用途：Opportunity Solution Tree（OST）是 Teresa Torres《Continuous Discovery Habits》中的框架，用于把期望的业务/产品结果与验证候选方案的假设测试连接起来。适用场景包括：季度发现工作优先排序、组织每周客户接触点、为一问题映射多个方案（避免直接跳到方案）、审计路线图是否真的推动结果、辅导团队形成持续发现节奏、把发现工作从死胡同分支中转出。
树结构：Outcome（结果）→ Opportunities（机会）→ Solutions（方案）→ Assumption Tests（假设测试）。
使用前需确认：单一可衡量的结果（如“Q3 末将首周激活率从 28% 提升到 40%”）；客户证据来源（访谈、工单、分析数据），机会必须来自研究而非团队想象；是新树还是审计现有路线图。
工作流：选一个结果；从研究生成机会（描述客户痛点/需求，而非方案）；聚类去重，目标每个结果 3-7 个机会簇；每个机会头脑风暴 3-5 个方案；为每个方案识别价值、可用性、可行性、商业可行性假设并设计最便宜的测试；运行校验脚本：python3 project-management/discovery/opportunity-solution-tree/scripts/ost_validator.py --input ost.json --format markdown；每周迭代更新。
主要能力：区分机会与方案（“增加批量 CSV 导入”是方案，“管理员希望一次邀请多个用户”是机会）；机会优先级评分 = 影响 × 频率 × 战略契合；假设测试阶梯从访谈/落地页到 A/B 测试；常见交付物包括新树搭建、路线图映射审计、发现实践审计。
限制与反模式：结果不能是输出（“上线 X”）、不能模糊（“改善用户体验”）或过大（“达成营收目标”）；机会层不能写成方案；每个机会至少 3 个候选方案；树必须每周更新；不能没有客户输入。脚本与脚本参数属资料原文，未提供其他运行环境或依赖细节。