定义开发一个「目标定义与分解」Skill（GoalForge）

做研发管理的人，几乎每年都要面对同一道题：把一个大目标，拆成能落地的、可考核的小目标。但这件事，绝大多数团队都干得"凭感觉"：

目标说不清——领导说"今年要提升产品质量"，可"质量"到底怎么度量？是缺陷数、缺陷密度、还是客户投诉量？没人说得清，最后只好写一句"持续提升质量"了事。

拆分凭感觉——知道该拆，但从哪个维度拆？按功能、按模块、按过程？拆到哪一层算够？往往拍脑袋列几条，跟最终能不能达成毫无关系。

概率拍脑袋——目标值定1000还是1200，全凭胆量。问"这个目标达成可能性多大"，答案永远是"应该没问题吧"。

这三个"说不清"，本质是同一件事：目标管理缺一套从定义到拆分到评估的结构化方法。而这件事恰恰是高度结构化的——目标有SMART五要素、拆分有"过程→度量元→因子"的层次、概率有分布模型。这正是Skill（可复用的智能工作流）该接手的活。

动手前，我把需求收敛成几条硬约束：

关键决策：不做"大模型直接听完需求就丢一段文字"的黑盒，而是用人机对话引导走完整流程——AI负责提问、判断、计算，脚本负责把结果渲染成树图和Word报告。能力边界清晰，结果可复现。

GoalForge对外是一套对话式引导流程，用户只需跟着问题一步步回答。

步骤1·SMART定义目标：从"您想定义的目标是什么"开始，逐项问清五要素。最特别的是A（目标值合理性）：不是拍脑袋给结论，而是问历史数据区间和分布类型，算出达成概率——正态分布用均值μ和标准差σ算累积分布函数；非正态分布用对称三角分布近似。概率≥75%判「高」、50%~75%判「中」、<50%判「低」。

步骤2·分层拆分：这是本Skill最关键的差异化设计。很多目标拆分工具直接跳到"影响因素"，跳过了中间一层"过程度量元"。GoalForge严格按三层拆：目标→过程→过程度量元（作为子目标）→影响因子（人机料法环）。先找影响目标的过程，再问"这个过程的哪个输出影响目标"，把它变成可度量的子目标，最后才用人机料法环拆到可量化的因子。

步骤3·因子分类：每个因子问一句"属于哪一类"：可控数据→可控因子；不可控已知数据→不可控因子；还能继续拆→目标（进入下一轮SMART定义）。

步骤4·路由+自动出报告：所有节点分类完成后，自动生成Word报告，包含彩色目标分解树（目标=蓝、可控因子=绿、不可控因子=橙）、因子汇总表、每个目标的详细定义。

整个Skill是一套"JSON中间表示"驱动的管线。对话流程结束时，把所有目标、分解树、描述序列化成一份report.json，两个脚本读它出结果：render_tree.py生成彩色目标分解树PNG（matplotlib实测文字宽度，框永不溢出），generate_report.py调render_tree出树图+python-docx生成Word报告。

一次真实对话里，用户提了两个目标：单位规模开发成本≤1200元/FP和交付后缺陷逃逸率≤1%。目标1用三角分布算达成概率约32%，判「低」，当场提醒用户目标低于历史众数，达成有压力。目标2三角分布算出P(≤1%)≈2%，如实判「低」。两个目标最终产出17个节点，一键生成带彩色树图的Word报告。

目标管理的价值，不在于"定一个漂亮的目标"，而在于"把目标背后的达成逻辑，用一份可复现的结构讲清楚"。这个Skill已经发布在SkillHub上，欢迎安装试用。