Agent Skills
返回列表
🏢

教培招生诊断

企业运营 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中:

请根据 https://skillhub.cn/install/skillhub.md,安装 @user_cff04dbb/eduai-enrollment-diagnosis

技能介绍

解决什么问题

教培机构遇到招生下滑时,第一反应通常是「流量不够」——加大投放、多开账号、追新渠道。但招生是一条链路:流量来源、信任资产、转化路径、交付证明、续费与转介绍。多数机构的问题并不在入口,而是中间某一环断了,却把预算砸在最上游。

这个技能做的是链路定位:找出最先断掉、且实质性卡住下游漏斗的那一环,而不是给一份「全链路优化」的通用方案。

工作方式

五环诊断模型

技能按固定顺序检查五个环节:

  • traffic source — 线索从哪来,来源是否稳定可复制
  • trust asset — 家长凭什么相信机构,有没有可感知的信任证据
  • conversion path — 从认知到试听再到报名,路径是否完整
  • delivery proof — 教学价值能否被家长看见,而非只存在于老师口头
  • renewal/referral loop — 续费和转介绍靠机制还是靠人情

诊断时要求区分事实、信号、假设、未知四项,并给出高/中/低置信度标注。常见瓶颈包括:无私域承接、试听课无转化脚本、活动有报名无收口、续费只依赖教师情感等。

输出结构

诊断收敛到 1–2 个主要瓶颈,然后给出一组 7 天内可启动的动作:一个内容动作、一个私域动作、一个转化动作、一个交付反馈动作,外加一个观测指标。每个动作都绑定假设、基线、负责人、截止时间、成功或停止信号。

底层参考文件按职责拆分:references/diagnosis-framework.md 承载诊断模型,references/question-bank.md 处理信息缺失时的追问,references/evidence-and-confidence.md 规定漏斗公式的分子分母口径与置信度规则。

适用边界

  • 不承诺招生结果,不做医疗、法律、财务类保证
  • 不编造市场基准、家长动机或转化率数据;引用比率时必须给出分子、分母和统计周期
  • 信息不全时不阻塞流程,会基于合理假设继续,但明确标注假设
  • 默认中文输出,面向校长和业务负责人,语气直接但不评判
  • 建议先补齐缺失证据,再做昂贵的流量或系统投入

使用场景

  • 招生下滑时,需要快速定位是流量、转化还是交付环节出问题
  • 现有线索量充足但报名率低,需要复盘试听课转化路径
  • 续费率波动大,想梳理续费机制和转介绍路径的薄弱点
  • 信息不全时仍要给出初步诊断和可执行的短期动作

适合人员

  • 教培机构校长,需要根据招生数据判断下一步该改哪一环而不是盲目加投放
  • 在线教育运营负责人,要定期排查从引流到续费的漏斗断点
  • 课程顾问主管,想把试听课的咨询和跟进流程整理成可复制的转化脚本
  • 教育创业团队负责人,在资源有限时先验证最可能卡住增长的环节