这个 Skill 能做什么，适合哪些场景？
Deliverability QA 是 Aaron Marketing Skills 中 Email/SEND 体系的设置阶段技能。它执行一次性的发送前预检，覆盖 SPF、DKIM、DMARC、BIMI、域名与 IP 声誉、收件箱位置、垃圾内容与链接渲染风险，以及退信和投诉率快照。技能按子项输出通过、部分通过或需要输入，并生成 SEND-S 维度评分和 S1 认证状态。它不计算完整 EQS，也不负责持续的列表健康趋势监控，因此适合已有邮件数据、希望在发送前做证据化检查的团队。
读取发送域名、邮件类型、DNS 中的 SPF/DKIM/DMARC/BIMI 记录、DMARC 聚合 RUA 报告、种子名单收件箱投递测试、ESP 送达率与域名/IP 声誉报告，以及邮件 HTML。检查认证是否存在、对齐并通过；判断收件箱、垃圾邮件和 Promotions 投递结果；扫描垃圾触发措辞、图片与文本比例、链接问题、纯文本版本和渲染错误；按基准读取硬退信率和垃圾投诉率；输出逐项状态、SEND-S 评分、S1 标记、缺失证据和交接摘要。结果可在用户同意后写入指定的 memory/email/deliverability-qa/ 路径。
- 邮件营销团队准备发送 promotional 或 newsletter 活动，需要确认 SPF、DKIM、DMARC 和 BIMI 配置是否正常。
- 使用 ESP 的团队发现邮件进入垃圾邮件或 Promotions，希望结合种子测试和声誉报告定位问题。
- 刚开始发送或准备扩大规模的团队，需要一次性检查认证、IP 预热、收件箱位置和列表卫生。
- 需要在发送前审核邮件 HTML、链接、纯文本版本和客户端渲染风险的营销人员。
如何安装这个 Skill？
- 这是仅基于源文件的静态审查，未执行脚本、DNS查询、ESP检查或seed-list测试；不要把技能文档中的安全和可复现性声明视为已验证事实。
- 使用前应确认主机对memory目录的写入隔离、用户确认机制和敏感邮件数据保存策略，并核对18.0.0与SECURITY.md支持版本声明的不一致。
- Google/Microsoft声誉数据、seed-list服务和DNS-over-HTTPS在中国大陆网络中的可达性未被材料充分证明；不可用时应使用用户导出的证据并将项目标为NEEDS_INPUT。
- Shell / 命令行
- 网络访问
- 本地文件系统
Python 3
在 Claude Code 中先运行 /plugin marketplace add aaron-he-zhu/aaron-marketing-skills，再运行 /plugin install aaron-marketing@aaron。兼容通用 Agent Skills 主机时，可运行 npx skills add aaron-he-zhu/aaron-marketing-skills；也可以直接 git clone https://github.com/aaron-he-zhu/aaron-marketing-skills。仓库为 Apache-2.0 许可。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/aaron-he-zhu/aaron-marketing-skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/email/setup/deliverability-qa" ~/.claude/skills/
rm -rf "$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？
安装后，把下面任意一句发给 Agent 即可触发：
- Run a deliverability pre-flight for [sending domain] before I send. Here is my DMARC RUA report, a DNS export, and my seed-list inbox-placement test: [paste/path].
准备发送域名、唯一的发送档案（promotional、retention、cold-outbound 或 newsletter）、DNS 导出、DMARC RUA 报告、种子名单投递测试、ESP 送达率/声誉报告和邮件 HTML，然后输入："Run a deliverability pre-flight for [sending domain] before I send. Here is my DMARC RUA report, a DNS export, and my seed-list inbox-placement test: [paste/path]." 若缺少 RUA 报告或收件箱投递测试，相关子项会标记为 NEEDS_INPUT，而不会默认通过。
这个 Skill 有哪些优点和局限？
- 覆盖发送前最关键的认证、声誉、投递位置、内容渲染和列表卫生证据。
- 明确区分 S1 认证预检、SEND-S 评分与完整 EQS，减少职责混淆。
- 默认可使用用户提供的导出和手动 DNS/种子测试，不要求付费工具或 MCP。
- 对缺失证据不默认判定通过，并将认证失败标记为 veto-candidate。
- 这是一次性预检，不负责持续的退信、投诉和列表衰减趋势监控。
- 需要用户提供多类报告和测试；没有 RUA、ESP 报告或种子测试时，结论会受限。
- 技能本身不计算完整 EQS，也不执行 S1、S2、N1、D1 否决；仍需交给 email-quality-auditor。
- 源材料没有提供独立测试套件或具体 ESP 平台覆盖清单。
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 |
|---|---|---|---|---|
| 邮件送达率预检 本页 | 61 · 推荐 | ★ 3k | 13 天前 | Apache-2.0 |
| 邮件收件箱落点监测 | 59 · 推荐 | ★ 3k | 13 天前 | Apache-2.0 |
| 邮件列表健康度监控 | 58 · 推荐 | ★ 3k | 13 天前 | Apache-2.0 |
| 邮件质量审计员 | 56 · 谨慎使用 | ★ 3k | 13 天前 | Apache-2.0 |
| 邮件主题行实验室 | 56 · 谨慎使用 | ★ 3k | 13 天前 | Apache-2.0 |
与 list-hygiene-monitor 相比，本技能只读取发送前的列表卫生快照，后者负责持续趋势监控。与 email-quality-auditor 相比，本技能构建并验证 SEND-S/S1 信号，后者计算完整 EQS 并执行相关否决规则。
FollowSkills 如何评估这个 Skill？
技能明确将导出文件、DMARC报告、DNS数据和HTML视为不可信输入，要求用户确认范围和配置文件，并在写入memory前征求同意；连接器默认读取、API密钥不持久化，外部发送需显式--live。扣5分：内存写入、外部DNS/ESP读取和可选状态变更的权限边界、回滚细节及敏感邮件数据处理仍依赖主机和共享协议，当前技能未完整自证。
步骤、输入、输出、NEEDS_INPUT和停止条件较明确，并覆盖缺失报告、认证失败和未运行seed test等异常情况。扣12分：静态材料未证明该技能关键路径可运行；若干关键评分、handoff和连接器行为依赖未提供的共享参考文件，且没有针对本技能的测试或可复现失败样例。
触发语句、四种发送档案、输入材料、非适用范围和后续技能边界写得清楚，并提供中英文使用语境和无密钥手工路径。扣3分：Google Postmaster、Microsoft SNDS、seed-list及DNS-over-HTTPS等环境可用性未充分说明；中国大陆可达性和替代方案证据有限，虽然核心流程可依赖用户提供的导出数据。
frontmatter包含名称、slug、版本、许可证、兼容性、触发条件和参数提示；Quick Start、Contract、Data Sources、Instructions、Save Results及Next Best Skill层次完整，仓库还提供Apache-2.0、README、CI和测试材料。扣4分：维护责任、变更记录和更新路径在该技能内不完整；SECURITY.md支持版本仍写17.x，与技能和仓库标示的18.0.0存在治理一致性问题，多个关键引用文件未在本次材料中展开。
目标输出包括逐项检查、S1标记、SEND-S分数、档案类型和交接摘要，且检查清单可直接转为人工预检。扣9分：静态材料没有该技能实际输出样例、执行结果或第三方验证；评分计算和阈值部分依赖外部send-benchmark，用户仍需提供大量异构数据并自行处理未覆盖的现实送达问题。
技能提供了明确的数据来源、检查项、Pass/Partial/Fail/NEEDS_INPUT规则，仓库还有通用架构和审计验证测试。扣6分：测试未显示覆盖deliverability-qa关键路径，材料也没有真实运行证据、第三方对照或可独立复核的实例，因此只能给予有限静态可审计分。
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 →