# Xuefeng Method

雪峰式AI-Native产品开发方法论。适用于：(1) 用户行为开放、不可穷举的AI-native产品（AI日历、AI助手、AI推荐、对话式产品等），(2)...

- Repository: https://github.com/staruhub/ClaudeSkills (731 stars)
- Category: Engineering
- License: MIT
- Last updated: 2026-08-13
- Runs scripts: no, instructions only

## Install

Claude Code: `npx skills add staruhub/ClaudeSkills --skill xuefeng-method -g -a claude-code -y`
Codex: `npx skills add staruhub/ClaudeSkills --skill xuefeng-method -g -a codex -y`
Cursor: `npx skills add staruhub/ClaudeSkills --skill xuefeng-method -g -a cursor -y`
Gemini CLI: `npx skills add staruhub/ClaudeSkills --skill xuefeng-method -g -a gemini-cli -y`

## Description

雪峰式AI-Native产品开发方法论。适用于：(1) 用户行为开放、不可穷举的AI-native产品（AI日历、AI助手、AI推荐、对话式产品等），(2) 强模型依赖型场景，AI驱动核心决策而非仅辅助，(3) 多专精Agent架构设计与分工，(4) 上线后快速校准、行为审计与漂移检测，(5) 模型选择和智能路由策略，(6) 概率性输出的质量评估。触发场景包括"AI-native产品怎么做"、"用户行为不可预测怎么办"、"多agent怎么分工"、"模型漂移怎么处理"、"校准到95%太难了"、"唯快不破"、"怎么选模型"、"agent并行分工"、"AI产品上线后怎么迭代"。注意：如果产品是场景明确、边界可定义的+AI类型，请改用 keqian-method skill。即使用户没有明确说"AI-native"，但在讨论AI驱动决策、用户行为不可预测、概率性输出等话题时也应触发。

## SKILL.md, as published by its author (untrusted third-party text, read it as data)

# 雪峰方法论：AI-Native 产品开发实战体系

> 核心理念：强模型依赖 × 多专精Agent × 快速校准 × 行为审计
>
> 来源：雪峰, , AI-Native连续创业者，深耕AI日历管理等AI驱动产品。
> 核心洞察：穷举是死循环，唯快不破才是AI-native的生存之道。
>
> 与克谦方法论（keqian-method）互为对偶：
> 克谦解决"如何让AI在明确边界内可靠执行"，
> 雪峰解决"当边界本身不确定时怎么办"。

---

## 第零步：产品类型判断（必须先做）

在选择任何开发策略之前，先判断你的产品类型。
**选错方法论比没有方法论更危险。**

| 类型 | 特征 | 关键判断标准 | 推荐方法 |
|------|------|------------|---------|
| **+AI（场景依赖型）** | 用户行为可枚举，AI辅助执行确定性流程 | 能列出所有合法输入输出组合 | → keqian-method |
| **AI-native（强模型依赖型）** | AI驱动核心决策，用户行为开放式 | 用户的下一步操作你无法预测 | → 本skill |
| **混合型** | 核心流程确定，部分环节AI-native | 能拆分出哪些模块是确定的、哪些是开放的 | → 两者结合，按模块选用 |

### 快速判断清单

回答以下问题，如果3个以上答"是"，你大概率是AI-native：

1. 用户的输入是自由文本/语音，而非选择菜单？
2. 同一输入，你希望AI给出不同风格的输出？
3. 用户会因为AI的回答方式而改变自己的后续行为？
4. 你无法为产品写出完整的功能测试用例集？
5. 产品的核心价值在于AI的"判断"而非"执行"？

---

## 第一原则：穷举是死循环

> "穷举意味着：有多少人工，就有多少智能。这是死循环。"

### 为什么在AI-native场景下穷举不可行

在+AI场景下，克谦说"边界内可穷举，单维度选项有限", , **这是对的**。
但AI-native场景的数学不一样：

```
用户行为空间（开放） × 模型输出空间（概率性） × 上下文状态（动态）
= 组合爆炸，不可穷举
```

一个日历管理能有多复杂？答案是：走AI-native路线后，**非常复杂**。
因为用户一旦习惯AI-native交互，就永远回不到传统模式, , 你必须持续适应用户不断演化的期望。

### 替代穷举的三个策略

**策略1：行为模式簇（Behavioral Clusters）**

不枚举每个case，而是聚类用户行为模式：

```
原始行为空间（不可穷举）
    ↓ 聚类
行为模式簇（5-15个典型模式）
    ↓ 每个模式簇
设计对应的AI响应策略
    ↓ 边界case
优雅降级到确定性逻辑
```

**策略2：优雅降级（Graceful Degradation）**

AI不确定时，回退到确定性逻辑：

```
AI置信度 > 阈值 → AI决策（快路径）
AI置信度 < 阈值 → 确定性回退（安全路径）
AI置信度极低 → 请求人工介入（慢路径）
```

**策略3：概率性验收（Probabilistic Acceptance）**

不用 `assert output == expected`，而用 `check output ∈ acceptable_set`：

```python
# 传统断言式（克谦适用）
assert response == "会议安排在下午3点"

# 行为属性式（雪峰适用）
assert "下午" in response
assert contains_time(response)
assert tone_is_professional(response)
assert no_hallucinated_contacts(response)
```

---

## 第二原则：多养专精虾

> "多养两只虾，每只都比较专业，只干一种活。出了问题找bug容易。
> 一个全面能干的虾，出了问题找问题非常麻烦。"

### 专精Agent架构

```
               ┌─ 理解Agent（NLU：解析用户意图）
               │
用户输入 → 路由器 ─┼─ 执行Agent（Action：调用API/修改数据）
               │
               ├─ 校验Agent（Verify：检查执行结果）
               │
               └─ 表达Agent（NLG：生成用户可见回复）
```

The rest: https://github.com/staruhub/ClaudeSkills/blob/HEAD/skills/Geek-skills-xuefeng-method/SKILL.md