营销洞察知识库沉淀

解决什么问题

营销团队的经验常散落在复盘文档、聊天记录和个人直觉中：某个标题方案在 A/B 测试里表现更好、再营销在访问后 48 小时内转化更高、季度末偏底部的内容更利于企业客户成交。这些结论如果没有统一结构，很难被检索，也很难跨活动、跨渠道、跨成员复用，导致团队反复验证同样的问题。

核心能力与工作方式

技能把单次学习写入品牌的智能图谱（intelligence graph），并为后续查询建立可复用的知识库。关键流程包括：

• 读取品牌上下文：加载 ~/.claude-marketing/brands/_active-brand.json 与对应 profile.json，并检查 ~/.claude-marketing/sops/ 中的 SOP；如果尚未配置品牌，会提示先执行 brand-setup 或使用默认值。
• 结构化沉淀学习：组装 insight 文本、上下文条件（channel、audience、objective、campaign type）、confidence、source、时间戳和可选证据，并按品牌既有 taxonomy 归一化标签。
• 检索相关学习：通过 intelligence-graph.py query-relevant 查找重叠记录，区分支持证据与冲突结论；支持证据会将原学习置信度上调 +0.1（上限 1.0），冲突时会同时呈现，由用户决定保留、拆分条件或继续测试。
• 保存与分发：使用 intelligence-graph.py save-learning 写入图谱，并按条件路由到相关 agent，例如邮件洞察给 email-specialist，付费媒体给 media-buyer，跨渠道给 marketing-strategist。输出会包含 Learning ID、置信度说明、相关记录和知识库统计。

适用边界与注意点

默认置信度为 0.5；只有证据经过多次活动验证后才适合提升到 0.7 或 0.9+，样本不足时不应把观察当作通用规律。技能聚焦营销洞察的结构化沉淀，不替代归因分析或投放执行。涉及外部写操作时，先展示目标与影响并取得明确确认；凭据仅用于用户指定的官方服务，不回显、不记录、不转发。