MCP HubMCP Hub
Volver a habilidades

foundation-persona

product-on-purpose
Actualizado 2 days ago
3 vistas
238
33
238
Ver en GitHub
Metatestingapi

Acerca de

Esta habilidad genera personas de producto o marketing basadas en evidencia utilizando una plantilla estandarizada v2.5. Está diseñada para dar forma a perspectivas de producto, poner a prueba decisiones y enmarcar la estrategia de lanzamiento al mercado durante el desarrollo. Los desarrolladores deben utilizarla antes de redactar artefactos que requieran un punto de vista claro de la persona.

Instalación rápida

Claude Code

Recomendado
Principal
npx skills add product-on-purpose/pm-skills -a claude-code
Comando PluginAlternativo
/plugin add https://github.com/product-on-purpose/pm-skills
Git CloneAlternativo
git clone https://github.com/product-on-purpose/pm-skills.git ~/.claude/skills/foundation-persona

Copia y pega este comando en Claude Code para instalar esta habilidad

Documentación

<!-- PM-Skills | https://github.com/product-on-purpose/pm-skills | Apache 2.0 -->

Persona Builder

This skill produces decision-usable personas from one canonical template pack.

Supported Modes

  • product
  • marketing
  • buyer as input alias for marketing (output remains labeled Marketing)

Generated agent mode is out of scope for v2.5.0. If the user asks for agent, ask them to choose product or marketing.

When to Use

  • Before drafting PM or GTM artifacts that need a clear persona viewpoint
  • When teams disagree on priorities and need behavior-grounded tradeoff framing
  • When assumptions and confidence levels must be explicit for decision review
  • When tailoring downstream work (PRD, stories, launch, messaging, enablement) to a specific user or buyer profile

Instructions

When asked to generate a persona, follow these steps:

  1. Resolve mode and intent Determine whether the request is product or marketing (buyer alias allowed). If mode is omitted, ask for mode selection. If execution must continue without reply, default to product and state that fallback explicitly.

  2. Collect context and evidence Use user-provided context first (goals, audience, domain, constraints, sources). If evidence is thin, continue generation but mark gaps and calibrate confidence.

  3. Select exactly one template Use references/TEMPLATE.md and choose exactly one of:

    • Product Persona Template
    • Marketing Persona Template
  4. Generate a complete artifact Fill the selected template end-to-end:

    • header + one-sentence core-reality statement
    • metadata table
    • Persona Card
    • sections 1 through 11
    • Evidence & Confidence
  5. Enforce mode boundaries

    • Product mode: focus on workflow behavior, decision patterns, friction, quality bar, and product tradeoffs.
    • Marketing mode: focus on buying triggers, evaluation criteria, committee dynamics, objections, messaging, and GTM implications.
  6. Apply evidence and confidence policy

    • Use High|Medium|Low confidence with rationale.
    • Distinguish validated evidence from assumptions.
    • State open questions and governance follow-up.
  7. Finalize for direct use Remove template guidance blockquotes (> notes) from the final output. Ensure narrative entries are concrete and decision-changing, not placeholder bullets.

Output Contract (v2.5.0)

  • Use one mode only (Product or Marketing) per output.
  • Keep section numbering and headings from the selected template.
  • Preserve the evidence table plus validated/assumed/open-questions/governance blocks.

Quality Checklist

Before finalizing, verify:

  • Exactly one mode is used and clearly labeled
  • buyer inputs are normalized to Marketing
  • Header, core-reality statement, metadata table, and Persona Card are present
  • All 1 through 11 sections from the selected template are present and complete
  • Includes/not-valid boundaries are explicit in the metadata and narrative
  • Evidence table is populated with concrete sources
  • Confidence is High, Medium, or Low with rationale
  • Validated, Assumed, Open questions, and Governance blocks are present
  • Template authoring notes (> guidance lines) are removed from the completed output

Examples

See references/EXAMPLE.md for a completed sample output.

Repositorio GitHub

product-on-purpose/pm-skills
Ruta: skills/foundation-persona
0
agent-skillsai-skillsclaude-codeclaude-desktopdesign-sprintfoundation-sprint

Habilidades relacionadas

content-collections

Meta

Esta habilidad proporciona una configuración probada en producción para Content Collections, una herramienta centrada en TypeScript que transforma archivos Markdown/MDX en colecciones de datos con tipado seguro mediante validación Zod. Úsala al construir blogs, sitios de documentación o aplicaciones Vite + React con mucho contenido para garantizar seguridad de tipos y validación automática de contenido. Abarca todo, desde la configuración del plugin de Vite y compilación MDX hasta la optimización de despliegue y validación de esquemas.

Ver habilidad

polymarket

Meta

Esta habilidad permite a los desarrolladores crear aplicaciones con la plataforma de mercados de predicción Polymarket, incluyendo la integración de API para operaciones y datos de mercado. También proporciona transmisión de datos en tiempo real a través de WebSocket para monitorear operaciones en vivo y actividad del mercado. Úsela para implementar estrategias de trading o crear herramientas que procesen actualizaciones de mercado en tiempo real.

Ver habilidad

creating-opencode-plugins

Meta

Esta habilidad ayuda a los desarrolladores a crear complementos de OpenCode que se conectan a más de 25 tipos de eventos, como comandos, archivos y operaciones LSP. Proporciona la estructura del complemento, las especificaciones de la API de eventos y los patrones de implementación para módulos en JavaScript/TypeScript. Úsala cuando necesites interceptar, monitorear o extender el ciclo de vida del asistente de IA de OpenCode con lógica personalizada basada en eventos.

Ver habilidad

sglang

Meta

SGLang es un framework de alto rendimiento para el servicio de LLM que se especializa en generación rápida y estructurada para JSON, expresiones regulares y flujos de trabajo de agentes utilizando su caché de prefijos RadixAttention. Ofrece una inferencia significativamente más rápida, especialmente para tareas con prefijos repetidos, lo que lo hace ideal para salidas complejas y estructuradas, y conversaciones multiturno. Elige SGLang sobre alternativas como vLLM cuando necesites decodificación restringida o estés construyendo aplicaciones con uso extensivo de prefijos compartidos.

Ver habilidad