暗社交归因分析器
把无法直接追踪的分享流量转化为有明确标签的可审计估算。
技能明确采用最小权限倾向：只读分析用户提供的数据，禁止发帖、像素注入和私信自动化；将导出内容视为不可信，并要求保存记忆前确认。其写入 memory、提交 registry proposal 及处理自报来源数据仍依赖宿主和用户边界，未在本文件中完整证明隔离、撤销与敏感数据保护，因此扣4分。
触发条件、输入、输出、完成条件、异常边界和跨技能路由描述较完整，且所有派生数字必须标记为 Estimated/proxy。依赖的引用文件和 pageviews.py 未在本次材料中复核，也没有该技能专属测试或执行反馈；按静态上限评9分，扣1分。
受众、适用场景、非适用范围和中文表单/微信群路径均清楚，并支持粘贴 GA4/GSC 导出。核心判断依赖用户提供数据，Wikipedia/pageviews 与 GA4/GSC 在中国大陆的可达性和替代路径未充分说明，触发边界也主要靠文字约定，因此扣5分。
文档结构清晰，包含 Quick Start、契约、数据源、步骤、保存规则、引用关系、版本、Apache-2.0 许可和已知盲点。维护责任、变更日志、更新渠道及未验证发布者的治理信息不明确，引用文件的安装/故障排查说明也未完整展示，因此扣5分。
预期产物具体且可直接交付：UTM 规范、自报字段设计、GA4 分解、品牌搜索代理和方法文档；“Estimated/proxy”标签也降低误用风险。但核心结果是启发式估计，需用户提供完整导出并仍需人工审阅，缺少代表性输出验证，按静态上限评6分，扣1分。
技能规定命名数据源、分母和标签，并要求区分 Measured、User-provided 与 Estimated，具备一定审计性。材料没有该技能的实际运行记录、专属测试或第三方复核，只有仓库级测试背景，故评3分，扣除缺乏独立可复现证据的部分。
- GA4 直接流量分解、移动端偏斜、推送相关性和品牌搜索提升都只是代理或启发式，不能作为增量归因或 ROI 证明。
- 自报来源字段会处理潜在个人信息；应在实际部署前确认隐私告知、保留期限、访问控制和数据最小化。
- pageviews.py、GSC/GA4 和引用协议文件未在本次静态材料中单独核验；中国大陆网络不可达时需准备用户导出或替代数据源。
- 不要自动写入 memory 或注册表；必须遵守用户确认及 sole-writer/proposal 约束。
这个 Skill 能做什么，适合哪些场景？
这是 Aaron Marketing Skills 仓库中的一个社交观察阶段技能，专门分析缺少来源信息的直接流量与暗社交分享。它结合 GA4 直接流量分解、GSC 品牌搜索趋势、Wikipedia 页面浏览量、分享链接 UTM 规范和自报来源字段设计。所有推导数字都必须标记为 Estimated 或 proxy，不会把估算冒充为 Measured。它适合需要评估私聊、群组转发、邮件转发和复制链接影响，但缺少点击证据的团队。
读取用户提供的 GA4 着陆页或渠道导出、GSC 品牌查询序列、分享面和表单清单，以及只读的渠道资料；通过深层 URL 直接访问、移动端偏高和私域推送时间相关性等启发式分解 GA4 直接流量，并为每项结果标记 Estimated/proxy；使用 scripts/connectors/pageviews.py 获取Wikipedia关注度序列作为外部对照；设计带稳定 UTM 分类的分享链接规范；将现有表单中的低价值字段替换为“你是怎么知道我们的？”自报来源字段，并提供后续编码计划；最终产出暗社交归因包、方法说明、一页式声明文档和标准交接摘要。
- 增长团队发现 GA4 直接流量异常上升，想判断其中有多少可能来自被复制或私下分享的链接。
- 内容团队需要为博客、文档和社区分享按钮建立统一的短链接与 UTM 规范。
- 产品团队准备设计“你是怎么知道我们的？”字段，但不能增加注册表单字段。
- 社交负责人想在没有平台点击数据时，评估群聊、微信公众号转发或邮件转发对访问和注册的潜在影响。
- 分析团队需要用 GSC 品牌搜索趋势和 Wikipedia 页面浏览量建立暗社交的代理观察指标。
这个 Skill 有哪些优点和局限？
- 明确区分 Measured、User-provided、Estimated 和 proxy，避免把暗社交估算当成事实。
- 同时覆盖链接治理、表单自报来源、GA4 分解和品牌搜索代理指标。
- 明确限定在有机分享循环，不越界处理付费平台归因。
- 默认使用用户提供的 GA4/GSC 数据和无密钥 Wikipedia 页面浏览量，符合仓库的 Tier 1 方式。
- 对微信等封闭平台禁止跟踪注入和自动化，边界清晰。
- 无法直接测量 DM、群聊、邮件转发或地址栏复制带来的真实来源，只能做带标签的估算。
- 封闭平台数据依赖用户提供的原生分析导出，技能本身不自动读取这些平台。
- 需要用户准备 GA4/GSC 导出、分享面清单和现有表单字段；缺少这些证据时无法完成完整读数。
- Wikipedia 代理指标只有在存在品牌 Wikipedia 页面时才适用。
- 来源未提供该单技能的独立测试套件或实测准确率。
如何安装这个 Skill？
仓库 README 提供了通用安装方式：运行 npx skills add aaron-he-zhu/aaron-marketing-skills -s dark-social-attributor，或直接克隆 https://github.com/aaron-he-zhu/aaron-marketing-skills。Claude Code 用户也可以先执行 /plugin marketplace add aaron-he-zhu/aaron-marketing-skills，再执行 /plugin install aaron-marketing@aaron。单技能目录为 social/observe/dark-social-attributor/SKILL.md。其他主机的具体加载步骤未在来源中单独说明。
如何使用这个 Skill？
向兼容的 Agent Skills 主机提供 GA4/GSC 导出、分享面清单和现有表单字段，并使用触发语句，例如：“分解过去 90 天的 GA4 直接流量，这里是着陆页导出，有多少可能来自暗社交？”技能会输出分享链接与 UTM 规范、自报来源字段设计、带 Estimated/proxy 标签的直接流量分解、品牌搜索提升代理读数和声明方法文档。保存结果前，它会询问是否保存到未来会话。
这个 Skill 与同类方案有什么区别？
它不是 attribution-reconciler 的付费平台转化归因对账工具，也不是 social-measurement-loop 的指标字典与回写循环；它负责先声明暗社交方法并设计观测仪表。