SuperAPI AI 工具集

pol-probe

通用与其它

查看项目

更新于 10-16 09:59

技能介绍

用途:PoL(Proof of Learning)Probe 用于在正式开发前以最小成本验证假设,目标不是证明方案“能做”,而是证明方案“该做”。适用于想法不确定用户是否需要、多个候选方案难取舍、投入大且失败成本高、需要数据支持的提案,以及新功能上线前的小规模测试。需求已验证进入开发、紧急修复或合规等必须做的需求、无需外部验证的内部工具改进不适用。

主要能力:围绕五类验证方式选择——可行性验证(技术能否做到,最小原型/spike,约30~90分钟)、任务验证(用户能否完成操作,纸面原型或Wizard of Oz,3~5名真实用户)、叙事验证(用户是否理解价值主张,落地页/假门测试/A-B测试)、数据验证(数据是否支持假设,SQL查询、日志分析、问卷)、快速原型(端到端感觉对不对,AI生成代码快速MVP,约1~3小时)。可用决策树按问题类型、成本预算与风险等级选择类型。

使用方式:按工作流程执行——识别待验证假设(来自OST或PRD)、选择Probe类型、用模板设计实验、提前设定可量化成功标准、设定时间预算、执行、记录结果并决策继续/调整/放弃、沉淀到field-journal。配套模板为templates/pol-probe-template.md与templates/probe-result-template.md。上游协作opportunity-tree,平行协作user-story与prioritization,下游接mvp-scoping与field-journal。核心原则:验证的是假设而非方案;最小成本换最大信息量;失败也是有价值的发现;成功标准须提前定义。自检关注类型是否匹配、假设是否可测、失败后行动是否已规划、时间预算是否合理。常见坑包括混淆类型、缺少成功标准、超支、选择性看数据、失败不沉淀、过度验证、验证后不决策。其他工具集成或价格、平台等细节暂未提供。