agentleFS
yht-4403yht-4403/jc-agent-skills/about-face-4/SKILL.md

about-face-4

Skill1 starsChanged 16 days agoMITView on GitHub

目标导向产品设计前置思考技能。用于在设计产品、功能、页面、流程、原型、交互方案或产品策略前,按 Cooper 与《About Face 4》的目标导向设计方法,先梳理用户目标、人物画像(Persona)、场景、需求、交互框架、错误恢复、数字礼仪和设计风险。用户提到 About Face、Cooper、目标导向设计、Persona、用户目标、交互设计、设计前先想清楚、产品方案、功能设计、用户流程、页面设计、原型设计时使用。

The file

Files
SKILL.md

About Face 4|目标导向产品设计

核心定位

在输出界面、原型、功能方案或页面结构之前,先把产品行为想清楚。重点不是"画什么界面",而是判断产品应该如何帮助用户达成目标、减少无价值操作、处理状态与错误,并在业务、技术和用户目标之间做取舍。

这个技能不直接负责视觉美化或代码实现。需要进入界面视觉、前端实现或高保真原型时,先完成本技能的前置分析,再移交给对应设计或开发技能。

使用方式

先判断用户请求属于哪一种:

  • 从零设计产品/功能:完整执行"标准编排流"。
  • 已有产品要改版:先写当前状态场景(现在用户怎么做、痛在哪),再补充用户目标和当前摩擦,再执行"标准编排流"。
  • 只问方法论:读取 references/method.md,用中文解释,不进入具体方案。
  • 要做页面、流程或原型:先完成前置分析,再输出可交给界面或原型技能的设计简报。
  • 信息明显不足:先给出关键问题;如果用户要求先推进,用"明确假设"继续。

标准编排流

按顺序执行,除非用户明确只需要其中一部分。

  1. 设计前简报:明确产品、功能、平台、业务目标、技术约束、已有材料、期望输出。
  2. 用户建模:识别主要人物画像、次要人物画像、购买者画像、利益相关者画像、排除人物画像。说明画像来源:研究数据推导还是假设型。
  3. 目标拆解:区分用户目标(体验/终点)、假目标(可消除的系统任务)、业务目标、技术目标;把功能请求翻译成背后的真实目标。
  4. 场景生成:改版任务先写当前状态场景,再写背景场景、主路径场景、验证场景,覆盖正常路径、异常路径和恢复路径。
  5. 需求推导:从场景推导数据、行动、决策、反馈、状态、权限、错误、恢复、情感需求。
  6. 交互框架:先列出数据元素和功能元素,组织成核心对象和对象关系 → 确定产品姿态(主权/临时/守护/寄生,独立于平台判断)→ 主要动作、导航模型、信息架构、关键状态。
  7. 细节审查:检查无价值操作(Excise)、假目标、认知摩擦、安全探索、模式错误、默认值、渐进披露、反馈、撤销、防错、编排、数字礼仪、平台约束。
  8. 设计简报输出:输出可执行的产品设计简报、关键交互方案、风险、未决问题和下一步建议。

必读参考

根据任务读取这些文件:

  • references/method.md:需要完整执行目标导向设计、解释方法论、拆解产品设计问题时读取。包含 18 个核心方法节点。
  • references/checklist.md:设计前、输出前、评审方案时读取。
  • references/persona-scenario-template.md:需要生成人物画像、场景、需求推导时读取。
  • references/output-template.md:需要输出设计简报、产品方案、交互方案时读取。

执行规则

  • 不要直接从"功能清单"开始设计;先追问或假设用户目标。
  • 不要设计给抽象的"用户";如果讨论中有人说"用户需要 X",追问"哪个人物画像?在哪个场景下?"——这是弹性用户反模式,必须打断。
  • 不要把任务当目标;任务只是用户被迫采取的路径,目标是他们真正想得到的结果。
  • 不要把假目标当用户目标设计;先问能否消除,再问能否自动化,最后才是优化它。
  • 不要把系统实现模型暴露给用户;用用户能理解的表现模型组织产品。
  • 不要为了简单牺牲长期效率;设计目标是中级用户(永久中级用户),而不是同时服务好新手、中级和专家三者。
  • 不要只给页面建议;必须说明对象、动作、状态、反馈、错误和恢复。
  • 改版类任务不要跳过当前状态场景;必须先记录现状痛点再设计未来状态。
  • 不要大段复述《About Face》原文;使用自己的中文总结和可执行设计判断。

输出原则

默认用中文输出。除非用户要求极简回答,否则结构应包含:

  • 当前假设
  • 主用户与目标
  • 关键场景
  • 需求推导
  • 交互框架
  • 风险与未决问题
  • 下一步可交付物

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.