使用影响力 × 风险矩阵对假设进行优先级排序，并为每项假设推荐实验方案。适用于对假设列表进行分流、决定优先验证哪些假设，或应用假设优先级画布时使用。
From pm-product-discoverynpx claudepluginhub killvxk/pm-skills-zh --plugin pm-product-discoveryThis skill uses the workspace's default tool permissions.
Guides Next.js Cache Components and Partial Prerendering (PPR) with cacheComponents enabled. Implements 'use cache', cacheLife(), cacheTag(), revalidateTag(), static/dynamic optimization, and cache debugging.
Migrates code, prompts, and API calls from Claude Sonnet 4.0/4.5 or Opus 4.1 to Opus 4.5, updating model strings on Anthropic, AWS, GCP, Azure platforms.
Details PluginEval's skill quality evaluation: 3 layers (static, LLM judge), 10 dimensions, rubrics, formulas, anti-patterns, badges. Use to interpret scores, improve triggering, calibrate thresholds.
使用影响力 × 风险矩阵对假设进行分流，并为每项假设推荐针对性实验。
你正在帮助对 $ARGUMENTS 的假设进行优先级排序。
如果用户提供了包含假设或调研数据的文件，请先阅读。
ICE 框架非常适合假设优先级排序：影响力（Impact，机会评分 × 客户数量）× 置信度（Confidence，1–10）× 易操作性（Ease，1–10）。机会评分（Opportunity Score）= 重要性 × (1 − 满意度)，归一化至 0–1（Dan Olsen）。RICE 框架将影响力拆分为触达范围（Reach）× 影响力（Impact）两个独立因子，计算公式为：(R × I × C) / E。完整公式和模板请参考 prioritization-frameworks 技能。
用户将提供一份待排序的假设列表。应用以下框架：
对每项假设，评估两个维度：
用影响力 × 风险矩阵对每项假设分类：
对每项需要测试的假设，推荐一个满足以下条件的实验：
以优先级矩阵或表格呈现结果。
逐步思考。如果输出内容较多，保存为 markdown。