用途：应用「数据飞轮——AI产品自我强化的增长引擎」方法论，在用户需要实用指导、诊断、工作流设计、决策支持或行动计划时提供帮助。适用触发场景包括讨论产品长期竞争壁垒、评估AI产品增长策略、分析某AI公司为何持续领先、设计产品数据收集策略；相关表述有飞轮效应、数据网络效应、自我强化、增长引擎、竞争壁垒、数据优势。
核心循环：产品 → 用户 → 数据 → 更好的产品 → 更多用户。飞轮一旦启动，后来者难以追赶；但需要早期产品足够好以吸引首批用户，且仅当产品改进直接依赖用户产生的数据时才成立。参考案例包括Google搜索、TikTok推荐引擎、Tesla Autopilot。
执行步骤：识别飞轮要素；绘制「产品改进→更多用户→更多数据→产品改进」循环路径；设计数据收集方式与隐私保护；在数据不足时用人工规则、公开数据或MVP推动初始飞轮；优化数据管道加速数据转化为改进；监控用户增长、数据量、产品指标等健康度指标。完成标准为形成飞轮循环图、明确数据收集策略并设定启动里程碑指标。
边界与限制：不适用于产品改进不依赖用户数据的业务、隐私法规严格受限的场景，以及市场太小、用户量不足以产生有意义数据的场景。失败模式包括误判存在飞轮、过度收集数据损害信任、数据沼泽、冷启动失败。资料还指出飞轮效应可能被浪漫化，可能带来数据垄断与市场集中，启动需大量初始资源。
相关技能：unified-data-warehouse（依赖）、dont-acquire-for-data（对照）、dont-wait-perfect-data（组合）。具体安装与使用命令暂未提供。