opportunity-solution-tree（机会解决方案树）Skill 是什么？产品经理该怎么用？

机会解决方案树Skill：先找对问题再动手，把模糊需求变成可验证的产品假设

核心结论速览

它是什么：一个交互式 AI 技能，引导产品经理按「期望结果 → 机会 → 解决方案 → 实验」四层结构，搭建机会解决方案树（OST），并从多个解决方案中筛出最值得先做的 POC。
它解决什么：团队一收到需求就直接排期开发，陷入「功能工厂」综合征和过早收敛；这个技能强制你先发散、再收敛，确保解决的是真问题。
它怎么工作：分两阶段——阶段 1 生成 OST（提取结果、识别 3 个机会、每个机会映射 3 个解决方案）；阶段 2 用可行性、影响、市场适配三个维度打分，选出 POC 并定义实验。
它不是什么：不是路线图生成器，不是项目计划工具，输出的是一组带可测试假设的已验证机会。
适合谁用：产品经理、产品负责人、增长团队、创业团队创始人，以及任何需要把「老板说要加个功能」翻译成「客户到底卡在哪里」的人。

1. 该技能叫什么？如何一键安装 AI 技能提升开发效率？

技能基本信息

项目	内容
中文名	机会解决方案树Skill
英文名	opportunity-solution-tree
技能 ID	11367
技能类型	交互式（多轮提问式引导）
建议文件名	`opportunity-solution-tree.md`
建议放置位置	`/skills/interactive/`

它到底解决什么问题

产品团队最常见的失败，不是「做得不够快」，而是「做错了东西」。利益相关者一句「我们需要一个移动端 App」「加个暗黑模式吧」，团队就开始拆需求、估工期、排迭代。三个月后上线，数据没动静——因为从一开始，大家讨论的就是解决方案，而不是问题。

这个技能的作用，就是在「接到请求」和「动手开发」之间插一道结构化发现流程：

先把请求翻译成可测量的期望结果（例如「把试用转付费转化率从 15% 提升到 25%」）；
再把结果拆成若干个待解决的客户问题（机会），而不是功能条目；
然后为每个机会发散出多个解决方案，避免一上来就锁死在一个点子上；
最后用评分和实验设计，选出最值得先验证的那一个。

一键安装的思路与步骤

AI 技能的「一键安装」，本质是把技能定义文件放进 AI 客户端或 Agent 能读取的技能目录中，让它在该环境里被自动识别和调用。具体操作路径如下：

第一步：确认安装前提

你使用的 AI 工具/客户端需要支持「技能（Skill）」机制，能够加载外部技能定义文件，具体支持范围以官方说明为准。
该技能依赖若干关联技能才能完整发挥效果，官方说明中提到它使用 skills/problem-statement/SKILL.md、skills/jobs-to-be-done/SKILL.md、skills/epic-hypothesis/SKILL.md、skills/user-story/SKILL.md 作为相关技能，并以 workshop-facilitation 作为默认交互协议。安装时建议一并确认这些依赖是否存在，具体清单以官方说明为准。

第二步：获取并放置技能文件

在技能市场或技能仓库中通过技能 ID 11367 或英文名 opportunity-solution-tree 定位该技能，具体入口与命令以官方说明为准。
按官方建议，将技能文件命名为 opportunity-solution-tree.md，放入 /skills/interactive/ 目录下（这是该技能详情中给出的建议路径）。

第三步：验证是否生效

安装完成后，不要直接上真实项目，先用一句轻量提问测试：

「帮我为『提升新用户 7 日留存』这个目标创建一个机会解决方案树。」

如果技能已正确加载，你应该观察到几个明显特征：它会先做上下文收集（问你利益相关者请求、现有材料、产品上下文），然后一次只问一个问题，并给出带编号的选项，还会显示类似「上下文 Q1/8」「评分 Q2/5」这样的进度标签。出现这些行为，说明技能与交互协议都已就位。

2. 该技能的主要功能和特点

① 两阶段流程，把「想清楚」和「选哪个」分开

阶段 1：生成 OST——提取期望结果、识别机会、映射解决方案。
阶段 2：选择 POC——评估解决方案、推荐最佳起点、定义实验。

先发散再收敛，避免边想边砍，把好点子提前淘汰掉。

② 从「期望结果」倒推，而不是从功能清单正推

技能会先问：这个倡议要推动的业务或产品指标是什么？并给出四类枚举选项帮助收敛——收入增长、客户保留、客户获取、产品效率，也支持自定义可测量目标（如「将试用转付费转化率从 15% 提高到 25%」）。

③ 强制发散：3 个机会 × 每个 3 个解决方案

技能会基于你的结果和上下文生成 3 个机会，并为选定机会生成 3 个解决方案，每个方案都附带假设和实验方式。这是一条硬性约束——它明确反对「我们知道解决方案是 X，直接建就行」这种跳过发散的做法。

④ 三维评分表，把「拍脑袋选方案」变成可讨论的排序

技能会输出一张评估表，对每个解决方案在可行性（1 = 数月工作，5 = 数天/数周）、影响（1 = 结果几乎无变化，5 = 结果显著转变）、市场适配（1 = 客户不在乎，5 = 客户主动要求）三个维度打分，给出总分和评分理由。

⑤ 会明确告诉你「推荐哪个、备选哪个、暂时别做哪个」

不只是给结论，还会解释为什么：推荐的 POC 兼顾可行性与影响；替代 POC 适合「零开发、先快速学习」的情况；暂不推荐的方案会说明它更适合作为后续动作。

⑥ 输出直接可落地的 OST + POC 计划文档

最终产出一份结构化 Markdown，包含期望结果与目标指标、机会映射（问题 + 证据 + 3 个解决方案）、选定 POC 的假设句（「如果我们……那么……将从 X 到 Y，因为……」）、实验类型/参与者/时长/成功标准、评分明细、以及四步下一步动作。

⑦ 内置引导协议，像有一位工作坊主持人陪着走

遵循 workshop-facilitation 协议：单问题轮次、普通语言提示、进度标签、中断处理与暂停恢复、决策点编号建议、快速选择编号响应。你不需要一次想清楚所有事，跟着问就行。

⑧ 自带「常见陷阱」自检清单

伪装成解决方案的机会（「机会：我们需要一个移动 App」）、跳过发散、结果太模糊（「改善用户体验」）、无实验直接建、分析瘫痪（生成 20 个机会却从不做决定）——技能会主动把这些问题点出来并给出修复方式。

和普通 AI 对话比，强在哪？ 普通对话你说「帮我做个 OST」，模型大概率直接给你一棵树，机会和方案都是它编的；这个技能会先追问你的目标指标和上下文证据，限制分支数量，逼你对每个方案给出假设和实验，并在最后给出评分与取舍理由。区别不在「能不能生成」，而在「会不会带你走完流程」。

3. 如何使用该技能？

步骤 0：提供上下文（越具体越好）

在开始提问前，先准备好三类材料并直接粘贴：

利益相关者请求：功能请求、产品想法或战略目标；
现有材料：PRD 草案、OKR 文档、战略备忘录、会议笔记；
产品上下文：网站文案、定位声明、竞品材料、客户评论、使用数据、支持工单、流失原因。

输入示例：

「销售总监要求我们做一个『客户健康分』看板。我们是一款 B 端 SaaS，当前年流失率 18%，主要流失发生在签约后 3-6 个月。附上最近 20 条支持工单摘要和两份流失客户访谈记录。」

步骤 1：确认期望结果（问题 1）

技能会问：「此倡议的期望结果是什么？」并给出四个编号选项。你可以选编号，也可以自定义。

推荐自定义为可测量目标，例如：「将签约后 6 个月内的客户流失率从 18% 降到 12%」。技能会回读并确认「期望结果」与「为什么重要」。

步骤 2：选择要探索的机会（问题 2）

技能会基于你的结果和上下文生成 3 个机会，每个都带「问题描述 + 证据来源」。例如：

客户在签约后未完成关键配置，从未体验核心价值；
客户成功团队缺乏早期风险信号，介入太晚；
客户不理解已购功能的全貌，感知价值低于实际价值。

你回答哪个最需要先探索，或直接增删机会。

步骤 3：为选定机会生成解决方案（问题 3）

技能为选中的机会给出 3 个解决方案，每个都包含：方案描述、假设、实验方式。之后它会问你：继续探索其他机会的解决方案，还是进入 POC 选择？

步骤 4：看评分表，确认 POC（问题 4）

技能输出三维评分表和总分，然后给出推荐 POC、替代 POC、暂不推荐的 POC 及理由。这一步你要做的不是接受，而是质疑——如果某条评分理由与你的实际判断不符，直接说出来让它重评。

步骤 5：定义实验（问题 5）

技能会问「你将如何测试这个解决方案」，并给出三个编号选项：

A/B 测试——构建 MVP，向 50% 用户展示，与对照组比较（适合有流量的定量验证）；
原型 + 可用性测试——做可点击原型，观察 10 个用户操作，收定性反馈（适合早期、低流量）；
手动礼宾测试——人工为 20 个用户跑一遍解决方案，直接测结果（适合零开发、快速学习）。

步骤 6：拿到输出文档

最终你会得到一份完整的「机会解决方案树 + POC 计划」Markdown，核心是这句假设句：

「如果我们为签约后 14 天内的客户推送引导式配置清单，那么 6 个月流失率将从 18% 降到 15%，因为客户早期完成关键配置与留存高度相关。」

后面跟着实验类型、参与者规模、时长、成功标准，以及「构建实验 → 运行实验 → 测量结果 → 决定（成功则扩展，失败则尝试下一个解决方案）」的四步动作。

4. 同类型竞品对比分析

方案名称	定位	核心功能	安装/使用门槛	适用场景	优势与不足
机会解决方案树Skill（本技能）	交互式结构化发现引导器	提取期望结果、生成 3 机会 × 3 方案、可行性/影响/市场适配三维评分、推荐 POC、定义实验、输出带假设的 OST 文档	需支持 Skill 机制的 AI 环境，按技能 ID 11367 安装并确认依赖，具体以官方说明为准	从模糊需求进入结构化发现、澄清 OKR、需求排期前的问题验证	优势：流程强制发散前收敛，输出自带可测试假设与实验方案；不足：需要用户提供真实上下文与证据，凭空使用质量会打折
通用大模型直接对话	通用问答	直接生成一份 OST 结构	零门槛，打开就能问	快速要一个结构草稿	优势：最快；不足：往往一步给到答案，不做上下文追问、不限制分支数量、不产出评分与实验设计，容易变成「看起来像 OST 的功能清单」
白板协作文具的 OST 模板（如 Miro、FigJam 类）	可视化协作画布	提供树状模板、便签、投票、多人实时编辑	需注册账号、邀请成员，模板可在模板库中查找，具体以官方说明为准	团队工作坊、跨部门对齐会议	优势：可视化强、多人协作体验好；不足：模板只给结构，不给方法论引导，仍需有人主持才能保证「机会是问题而不是方案」
产品管理平台（如 Productboard、Aha!、Jira Product Discovery 类）	需求与洞察管理系统	需求收集、客户反馈归集、优先级评分、路线图	需团队采购与配置，涉及账号与权限，价格与版本以官方说明为准	中大型团队的需求池治理与长期路线规划	优势：数据沉淀与流程闭环完整；不足：偏「管理与排期」，发现阶段的发散引导能力弱，容易直接进入优先级打分

怎么选：如果你现在卡在「这个需求到底该不该做」，用本技能走一遍发现流程；如果你已经验证清楚、需要把结论纳入长期需求池，交给产品管理平台更合适；如果你要开一场跨部门对齐会，白板模板负责承载讨论，本技能负责提供讨论的骨架。

5. 该技能的典型应用场景与实际体验情况

场景一：产品经理收到「老板要加个功能」

角色与痛点：B 端 SaaS 产品经理小林，被要求在两周内上线「暗黑模式」，但他怀疑这不是真需求，又不敢直接反驳老板。

使用方式：他把老板的原话、近期支持工单主题分布和两个大客户访谈笔记一起输入技能。技能识别出期望结果可能是「提升客户保留」，并把「暗黑模式」重新框定为机会——「长时间使用的运营人员在高强度作业中产生视觉疲劳」，同时给出另外两个机会（批量操作效率低、报表导出后仍需手工整理）。三个解决方案里有两个根本不涉及主题色。

实际体验：这类场景最能体现技能价值。它的「伪装成解决方案的机会」陷阱提示会直接把需求原话打回重写。注意点在于：技能不会替你向老板汇报，你需要自己用它的输出重新组织沟通话术，把「不做暗黑模式」变成「我们发现了更值得先验证的问题」。

场景二：初创团队要澄清一个模糊的 OKR

角色与痛点：三人创始团队定下「提升用户活跃」的季度目标，但没人说得清活跃指什么、怎么衡量。

使用方式：技能的第一个问题就会逼出可测量结果。团队起初回答「改善用户体验」，被「结果太模糊」陷阱纠正后，改成「把新用户 7 日留存从 22% 提到 30%」。随后技能生成 3 个机会和 9 个解决方案，并用三维评分筛出一个可在一到两周内验证的 POC。

实际体验：对资源极度有限的小团队，这一步省下的不是写文档的时间，而是试错成本。上手难度低——你几乎不需要懂 OST 方法论，跟着编号选项走就行。注意事项：如果你自己也拿不出任何数据或访谈材料，生成的机会会偏通用，建议至少补 3-5 条真实用户反馈再开始。

场景三：增长团队决定下一个实验做什么

角色与痛点：增长团队手里有七八个改进想法，每个人都有自己最看好的那个，会议开成辩论赛。

使用方式：把试用转化漏斗数据和销售异议记录输入技能，让它生成机会与方案，然后输出三维评分表。团队在评分环节逐条质疑打分理由——这个过程本身就是一次高质量对齐。

实际体验：评分表的真正价值不在分数，而在于它把「我觉得这个好」变成了「你认为影响打 4 分，依据是什么」。技能还会明确给出推荐 POC、替代 POC 和暂缓 POC，让会议有明确的收敛点。注意：三个维度的分数由技能基于你提供的上下文给出，属于讨论起点而非结论，务必人工复核。

场景四：大客户定制需求要不要做

角色与痛点：一家标杆客户提出定制化请求，做完能签单，但会拖慢主产品线。

使用方式：技能会先把请求拆成机会（客户真正卡住的业务流程），映射多个解决方案（含不改代码的流程绕行方案、人工礼宾方案），再按可行性/影响/市场适配排序。人力密集但零开发的方案往往会被列为替代 POC——先手动跑通验证价值，再决定是否投入研发。

实际体验：这类需求最适合先用「手动礼宾测试」验证，技能也明确支持将其作为实验类型。注意事项：技能只做结构化发现，不替你判断商业条款，签单与否仍需另行决策。

6. 该技能能为用户带来的价值

① 把「要不要做」的判断提前到开发之前

最贵的成本从来不是写代码，而是写错代码。技能强制每个解决方案都映射到一个实验——没有实验就不算完成 OST。这意味着团队在投入研发资源前，已经有一句可证伪的假设和一套测量方式。

② 用固定结构压缩讨论成本

「3 个机会 × 每个 3 个解决方案」是一条明确的收敛线。它同时防住两个方向的失控：既防「一个想法直接开工」，也防「生成 20 个机会、50 个方案却永远不做决定」的分析瘫痪。会议从无限发散变成有限轮次。

③ 降低方法论门槛

机会解决方案树源自 Teresa Torres 的《持续发现习惯》，自己啃书、自己做模板、再教会团队，周期不短。这个技能把方法论拆成一次只问一个问题的对话，产品新人也能在半小时内产出一棵结构合规的树。

④ 让「证据」变成必填项

每个机会都必须附带证据来源（支持工单、转化漏斗、访谈记录）。这会反过来推动团队养成留存研究材料的习惯，而不是靠会议室里的音量决定优先级。

⑤ 沉淀可复用的发现资产

每次输出的 OST + POC 计划都是结构化文档，可以直接归档、对比、复盘。跑过几轮之后，团队会积累起一批「验证过」和「证伪过」的假设库，这比任何一份路线图都更有长期价值。

⑥ 改善跨角色沟通质量

当产品经理能把「老板要暗黑模式」转化为「一个带证据的机会 + 三个方案 + 评分理由」，与研发、设计、业务的对话就从「做不做」升级为「先验证哪个」，对齐成本显著下降。

7. 常见问题 FAQ

Q1：这个技能怎么安装？需要付费吗？

在支持技能机制的 AI 环境中，通过技能 ID 11367 或英文名 opportunity-solution-tree 找到该技能，将技能文件按官方建议命名为 opportunity-solution-tree.md 并放入 /skills/interactive/ 目录即可，同时建议确认 problem-statement、jobs-to-be-done、epic-hypothesis、user-story 等关联技能与 workshop-facilitation 交互协议是否可用。具体安装命令、入口和是否收费，均以官方说明为准；建议安装后先用一个简单目标试跑一轮，确认它会单问题提问并显示进度标签。

Q2：它会不会直接给我一份产品路线图？

不会，而且这是它刻意避免的。技能详情里明确写着「这不是路线图生成器——它是一个结构化发现过程，输出带有可测试解决方案假设的已验证机会」。它给你的是期望结果、机会、解决方案，以及一个先验证哪个的决定和实验方案；路线图排期属于后续环节，通常需要配合其他技能或工具完成。

Q3：我不懂机会解决方案树方法论，能直接用吗？

可以。技能遵循引导式交互协议：一次只问一个问题、给出带编号的选项、显示进度标签、支持暂停与恢复，你只要跟着回答即可。它内置的常见陷阱清单还会在你说出「机会：我们需要一个移动 App」或「期望结果：改善用户体验」时主动纠正你。

Q4：它和 Miro 之类的白板模板、Productboard 之类的管理平台怎么选？

三者解决的问题不同。白板模板提供的是可视化画布，需要有人主持才能保证结构正确；产品管理平台擅长需求池治理、优先级评分与长期路线规划；本技能擅长在「动手之前」做结构化发现与 POC 选择。实际工作中常见的组合是：先用本技能完成发现与实验设计，再用白板承载团队讨论，最后把验证通过的结论录入管理平台。

Q5：它输出的结果能直接交给研发排期吗？

不建议直接交付。技能的产出定位是「待验证的假设」而非「已确认的需求」——每个解决方案前面都还有一道实验。更合理的做法是：先按推荐的 POC 跑一轮实验（A/B 测试、原型可用性测试或手动礼宾测试），拿到数据后再决定是否扩展。如果实验成功，技能详情中也提到可以配合 epic-hypothesis 把已验证方案转成可测试史诗、用 user-story 拆成可交付故事，进入正常的研发流程。