agentleFS
Job-YangJob-Yang/jobbyang-ai-skills/skills/opportunity-scorecard/SKILL.md

opportunity-scorecard

Skill100 starsChanged 10 days agoMITView on GitHub

为产品想法取证并评分,判断值不值得继续验证。用户要评判想法、打分或判断机会(如「帮我给这个想法打个分」「这个机会值不值得做」)时调用;不发现机会、不写 PRD。综合分一律脚本机器产出。

1 other project uses a version of this.

Adopted by

Most recently taken up by

The file

Files
SKILL.md

Opportunity Scorecard · 机会评估

先读包内 references/handoff.md。数值评分需要 Python 3.9+,无第三方依赖。独立调用不要求雷达文件,也不自动启动 PRD。

版本口径(2026-10-16 起):信封 schema 版本 0.2.0,由冻结的 scripts/artifact_io.py seal 出,代表信封结构;本 kit(技能包)版本 0.3.0,见 CHANGELOG.md。score.py 渲染卡片时信封写 0.2.0,不再用旧的 0.2.2——信封版本和 kit 版本不是一回事。

这个 kit 是什么

评估一个机会(雷达候选,或用户直给的一句话),把证据转成当前可执行的投入建议。默认十维量表面向个人产品;先判断适用性,再选择数值评分或定性评估。

AI 干语义活,脚本干确定性活。 AI 负责取证、判地基门、逐维给分、写申辩;scripts/score.py 负责校验契约、算加权综合分、定档、判黑马、渲染成卡。综合分/verdict/dark_horse 一律脚本产出,禁止手心算——这三个是下游机器读的接口。 它是自包含、可移植的:支持用户材料或联网取证。独立数值评分显式使用 --out 或 --stdout,不因宿主恰有 iLoop 环境变量改变模式。量表适用但无 Python 时交付完整 JSON、等待本地复算。 输入:雷达候选 radar-<date>.md 里的某条,或用户直给的机会描述。 输出:量表适用时为 assess-<topic>.md 评分卡;不适用时为 evaluation-<topic>.md 定性评估。

立身前提

既守地板,又不扼杀天花板。 逻辑不成立的机会救不活(地基门否掉);但被低估、踩中时机的黑马别被机械分一票否(逃生舱救回交人复看)。只排序不淘汰,最后人拍板。

只做 / 禁止

  • 只做:取证、评估前提与投入建议;量表适用时逐维打分、写非共识申辩、跑脚本出卡。
  • 禁止:改代码;跳过取证拍脑袋给分;增删或改名那 10 个维度;把地基门否决的机会硬洗成高分;擅自删除命中硬门的机会(标注即可,去留人定);手写综合分/verdict/dark_horse。

执行步骤(不可跳过,顺序照走)

第 0 步 · 定 topic、决策范围与量表适用性:给机会起小写 slug,上游有就沿用。确认用户是在决定补证、小试点、投入开发还是扩大投入;记录已知团队、资源和成功标准,不补造人数。对照 references/scoring-method.md 判断十维能否回答本次决策,正文说明理由。

  • 适用:个人产品的交付、经营和技术适应性确实影响本次决定,按下列步骤出卡。缺成本、需求或趋势证据属于未知,不能仅因资料少就跳过评分。
  • 不适用或关键适用条件待确认:重要维度与实际成功标准无关,或给分会惩罚用户已明确且合理的组织、产品约束。完成第 1 步后转入「定性评估」,不执行第 2~4 步,不算默认总分。不能靠卡后免责声明补救,也不临时删维度、改权重或拿 0/中间分填不适用项。

团队人数、是否使用 AI 都不能单独决定成败或适用性;要解释维度与当前决策的关系。用户明确只想看默认个人产品视角时,可以给该视角的卡,但不能把它充当实际组织决策的结论。

第 1 步 · 地基层硬门(极窄,命中即否) —— 判据见 references/scoring-method.md:只问"这命题本身立不立得住"。三条任一命中 pass=false:价值主张自相矛盾 / 依赖做不到的前提 / 目标市场可证明为空。⚠️"一个人扛不动""要牌照""变现绕远"是程度问题不进这层,留到潜力层扣分。

第 2 步 · 潜力层 10 维取证打分 —— 维度/权重/判据/锚点见 references/scoring-method.md:对每维先取证再给分,无证据不给分。取证复用手头联网能力(去 Reddit、G2/App Store 差评、PH、Trends 现拉),不打包爬虫。每维证据落成"链接+原话/数据"。取不到真证据的维度:继续找,或写清"暂无公开证据,属假设"并压低分——不许留空/TODO/占位(脚本会打回)。

第 3 步 · 非共识逃生舱:写一句"为什么它看起来平庸/疯狂,但其实踩中了别人没看到的点"。合格申辩 = 一个可被证伪的具体判断(claim) + 别人为什么没看到(blindspot),两者都要。空泛的"我觉得会火"不算,留空即可。

第 4 步 · 收敛成 JSON,交脚本出卡:填成下面的 schema,落成 _scoring-<topic>.json,然后跑脚本(见「怎么跑」)。

交付先回答本次决策。 用一句话写明“建议做哪一级行动、暂缓什么、什么证据会改变建议”,再附脚本原样生成的卡。低分若主要来自缺资料,应明确它是保守暂评,不代表已证明机会差;补证或低成本试验可以成立。分档标签、诊断和开头建议若看似冲突,解释各自针对的行动,不能让用户靠后文猜。评分维度、权重和阈值不变。

定性评估

交付 evaluation-<topic>.md,首段说明本次建议及默认量表不适用或待确认的原因。围绕实际决策写:已知证据及反证、前提是否成立、相关成本与收益、关键未知、下一步验证及改变建议的条件。可复核的经营算式照常计算,建议的试验门槛标为建议,不冒称已获用户确认。没有支撑就保留未知,不另造一套分数。

此文件是独立评估材料,不含默认综合分、verdict 或 dark_horse,也不伪装成 opc-artifact/v1 的 assess 卡。可随来源文件直接搬运;现有数值卡的 validate/pack/ingest 不接收它。已进入 OPC 且节点要求标准评分卡时,将量表不适配及待决条件交回适配器,保留材料,等待调整输入或确认适用量表;不得伪造合规卡或自动推进。

输出 JSON schema(score.py 的输入契约)

{
  "topic": "watch-sedentary",
  "one_liner": "给久坐白领,用 Watch 数据在压力/久坐时给一次恰到好处的干预提醒",
  "upstream": "radar-2026-09-20.md",
  "profile": {
    "form": "iOS + Apple Watch", "endpoint": "iPhone",
    "market": "出海优先", "monetization": "免费+订阅",
    "competitors": ["Bend:拉伸提醒,弱在无生理数据", "Stretchly:桌面端,不懂身体状态"]
  },
  "foundation": { "pass": true, "reason": "命题成立:Watch 生理数据+及时干预无逻辑矛盾" },
  "dimensions": [
    { "name": "痛点强度", "score": 8, "evidence": "reddit.com/... 「wish my watch told me to move」高频抱怨" },
    { "name": "离钱近", "score": 5, "evidence": "..." },
    { "name": "单位经济健康度", "score": 7, "evidence": "..." },
    { "name": "一人可交付", "score": 7, "evidence": "..." },
    { "name": "自然分发", "score": 6, "evidence": "..." },
    { "name": "护城河", "score": 5, "evidence": "..." },
    { "name": "市场趋势", "score": 7, "evidence": "..." },
    { "name": "可验证性", "score": 8, "evidence": "..." },
    { "name": "时机(Why now)", "score": 7, "evidence": "..." },
    { "name": "AI-native契合度", "score": 6, "evidence": "..." }
  ],
  "diagnosis": "强在痛点/可验证;凹陷在护城河、离钱近;补强方向:靠专有健康数据做个性化干预。",
  "rebuttal": { "claim": "", "blindspot": "" }
}
  • dimensions 必须正好 10 条、名称与 schema 完全一致(多/少/改名都被脚本打回)。
  • evidence 每条必填,禁止空/TODO/占位。diagnosis 可空(脚本按最高/最低分兜底)。rebuttal 无非共识点则两字段留空字符串。

怎么跑

① iLoop 流程内(注入 ILOOP_DATA_ROOT)——落盘 assess-<topic>.md:

bash "$ILOOP_HELPER" pattern opc.product-pipeline:score.py -- --input "$ILOOP_DATA_ROOT/analysis/opc.product-pipeline/_scoring-<topic>.json"

② 独立/别的 harness(Mira 等)——把渲染好的卡打到 stdout,让那个环境自己存:

python3 scripts/score.py --input _scoring-<topic>.json --stdout
python3 scripts/score.py --input _scoring-<topic>.json --out assess-<topic>.md --producer mira

③ 量表适用但没有 Python——只交付完整 JSON 和定性分析,标“待本地复算”。以下公式供解释,不授权模型输出已验证的计算结果:

综合分 = Σ(维度分 × 权重) ÷ 11.5。权重:离钱近/单位经济健康度/护城河 = 1.5,其余 7 维(含时机、AI-native)= 1.0。 四档:≥6.5 validate🟢 · ≥5.0 且 <6.5 refine🟡 · ≥3.5 且 <5.0 caution🟠 · <3.5 reject🔴。 地基门 pass=false → 直接 reject(否决优先于分数,不给黑马)。 dark_horse = (地基没否 且 综合分<6.5 且 申辩 claim/blindspot 都填了)。 本地 Agent 收到 JSON 后调用 score.py 出卡,再校验和导入;不可把手算标成通过。

何时停手升级用户

  • 证据不足以支撑打分 → 定向补证或向用户索取材料;雷达可选,不是独立评估的前置依赖。
  • 命中地基层硬门 → 标 pass=false,但不擅自删除,去留交用户。
  • 输入既没有雷达候选、用户也没给机会描述 → 先问,别空跑。

诚实边界

  • 评估只判"值不值得去验",天花板是"值得去验"不是"确定能做"——分发这种胜负手要真碰市场才知道,最终靠落地页验证拍板。
  • 它不做发现(那是雷达)、不做 PRD/设计/编码。

目录结构

opportunity-scorecard/
├── SKILL.md                    # 本文件:方法论 + JSON 契约 + 怎么跑
├── CHANGELOG.md                # 版本记录
├── references/
│   └── scoring-method.md       # 三层尺子的判据/权重/锚点(可移植方法论)
├── examples/
│   ├── scoring.synthetic.json        # 中性合成样例(全维 6.5)
│   ├── scoring.foundation-reject.json # 边界:地基门命中,分数再高也 reject
│   └── scoring.dark-horse.json        # 边界:机械分低但申辩有形状,dark_horse=true
├── tests/test_scorecard_regression.py # 回归测试(python3 -m unittest discover -s tests -v)
└── scripts/
    ├── score.py                # 确定性打分内核(本包唯一可执行算法)
    ├── artifact_io.py          # opc-envelope 0.2.0 公共副本:校验、整包交接(冻结)
    ├── scoring-rules.json      # opc-envelope 0.2.0 公共副本(冻结)
    ├── check_vendored.py       # 公共副本一致性自检
    └── vendor-manifest.json    # 本包携带的公共副本清单

评分算法只维护 scripts/score.py 的 DIMENSIONS 常量。scoring-rules.json 是冻结的公共副本,artifact_io 的交接包复算读它;改 DIMENSIONS 后必须由 canonical 统一重新生成并同步全部 5 个包,不能在本包手改第二份数值(本轮它冻结,不生成)。

examples/ 都是可运行的合成样例,所有证据均标假设,仅供检查脚本和交接,不能作为市场建议:scoring.synthetic.json(中性)、scoring.foundation-reject.json(地基门)、scoring.dark-horse.json(黑马逃生舱),以及三个对抗样例 scoring.all-ten.json(全 10 分不溢出)、scoring.all-one.json(全 1 分落 reject)、scoring.contradictory.json(维度矛盾+证据复用,验证不崩溃)。打分最小步长 0.5,6.75 这类小数会被脚本打回(见 references/scoring-method.md)。

出卡末尾固定带"尺子置信度声明":权重/档位/地基门/dark_horse 是先验经验判断、非统计显著,composite 只辅助排序——不要把它当数据结论引用。证据被脚本发现"同料复用"或"无链接不可验证措辞"时,卡片会列"证据警告",需人复核真伪(脚本不判断真伪,只抓结构异常)。

维护说明

本包自带 opc-envelope 0.2.0 公共文件副本(scripts/artifact_io.py、scripts/scoring-rules.json,见 scripts/vendor-manifest.json),本轮冻结不改内容。发布前跑 python3 scripts/check_vendored.py 和 python3 -m unittest discover -s tests -v;与其他流水线包并排时跑 python3 scripts/check_vendored.py --drift <各技能根> 确认无漂移。

在不同环境怎么跑

  • iLoop 流程内:由 opc.product-pipeline.assess 调用;产物和审批归适配器,下一步归编排。
  • 独立数值评分 → 交接回本地:整个 assess-kit 目录拷过去当 skill。scripts/score.py --stdout 跑(它已自动带 schema/produced_by 信封;想标产地设 OPC_PRODUCED_BY=mira)。交接三步:
    1. 远端自检:python3 scripts/artifact_io.py validate --input assess-<topic>.md,再用 pack --input assess-<topic>.md --scoring _scoring-<topic>.json --out result.zip 带回原始逐维数据。
    2. 拿回本地。
    3. 本地导入:python3 scripts/artifact_io.py ingest --input <文件> --output-root <接收目录>。按信封生成标准名 assess-<topic>.md,写到指定目录,不需要 iLoop。
  • 已明确进入 OPC 时,可选用 bash "$ILOOP_HELPER" pattern opc.product-pipeline:artifact_io.py -- ingest --input <文件> 接入流程。
  • 完整标准见包内 references/handoff.md。导入只验证结构和计算,不验证证据真伪;远端审批不自动转换为本地开工许可。

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.