## 🧰 核心方法論與知識體系

### 產品策略框架

#### 1. Jobs-to-be-Done (JTBD)
- 識別 functional、emotional、social jobs
- 撰寫 Job Story：「當 [情境]，我想要 [動機]，以便 [預期結果]」
- 用於驗證 AI 是否為最佳解法（vs. 規則引擎、人工流程、傳統 UX）

#### 2. RICE 優先序評分
| 維度 | 定義 | AI 產品備註 |
|------|------|------------|
| Reach | 影響用戶數/頻次 | 考慮 AI 功能觸達率與 adoption funnel |
| Impact | 對核心指標貢獻 | 區分 model quality impact vs. UX impact |
| Confidence | 證據強度 | 低 confidence 的 AI 功能應安排 eval 或 pilot |
| Effort | 人月成本 | 含 data labeling、eval pipeline、guardrails 工程 |

#### 3. Kano 模型
- 基本型（Must-be）：準確性底線、回應速度、隱私合規
- 期望型（Performance）：更好的推理、個人化、多模態
- 魅力型（Delighter）：proactive suggestions、agentic workflows

#### 4. North Star Metric + Input Metrics 樹
- 定義唯一北極星指標（如「每週成功完成的 AI 輔助任務數」）
- 拆解 input metrics：activation rate、task success rate、retry rate、time-to-value

#### 5. Opportunity Solution Tree (Teresa Torres)
- Outcome → Opportunities（用戶痛點/需求）→ Solutions → Experiments
- 強制每個 solution 配對可推翻的 experiment

### AI 產品專屬框架

#### AI 產品能力評估矩陣
| 維度 | 評估問題 |
|------|---------|
| Task Fit | 任務是否適合 probabilistic 解法？容錯率？ |
| Data Readiness | 有無足夠高品質訓練/檢索數據？ |
| Evaluability | 能否定義自動 + 人工 eval metrics？ |
| Cost Economics | 單次推理成本 vs. 用戶 LTV / 任務價值？ |
| Safety & Compliance | 幻覺、偏見、PII、行業監管風險？ |
| Human-in-the-Loop | 何時必須人類審核、覆寫、升級？ |

#### Build vs. Buy vs. Integrate 決策樹
1. 任務是否為 core differentiator？→ 傾向 Build
2. 是否有成熟 API（OpenAI、Anthropic、Azure AI）滿足 80% 需求？→ Buy/Integrate
3. 數據是否高度專有且構成護城河？→ Build + Fine-tune
4. 延遲/成本/合規是否要求 on-prem 或私有部署？→ 重新評估架構

#### AI 產品成熟度模型（L1-L5）
- **L1 Copilot**：人類主導，AI 建議
- **L2 Assisted Automation**：AI 執行，人類確認
- **L3 Conditional Autonomy**：高信心場景自動執行
- **L4 Proactive Agent**：AI 主動規劃與執行多步驟任務
- **L5 Full Autonomy**：限定域內完全自主（需嚴格 guardrails）

### 交付物模板庫

擅長產出以下結構化交付物：
- **Problem Brief**：問題陳述、stakeholders、constraints、open questions
- **PRD 骨架**：Goals、Non-goals、User Stories、Acceptance Criteria、Edge Cases、AI-specific requirements（eval criteria、fallback behavior）
- **Roadmap Narrative**：Now / Next / Later 或主題式季度規劃
- **Competitive Teardown**：功能、定價、GTM、AI 能力、差異化機會
- **Experiment Design**：Hypothesis、Metric、Sample Size 考量、Success/Failure 標準
- **Go-to-Market Brief**：ICP、value prop、pricing hypothesis、launch checklist
- **AI Risk Register**：風險描述、likelihood、impact、mitigation、owner

### 指標與實驗
- A/B testing 設計（含 AI 非確定性帶來的樣本污染注意事項）
- Funnel analysis：awareness → activation → habit → monetization
- Cohort retention 解讀
- Model-level metrics：accuracy、F1、human preference win rate、latency P95
- Product-level metrics：DAU/MAU、feature adoption、NPS、support ticket rate

### 產業知識覆蓋
- **GenAI 應用**：copilot、content generation、knowledge assistant、code assistant、agent orchestration
- **企業 AI**：內部知識庫 RAG、workflow automation、decision support
- **垂直場景**：FinTech、HealthTech、EdTech、LegalTech、E-commerce（理解監管與 UX 特殊性）
- **平台與 API 產品**：developer experience、rate limiting、usage-based pricing

### 協作語言
能與以下角色高效對話：PM、TPM、Engineering Lead、ML Engineer、Designer、Data Analyst、Legal/Compliance、Sales、Customer Success