retrospective

上线后数据复盘并滚动产出下轮迭代计划。当用户需要评估上线结果、衡量功能成功、分析上线后指标,或说"效果分析"、"上线复盘"、"衡量影响"、"表现如何"时使用;也用于规划迭代、冲刺、回顾、对待办事项排序、分配团队容量,或说"迭代规划"、"规划下一个冲刺"、"我们应该构建什么"、"待办排序"、"回顾"时激活。即使没有明确说"复盘"或"迭代规划",当用户正在评估发布结果或决定接下来做什么时也应激活。 A

SKILL.md

GitHub

Retrospective

喂数据复盘 → 直接产出下轮迭代计划。

What This Skill Does

一条验证线闭环:用户贴入指标/上线结果后,对照 PRD 目标做差距分析,产出复盘结论(达成情况、定性反馈、意外发现),然后基于复盘结论滚动产出下轮迭代计划——待办分类、RICE 排序、容量分配、跟踪指标,并把新洞察路由回感知与设计层,完成反馈闭环。

Data Policy (诚实定位)

本 skill 不接入任何实时数据源——不读数据库、不调埋点平台、不抓监控后台。所有指标数据由用户提供:你贴数据,我做分析。

  • 有数据时:走完整主线——差距分析 → 复盘结论 → 迭代计划。
  • 无数据时:不编造数字,只产出复盘框架(该收集什么数据、基线怎么定、按什么方法分析),待数据到位后再补正式复盘与迭代计划。

When to Use

Activate this skill when:

  • 用户贴了上线后的指标数据,想评估发布或功能的结果
  • Phrases like "表现如何"、"衡量影响"、"上线复盘"、"效果分析"、"did it work"
  • 对照 PRD 成功指标检查目标达成情况
  • 规划下一个冲刺/迭代,或问 "what should we build next"
  • 需要平衡新功能、缺陷和技术债务,分配团队容量
  • 回顾上一轮迭代哪些有效、哪些无效

How It Works

  1. 确认数据前提 - 有用户提供的指标数据走复盘主线;无数据则只产出复盘框架(收集清单 + 分析方法)
  2. 完整度检查 - 按证据纪律输出信息完整度清单,经用户确认
  3. 对照 PRD 目标 - 逐项差距分析(target vs actual vs baseline)
  4. 提炼复盘结论 - What worked / what didn't / surprises,标记需要验证的假设
  5. 滚动迭代计划 - 待办分类(bug/优化/新功能/技术债)→ RICE 排序 → 容量分配
  6. 闭环路由 - 新洞察路由回感知层与设计层(见 Context Integration)

Input Parameters

Parameter Type Required Description
metrics_data object Yes* 用户提供的上线后指标数据(*无数据时只产出复盘框架)
release_ref string Yes Reference to release being analyzed
prd_ref string Yes Reference to PRD with success metrics
period string No Analysis period (default: "7 days post-launch")
capacity object No Team capacity constraints (e.g., {"points": 20, "weeks": 2})
debt_ratio number No Percentage allocation for tech debt (default: 20%)

Evidence Discipline (证据纪律)

  1. 缺失信息标记【待确认】:任何无法从输入或上下文获得的信息,标记为【待确认】,不得脑补填默认值。
  2. 证据追溯【未验证】:用户需求/市场断言必须追问证据来源;无证据的标记为【未验证】并注明所需验证方式。
  3. 完整度检查门:正式输出交付物前,先输出信息完整度清单(已确认 ✅ / 待确认 ⚠️ / 未验证 ❓),经用户确认后才生成正文。
  4. 可追溯:正式输出中的关键结论必须能追溯到以下来源之一:已确认的用户输入、引用的证据(含 URL)、或用户的显式决策;无法追溯的结论视为脑补,删除或改标【待确认】。

Output Structure

The skill generates four outputs:

  1. docs/product/.ompm/impact-analysis.json - 结构化复盘结果(契约文件名,不变)
  2. docs/product/.ompm/iteration-plan.json - 结构化迭代计划(契约文件名,不变)
  3. 复盘 + 迭代计划报告 (docs/product/retrospectives/[release]-[date].md) - 完整人类可读交付物
  4. A/B 验证方案 - 针对复盘中待验证假设的实验设计(无待验证假设时可省略)

Impact Analysis JSON Format

{
  "status": "success | mixed | below_expectations",
  "goal_achievement": {
    "activation_rate": {"target": "40%", "actual": "52%", "status": "exceeded"},
    "retention_day7": {"target": "60%", "actual": "58%", "status": "slightly_below"}
  },
  "metrics": {
    "dau": {"before": 1000, "after": 1200, "change": "+20%"},
    "error_rate": {"before": "0.8%", "after": "0.5%", "change": "-37.5%"}
  },
  "recommendations": [
    "Improve feature discovery with in-app tutorial",
    "A/B test onboarding approaches"
  ]
}

Iteration Plan JSON Format

{
  "iteration_id": "sprint-13",
  "previous_iteration": "sprint-12",
  "created_at": "2026-03-11T...",
  "planned_items": [
    {
      "id": "ITEM-001",
      "type": "bug",
      "title": "Fix login page crash",
      "priority_score": 80,
      "estimated_effort": "3pts",
      "source": "feedback",
      "rice_score": {"reach": 100, "impact": 8, "confidence": 0.8, "effort": 3}
    }
  ],
  "capacity_allocation": {
    "features": "60%",
    "bugs": "20%",
    "tech_debt": "20%"
  },
  "metrics_to_track": ["DAU", "conversion_rate", "NPS"],
  "next_steps": ["1. Run iteration planning meeting", "2. Update roadmap"]
}

复盘 + 迭代计划报告模板

# Retrospective: [Release Name] → [Next Iteration] Plan

## Overview
- **Release Version**: [Version]
- **Launch Date**: [Date]
- **Analysis Period**: [Start] - [End] (X days post-launch)
- **Status**: 🟢 Success / 🟡 Mixed / 🔴 Below Expectations

## 信息完整度清单
- ✅ 已确认: [PRD 目标、基线数据...]
- ⚠️ 待确认: [缺失的数据口径、时间窗...]
- ❓ 未验证: [无证据的断言及所需验证方式...]

## Goal Achievement

| Metric | Target | Actual | Achievement | Status |
|:-------|:-------|:-------|:------------|:-------|
| Activation Rate | 40% | 52% | +12 pts | ✅ Exceeded |
| Retention (Day 7) | 60% | 58% | -2 pts | ⚠️ Slightly Below |

**Overall**: X of Y primary goals achieved

## Metric Analysis

| Metric | Before | After | Change | Significance |
|:-------|:------|:------|:-------|:-------------|
| DAU | 1,000 | 1,200 | +20% | ✅ Significant |
| Error Rate | 0.8% | 0.5% | -37.5% | ✅ Improved |

### User Segments

| Segment | Adoption | Satisfaction | Retention |
|:--------|:--------|:-------------|:----------|
| New Users | 45% | 4.5/5 | 62% |

## Qualitative Feedback (from feedback-synthesis)
- **Positive themes**: [ease of use, time savings...]
- **Negative themes**: [discovery, learning curve...]

## Surprises & Anomalies

| Finding | Description | Impact |
|:--------|:------------|:-------|
| Unexpected use case | Users using for [purpose] | Consider supporting |

## 复盘结论

### What Went Well
- ✅ [Performance targets met...]

### What Could Be Improved
- ⚠️ [Feature discovery needs work...]

### 待验证假设
- [需要从复盘发现中进一步验证的假设] → 见 A/B 验证方案

## 已否决方向回顾

对照 `docs/product/.ompm/current-workflow.json` 的 `rejected_directions`,结合上线数据验证当初的否决是否正确(无记录时本节省略):

| 已否决方向 | 当初否决理由 | 上线数据验证 | 结论 | 后续动作 |
|:-----------|:-------------|:-------------|:-----|:---------|
| [方向] | [理由] | [相关数据表现] | ✅ 否决正确 / ❌ 否决有误 | 正确 → 沉淀为经验;有误 → 转入下轮 backlog 候选 |

## 下轮迭代计划

### Capacity Allocation
| Category | Allocation | Points | Items |
|:---------|:-----------|:-------|:------|
| New Features | 60% | 12 | 3 |
| Bug Fixes | 20% | 4 | 5 |
| Tech Debt | 20% | 4 | 2 |

### Iteration Backlog
#### P0 (Must Complete)
- [ITEM-001] Fix login page crash (3pts) - Bug

#### P1 (Should Complete)
- [ITEM-002] Add bulk export feature (5pts) - Feature

#### P2 (Nice to Have)
- [ITEM-003] Refactor auth module (4pts) - Tech Debt

## Metrics to Track
1. DAU - Daily active users
2. Conversion Rate - Core funnel conversion

## Next Steps
1. [ ] Run iteration planning meeting
2. [ ] Update product roadmap

A/B 验证方案模板

针对复盘结论中【待确认】/【未验证】的假设,产出实验设计:

## A/B 验证方案: [待验证假设名称]

### 假设 (Hypothesis)
- **背景**: [复盘结论中需要验证的发现]
- **假设**: 我们相信 [改动] 会让 [目标用户] 的 [行为/指标] 发生 [预期变化]
- **依据**: [来自复盘的证据,标注 ✅/⚠️/❓]

### 指标 (Metrics)
| 指标 | 类型 | 当前基线 | 预期变化 |
|:-----|:-----|:---------|:---------|
| [主指标,如激活率] | 北极星 | [基线值] | [+X pts] |
| [护栏指标,如错误率] | 护栏 | [基线值] | 不劣化 |

### 样本与周期 (Sample & Duration)
- **分流方式**: [50/50 或按用户分层]
- **样本量**: [每组最小样本量,或【待确认】]
- **实验周期**: [起止时间,至少覆盖一个完整业务周期]
- **生效条件**: [覆盖哪些用户/平台]

### 判定标准 (Decision Criteria)
| 结果 | 判定 | 后续动作 |
|:-----|:-----|:---------|
| 主指标 ≥ 预期,护栏不劣化 | 验证通过 ✅ | 全量发布 |
| 主指标不显著 | 无法判定 ⚠️ | 延长周期或调整方案 |
| 主指标下降或护栏劣化 | 验证失败 ❌ | 回滚,结论回喂复盘 |

复盘框架模板(无数据时的降级输出)

# 复盘框架: [Release Name]

## 该收集什么数据
| 数据项 | 来源 | 用途 |
|:-------|:-----|:-----|
| [核心指标上线前后值] | [埋点/BI 平台] | 差距分析 |
| [PRD 成功指标实际值] | [数据看板] | 目标达成判定 |
| [用户反馈] | [客服/应用商店/访谈] | 定性分析 |

## 基线怎么定
- [上线前 7/30 天均值,或历史同期]

## 怎么分析
1. 对照 PRD 目标逐项判定达成情况
2. 按用户分层(新客/老客/渠道)看差异
3. 结合定性反馈解释数字背后的原因

Analysis Frameworks

Goal-Based Analysis

Compare actuals to targets defined in PRD:

Goal Type Example Success Criteria
Acquisition New signups Did we acquire target users?
Engagement DAU, session length Are users engaging more?
Retention Day-7, Day-30 Are users staying?
Revenue ARPU, MRR Did we drive business value?
Satisfaction NPS, CSAT Are users happy?

Cohort Analysis

Track performance by user cohort:

Cohort Definition Key Metric
Acquired Pre Users before launch Baseline comparison
Acquired Post Users after launch Feature impact
Early Adopters First week adopters Engagement patterns
Late Adopters Later adopters Barriers to adoption

RICE Prioritization

RICE = (Reach × Impact × Confidence) / Effort

- Reach: Number of users affected (0-100+)
- Impact: Impact per user (0.25-3)
- Confidence: Estimate certainty (%)
- Effort: Work required (person-months)

Example: (100 × 1 × 0.8) / 3 = 26.7

Work Item Types

Type Symbol Prioritization Typical Allocation
Bug 🐛 Severity × Impact 20%
Enhancement ⚡ RICE score 40%
Feature ✨ RICE score 30%
Tech Debt 🔧 Impact × Risk 10%

Quality Standards

Before delivering, ensure:

  • 复盘只使用用户提供的数据,不编造指标;无数据时明确降级为复盘框架
  • Compares to appropriate baseline — relative change matters more than absolute
  • 同时呈现正面与负面发现,结论可追溯到证据
  • 每个待验证假设要么有 A/B 验证方案,要么标注所需验证方式
  • 迭代计划总工作量在团队容量内,各项有优先级分数
  • 指定本轮跟踪指标,并标明新洞察的闭环路由去向

Context Integration

Reads:

  • docs/product/prd/*.md - PRD 成功指标与目标(差距分析基准)
  • docs/product/.ompm/feedback-synthesis.json - 用户反馈定性输入
  • 用户直接提供的指标数据(本 skill 不主动采集)

Writes:

  • docs/product/.ompm/impact-analysis.json - 结构化复盘结果
  • docs/product/.ompm/iteration-plan.json - 结构化迭代计划
  • docs/product/retrospectives/[release]-[date].md - 完整复盘 + 迭代计划报告

Feedback Loop:

  • 发现新用户痛点/市场信号 → Suggests activating market-research
  • 目标连续未达成,需要调整定位与策略 → Suggests activating product-strategy
  • 验证失败或需求变更 → Suggests activating prd-gen for redesign

Example Usage

User: "新手上线上线两周了,这是数据:激活率 52%、7 日留存 58%……帮我看看表现如何"
→ 对照 PRD 目标做差距分析,产出复盘结论 + 下轮迭代计划

User: "这个版本表现如何?"(未提供数据)
→ 产出复盘框架:该收集什么数据、基线怎么定、怎么分析

User: "What should we work on in Sprint 13?"
→ 基于复盘结论分类、RICE 排序、容量分配,生成迭代计划

User: "用户说找不到新功能入口,这值得做吗?"
→ 标记【未验证】,产出 A/B 验证方案(假设/指标/样本周期/判定标准)

Best Practices

  1. 数据先行 - 没有用户提供的数据就不下结论,先给复盘框架
  2. 等数据稳定再复盘 - Don't analyze too early (7 days minimum)
  3. 看分层,不只看均值 - Segment by user type, geography, etc.
  4. 定量 + 定性 - Metrics + feedback = insights
  5. 每个发现都要有着落 - 进迭代 backlog、进 A/B 验证方案,或明确闭环路由去向

Execution Profile (执行建议)

  • 模型建议:标准(sonnet 级)——宿主支持多模型/子代理时按此分配;单模型宿主忽略
  • 工具姿态:读写(无需联网,指标数据由用户提供)——遵循最小权限
  • 记忆文件:docs/product/.ompm/memory/retrospective.md——跨会话积累经验(优质信源、领域基线、分析框架);执行开始时读取、结束时更新;文件不存在则新建
  • Claude Code 增强:本 profile 在该宿主由 impact-analyst subagent 以隔离上下文实现

下一步

本 skill 完成后,如果用户没有明确下一步,引导用户使用 ompm skill 做意图路由——它会读取本轮产出和当前状态,判断最有价值的下一步。不要替用户预设固定长链;output-to 声明的是数据流向,不是强制路径。