產品經理要失業了？實測1.7萬星外掛，找出2條「殺手級假設」直接推翻需求
三句話摘要
使用Claude外掛透過結構化產品探索和自動化PRD生成，在開發前驗證最危險的假設，大幅降低開發風險。 用魔鬼代言人的視角找出最危險的假設，設計最便宜的驗證實驗，比埋頭開發3個月再發現沒人要用聰明千倍。 Skill vs MCP的本質差異：Skill是方法論食譜（教你怎麼做一件事），MCP是外部連接插頭（連接資料庫、Slack等外部服務）。寫PRD不需要連任何外部服務，只需要方法論，所以用Skill；需要接觸外部工具時用MCP。
重點整理
重點- 1
Skill vs MCP的本質差異：Skill是方法論食譜（教你怎麼做一件事），MCP是外部連接插頭（連接資料庫、Slack等外部服務）。寫PRD不需要連任何外部服務，只需要方法論，所以用Skill；需要接觸外部工具時用MCP。
- 2
Claude的自動判斷機制：每個Skill都有一行自我介紹，Claude聽到你的需求後會自動比對哪個Skill最符合，直接載入使用——你不需要背指令，正常講話就行。
- 3
PRD的8段結構設計：執行摘要、背景、目標與成功指標（用表格分離現況數字、目標數字、衡量方式）、Non-Goals（明確不做什麼）、用戶故事與驗收條件、優先級（P0/P1）、後續建議。Non-Goals特別重要，因為講清楚不做什麼比講做什麼更能擋掉中途冒出的需求。
- 4
產品探索的殺手級假設挖掘：系統從用戶、工程、商業三角度各列10個點子，再從四個維度（想不想要、會不會用、做不做出來、商業划不划算）攤出每個方案背後的隱藏假設，用魔鬼代言人視角標出殺手級假設。以自動分類為例，最致命的假設是「用戶其實沒那麼在乎精細分類」——驗證這條假設的成本最低（翻既有數據+訪談5-8人），卻能直接判斷整個方向該不該做。
實用技巧與重點
乾貨- 安裝步驟
- 前置：Claude Code（Claude的終端版本）、Claude帳號登入
- 添加市集：marketplace URL + @pm-skills（後綴一定不能漏）
- 核心外掛2個：pm-execution（PRD寫作）、pm-product-discovery（探索）
- PRD 8段結構
- 執行摘要
- 背景
- 目標與成功指標（表格：現況數字|目標數字|衡量方式）
- Non-Goals
- 用戶故事（含P0/P1優先級、驗收條件）
- 技術考量
- 風險與依賴
- 後續建議
- 產品探索流程
- 第1步：發散3角度點子（用戶、工程、商業）→ 10個方案
- 第2步：4維度分析（User Want、Feasibility、Buildability、ROI）
- 第3步：19條假設排序→標殺手級假設
- 第4步：實驗設計（成本、所需數據、砍/進的判斷標準）
- 實驗設計範例
- 實驗A（驗證V5「用戶沒那麼在乎精細分類」）：翻既有數據+訪談5-8人，無需開發
- 實驗B（規則 vs AI對打）：用真實數據離線測試
結論
結論“用魔鬼代言人的視角找出最危險的假設，設計最便宜的驗證實驗，比埋頭開發3個月再發現沒人要用聰明千倍。”
完整解析
詳細GitHub上17000星的這套pm-skills外掛，解決了產品經理最大的兩個問題：一是PRD寫得慢，二是方向驗證不充分導致開發完才發現沒人要用。
系統的核心概念是「Skill」——一個資料夾裡裝著做某件事的完整步驟與標準。Claude會根據你的自然語言需求，自動比對哪個Skill的自我介紹最符合，然後載入執行。所以你不用背指令，只需要正常講話。這與MCP（Modular Connections Protocol）不同——MCP是插頭，用來連接資料庫、Slack等外部服務；Skill是食譜，用來教Claude把一件事做得更專業、更一致。
以自動分類消費功能為例，先講PRD的寫作流程。你只需輸入一句話「幫我寫AI自動分類消費的PRD」，Claude會先用選單反問你脈絡：記帳App在什麼階段、有什麼現成資料、核心目標是什麼。系統會列出3-4個選項讓你用數字選，完全不用自己想破頭。確認方向後，Claude會生成一份包含8個固定段落的完整PRD——執行摘要、背景、目標與成功指標、Non-Goals、用戶故事、優先級標記。特別值得注意的是Non-Goals段落，因為明確寫出「這次不做什麼」，能有效擋掉開發中途冒出的需求。
但寫完PRD只是開始。更重要的是產品探索流程。這套外掛會自動進行四步接力：先從用戶、工程、商業三個角色各發散點子，再用四個維度（用戶想不想要、會不會使用、做不做得出來、商業上划不划算）把每個方案背後的隱藏假設攤出來，然後排序哪些假設影響最大、最不確定。最後一步是設計最便宜的驗證方式。
以自動分類為例，系統會找出殺手級假設：「用戶其實沒那麼在乎精細分類」。驗證這個假設幾乎不需要開發——只要翻既有的使用數據，加上5-8人的使用者訪談就夠。如果訪談結果證實了這個假設，整個AI分類的方向就該被質疑，你直接砍掉可以省下整季的開發時間。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
