关于 plg-ai-funnel
介绍产品主导增长团队如何让 AI Agent 更容易发现、理解并推荐产品的技能,按查询、文档扫描、功能匹配和推荐四个阶段组织工作。
主要功能
- 01四阶段 AI 发现漏斗
- 02品牌与类别可见度审查
- 03文档可提取性清单
- 04功能与问题映射
- 05推荐效果指标框架
适用场景
- 01审查 AI 是否提及品牌
- 02优化文档以便 AI 提取
- 03按使用场景说明产品能力
- 04跟踪 AI 产品推荐
安装
复制下面的命令,在终端中运行。
$
npx skills add https:/ / github.com/ majesticlabs-dev/ majestic-marketplace --skill plg-ai-funnel安装后在 Claude Code 中输入/plg-ai-funnel确认已加载。
详细介绍
PLG AI 漏斗:Agent 时代的产品驱动增长
范式转变
旧版 PLG 漏斗:
Landing Page → Free Trial → Activation → Conversion
新版 PLG 漏斗:
Agent Query → Documentation Scan → Feature Match → Recommendation
买家的首次互动不再发生在你的落地页上,而是 AI Agent 扫描你的文档来回答他们的问题。
四个阶段
阶段 1:Agent 查询
发生什么: 用户向 AI 提问:“有什么工具可以帮我解决[问题]?”
优化目标:
- 品牌出现在 AI 的考虑范围内
- 正确关联类别
- AI 的知识中存在问题与解决方案的映射
策略:
| 行动 | 作用原理 |
|---|---|
| 构建实体 | AI 必须知道你的品牌存在,以及它所属的类别 |
| 第三方提及 | 评价、对比和榜单文章会成为 AI 训练数据 |
| 清晰定位 | “X 是一种[类别],可[主要优势]”之类的表述 |
审核问题:
- 直接询问时,AI 是否知道你的品牌?
- AI 是否会将你的品牌与你的类别关联起来?
- 竞品会出现,而你不会吗?
工具: 用于建立权威性的 entity-builder Agent
阶段 2:扫描文档
发生什么: AI 扫描你的文档、帮助中心和营销页面,以了解产品功能。
优化目标:
- 内容便于 AI 提取(分块、结构清晰)
- 答案前置(而非埋在内容深处)
- 每个页面都通过“Taco Bell 测试”(可以独立理解)
策略:
| 行动 | 作用原理 |
|---|---|
| 答案优先的结构 | AI 会提取第一句话作为答案 |
| FAQ 部分 | 预先整理好的问答是理想的提取内容 |
| 结构化数据 | 表格、项目符号和标题能标示独立事实 |
| 独立的内容区块 | AI 可能只看到一个区块,而非整个页面 |
可提取性检查清单:
☐ First sentence directly answers the page's implied question
☐ H2/H3 headers are questions or clear topic labels
☐ Tables used for comparisons and feature lists
☐ Each section makes sense without surrounding context
☐ No "as mentioned above" or "see below" dependencies
工具: 用于优化内容的 llm-optimizer Agent
阶段 3:功能匹配
发生什么: AI 将用户的具体需求与产品功能进行匹配。
优化目标:
- 用用户问题相关的表述描述功能
- 明确将用例映射到相应功能
- 清晰说明限制(以建立信任)
策略:
| 行动 | 作用原理 |
|---|---|
| 问题 → 功能映射 | “如果你需要 X,[Product] 可以做到 Y” |
| 用例页面 | 为每项待完成任务创建专属页面 |
| 集成列表 | AI 会检查兼容性要求 |
| 定价清晰 | AI 需要匹配预算限制 |
功能文档模板:
## [Feature Name]
**Problem it solves:** [User problem in their words]
**How it works:** [1-2 sentence explanation]
**Best for:** [Specific use cases]
**Limitations:** [What it doesn't do]
**Example:** [Concrete scenario]
反模式: 功能页面只描述功能,却没有将其与用户问题联系起来。
阶段 4:推荐
发生什么: AI 决定是否推荐你的产品,以及如何定位它。
优化目标:
- 明确与替代方案的差异
- 提供 AI 可以引用的社会认同
- 在内容中始终将话题关联回产品
策略:
| 行动 | 作用原理 |
|---|---|
| 对比内容 | AI 会直接引用“X 与 Y 对比”页面 |
| 量化成果 | “缩短 40% 的时间”优于“节省时间” |
| 评价渠道 | G2、Capterra 上的评价会影响 AI 推荐 |
| 在答案中提及产品 | 每篇内容都与产品相关联 |
产品关联规则: 每隔 1-2 个教育性内容段落,就应说明产品与主题的关联。
- ❌ “线索评分有助于确定潜在客户的优先级”
- ✅ “线索评分有助于确定潜在客户的优先级——[Product] 通过 AI 驱动的评分自动完成此操作”
工具: 使用 aeo-scorecard 技能衡量推荐成效
PLG × AEO 集成
| PLG 阶段 | AEO 概念 | 指标 |
|---|---|---|
| Agent 查询 | 实体/权威性 | AI 可见度 % |
| 扫描文档 | 可提取性 | 引用率 |
| 功能匹配 | 信息密度 | 功能提及准确率 |
| 推荐 | 产品关联 | AI 声量份额 |
快速审核工作流
1. Test 10 queries your buyers ask
→ Does your brand appear? (Stage 1)
2. Check if AI cites YOUR content
→ Or competitor/third-party? (Stage 2)
3. Ask AI about specific features
→ Does it know your capabilities? (Stage 3)
4. Ask "Should I use [Product] for [use case]?"
→ What's the recommendation? (Stage 4)
常见的 PLG AI 差距
| 症状 | 出问题的阶段 | 解决方法 |
|---|---|---|
| AI 不知道品牌 | 查询 | 建立实体,获取第三方提及 |
| AI 引用竞争对手的内容 | 文档 | 提高可提取性,优先给出答案 |
| AI 误解功能 | 功能匹配 | 从问题出发重写功能文档 |
| AI 推荐竞争对手 | 推荐 | 强化差异化,增加社会证明 |
相关工具
llm-optimizer- 针对第 2 阶段进行深度内容优化entity-builder- 建立第 1 阶段所需的权威性aeo-scorecard- 适用于所有阶段的指标框架/aeo-workflow- 完整的实施工作流query-expansion-strategy- 了解查询扩展
评论
支持 Markdown