关于 product-tool-stack
面向产品团队的策略技能，帮助梳理软件栈并规划 AI 原生工作流，内容涵盖工具整合、数据基础、选型和自动化建议，依据 Lenny's Podcast 和 Newsletter 的见解整理。
主要功能
- 01审查并整合软件支出
- 02建立数据与沟通基础
- 03区分成熟工具与早期采用工具
- 04寻找 AI 工作流自动化机会
适用场景
- 01检查重复的产品工具与支出
- 02规划数据分析埋点和实验
- 03寻找可由 AI 自动处理的行政任务
安装
复制下面的命令，在终端中运行。
npx skills add https:/安装后在 Claude Code 中输入/product-tool-stack确认已加载。
附带文件references/artifacts.mdreferences/guest-insights.md
详细介绍
产品技术栈策略
通过平衡成熟标准与原生 AI 的速度，打造高性能产品工具包。
借助 Lenny's Podcast 和 Newsletter 中 6 位嘉宾及多篇文章的见解，帮助用户制定产品技术栈策略。
如何提供帮助
- 审计并整合 - 审查当前软件支出，找出转向一体化平台的机会，以减少工作流摩擦。
- 明确基础 - 建立早期稳定性和跨职能协作所需的核心数据层与沟通层。
- 应用选择框架 - 区分以稳定性见长的行业「稳妥之选」和能提升竞争力与生产力的「早期采用者」工具。
- 整合原生 AI 工作流 - 找出使用 Agent 工具自动处理行政事务、起草工单和编辑视频的具体机会。
核心原则
整合工具，实现无缝工作流
摘自《PostHog 免费使用一年（价值 16,500 美元）：集分析、实验、功能标志、问卷、会话回放、错误跟踪、数据仓库和 LLM 分析于一体的平台》：「能够从会话录制追踪问题，了解它对分析数据的影响，再通过功能标志发布修复、测试不同版本，并通过问卷收集反馈——这才是理想境界。」
转向一体化平台可以减少管理多个单点解决方案所带来的技术和运营摩擦，让发现与发布之间更好地集成。
坚持以工程为支撑的数据
摘自《启动产品驱动增长的五个步骤，第 2 部分》：「这里常用的工具有 Amplitude 和 Mixpanel，但俗话说得好，‘输入垃圾，输出垃圾’。企业需要投入工程资源，做好追踪埋点。许多 B2B 公司在产品分析方面明显不足——通过人工接触销售时，密切关注产品使用情况没那么重要；但没有扎实的产品分析基础，PLG 就永远无法奏效。」
产品分析需要投入专门的工程资源来做好埋点；没有稳固的数据基础，PLG 就不可能成功。
实验工具优先购买，而非自建
摘自《启动产品驱动增长的五个步骤，第 2 部分》：「我见过最常见的错误是，公司跳过购买，直接开始自建。换句话说，他们放弃了使用第三方实验工具的选项，往往是因为工程和产品团队觉得什么都能自己做。但构建实验平台不仅需要工程资源，还需要数据科学和统计学方面的专业知识。」
小团队应选择第三方实验工具，而不是自建平台，以避免巨大的工程和统计学开销。
帮助用户思考的问题
- 「当前技术栈中的哪些工具，导致团队之间需要最多的人工数据传输？」
- 「关键任务所需的数据目前使用的是『稳妥之选』，还是过度依赖未经验证的工具？」
- 「PM 花在起草工单等行政事务上的时间占比是多少？这些工作是否可以交由 AI Agent 处理？」
- 「产品埋点是由专门的工程资源负责，还是被当作事后才考虑的事项？」
- 「是否有统一可信的数据源，存储用户行为数据并与 CRM 打通？」
常见误区
- 自建实验平台 - 小团队往往低估了与购买专业第三方工具相比，维护统计方法和工程系统所需的工作量。
- 让早期流程过于复杂 - 过早使用长期待办列表和故事点等繁重工具，可能会降低迭代速度，并分散对尽快交付的注意力。
- 未能采集细粒度数据 - 如果没有工程团队支持的特定功能交互跟踪，就无法识别推动增长的“顿悟时刻”。
- 忽视数据仓库连接 - 未能将产品使用数据与销售和营销工具同步，会阻碍有效扩展所需的跨职能情报共享。
深入探讨
如需查看从 6 位嘉宾处收集的全部 25 条见解，请参阅 references/guest-insights.md
相关技能
- 撰写产品需求文档
- 提升交付速度
- AI 辅助原型设计
- 使用 AI Agent 构建