技能定价官（Skill Pricing Officer）

这个技能解决什么

"买断还是订阅"靠拍脑袋会算错账。本技能把定价决策拆成三段确定性计算，
输出一份可审计的定价决策书 —— 每个数字都能回答"凭什么"。

它不是查报价的工具。 它是做定价决策的工具。

触发场景

不适用：纯资产估值/股票定价（用 valuation-framework）；
纯成本预算审批（用 llm-approval-gate）。

执行流程

第 0 步：先采集这 8 个数（缺哪个就用合理默认值并显式声明）

必问的三个布尔量（决定结论方向，别猜）：
- data_local_required —— 数据是否必须本地化/合规归属？（买断的唯一硬理由）
- depends_on_fast_model_iteration —— 是否依赖底层模型/API 快速迭代？（买断的否决项）
- buyer_pays_maintenance —— 买断后买家是否还要年付维护费？（天花板腰斩的分水岭）

第 1-3 步：跑引擎

python scripts/pricing_engine.py --spec <输入.json> --md <输出.md> --out <输出.json>
python scripts/pricing_engine.py --demo            # 看三个预置案例长什么样

引擎输出三段：

• Stage 1 模式筛选 —— 4 模式 buyout / subscription / usage / hybrid 逐条打分 + 理由
• Stage 2 价格定位 —— 单次/包月/包年区间 + 心理锚点 + 价值反推带
• Stage 3 账本测算 —— 买断天花板1)/2)、地板、五年净收益表、停止增长压力测试

第 4 步：按结论交付

• 置信度 高 -> 直接给结论 + 决策书
• 置信度 中（规则与账本分歧）-> 以账本为准，用规则分数解释"为什么"，并说明分歧点
• 置信度 低 -> 建议做 2-4 周 A/B 双轨实测，并给出实测方案

V2 新增能力（WTP 采集 + 平台比价）

V1 只能算「应该收多少」（供给侧）。V2 补上「用户愿意付多少」（需求侧）与「市场在卖多少」（实盘锚点）。

V2-A · WTP 支付意愿采集（wtp_module.py）

来源两本已核实原书：Monetizing Innovation（先定价再开发 / 三档价格问法）+ The Mom Test（三大规则 / 承诺四币种）。
本模块已纠正两个常见杜撰：Monetizing Innovation 里没有"货币化飞轮/happy-sad"；The Mom Test 的"承诺≠意见"不是三大规则之一，也没有"30 秒测试"。

# 生成可直接用的访谈提纲（中文，带原书英文引用与避坑对照）
python scripts/wtp_module.py --script --type tool
python scripts/wtp_module.py --script --type pro --b2b          # B2B 含预算归属追问

# 对一组访谈应答评分 -> WTP 点估计 + 建议区间 + 置信度 + 花费交叉校验
python scripts/wtp_module.py --score examples/wtp-responses-sample.json

访谈记录结构（写进 JSON 的 responses 数组）：

{"acceptable": 9.9, "expensive": 19.9, "prohibitive": 39.0,
 "current_spend": 0, "commitment": "none|time|reputation|cash", "notes": "..."}

• 三档价格必须递增，否则报错；commitment 非法值报错（不静默乱算）。
• expensive 中位超过 current_spend 中位 x3 -> 花费交叉校验报警（Mom Test：没真付过钱不可信）。
• 把输出的 recommended_range 作为引擎 unit_range 的实测替代。

V2-B · 平台真实比价锚定（price_compare.py + scrape_skillpay.py + 引擎 --prices）

消费从平台抓取到的各技能真实报价，回答「我的定价偏高还是偏低」。

先采集数据（scrape_skillpay.py，三条可复跑路径）：

# 路径 1（推荐）：WebFetch 读页面 -> 结构化 JSON 数组 -> 采集器归一化
python scripts/scrape_skillpay.py --json webfetch_output.json --out examples/my-benchmark.json
# 路径 2：页面散文/HTML 存 .txt，正则抽 「名」¥价 + 买断/订阅
python scripts/scrape_skillpay.py --text pasted_page.txt --out examples/my-benchmark.json
# 路径 3：直接抓 URL（SkillPay 静态 HTML 无价格，脚本会提示改用上面两条）
python scripts/scrape_skillpay.py --fetch https://skillpay.alipay.com/public/<商户> --out examples/my-benchmark.json

> 实测（2026-09-16）：SkillPay 落地页公开、无需登录，但 JS 动态渲染（原始 HTML 0 个价格标记）
> 且无结构化 list API。它是 agent-oriented 页面——列表本就是给 Agent 读的散文，
> 所以"用 Agent 读页面抽价格"正是它预期的消费方式。已内置真实快照
> examples/real-platform-prices-skillpay.json（28 条，抓于落地页 + /public/kongdegao）。

再做比价：

python scripts/price_compare.py --load examples/real-platform-prices-skillpay.json --summarize
python scripts/price_compare.py --load examples/real-platform-prices-skillpay.json --benchmark \
    --type tool --model per_use --price 9.9

# 直接并进主引擎：spec 里加 competitor_prices_path + price_model + candidate_price
python scripts/pricing_engine.py --spec <输入.json> \
    --prices examples/real-platform-prices-skillpay.json --out report.json --md report.md

必守纪律（否则得出苹果比橘子的荒谬结论）：
- spec 必须标 price_model 且 candidate_price 对齐该模型单价（如按量就填单次价，别填包年价）。
- 模块按 (type, model) 精确分组；精确组 <3 条才回退 type 级并显式标注"跨计价模式混合，仅方向参考"。
- 报分位不报均值；市场中位覆盖引擎的"竞品心理锚点"，决策书「二·乙」节给出分位与定位诊断。
- 订阅价先归一化成月度等价（/季度 /3、/年 /12）再入表。

V2-C · 平台费率与结算（resolve_fee()，关闭"最大数字空洞"）

已核实（依据「AI按量付费」协议收费页，2026-09-16）：

• 按量 1%：服务费=交易金额x费率，按日汇总结算；有效期至 2026-12-31；阶段性活动可能更低，以账单为准。
• 同页：结算方式=实时（T+0）· 退费=不可退费 · 费用对象=业务发起方。
• 默认即为上表口径，无需任何设置；平台费率调整时用 spec 的 fee_buyout/fee_subscription/fee_usage 覆盖。
• 账本净额公式：净额 = 毛收入 x (1 - 费率) - 维护成本；报告显式披露费率口径与置信度。
• [!] 合规红线：支付宝协议禁止用脚本/爬虫批量获取其网站数据 -> 采集仅供低频个人参考，勿做定时高频抓取。

必须遵守的红线纪律

1. 数字必须标来源层级

【实测】/【公式推导】/【启发式】/【待核验】四档，禁止把启发式当事实报。
市场数字超过 12 个月必须重新核验。

2. 禁止复述"买断价 = 3-5 年订阅价"而不加边界条件

这条口诀只在买家后续不再付费时成立，且是名义值。
- 按现值口径（r=8%）：真实系数 2.1 - 4.0 倍，取决于留存率
- 若买断后买家还要年付 15-20% 维护费，天花板只剩 CPV 的 60-67%（约 1.5-2.5 倍年订阅）

必须主动说出这个分水岭，否则就是在误导用户高估买断价。

3. 口径必须写清楚，不许隐去假设

账本里的留存率、折现率、增长率、维护成本口径，必须在报告里明写。
用户有权知道每个数字建立在什么假设上。

4. 不确定就说不确定

平台抽成比例、结算周期、退款规则等公开资料未披露的项，
标注【待核验】并明确告知"必须到平台后台/合同确认"。

5. 不与"低价=高转化"的直觉同流

【实测】¥1.99 的转化率低于 ¥9.90。低于心理阈值会被判定为不可信。
PSYCH_ANCHORS 已编码此规则，不要绕过它给用户建议 ¥1.99 这种价。

文件索引

skill-pricing-officer/
|-- SKILL.md                          <- 本文件
|-- scripts/
|   |-- pricing_engine.py             <- 三段流水线引擎（纯函数、零依赖、可单测）
|   |-- wtp_module.py                 <- V2-A：WTP 访谈脚本生成 + 应答评分
|   |-- price_compare.py              <- V2-B：平台抓取报价 -> 分组分布/分位/定位诊断
|   |-- scrape_skillpay.py            <- V2-B：采集器（--json/--text/--fetch 三路径）-> 归一化入表
|   |-- render_html.py                <- 浅色底 HTML 决策书渲染器（含比价卡片 + 费率块）
|   |-- test_engine.py                <- V1 回归测试（守住已修过的坑）
|   `-- test_v2.py                    <- V2 回归测试（全绿）
|-- references/
|   |-- pricing-models.md             <- 7 种定价模式 + 完整公式推导 + 决策矩阵
|   |-- market-benchmarks.md          <- SkillPay/五层漏斗/买断成本 真实数据（带出处）
|   |-- tunnel-and-billing.md         <- 无公网方案 + 平台费率（含 1%/0% 误传纠正）+ 决策树
|   |-- wtp-interview.md              <- V2-A 知识底座：两本书方法论 + 访谈纪律
|   `-- price-benchmark-scraping.md   <- V2-B 知识底座：SkillPay 抓取实况/数据结构/费率/纪律
`-- examples/
    |-- spec-template.json            <- 输入模板
    |-- real-platform-prices-skillpay.json <- 【真实快照】SkillPay 28 条报价（2026-09-16）
    |-- platform-prices-sample.json   <- V2-B 比价样例数据（也是抓取模板）
    |-- wtp-responses-sample.json     <- V2-A 应答样例（也是记录模板）
    |-- wtp-interview-tool.md         <- 工具型访谈提纲（可直接用）
    `-- wtp-interview-pro-b2b.md      <- 专业/B2B 型访谈提纲（可直接用）

三个能直接用的预置案例（--demo）

> 案例 A 的关键验证：订阅 NPV ¥352,497 与买断 NPV ¥344,969 几乎相等
> —— 这是定价公式算对了的标志，不是巧合。

一句话结论模板

> 定价不是拍脑袋 —— 买断价的上限是订阅流的现值（不是 3-5 倍名义值），
> 还要按"买断后是否继续收维护费"腰斩一次；
> 按量收费让平台（SkillPay）替你扛计量与收款；
> 无公网用 Cloudflare Tunnel 解决（注意 Quick Tunnel 有 200 并发上限且不支持 SSE）。

版权、署名与许可

• 本 skill 由「Helen & WorkBuddy」创作，采用 MIT 许可：可免费使用与二次分享，转载请注明出处。
• 方法论溯源（仅保留方法名与观点，未包含任何原文摘录）：
• 买断/订阅/按量的定价模式与财务公式，整理自公开的 SaaS 定价实践与平台公开资料；
• WTP 访谈方法论参考 Monetizing Innovation（Madhavan Ramanujam & Georg Tacke）与
  The Mom Test（Rob Fitzpatrick）的思想与方法名，未引用任何原文段落。
• 市场基准数据均带来源与时间戳，出处见 references/market-benchmarks.md。
• 平台费率为公开协议口径（个人开发者：买断 0% / 订阅 0% / 按量 1%），如平台调整请以账单为准。