影子用户吐槽机

它解决什么问题

一人公司的产品失败，多数不是因为技术不行，而是离用户太近：朋友的反馈是过滤过的，AI 的默认回答是讨好的，自己看自己的产品永远像亲生孩子。真正缺失的是陌生人第一眼的真实反应。

随手让 LLM 评价产品，得到的是 RLHF 训练出来的标准答案——没有立场、没有情绪、强行给建议。这个 Skill 用五个固定人设 + 硬约束补上这个缺口：

• 技术小白阿姨：会用微信和淘宝，关心要不要钱、跟自己有什么关系
• 资深工程师：十年大厂后端，专拆 ChatGPT 套壳和术语堆砌
• 科技媒体编辑：一天看一百个产品，关心能不能取出标题
• 早期投资人：看过五百份 deck，关心天花板、moat、是不是外包包装
• 竞品 PM：知道这个赛道所有的坑和死掉的前辈

它怎么工作

输入接受产品 URL、README、截图或一句话 pitch。超过 800 字的长文档要先提炼——五个人设按读者 30 秒耐心的标准来评。

输出有一组不可妥协的约束：禁止任何建议性措辞（出现「建议优化」「不妨试试」就重写）、禁止「虽然 X 但 Y」式平衡句、必须第一人称、每段吐槽至少引用一处用户提供的具体素材、五个人称语气必须显著不同。最后还有一段共同盲点总结：五段吐槽各自独立，只有合并起来才能回答「他们骂的是不是同一件事」。

适用边界

这个 Skill 不是产品评审的替代品。用户请求功能开发、代码 review 或技术建议时不要触发；用户已经知道问题、只是来求安慰时也别伤害。它的护城河是纯 prompt 工程：人设差异化、约束强度和自检重写需要反复调试。另外它有诚实底线——素材真的没什么可骂时，不假装挑毛病。