Pm Copilot

PM副驾驶

一个MCP服务器，对客户支持票和功能请求进行三角测量，以帮助项目经理决定下一步要构建什么。

   ](#)

______________________________________________________________________

实际结果： 在55秒内分析了3个产品的2370个信号（2136个支持票+234个功能请求）。确定了16个主题，15个趋同主题。首要任务：预订和日程安排（得分：134.6）——629张票+77个功能请求指向同一问题。

阅读完整故事： 我构建了一个MCP服务器，改变了我对产品的优先级排序方式 --我为什么构建这个，收敛信号在实践中是如何工作的，以及我在使用Claude Code构建时学到了什么。

______________________________________________________________________

是什么让这与众不同

• 信号三角测量 --不仅仅是数据访问。将支持票与功能请求进行匹配，以找到收敛主题，然后用加权公式对其进行评分，使收敛信号的优先级提高2倍。
• 可组合性 --设计用于工作 *随着* 其他MCP服务器。将Metabase的流失数据或Google Analytics的流量趋势传递给 generate_product_plan 通过 kpi_context，并且该方法相应地调整优先级。
• 内置PM方法 --基于9种产品和100多万用户7年实际产品管理经验的观点评分。不是一个通用的框架，而是一个作为MCP资源公开的实际决策过程。
• PII清洗 --客户数据从未未经过滤就到达LLM。在分析之前，SSN、信用卡（Luhn验证）、电子邮件和电话号码都会被编辑。代理响应从引号中过滤出来。

建筑

graph TD
    A[Claude Desktop / Code] -->|stdio| B[pm-copilot]
    A -->|stdio| C[Metabase MCP]
    A -->|stdio| D[Google Analytics MCP]
    B -->|Qualitative| E[HelpScout: tickets]
    B -->|Qualitative| F[ProductLift: feature requests]
    C -->|Quantitative| G[Conversion, Churn, Revenue]
    D -->|Acquisition| H[Traffic, Channels, Trends]
    B -.->|kpi_context| A

Claude协调多个MCP服务器。PM Copilot处理定性客户信号。其他服务器提供定量的业务指标。这 kpi_context 参数是集成点，不需要点对点集成。

快速开始

git clone https://github.com/dkships/pm-copilot.git
cd pm-copilot
npm install
cp .env.example .env   # Edit with your credentials
npm run build

克劳德桌面版

添加 ~/Library/Application Support/Claude/claude_desktop_config.json:

{
  "mcpServers": {
    "pm-copilot": {
      "command": "node",
      "args": ["/absolute/path/to/pm-copilot/dist/index.js"]
    }
  }
}

克劳德代码

claude mcp add pm-copilot -- node /absolute/path/to/pm-copilot/dist/index.js

或者使用 .mcp.json 已经在项目根目录中，Claude Code会自动拾取它。

工具

synthesize_feedback

交叉引用HelpScout门票和ProductLift功能请求，返回主题匹配分析和优先级分数。

返回按优先级分数排序的主题，每个主题都有反应/主动计数、收敛标志、证据摘要和代表性客户报价。

generate_product_plan

根据证据和客户报价制定优先产品计划。通过以下方式接受外部业务指标 kpi_context.

get_feature_requests

直接访问原始ProductLift数据以浏览功能请求。

行动中的可组合性

PM Copilot旨在与其他MCP服务器协同工作。以下是一个示例，展示了如何 kpi_context override会更改排名。数字是说明性的。

第一步：总理只问一个问题

提取我们的客户流失和预订完成数据，然后使用pm副驾驶根据所有这些背景创建产品计划。

步骤2:pm副驾驶分析信号并返回最高优先级

步骤3：仪表板中的业务指标作为 kpi_context

Product A: booking completion rate dropped from 74% to 66% over last
30 days. Monthly churn increased from 3.1% to 4.2%. Organic traffic
up 22% MoM. Product B: document completion rate steady at 81%.
Churn flat at 2.8%.

第四步：克劳德综合两者，并重写公式

分数显示账单和付款排名第一。但该方法论称 *搅动数据会覆盖公式*随着产品A的预订完成率下降8分，客户流失率飙升35%， 预订和日程安排成为现实#1 --这是核心产品的突破。

产品B优先级降低（指标稳定，无火灾）。产品A 22%的有机流量增长提升了白标和品牌作为增长游戏的地位。

服务器提供信号排名。KPI上下文提供了覆盖判断。克劳德综合了两者。

方法论

PM Copilot揭露 pm-copilot://methodology 资源——David Kelly的产品规划框架，在7年多的时间里向100多万用户推出了9款产品。

关键原则：

• 5%规则 --您每月完成客户要求的约5%。该框架确定了哪5%最重要。
• 汇聚的信号总是赢 --支持票和功能请求中的主题相同=最高置信度信号。
• 被动>主动 --破碎的东西会引发混乱。你可以在没有特征的情况下生存；你无法在错误中幸存下来。
• 业务指标覆盖公式 --流失率上升、转化率下降或收入影响都会改变一切。

该方法是版本化的（v2.0），并通过MCP资源协议作为降价内容。Claude在使用时会自动引用它 generate_product_plan.

安全

客户数据通过PM Copilot流向Claude。所有文本在进入分析管道或离开服务器之前都会被擦除。

PII清洗

我们完全排除的

审计控制

• preview_only: true 上 generate_product_plan 显示哪些数据 *会* 未提取就发送
• 每个回复都包括 pii_scrubbing_applied 和 pii_categories_redacted 元数据
• 每次调用时记录到stderr的数据类别（仅类别，从不内容）

发展

npm install          # Install dependencies
npm run build        # Compile TypeScript
npm run dev          # Watch mode
npm start            # Run the server

主题配置

themes.config.json 在项目根中定义要查找的主题。编辑而不重建--在运行时加载。

包含9个类别的16个数据驱动主题。通过附加到 themes 阵列。使用二元/三元频率检测来分析不匹配的数据点以寻找新出现的模式。

评分公式

priority = (frequency × 0.35 + severity × 0.35 + vote_momentum × 0.30) × convergence_boost

• 频率 （0.35）：数据点计数，跨主题标准化
• 严重性 （0.35）：仅反应信号——线程深度、最近度（7天半衰期衰减）、标签增强
• 投票势头 （0.30）：仅主动信号——80%的选票+20%的评论
• 收敛 （2x）：当主题同时具有反应性和主动性信号时应用

贡献

1. 分叉存储库
2. 创建要素分支(git checkout -b feature/your-feature)
3. 确保 npm run build 成功无误
4. 遵循现有模式：工具使用 registerTool，API客户端获得自己的模块，PII清理发生在格式层
5. 打开拉取请求

许可证

麻省理工学院