标计算: [SQL生成准确率 / 误差率] - 异常检测: [误报率 / 漏报率] 产品实验: - 形态: [问答式 / 推送式 / 自主式] - 用户接受度测试 商业实验: - 付费意愿提升测试 - 续费率对比
系统构建: 语义层: - 指标定义: [原子指标 / 派生指标] - 维度关系: [业务口径] - 权限语义: [行级 / 列级权限] Agent 设计: - 查询理解 Agent - 指标计算 Agent - 异常归因 Agent - 报告生成 Agent Memory: [用户偏好 / 分析历史 / 常用指标] Context: [数据库Schema / 业务口径 / 权限上下文] RAG: [指标口径文档 / 行业知识 / 使用指南] UX: [自然语言输入 / 信任分级展示 / 可解释输出]
审计放行: 数据准确性: [误差容忍标准] 洞察可靠性: [置信度展示标准] 权限安全: [数据隔离验证]
生产运行: 数据飞轮: [用户查询 → 反馈 → 能力优化] 指标监控: [查询成功率 / 准确率 / 用户满意度] 价值发现: [使用频率 / 功能依赖度 / 续费相关性] ```
与其他 Skill 的关系
- 核心协同：@ai-native-context-engineering（语义层），@ai-native-agent-skill-design（分析Agent），@ai-native-ux-design（自然语言交互）
- 配套：@ai-native-production-ops（数据飞轮），@p10a-value-discovery-loop（价值发现）
- 案例 Skill：@p10b-aiops-case（AIOps场景），@p10c-customer-service-case（客服场景）
适用边界
- ✅ 数据分析类 SaaS（BI、CRM、ERP、分析平台）
- ✅ 需要自然语言查询能力的工具型 SaaS
- ✅ 可以形成数据飞轮的订阅型产品
- ❌ 数据质量极差、指标口径混乱的产品（先做数据治理）
- ❌ 强事务性、低分析价值的工具型 SaaS