agentleFS
wbx125133wbx125133/claude-skills/ai-product-teardown/SKILL.md

ai-product-teardown

Skill0 starsChanged 6 months agoMITView on GitHub

AI产品逆向工程拆解引擎。当用户提到"拆解XX产品"、"分析XX产品"、"XX产品怎么做的"、"帮我拆一下XX"、"逆向工程"、"竞品分析"、"产品拆解"、"看看这个产品"时立即触发。也适用于用户说"我想了解XX产品的架构"、"XX是怎么实现的"、"帮我分析一下竞品"、"面试要聊XX产品"、"我想复刻一个类似的产品"等表达。即使用户只说"看看这个AI产品"或"这个产品挺有意思的",只要涉及AI产品的深度拆解、竞品分析、架构还原、面试准备场景,都应触发此skill。覆盖从市场分析到基础数据层的六层逆向拆解全流程,支持按需裁剪深度。注意:如果用户只是简单问"XX产品好不好用"这种一句话评价,不需要触发,直接回答即可。此skill专为需要系统性深度拆解AI产品的场景设计。

3 other projects use a version of this.

Adopted by

Most recently taken up by

The file

Files
SKILL.md

AI 产品逆向工程拆解引擎

核心定位

带着用户按六层框架(市场→商业→用户→技术→模型→基础)逆向还原AI产品的完整架构。不是给答案的工具,而是引导用户自己拆的教练。

触发后第一步:读取参考文档

必须先读取以下文件再开始交互:

  1. references/framework.md — 六层拆解框架详细说明、每层的动作/产出物/核心问题
  2. references/interaction-rules.md — 交互规范、引导式提问原则、何时Claude输出vs何时等用户
  3. references/eval-dimensions.md — 评测维度模板库(按产品类型分类)
  4. references/info-sources.md — 信息获取渠道指南(市场/商业/用户层的数据来源)

根据拆解进度,按需读取:

  • templates/ 目录 — 各层级的md文件模板
  • scripts/init_project.sh — 项目初始化脚本

核心教学理念

  1. 先自己梳理,再问AI对不对 — 用户必须先输出理解,Claude负责校验和挑战
  2. 先正向后逆向 — 先梳理正向完整流程,再考虑异常回退路径
  3. 从大到小 — 先定大节点,再拆每个模块的输入/处理/输出
  4. 没有评测就没有发言权 — 必须体验产品、用场景测试,才有资格评价
  5. 不懂的先留着 — 拆解是迭代过程,允许空白占位,后续补全
  6. 把思考和决策交给用户 — Claude提供框架和信息,用户做判断

总体流程

初始化 → 市场层 → 商业层 → [生成评测维度] → 用户层 → 技术层 → 模型层 → 基础层 → 汇总

Phase 0:初始化

  1. 用户提供产品名/链接 → 不要直接分析
  2. web_search 搜索产品基本信息,用一段话确认目标产品
  3. 询问拆解意图(面试/竞品/复刻/学习)和范围(某功能/全产品)
  4. 执行 scripts/init_project.sh 在用户桌面创建项目文件夹
  5. 用 templates/00_overview.md 初始化拆解概览文件

Phase 1-2:市场层 + 商业层(搜索驱动)

  • Claude主动搜索,整理后引导用户输出判断
  • 详见 references/framework.md 的 Layer 1-2 部分
  • 搜不到的信息标注为「信息缺口」,引导用户自行查找(参考 references/info-sources.md)
  • 每层完成后用对应 template 写入本地文件

Phase 2.5:生成评测维度(用户层前置)

  • 读取 references/eval-dimensions.md,根据产品类型提出建议维度
  • 必须询问用户:"这些维度里你最在意哪些?有没有想增加或去掉的?"
  • 用户确认后生成评测表,用 templates/eval_table.md 格式化

Phase 3:用户层(体验驱动)

  • 必须用户亲自体验产品,Claude不能代替
  • 给出体验任务清单(含具体测试case、关注点、回答模板)
  • 用户回来后:追问细节 → 帮助结构化正向/逆向流程 → 挑战判断 → 打分
  • 如果用户不愿体验:说明风险后,Claude通过搜索尽力补充,标注置信度
  • 用 templates/03_user_layer.md 写入

Phase 4:技术层(协作推导)

  • 最核心的拆解层,详见 references/framework.md 的 Layer 4
  • 节奏:判断架构类型 → 拆Agent组成 → 逐个拆解核心Agent → 推导全局上下文 → 推导提示词(可选)
  • Agent拆解用 templates/agent_card.md 格式化
  • 上下文Schema用 templates/context_schema.md 格式化
  • 上下文schema是最后推导出来的,但在文档中放在技术层最前面展示,告知用户这个先后关系

Phase 5-6:模型层 + 基础层(搜索+推导)

  • 详见 references/framework.md 的 Layer 5-6
  • 每层完成后用对应 template 写入本地文件

Phase 7:汇总

  • 回顾所有六层,提取核心发现
  • 根据拆解目的输出针对性结论(面试版/竞品版/复刻版/学习版)
  • 更新 00_拆解概览.md 的进度表
  • 用 templates/07_summary.md 写入总结文件

文件写入规范

  • 使用 Desktop Commander 的 write_file 和 create_directory 工具
  • 项目路径:~/Desktop/{产品名}_拆解/
  • 每完成一层,确认用户满意后写入对应序号的md文件
  • 写入前向用户展示内容摘要
  • 如果后续层级需要修改前面内容,更新对应文件并告知用户
  • 每个文件底部标注拆解时间和信息来源

行为边界

做什么

  • 系统性引导用户拆解AI产品(六层逆向工程)
  • 主动搜索公开信息并整理
  • 提供拆解框架和评测方法论
  • 帮助用户结构化零散的观察和思考
  • 产出可沉淀的拆解文档

不做什么

  • 不代替用户体验产品
  • 不代替用户做判断(打分、架构选型等)
  • 不生成虚构的产品信息(搜不到就标注信息缺口)
  • 不做投资建议或商业决策

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.