这个 Skill 能做什么，适合哪些场景？
这是 Aaron Marketing Skills 中专注付费广告编排阶段的实验设计技能。它可设计创意、落地页 A/B/n 测试和增效测试，规划假设、变体矩阵、样本量、持续时间、统计功效及护栏指标。对于用户提供的测试结果 CSV，它会计算效果量、不确定性区间、统计显著性和实际效果状态。它不会自动决定推广或停止，缺少预先约定的决策规则和负责人时会返回 UNDECIDED。
读取测试目标、ROAS 画像、基线 CVR/CTR、流量规模，以及用户导出的每个变体的曝光或会话数与转化数。它生成可证伪假设、一次只改变一个变量的变体矩阵、主指标、次指标和护栏指标，并规划基线、MDE、alpha、功效、比较次数、读取日期、持续时间及序贯规则。它可使用仓库提供的 Python 实验辅助脚本计算比例、连续指标或样本量相关结果，并输出效果估计、区间、p 值、统计与实际效果标记，以及带有 User-provided、Calculated 或 Estimated 来源标注的交付文档。
- 增长或投放负责人准备比较两个落地页首屏，需要基于基线转化率和目标提升幅度制定样本量与测试周期。
- 付费广告团队有多个 RSA 或创意方案，需要建立隔离单一变量的 A/B/n 测试矩阵。
- 实验负责人希望评估广告变更带来的增效，而不是只比较平台归因转化。
- 分析师拿到包含 variant、sessions 和 conversions 的自有结果 CSV，需要判断效果、置信区间、显著性和护栏状态。
如何安装这个 Skill？
- 未执行experiment.py，不能确认样本量、p值、区间和边界计算在实际环境中可复现。
- 应用已批准动作时，技能未明确具体外部写操作、最终确认步骤或回滚方案。
- CLAUDE_PLUGIN_ROOT命令路径可能不适用于所有声明兼容的技能主机。
- Security Policy的17.x支持声明与技能18.0.0版本不一致，需核对维护和支持状态。
- Shell / 命令行
- 本地文件系统
Python 3
可直接安装整个仓库：npx skills add aaron-he-zhu/aaron-marketing-skills；也可克隆仓库：git clone https://github.com/aaron-he-zhu/aaron-marketing-skills。在 Claude Code 中可使用 /plugin marketplace add aaron-he-zhu/aaron-marketing-skills，随后执行 /plugin install aaron-marketing@aaron。README 还给出了按技能安装的通用命令格式；本技能目录为 ad/orchestrate/ad-test-designer/SKILL.md。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/aaron-he-zhu/aaron-marketing-skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/ad/orchestrate/ad-test-designer" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
设计示例：Design an A/B test for two landing-page hero variants. Baseline CVR is 3%, I want to detect a 15% lift. Goal is DR. 结果解读时提供自有导出 CSV，至少包含每个变体的曝光或会话数及转化数。可指定 direct-response、prospecting 或 incremental-profit 画像，以及 baseline、alpha、power 和 MDE。若没有设计简报或结果 CSV，技能会返回 NEEDS_INPUT；若没有预提交的负责人和行动规则，则返回 decision: UNDECIDED。
这个 Skill 有哪些优点和局限？
- 同时覆盖实验设计和完成后的统计解读。
- 明确区分统计显著性、实际效果和护栏状态。
- 默认使用用户手动导出的自有数据，不要求付费广告 API 或 MCP。
- 强调预先提交 alpha、功效、多重比较和序贯读取规则。
- 不负责生成广告创意变体；应转交 ad-creative-builder。
- 不负责读取单个已上线变更或跨渠道报告。
- 没有预提交的负责人和行动规则时不能给出推广、回滚或停止决定。
- 设计和解读依赖基线、流量或逐变体结果等输入；缺失时只能请求补充数据。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| 广告实验设计师 本页 | 59 · 推荐 | ★ 3k | 13 天前 | Apache-2.0 |
| 付费广告归因对账器 | 59 · 推荐 | ★ 3k | 13 天前 | Apache-2.0 |
| 付费广告账户审计员 | 59 · 推荐 | ★ 3k | 13 天前 | Apache-2.0 |
| 付费广告预算节奏监控 | 61 · 推荐 | ★ 3k | 13 天前 | Apache-2.0 |
| 临床试验方案设计器 ✓ Anthropic · 官方 | 41 · 不推荐 | ★ 425 | 2 个月前 | — |
它明确区别于 ad-creative-builder（生成变体）、paid-measurement-loop（读取单个已上线变更）和 performance-analyzer（跨渠道报告）。
FollowSkills 如何评估这个 Skill？
技能明确将CSV视为不可信数据，默认使用用户手动导出的自有数据，不要求API密钥；统计助手不自动选择业务动作，缺少负责人或预提交规则时返回UNDECIDED，并在写入记忆前请求确认。这些措施降低了数据外泄和未经授权动作风险，但对已批准动作的具体权限范围、确认界面、回滚机制和数据流披露仍不完整，因此扣7分。
模式选择、缺失输入处理、假设披露、统计方法和失败状态较清晰，且参考指南提供了可复核公式。静态审查未执行experiment.py，也未确认脚本、CLAUDE_PLUGIN_ROOT路径或各引用文件在目标环境中可用；异常输入和跨主机失败反馈覆盖有限。按静态上限扣分，得8分。
触发条件、输入、输出、非适用范围、ROAS profile和决策边界均有明确说明，并提供中英文描述；核心计算可使用手动数据和本地方法，不依赖海外服务。通用主机兼容性与中文环境下的实际触发可达性证据不足，且通用主机可能无法使用Claude专属路径，因此扣4分。
文档结构完整，包含Quick Start、契约、数据源、步骤、引用材料、交接和下一技能；版本、Apache-2.0许可证及仓库主页明确。维护责任、变更记录和更新路径在该技能中不清晰，且Security Policy称17.x为当前支持线，与技能18.0.0存在治理信息不一致，因此扣4分。
技能定义了假设、变体矩阵、样本量、持续时间、功效、显著性、实际效果、护栏和决策输出，核心任务的预期结果较直接可用。静态审查未执行统计助手或验证代表性结果，且引用的运行时与外部参考未完全提供，因此按静态上限得7分。
选定技能和测试设计指南提供了可审计的输入、公式、规则与Calculated/User-provided来源标签；仓库测试覆盖架构和审计工件，但未覆盖本技能统计关键路径。没有第三方执行证据或独立结果复现，因此得4分。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →