mcpField
H
hypothesis-building

hypothesis-building

github.com/extruct-ai营销与增长11148 次安装4 周前更新
代码仓库

关于 hypothesis-building

hypothesis-building 根据公司背景、过往成交案例和目标行业知识，生成可验证的痛点假设，适合熟悉目标行业并希望快速启动 GTM 研究的团队。它依靠已有上下文和对话推理，不进行外部研究，并将假设保存为后续技能可使用的文件。

主要功能

  1. 01读取公司上下文和目标行业
  2. 02结合成交案例提取痛点模式
  3. 03生成带搜索角度的假设
  4. 04支持审阅与迭代修订
  5. 05将假设集保存为 Markdown 文件

适用场景

  1. 01进入熟悉的新行业并制定搜索方向
  2. 02在外部研究前快速形成假设
  3. 03根据新成交案例更新既有假设
  4. 04为名单构建和细分提供假设依据

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/extruct-ai/gtm-skills --skill hypothesis-building

安装后在 Claude Code 中输入/hypothesis-building确认已加载。

详细介绍

构建假设

根据已有信息生成可测试的痛点假设，包括 ICP、成功案例、产品价值主张，以及用户对目标垂直领域的了解。无需 API 密钥，无需外部研究。纯粹基于上下文和对话进行推理。

适用场景

  • 在 context-building 之后、list-building 之前
  • 进入新的垂直领域，需要明确要搜索什么
  • 对垂直领域足够了解，可以在不进行深入研究的情况下形成假设
  • 想要快速起步，然后（可选）通过 market-research 验证

输入

输入来源必填
上下文文件claude-code-gtm/context/{company}_context.md是
目标垂直领域用户输入是
补充知识用户输入——行业经验、已知痛点建议提供
现有假设集claude-code-gtm/context/{vertical-slug}/hypothesis_set.md否（用于精炼模式）

输出

claude-code-gtm/context/{vertical-slug}/hypothesis_set.md

路径和格式与 market-research 输出相同——所有下游技能均可照常使用。

工作流程

步骤 1：读取上下文文件

读取 claude-code-gtm/context/{company}_context.md 并提取：

  • ICP 画像——谁会购买、公司规模、角色、地理区域
  • 成功案例——过去的客户为何购买、是什么痛点促成了购买
  • 产品价值主张——产品的功能、关键数据
  • 有效假设——上下文文件中已有的假设
步骤 2：向用户了解垂直领域的背景

询问用户：

问题原因
你要瞄准哪个垂直领域？确定 slug 和范围
你要瞄准哪些地理区域？用于调整搜索筛选条件和区域性痛点
你对这些公司的运营方式了解多少？为假设推理提供线索
你认为你的产品能为他们解决哪些问题？让假设立足于真实价值
你注意到哪些特定信号或模式？捕捉从业者的经验知识

保持对话自然——如果用户一开始就提供了丰富背景信息，不要强行问完所有问题。

步骤 3：从成功案例中提取模式

针对上下文文件中的每个成功案例，识别：

  1. 触发因素——什么事件或痛点促使他们寻找解决方案？
  2. 工作流缺口——他们之前在做什么？哪里出了问题？
  3. 交付价值——产品带来了什么具体成果？
  4. 可迁移性——这一模式是否适用于目标垂直领域？

将成功案例中的模式映射为新垂直领域的潜在假设。

步骤 4：起草假设

生成 3-7 条假设。每条假设都必须包含：

  • 简短名称——3-5 个词的标签
  • 描述——用 2-3 句话说明痛点、痛点存在的原因，以及产品为何适用
  • 最适用对象——垂直领域中最符合这一假设的公司类型
  • 搜索角度——1-2 条具体搜索查询或 Discovery 筛选条件，用于查找符合该痛点的公司

每条假设的质量检查：

  • 是否针对具体的工作流或决策，而非模糊的行业趋势？
  • 接收者能否根据自身经验确认这一点？
  • 是否与产品能力相关（而非随意提出的痛点）？
  • 搜索角度是否足够具体，能够指导建列查询？
步骤 5：与用户审阅

向用户展示完整的假设集，并询问：

  • “这些是否符合你对该垂直领域的理解？”
  • “有没有需要添加、合并或删除的假设？”
  • “搜索角度是否足够具体？”

根据反馈进行精炼。这是一个交互过程——预计进行 1-2 轮。

步骤 6：保存

保存到 claude-code-gtm/context/{vertical-slug}/hypothesis_set.md。如果目录不存在，则创建该目录。

输出格式

## Hypothesis Set: [Vertical]

### #1 [Short name]
[2-3 sentence description — the pain, why it exists, why the product fits]
Best fit: [company type within the vertical]
Search angle: [1-2 search queries or Discovery criteria to find these companies]

### #2 [Short name]
[2-3 sentence description]
Best fit: [company type]
Search angle: [search queries or criteria]

...

Search angle 字段让这项技能在建列之前就发挥作用——它会直接告诉建列技能要搜索什么。

精炼模式

当输出路径中已存在假设集时，进入精炼模式：

  1. 读取现有假设集
  2. 询问有哪些变化——新的成功案例、营销活动结果、垂直领域知识
  3. 更新、合并或添加假设
  4. 尽可能保留假设编号（下游引用使用 #N）

与 market-research 的主要区别

hypothesis-buildingmarket-research
速度快——几分钟慢——外部研究查询
来源自身知识 + 上下文文件外部研究（例如 Perplexity）
API 密钥无需要所选服务提供商的 API 密钥
适用场景熟悉的垂直领域，快速启动对陌生的垂直领域进行探索
输出hypothesis_set.mdhypothesis_set.md + sourcing_research.md

两者相辅相成：先进行 hypothesis-building（明确你的想法），之后再进行 market-research（通过外部数据验证）。如果你熟悉该垂直领域，也可以完全跳过 market-research。

输出使用方

以下工具会使用假设集：

  • list-building — 搜索角度指导查询设计
  • enrichment-design — 假设决定细分列的设计
  • list-segmentation — 将公司与假设匹配，以便分层
  • email-prompt-building — 假设转化为 P1 邮件角度
  • email-generation — 根据每个假设生成个性化开场白
  • email-response-simulation — 评估文案与假设的一致性

评论

支持 Markdown