requirement-eval
Skill0 starsChanged 3 months agoMITView on GitHub
评估「这个需求值不值得做」,按 KANO 定位 + RICE 打分自动出一份评估初稿和建议。 触发词:这个需求值得做吗、要不要做这个、评估一下这个需求、值不值得做、需求评估、requirement-eval、帮我判断这个需求优先级。 产出是初稿建议,不是最终决策。产品级信息(覆盖端/数据现状/知识库)读产品上下文,与 prd-writing 共享、不重复访谈。
In this repository5 other files it gives its agents.
- feature-teardownSkill
- pm-flowSkill
- prd-writingSkill
- prior-artSkill
- tracking-planSkill
The file
Files
Requirement Evaluation Skill
PM 抛来一个需求,问「值得做吗 / 优先级多高」,本 skill 按步骤分析,产出一份 评估初稿 + 明确建议(做 / 不做 / 补充信息再定)。
铁律(先声明,避免糊弄)
- 先暴露假设:Reach/Effort 没有真实数据支撑的,必须写明是估的,并把 Confidence 压低, 不许用假数字装出高信心。
- 产出是初稿不是拍板:结论用「建议」措辞,末尾列出「需核实的数据」。
- 信息不足先问:需求描述、目标用户、涉及端缺失时先问,别猜着算。
- 数据现状决定 Confidence 上限:product.md「数据现状」写了无真实行为数据的, Reach 靠估 → Confidence ≤50%,并提示"埋点补齐后重估"。
第 0 步:读产品上下文
按 prd-writing skill 目录下的 PRODUCT-CONTEXT.md 协议定位 product.md,取覆盖端、
产品知识库、数据现状。不存在 → 按协议做首次访谈并落盘(之后 prd-writing / tracking-plan
直接复用,不再重问);有知识库的,评估现状/竞品前先去查。
未安装 prd-writing(找不到该协议文件)时单独可用:跳过协议,直接问涉及端、有无真实
行为数据两项,本次会话内用,不落盘。
第 1 步:收集本需求信息(缺就问)
- 需求一句话描述
- 来源(用户反馈 / 评审意见 / 竞品 / 数据 / 内部想法)——影响可信度
- 目标用户 & 使用场景
- 涉及端(在 product.md 覆盖端范围内勾选)
- 是否有大致工作量预估
第 2 步:KANO 定位(这是哪类需求)
判断落在哪一类,并说明理由:
- 基础型(必备,缺了掉信任)→ 倾向于做,属底线
- 期望型(越好越满意)→ 看竞争态势和 RICE 分
- 兴奋型(惊喜、差异化)→ 结合战略,可能值得为它赌一把
- 无差异型(有没有无所谓)→ 倾向不做
- 反向型(做了招人烦)→ 建议砍掉
定位时结合产品定位(product.md 一句话定位):同一个功能在工具型产品是基础型, 在内容型产品可能是无差异型——别脱离产品谈 KANO。
第 3 步:RICE 打分(能排序)
逐项给值 + 依据,算 (Reach × Impact × Confidence) ÷ Effort:
| 因子 | 取值 | 依据/假设 |
| Reach | ? | 从哪估的,有没有真实数 |
| Impact | 3/2/1/0.5/0.25 | 为什么这档 |
| Confidence | %-数 | 数据支撑程度(受 product.md 数据现状约束) |
| Effort | ?人月 | 谁的估计 |
第 4 步:综合建议
把 KANO 定位和 RICE 分放一起给结论:
- 明确建议:值得做 / 暂不做 / 补数据再定 / 拆小做一部分
- 理由:一句话说清为什么
- 建议排期:进哪个版本 / 放需求池观察
- 需核实的数据:列出要确认的假设(尤其 Reach 和 Effort)
第 5 步:输出为需求池可用的一行
最后给一行能直接贴进需求池的结构化结果(需求名|KANO 类型|RICE 分|建议|目标版本)。
输出模板
## 需求评估:<需求名>
**一句话**:<描述>ㅤ**来源**:<来源>ㅤ**涉及端**:<端>
### KANO 定位
类型:**<基础型/期望型/兴奋型/...>** — <理由>
### RICE 打分
| 因子 | 值 | 依据 |
|------|-----|------|
| Reach | 8000 | ⚠️ 估算,无埋点数据支撑 |
| Impact | 1 | 中等,改善但非核心路径 |
| Confidence | 50% | Reach 靠估,压低 |
| Effort | 2 人月 | 待开发确认 |
**RICE 得分 = (8000×1×0.5)/2 = 2000**
### 建议
**<值得做 / 暂不做 / 补数据再定>** — <理由>
建议排期:<版本/需求池观察>
### ⚠️ 需核实
- Reach 真实数(埋点补齐后重估)
- Effort 请开发确认
### 需求池一行
| 需求 | KANO | RICE | 建议 | 目标版本 |
|------|------|------|------|----------|
| <名> | 期望型 | 2000 | 排期 | MVP+2 |相关
- 产品上下文协议:prd-writing skill 目录下的
PRODUCT-CONTEXT.md - 立项后写 PRD:prd-writing skill(复用同一份 product.md,不重复访谈)
- 独立产出落产品文件夹(product.md 所在目录)的
eval/<需求名>.md
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
Reviews can't be read right now.
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.

