mcpField
R
research

research

github.com/openai设计与 UI56063 次安装4 周前更新
代码仓库

关于 research

research 是一项 UX 研究技能,用于从最新公开来源及可用的内部来源中寻找有证据支持的产品问题。它会对问题分类排序,区分观察证据与推断,并整理为产品叙事和机会清单。

主要功能

  1. 01开展最新 UX 研究扫描
  2. 02检索公开及可用内部来源
  3. 03归类并排序问题
  4. 04区分观察证据与推断
  5. 05整理优先级机会图

适用场景

  1. 01发现引导流程和自助体验中的阻碍
  2. 02调查文档或支持服务问题
  3. 03确定产品工作流的改进优先级

安装

复制下面的命令,在终端中运行。

$npx skills add https://github.com/openai/role-specific-plugins --skill research

安装后在 Claude Code 中输入/research确认已加载。

附带文件agents/openai.yaml

详细介绍

研究

针对用户指定的产品,开展新一轮 UX 研究扫描。

聚焦当前有证据支持的用户问题。优先关注已登录的产品体验、自助流程、入门引导、文档/帮助、开发者体验、支持服务中的阻碍以及产品工作流。

关键覆盖规则

用户上下文

开始之前,加载 $user-context,并在本地 shell 可用时运行其预检脚本。

在相关情况下,使用已保存的产品 URL、Figma 文件、截图、参考图片、代码库路径、Storybook、设计令牌、设计系统、品牌素材、组件参考、浏览器偏好和共享目标作为背景材料。

不要检查所有已保存的参考资料。只检查当前任务所需的内容。

约定

  • 开始扫描之前,重述产品、受众、时间范围和研究范围。
  • 默认使用公开来源。如果连接器可用且用户请求允许,则使用内部来源。
  • 尽可能引用来源。
  • 区分观察到的证据与推断。
  • 不要根据个别案例夸大结论。
  • 不要只罗列投诉。讲清楚产品故事。
  • 明确说明来源缺失或薄弱之处。

工作流程

  1. 重述研究范围。

  2. 搜索公开来源:

  • Reddit
  • X/Twitter
  • Hacker News
  • Stack Overflow
  • GitHub issues/discussions
  • 相关论坛、博客、评论、YouTube 评论和开发者社区
  1. 在可用时搜索内部来源:
  • Slack
  • Gong
  • Notion
  • Google Drive/docs
  • Linear/Jira/GitHub
  • 可用的支持或 CRM 笔记
  1. 将证据归类为信号最强的 UX 问题。

  2. 区分:

  • 产品 UI/工作流阻碍
  • 文档/帮助阻碍
  • 入门引导阻碍
  • 账户、计费、权限或设置阻碍
  • 开发者/API/SDK 阻碍
  • 可靠性/性能问题
  • 功能请求
  1. 按严重程度、频率、置信度和产品杠杆效应对问题排序。

  2. 讲清楚产品故事。

输出

默认在聊天中提供研究简报,除非用户要求其他格式。

包含:

  • 执行摘要:用 5-7 句话概述核心故事。
  • 排序后的 UX 问题:每个问题均包含问题、用户目标、涉及界面、故障点、证据、严重程度、频率信号、置信度和推荐的产品举措。
  • 来源概览:搜索了哪些来源、各来源提供了什么,以及哪些地方的信号较弱。
  • 机会概览:将建议分为本周修复、本季度修复和需要深入研究。

规则

  • 尽可能引用来源。
  • 不要根据个别案例夸大结论。
  • 区分引人注目的投诉与频繁发生的问题。
  • 区分 UX 阻碍与功能缺失。
  • 区分可靠性/性能问题与 UX 工作流问题。
  • 将仅限内部的证据与公开证据分开标注。
  • 保持简报精炼、具体、易于阅读。

评论

支持 Markdown