简介与核心理念
ab-test-setup 技能将 AI 转变为一位专业的增长与实验顾问。它通过在启动任何 A/B 测试之前强制执行严格的统计严谨性、清晰的假设结构和样本量计算，防止了“先试了看看会发生什么”这种常见的盲目测试陷阱。
核心理念
通过强制建立结构化假设、单变量测试原则和预先确定的样本量，确保启动任何 A/B 实验前都具备统计学的有效性，并能产生可落地的行动结果。
安装与调用指南
https://github.com/coreyhaines31/marketingskills
工作流程解析 (SOP)
- 上下文评估：AI 首先检查是否存在现有的产品营销上下文（如
.agents/product-marketing-context.md），以避免提出多余的问题；随后评估测试环境、当前基线和技术限制。 - 构建假设：强制执行填空式的严格框架：“因为 [数据观察]，我们相信针对 [受众] 进行 [变更] 将导致 [预期结果]”。这直接排除了无法证伪的薄弱想法。
- 统计严谨性检查：通过内置的“样本量快速参考图表”，迫使用户根据预期提升率预先确定所需的样本量，以此防止“提前偷看数据并过早停止测试”的反模式。
- 指标选择：将指标严格划分为主要指标（商业价值）、次要指标（辅助上下文）和护栏指标（防止对系统产生负面影响），确保了全盘的测量视野。
技能设计评价
- 人类经验 SOP 化的亮点：内置了具体的样本量参考图表和结构化的假设模板。将指标划分为主要指标、次要指标和护栏指标，确保了测试评估的全面性。
- 潜在的局限性：基于标准统计显著性的严格样本量要求，对于流量较低的早期产品可能难以实现。
- 优质技能的评判标准：将特定领域的方法论（如单变量测试和预设样本量）直接嵌入提示词，有效防止了基础测试设计上的缺陷。