konglong87 Preamble (run first)
bash "$(dirname "${BASH_SOURCE[0]}")/../../check-update.sh" 2>/dev/null || true
# 创建需求调研目录
mkdir -p docs/01-需求调研
# 检查是否有确认需求清单
if [ ! -f "docs/01-需求调研/确认需求清单.md" ]; then
echo "⚠️ 未找到确认需求清单"
echo ""
echo "建议先执行 /pm-clarify 细化需求"
echo ""
echo "您可以选择："
echo "A) 执行 /pm-clarify 先细化需求（推荐）"
echo "B) 手动输入需求列表（快速模式）"
echo "C) 从需求池导入（执行过 /pm-pool）"
fi
跨 Agent 交互规则
当流程要求与用户交互时：
- 如果当前环境支持 AskUserQuestion，使用 AskUserQuestion（最佳体验）。
- 如果当前环境不支持 AskUserQuestion，必须用普通聊天消息提出同样问题。
- 一次只问一个问题。
- 提问后必须停止当前回合，等待用户回答（STOP and WAIT）。
- 不得在用户回答前生成文档、写入 docs。
- 已有 docs 文件不能替代本轮用户回答。
执行流程
步骤 1: 读取前置数据（主 agent）
如果有确认需求清单：
使用 Read 工具读取 docs/01-需求调研/确认需求清单.md
提取需求列表。
如果有需求调研报告：
使用 Read 工具读取 docs/01-需求调研/需求调研报告.md
提取初步需求列表和背景信息。
如果有市场调研报告：
使用 Read 工具读取 docs/01-需求调研/市场调研报告.md（如存在）
提取市场数据、竞品信息，为后续评分提供数据支撑。
如果没有前置文档：
进入快速模式，使用 AskUserQuestion 收集需求列表。
步骤 2: 选择排序模型（主 agent - 用户交互）
使用 AskUserQuestion 询问：
🎯 选择需求优先级排序模型：
A) RICE评分 - 综合Reach、Impact、Confidence、Effort（推荐） B) KANO模型 - 基于用户满意度分类需求 C) MoSCoW法则 - Must/Should/Could/Won't分类 D) 自定义权重 - 自定义评分维度
用户选择后，记录到变量 PRIORITY_MODEL
步骤 3: Subagent 并行预分析（v2.0 核心优化）
优化说明：
- 每个需求派发一个 subagent，读取所有前置文档，基于数据和所选模型生成初始评分建议
- 多个需求并行分析，总耗时等于单个需求分析时间
- 预分析结果包含评分 + 数据依据，用户只需确认或微调
- 大幅减少逐维度询问的交互轮次
3.1 构建预分析任务
对每个需求，构建一个 subagent 任务：
[
{
"task_id": "prescore_req_1",
"requirement": "{需求1名称}",
"model": "{PRIORITY_MODEL}",
"docs": ["docs/01-需求调研/确认需求清单.md", "docs/01-需求调研/需求调研报告.md"]
},
{
"task_id": "prescore_req_2",
"requirement": "{需求2名称}",
"model": "{PRIORITY_MODEL}",
"docs": ["docs/01-需求调研/确认需求清单.md", "docs/01-需求调研/需求调研报告.md"]
}
]
如果需求数量 > 10，提示用户：
⚠️ 需求数量较多（{N}个），预分析可能需要较长时间
您可以选择： A) 全部预分析 B) 仅对核心需求预分析（前10个） C) 跳过预分析，直接手动评分
3.2 并行派发 subagent
同时派发所有 subagent：
# 并行派发 N 个 subagent
Agent 1: 预分析-{需求1}
Agent 2: 预分析-{需求2}
...
Agent N: 预分析-{需求N}
每个 subagent 的 prompt 模板：
Tool: Agent
Parameters:
subagent_type: "general-purpose"
description: "预分析-{需求名称}"
prompt: |
你是一个产品优先级分析专家。请基于前置文档，为指定需求生成评分建议。
**需求名称**: {需求名称}
**排序模型**: {PRIORITY_MODEL}
**前置文档路径**:
- docs/01-需求调研/确认需求清单.md
- docs/01-需求调研/需求调研报告.md
- docs/01-需求调研/市场调研报告.md（如存在）
**任务**：
1. 使用 Read 工具读取上述前置文档
2. 根据排序模型，分析该需求的评分维度
3. 给出每个维度的建议评分和依据
---
#### 如果选择 RICE 评分：
对指定需求，分析以下 4 个维度：
**Reach（覆盖人数）**:
- 10分: 全部用户
- 7分: 大部分用户（50-80%）
- 5分: 部分用户（20-50%）
- 3分: 少量用户（<20%）
**Impact（影响程度）**:
- 10分: 极大影响 - 直接影响核心指标
- 7分: 较大影响 - 显著提升指标
- 5分: 中等影响 - 有一定提升
- 3分: 较小影响 - 影响有限
**Confidence（信心度）**:
- 10分: 非常有信心 - 有数据或调研支持
- 7分: 较有信心 - 有一定依据
- 5分: 中等信心 - 基于假设
- 3分: 信心不足 - 猜测或不确定
**Effort（投入成本）**:
- 10分: 很小 - 1-2人天
- 8分: 较小 - 3-5人天
- 5分: 中等 - 1-2人周
- 3分: 较大 - 2-4人周
- 1分: 很大 - >1人月
---
#### 如果选择 KANO 模型：
分析该需求属于哪类：
- 基本型需求 - 必须有，没有用户会很不满意
- 期望型需求 - 越完善用户越满意
- 魅力型需求 - 没有没关系，有了会惊喜
- 无差异需求 - 有没有都无所谓
- 反向型需求 - 有了反而用户不满
---
#### 如果选择 MoSCoW 法则：
分析该需求的优先级：
- Must have - 必须有，否则产品无法使用
- Should have - 应该有，重要但非紧急
- Could have - 可以有，锦上添花
- Won't have - 本期不做，后续考虑
---
#### 如果选择自定义权重：
分析该需求在以下维度的表现（1-10分）：
- 用户价值
- 商业价值
- 技术可行性
- 战略契合度
---
**输出格式**（JSON）：
```json
{
"requirement": "{需求名称}",
"model": "{PRIORITY_MODEL}",
"scores": {
"reach": {"score": 7, "reasoning": "依据文档中的用户规模数据..."},
"impact": {"score": 8, "reasoning": "该需求直接解决文档中提到的核心痛点..."},
"confidence": {"score": 7, "reasoning": "市场调研报告中有相关数据支撑..."},
"effort": {"score": 5, "reasoning": "基于需求复杂度评估..."}
},
"rice_score": "（自动计算: Reach × Impact × Confidence / Effort）",
"key_evidence": ["支撑依据1", "支撑依据2"],
"risk_flag": "如有数据矛盾或不确定性，在此标注"
}
```
**重要**：
- 评分必须有前置文档中的数据支撑，不能凭空猜测
- 如果文档中没有足够信息，在 risk_flag 中标明不确定性
- 用中文返回 reasoning 和 key_evidence
主 agent 等待所有 subagent 完成，收集 JSON 结果。
步骤 4: 用户确认/调整评分（主 agent）
主 agent 汇总所有 subagent 的预分析结果，以表格形式展示：
## 📊 预分析评分结果（{PRIORITY_MODEL}）
| 需求 | Reach | Impact | Confidence | Effort | RICE得分 | 预分级 |
|------|-------|--------|------------|--------|----------|--------|
| {需求1} | 7 | 8 | 7 | 5 | 78.4 | P0 |
| {需求2} | 5 | 7 | 6 | 8 | 26.3 | P1 |
| {需求3} | 3 | 5 | 5 | 3 | 25.0 | P2 |
**关键依据**：
- {需求1}：{subagent 返回的 key_evidence}
- {需求2}：{subagent 返回的 key_evidence}
**风险提示**：
- {如有 risk_flag，在此展示}
使用 AskUserQuestion 逐需求确认：
📝 确认"{需求名称}"的评分：
当前预评分：Reach={R} Impact={I} Confidence={C} Effort={E} → RICE={得分}
A) 确认，无需调整 B) 调整 Reach C) 调整 Impact D) 调整 Confidence E) 调整 Effort F) 重新评估此需求
💡 依据：{subagent key_evidence}
快速确认模式（需求数量 ≤ 5）：
✅ 以上预评分结果是否认可？
A) 全部确认，直接生成报告（推荐） B) 逐个调整 C) 全部重新评估
步骤 5: Subagent 生成优先级排序报告（v2.0 优化）
优化说明：报告生成交给 subagent，主 agent 上下文保持清爽
使用 Agent 工具派发 subagent 生成报告：
Tool: Agent
Parameters:
subagent_type: "general-purpose"
description: "生成优先级排序报告"
prompt: |
你是一个产品文档专家。请根据以下数据生成优先级排序报告。
**排序模型**: {PRIORITY_MODEL}
**需求评分数据**:
```json
{所有需求的最终评分 JSON}
```
**报告要求**：
1. 使用 Write 工具保存到 `docs/01-需求调研/优先级排序报告.md`
2. 严格按照以下模板格式
3. P0/P1/P2/P3 分级规则：
- P0: RICE ≥ 50 或 Must have / 基本型
- P1: RICE 20-49 或 Should have / 期望型
- P2: RICE 5-19 或 Could have / 魅力型
- P3: RICE < 5 或 Won't have / 无差异/反向型
**报告模板**：
```markdown
# 优先级排序报告
## 一、基础信息
- **排序模型**: {PRIORITY_MODEL}
- **需求数量**: {N}个
- **生成时间**: {当前时间}
---
## 二、排序结果
### 2.1 需求优先级列表
| 排名 | 需求名称 | {模型对应列头} | 优先级 |
|------|----------|{列头}|--------|
| 1 | {需求1} | {得分} | P0 |
| 2 | {需求2} | {得分} | P0 |
| 3 | {需求3} | {得分} | P1 |
| ... | ... | ... | ... |
### 2.2 优先级分组
**P0 - 核心需求（必须做）**:
1. {需求1} - {得分详情}
2. {需求2} - {得分详情}
**P1 - 重要需求（应该做）**:
1. {需求3} - {得分详情}
**P2 - 次要需求（可以做）**:
1. {需求4} - {得分详情}
**P3 - 待定需求（暂缓）**:
1. {需求5} - {得分详情}
---
## 三、评分详情
逐需求展开评分依据：
### {需求1}
| 维度 | 评分 | 依据 |
|------|------|------|
| Reach | {R} | {reasoning} |
| Impact | {I} | {reasoning} |
| Confidence | {C} | {reasoning} |
| Effort | {E} | {reasoning} |
| **RICE** | **{得分}** | = {R}×{I}×{C}/{E} |
...
---
## 四、排序依据
### {模型评分说明}
（根据实际使用的模型展开评分规则说明）
---
## 五、实施建议
### 5.1 MVP范围建议
建议第一版（MVP）包含 P0 级需求，共 {N} 个需求：
1. {需求1}
2. {需求2}
...
预计工作量: {估算}
### 5.2 后续迭代
**第二版（V1.1）**: P1级需求
**第三版（V1.2）**: P2级需求
---
## 六、下一步建议
建议执行：
1. **/pm-mvp** - MVP规划，确定第一版具体方案（推荐）
2. **/pm-docs** - 生成PRD文档
3. **/pm-pool** - 需求池管理，长期跟踪需求
---
**项目状态**: 优先级排序完成
**生成时间**: {时间戳}
**生成工具**: super-pm
```
**注意**：
- 如果模型是 KANO 或 MoSCoW，调整列头和评分显示格式
- 评分依据来自步骤3 subagent 返回的 reasoning
- 确保 Markdown 格式正确、表格对齐
主 agent 等待 subagent 完成报告生成。
步骤 6: 输出完成提示（主 agent）
使用 AskUserQuestion 提供下一步选项：
✅ 优先级排序完成！
📄 优先级排序报告已生成：
docs/01-需求调研/优先级排序报告.md🎯 建议下一步：
A) 执行 /pm-mvp - MVP规划，确定第一版方案（推荐） B) 执行 /pm-docs - 生成PRD文档 C) 执行 /pm-pool - 需求池管理 D) 查看优先级排序报告
对比：优化前 vs 优化后
优化前（pm-priority v1.1.0）
主 agent 执行流程：
1. 读取前置数据（50 tokens）
2. 询问排序模型（10 tokens）
3. 对需求1逐维度询问（4轮交互，每轮 ~200 tokens）
4. 对需求2逐维度询问（4轮交互，每轮 ~200 tokens）
5. 对需求N逐维度询问...
6. 汇总计算（50 tokens）
7. 生成报告（~800 tokens 写入）
总计（以5个需求为例）：
- 交互轮次：1 + 1 + 5×4 = 22 轮
- 上下文消耗：~5,000 tokens（报告模板占用大头）
- 耗时：约 5-8 分钟（串行交互）
优化后（pm-priority v2.0.0）
主 agent 执行流程：
1. 读取前置数据（50 tokens）
2. 询问排序模型（10 tokens）
3. 并行派发 subagent 预分析（20 tokens × N个任务）
└─ 每个 Subagent 读取文档 + 分析（不占用主 agent 上下文）
4. 展示预评分 + 确认（200 tokens，1-2轮交互）
5. 派发 subagent 生成报告（20 tokens）
└─ Subagent 生成报告（不占用主 agent 上下文）
6. 输出完成提示（10 tokens）
总计（以5个需求为例）：
- 交互轮次：1 + 1 + 1-2 + 1 = 4-5 轮
- 主 agent 上下文消耗：~400 tokens（减少 90%+）
- 耗时：约 1.5-3 分钟（并行分析 + 快速确认）
- 效率提升：4x 交互减少，5x+ token 节省
Token 使用对比
| 指标 | v1.1.0 | v2.0.0 | 改善 |
|---|---|---|---|
| 主 agent token | ~5,000 | ~400 | -92% |
| Subagent token | 0 | ~2,500 | N/A |
| 交互轮次 | 22 | 4-5 | -80% |
| 总耗时 | 5-8 min | 1.5-3 min | 2.5-3x |
关键优化点
1. 上下文节省
- ✅ 逐维度评分对话不占用主 agent 上下文
- ✅ 报告生成模板不占用主 agent 上下文
- ✅ 主 agent 只处理结构化评分数据
- ✅ Token 使用减少 90%+
2. 执行效率
- ✅ 多个需求并行预分析
- ✅ 用户只需确认而非逐维度回答
- ✅ 交互轮次从 22 轮降至 4-5 轮
- ✅ 总耗时减少 60-70%
3. 评分质量
- ✅ 预分析基于前置文档数据，减少主观猜测
- ✅ 每个评分都有明确依据（key_evidence）
- ✅ 数据不确定性在 risk_flag 中标注
- ✅ 用户保留最终决策权
兜底机制
场景 1: 无需求清单
提供快速模式，允许手动输入需求列表。
场景 2: 需求数量过多
如果需求数量 > 15，询问用户：
⚠️ 需求数量较多（{N}个），评分可能需要较长时间
您可以选择： A) 全部评分 B) 仅对核心需求评分（前10个） C) 我来选择要评分的需求
场景 3: Subagent 预分析失败
如果某个 subagent 执行失败：
- 主 agent 检测到错误
- 标记该需求为"需手动评分"
- 对其余需求继续确认流程
- 对失败的需求，降级为手动逐维度询问
场景 4: 无前置文档（快速模式）
如果无前置文档可供 subagent 分析：
- 跳过步骤 3（预分析）
- 直接进入手动评分模式（原 v1.1.0 流程）
- 仍然使用 subagent 生成报告（步骤 5）
异常处理
如果 subagent 执行失败：
- 主 agent 检测到错误
- 提供降级方案：手动逐需求评分（原 v1.1.0 模式）
- 记录错误信息供用户排查
版本说明
v2.0.0 - Subagent 架构重构
- 新增 Agent 工具支持
- 需求预分析并行化（Subagent 读取文档 + 评分建议）
- 报告生成 Subagent 化
- 交互轮次减少 80%
- Token 节省 90%+
- 评分增加数据依据追溯
v1.1.0 - 功能增强
- 新增自定义权重评分模型
- 需求数量 > 15 的分批处理
v1.0.0 - 初始版本
- RICE/KANO/MoSCoW 三种排序模型
- 逐需求交互评分
- 优先级排序报告生成
注意事项
- 一次一个需求确认：避免用户负担过重
- 评分标准明确：每个选项对应明确分数
- RICE计算自动：AI自动计算得分
- 优先级分组：P0/P1/P2/P3便于后续决策
- Markdown存储：排序报告人类可读可编辑
- Subagent 预分析：基于文档数据的评分建议，用户拥有最终决定权
输出质量对比
✅ Good 示例：
- 有数据引用：「根据 Q4 数据，留存率从 35% 降至 28%」
- 有验证来源：「数据来源：Google Analytics, 2025-12-01」
- 有明确建议：「建议将新手引导步骤从 5 步减少至 3 步」
❌ Bad 示例：
- 模糊结论：「数据表明留存率有所下降」
- 无来源：「根据经验，这个功能很重要」
- 没有行动建议：「留存是个问题」
常见误区 / Red Flags — STOP
出现以下情况立即停止并回溯：
| 误区 | 正确做法 |
|---|---|
| 使用"应该"、"大概"、"看起来"做结论 | 必须基于实际数据和验证 |
| 未运行检查就声称已完成 | 先验证，再陈述 |
| 因时间紧迫跳过关键步骤 | 没有例外，时间紧更要严格 |
| "这次应该没问题"的想法 | 每次都要重新验证 |
产出质量检查 / Verification Checklist
- 前置依赖已满足（输入文档/数据已收集）
- 核心步骤已全部执行
- 输出文档已生成到
docs/目录 - 每个评分都有数据/证据支撑
- 已推荐 2-3 个后续 skill
⚠️ 任何一项未通过 → 补全后再标记完成。