雪峰方法论是一套面向 AI-Native 产品的开发实战体系，核心理念为“强模型依赖 × 多专精 Agent × 快速校准 × 行为审计”，与克谦方法论互为对偶：克谦解决明确边界内的可靠执行，雪峰解决边界本身不确定时的开发问题。
用途：适用于用户行为开放、不可穷举的 AI-native 产品（AI 日历、AI 助手、AI 推荐、对话式产品等），强模型依赖型场景，多专精 Agent 架构设计与分工，以及上线后的快速校准、行为审计与漂移检测。
主要能力：先做产品类型判断（+AI、AI-native、混合），据类型选方法；以行为模式簇替代穷举；用优雅降级在置信度低时回退确定性逻辑；以概率性验收（属性检查而非断言相等）替代传统断言；按“每只虾只干一种活”拆分多专精 Agent（理解、执行、校验、表达），并依据正交性、独立验证标准、失败局部性决定是否拆分；以快速上线加迭代校准取代一次做到 95%；用行为审计、采样检查与漂移检测替代质量门禁；模型选择按路由决策树、成本、能力、延迟权衡，避免纯 coding 场景误用 codex 模型。
使用方式：本技能以入口文档加 references 目录组织，包含 behavioral-clusters、drift-detection、model-routing、operating-playbook 等参考文档；routing-evals.json 为触发边界回归用例，改动 description 后用 run_routing_evals.py 校验。具体安装命令与调用步骤暂未提供。
适用场景：AI 驱动核心决策、用户行为开放式、无法写完整功能测试用例的产品；核心流程确定但部分环节开放的混合型可按模块结合克谦方法。
限制：不适用于用户行为可枚举、AI 仅辅助确定性流程的 +AI 场景；需注意用户期望管理与成本螺旋；具体价格、平台、性能数据暂未提供。