女娲补天 Skill 价值分析：一个期末突击工作流的产品视角复盘

本文从用户与产品经理两个视角，评估一个名为「女娲补天」（nuwa-mends-the-sky）的 AI Skill 的产品价值。该 skill 面向大学生期末突击复习，把课件、讲义、题库、往年题等混乱资料整理成可复习、可自测、可迭代的 Markdown 笔记库。

一句话定位

把「资料一堆、时间不多、不知道从哪开始背」的期末突击场景，变成一条有纪律的半自动复习流水线——不是押题机，也不是万能学习助手。

站在用户角度：它解决了什么真实痛点

目标用户是期末周的大学生。这个场景的核心痛点不是「没有资料」，而是：

1. 资料混乱 — 一个文件夹里混着 5 门课的 PPT、题库、往年题，光整理就想放弃。
2. 不知道重点 — AI 默认会「均匀地总结一切」，但突击复习需要的是帕累托式的取舍。
3. 假性掌握 — 看懂了笔记 ≠ 能做对题。普通 AI 聊天给完总结就结束，没有「检验我到底会不会」的闭环。
4. AI 过度自信 — 普通 AI 会一本正经地编造「必考点」、自评「你已掌握」，用户被误导后考场上才发现踩坑。

这个 skill 对每一点的回应都很精准：

痛点	Skill 的机制	用户得到的体验
资料乱	按课程真实建文件夹归档，低置信文件进 to-confirm/	打开目录就能开始复习，不用自己整理
不知轻重	先问考试时间 → 7天/3天/24小时模式，压缩策略随时间变化	时间越少，输出越聚焦，不会拿到一份「百科全书」
假性掌握	出题→闭卷回答→自评 know/partial/don't know→追问定位薄弱层	复习从「看」变成「检索练习」，这是记忆科学里最有效的环节
AI 过度自信	证据分级（老师资料 > 真题 > 学校开源库 > 通用 GitHub）、薄弱证据时明说、不承诺「押题」、熔断机制	能信任它的输出边界，焦虑感下降

几个特别好的设计

• 「一门课一门课处理」 — 防止 AI 一次性吐出五门课的半成品，每份都浅尝辄止。
• 专题卡而非索引 — 每张卡回答「背什么 / 怎么做 / 易错点 / 怎么自测」，拿起来就能用。这是与「AI 帮我总结一下」的本质区别。
• 学校定向 GitHub 题库搜索 — 抓住了「本校往年题」这个最高价值的外部信息源，且要求校名+课程+年份多重匹配才采信，避免张冠李戴。
• 三连 don't know 熔断 — 防止用户在挫败感中被继续轰炸，回到笔记重建。这体现了对学习情绪的理解。

用户侧的潜在短板

• 自评有元认知偏差 — 学生自评 know 经常不准（高估），skill 只说自评标签是辅助而非判决，但没有针对「自评对但实际不会」的机制（如隔天重测）。
• 主观题无能为力 — skill 自己承认无法判断文科答案得分，理工科强、文科弱。
• 依赖材料质量 — 如果学生只有课本没有真题，价值大打折扣（skill 会诚实降级，但用户体验上「感觉没那么灵」）。

站在产品经理角度：这个 skill 做对了什么

1. 场景窄、切入点准

它没有做「AI 学习助手」这种大而空的产品，而是锁定了期末突击这个时间盒极短、痛点极尖锐的场景。用户在焦虑峰值时使用意愿最高——这是典型的「高痛感窄场景」打法。

2. 护城河是「纪律」而非「能力」

底层模型人人都有，这个 skill 的差异化在于把教育学最佳实践编码成了规则：证据分级、单课程聚焦、熔断、保守的掌握度语言。README 里的理论对照表（测试效应、双编码、认知负荷）说明这不是拍脑袋，是方法论产品化。这些规则恰恰是裸用 AI 最缺失的。

3. 诚实作为产品原则

「不保证押中」「不做自动判分」「薄弱证据要明说」——看起来是减分项，实际是信任资产。教育产品一次误导（说「这是必考」结果没考）足以失去用户。这个 skill 把「可信边界」设计进了 prompt 层。

4. 有工程产品思维

• File mode / Chat mode 双模式适配不同运行环境；
• 增量更新规则（新材料来了不全量重建）；
• 文件结构约定（index.md + 少量专题卡），保证跨会话可复用——笔记库变成用户资产，形成留存。

PM 视角的隐患与建议

问题	分析	建议
冷启动门槛高	要求用户必须提供真实材料，很多用户第一句话就是「帮我复习高数」	设计「无材料模式」的引导路径（如教材版本+大纲拍照），而不是直接劝退
激活摩擦	使用示例要求说清学校、日期、课程优先级——最焦虑的学生恰恰说不清	用追问代替要求：检测到多课程文件夹时主动问「先处理哪门？考试哪天？」
留存钩子弱	靠 Markdown 文件复用，换电脑/换工具就断了	若产品化，考虑笔记库云端化或导出到 Anki/Notion 的出口
效果无法量化	自评数据不落盘，无法回答「这个 skill 帮我提了几分」	让自评标签写入错因档案，形成可追踪的弱项画像
验证风险	学校 GitHub 题库搜索依赖资源存量，长尾学校命中率为零	命中失败时做好预期管理
范围蔓延诱惑	SKILL.md 已 550 行规则，继续加功能会稀释焦点	V2 优先做深（真实提分效果），而非做宽（周复习、考研等场景）

总结

• 用户价值：把「对着一堆资料发呆」变成「有结构、可自测、能迭代」的复习系统。核心价值不在生成内容，而在纪律 + 诚实 + 复习闭环——这是裸用 AI 聊天得不到的。
• 产品价值：一个窄场景、高痛感、以方法论为护城河的 skill。诚实原则和文件资产化是它最聪明的两个设计。
• 最大风险：冷启动门槛和效果不可量化。下一步最值得做的不是加功能，而是让「薄弱点画像」沉淀下来——那才是让用户考完一次还想用第二次的理由。