MCP HubMCP Hub
Retour aux compétences

foundation-persona

product-on-purpose
Mis à jour 2 days ago
7 vues
238
33
238
Voir sur GitHub
Métatestingapi

À propos

Cette compétence génère des personas produits ou marketing fondés sur des données, en utilisant un modèle standardisé v2.5. Elle est conçue pour façonner les perspectives produit, tester la robustesse des décisions et structurer la stratégie de commercialisation lors du développement. Les développeurs doivent l'utiliser avant de rédiger des artefacts nécessitant un point de vue clair sur le persona.

Installation rapide

Claude Code

Recommandé
Principal
npx skills add product-on-purpose/pm-skills -a claude-code
Commande PluginAlternatif
/plugin add https://github.com/product-on-purpose/pm-skills
Git CloneAlternatif
git clone https://github.com/product-on-purpose/pm-skills.git ~/.claude/skills/foundation-persona

Copiez et collez cette commande dans Claude Code pour installer cette compétence

Documentation

<!-- 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.

Dépôt GitHub

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

Compétences associées

content-collections

Méta

Cette compétence propose une configuration éprouvée en production pour Content Collections, un outil axé sur TypeScript qui transforme des fichiers Markdown/MDX en collections de données typées de manière sûre avec une validation Zod. Utilisez-la lors de la création de blogs, de sites de documentation ou d'applications Vite + React riches en contenu pour garantir la sécurité de typage et la validation automatique du contenu. Elle couvre tout, de la configuration du plugin Vite et de la compilation MDX à l'optimisation des déploiements et la validation des schémas.

Voir la compétence

polymarket

Méta

Cette compétence permet aux développeurs de créer des applications avec la plateforme de marchés prédictifs Polymarket, incluant l'intégration d'API pour le trading et les données de marché. Elle fournit également une diffusion de données en temps réel via WebSocket pour surveiller les transactions en direct et l'activité du marché. Utilisez-la pour mettre en œuvre des stratégies de trading ou pour créer des outils traitant les mises à jour de marché en direct.

Voir la compétence

creating-opencode-plugins

Méta

Cette compétence aide les développeurs à créer des plugins OpenCode qui s'interconnectent avec plus de 25 types d'événements tels que les commandes, les fichiers et les opérations LSP. Elle fournit la structure du plugin, les spécifications de l'API événementielle et les modèles d'implémentation pour les modules JavaScript/TypeScript. Utilisez-la lorsque vous avez besoin d'intercepter, de surveiller ou d'étendre le cycle de vie de l'assistant IA OpenCode avec une logique personnalisée pilotée par les événements.

Voir la compétence

sglang

Méta

SGLang est un framework de service LLM haute performance spécialisé dans la génération rapide et structurée pour les workflows JSON, regex et agentiques grâce à son cache de préfixe RadixAttention. Il offre une inférence nettement plus rapide, particulièrement pour les tâches avec des préfixes répétés, ce qui le rend idéal pour les sorties complexes et structurées ainsi que les conversations multi-tours. Choisissez SGLang plutôt que des alternatives comme vLLM lorsque vous avez besoin d'un décodage contraint ou que vous construisez des applications avec un partage étendu de préfixes.

Voir la compétence