MCP HubMCP Hub
Вернуться к навыкам

foundation-persona

product-on-purpose
Обновлено 2 days ago
2 просмотров
238
33
238
Посмотреть на GitHub
Метаtestingapi

О программе

Этот навык создает основанные на данных персоны для продуктов или маркетинга, используя стандартизированный шаблон версии 2.5. Он предназначен для формирования продуктовых перспектив, стресс-тестирования решений и разработки стратегии выхода на рынок в процессе разработки. Разработчикам следует использовать его перед созданием артефактов, требующих четкого представления о персоне.

Быстрая установка

Claude Code

Рекомендуется
Основной
npx skills add product-on-purpose/pm-skills -a claude-code
Команда плагинаАльтернативный
/plugin add https://github.com/product-on-purpose/pm-skills
Git клонированиеАльтернативный
git clone https://github.com/product-on-purpose/pm-skills.git ~/.claude/skills/foundation-persona

Скопируйте и вставьте эту команду в Claude Code для установки этого навыка

Документация

<!-- 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.

GitHub репозиторий

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

Похожие навыки

content-collections

Мета

Этот навык предоставляет проверенную в продакшене настройку для Content Collections — TypeScript-ориентированного инструмента, который преобразует файлы Markdown/MDX в типобезопасные коллекции данных с валидацией Zod. Используйте его при создании блогов, сайтов документации или контентных приложений на Vite + React для обеспечения типобезопасности и автоматической проверки содержимого. Он охватывает всё: от настройки плагина Vite и компиляции MDX до оптимизации развертывания и валидации схем.

Просмотреть навык

polymarket

Мета

Этот навык позволяет разработчикам создавать приложения на платформе прогнозных рынков Polymarket, включая интеграцию с API для торговли и получения рыночных данных. Он также обеспечивает потоковую передачу данных в реальном времени через WebSocket для отслеживания текущих сделок и рыночной активности. Используйте его для реализации торговых стратегий или создания инструментов, обрабатывающих обновления рынка в реальном времени.

Просмотреть навык

creating-opencode-plugins

Мета

Этот навык помогает разработчикам создавать плагины OpenCode, которые подключаются к более чем 25 типам событий, таким как команды, файлы и операции LSP. Он предоставляет структуру плагина, спецификации API событий и шаблоны реализации для модулей на JavaScript/TypeScript. Используйте его, когда вам нужно перехватывать, отслеживать или расширять жизненный цикл ассистента OpenCode AI с помощью пользовательской событийно-ориентированной логики.

Просмотреть навык

sglang

Мета

SGLang — это высокопроизводительный фреймворк для обслуживания больших языковых моделей (LLM), специализирующийся на быстрой структурированной генерации JSON, regex и рабочих процессов агентов с использованием кэширования префиксов RadixAttention. Он обеспечивает значительно более высокую скорость вывода, особенно для задач с повторяющимися префиксами, что делает его идеальным для сложных структурированных результатов и многократных диалогов. Выбирайте SGLang вместо альтернатив, таких как vLLM, когда вам требуется ограниченное декодирование или вы создаете приложения с интенсивным совместным использованием префиксов.

Просмотреть навык