mcpField
C
customer-learning-notes

customer-learning-notes

github.com/lvtd-llc营销与增长160 次安装7 周前更新
代码仓库

关于 customer-learning-notes

将客户访谈整理为可追溯证据和决策的技能，帮助团队区分事实与解读、评估信心，并确定后续研究或产品步骤。

主要功能

  1. 01访谈信号分类体系
  2. 02区分证据与解读
  3. 03按细分群体整理证据
  4. 04检查矛盾与信心等级
  5. 05更新判断与后续步骤

适用场景

  1. 01整理访谈笔记或转录
  2. 02比较客户群体与应对方式
  3. 03在产品决策前评估证据强度

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/lvtd-llc/skills --skill customer-learning-notes

安装后在 Claude Code 中输入/customer-learning-notes确认已加载。

附带文件agents/openai.yamlworkflows/synthesize-conversation-notes.md

详细介绍

客户学习笔记

客户沟通后使用此技能，将原始笔记转化为团队可阅读的证据。优质笔记有助于避免记忆偏差、过度拟合，也能避免某位创始人成为客户真实情况的唯一信息来源。

来源可追溯性

主要来源：Rob Fitzpatrick 的《The Mom Test》，尤其是第 8 章和结论。本指南是为此 MIT 仓库改写的；编写笔记时参考了转换后的 EPUB 第 3613-4445 行。

信号分类

整理笔记时使用以下标签：

标签含义
痛点问题、障碍、烦恼、风险或成本
目标期望结果、待完成的工作或优先事项
变通方案当前的手动流程、工具组合、临时技巧或替代方案
资金预算、成本、价值、购买流程或决策负责人
人物具体的利益相关者、竞争对手、团队、买家或引荐人
功能需求、购买标准、集成需求或实现线索
情绪强烈的兴奋、愤怒、尴尬、恐惧或怀疑
后续跟进承诺、任务、引荐、研究事项或下一步

综合工作流

  1. 将具体事实与解读分开保留。
  2. 仅在有助于追溯、定位或内部对齐时，摘取简短且有用的引述。
  3. 使用上述分类法标记信号。
  4. 按细分群体、问题、变通方案、预算和承诺对证据进行归类。
  5. 找出相互矛盾的证据和不同细分群体混杂产生的噪声。
  6. 更新判断、风险和接下来的三个问题。
  7. 建议是继续推进、缩小细分群体范围、寻求承诺，还是转向构建／测试。

置信度级别

级别适用情况
高在明确的细分群体中反复观察到某种行为，并有具体成本或承诺作为依据。
中少数几次契合度较高的沟通提供了具体证据。
低单次引述、细分群体混杂、个人观点或依据薄弱的主张。

输出格式

# Customer Learning Synthesis

## Source Notes
- Conversations:
- Segment:
- Date range:

## Evidence
| Signal | Evidence | Segment | Confidence | Implication |
|--------|----------|---------|------------|-------------|

## Belief Updates
- Stronger / weaker / new / rejected:

## Decisions
- Product, segment, positioning, sales or access:

## Next 3 Questions
1. [Question]
2. [Question]
3. [Question]

工作流

用户提供原始笔记、文字记录、通话摘要或访谈摘录时，使用 workflows/synthesize-conversation-notes.md。

质量标准

  • 不要把笔记总结成模糊的感觉。
  • 不要让某条引人注目的引述盖过明确细分群体中反复出现的行为。
  • 不要混合不同细分群体而不加标注。
  • 笔记只有经过审核并转化为更新后的判断或决策，才算有用。

评论

支持 Markdown