技能介绍

要解决的问题

营销团队的经验往往散落在聊天记录、周报和个人笔记里。一条「标题带数字的邮件打开率更高」的观察，可能在三次活动后被遗忘，又在第四次活动中重新踩坑。更棘手的是，经验本身缺少情境：这条结论适用于开发者受众还是所有用户？是漏斗顶部还是底部的内容？它来自样本量多少的测试？没有结构化的沉淀机制，单次实验的产出无法跨活动、跨渠道复用。

核心能力与工作方式

该技能把每次实验或复盘产出的观察，写入品牌的智能图谱（intelligence graph），记录为一条结构化知识。每条知识包含五个关键字段：

洞察内容：具体观察或结论，例如「站内访问后 48 小时内投放的重定向广告转化最好」
情境条件：渠道、受众分群、营销目标、活动类型等限定条件，后续通过 intelligence-graph.py query-relevant 做多维检索
置信度评分：0～1 之间，0.3 为基于有限数据的早期假设，0.5 为默认值，0.7 为多活动确认的模式，0.9 以上为统计验证的结论
来源：产生该结论的 agent、分析流程或人工观察
佐证材料（可选）：具体数据点、测试结果或报告链接

写入流程分六步：先从 ~/.claude-marketing/brands/ 加载品牌上下文与既有术语体系，然后组装并规范化知识记录；接着查询图谱中是否存在通道、受众、目标重叠的既有知识。若新知识支持已有结论，对应置信度上调 0.1（上限 1.0）并追加证据；若冲突，则把两条知识连同各自的置信度和证据一起呈现给用户，由人工决定保留哪条、是否做条件拆分（例如「SMB 成立、企业客户不成立」）或标记待测试。确认后通过 intelligence-graph.py save-learning 落库，并按情境条件路由给对应的专项 agent 供后续推荐引用。