Preamble

bash "$(dirname "${BASH_SOURCE[0]}")"/check-update.sh 2>/dev/null || true
mkdir -p docs/03-增长迭代/A-B测试

echo "🧪 A/B测试工具已启动"

# 检查数据指标体系
if [ -f "docs/02-方案设计/数据指标体系.md" ]; then
  echo "✅ 数据指标体系 - 已找到"
else
  echo "⏳ 数据指标体系 - 未找到"
fi

执行流程

digraph pm_abtest {
    rankdir=TB;
    node [shape=box, style=filled, fillcolor="#e3f2fd"];
    "定义测试假设" -> "设计实验方案";
    "设计实验方案" -> "样本量计算";
    "样本量计算" -> "设定测试周期";
    "设定测试周期" -> "数据收集框架";
    "数据收集框架" -> "输出A/B测试方案";
}

步骤 1: 定义测试假设

使用 AskUserQuestion 询问：

🎯 A/B测试假设设定

A/B测试需要明确的假设。请描述：

测试背景：为什么要进行这次测试？

示例：注册转化率低于行业平均水平（2% vs 行业5%）

测试假设：如果{改变什么}，那么{预期结果}，因为{原因}。

示例：如果将注册按钮从页面底部移到顶部，那么注册转化率将提升20%，因为用户更容易看到按钮。

请描述您的测试假设：

记录到变量 TEST_HYPOTHESIS

步骤 2: 设计实验方案

🔬 实验方案设计

实验变量：

- 对照组（Control）：当前版本（现状）

- 实验组（Treatment）：{改动描述}

关键指标：

- 核心指标（Primary）：{指标名称} - 直接影响业务结果

- 辅助指标（Secondary）：{指标名称} - 帮助理解变化原因

- 护栏指标（Guardrail）：{指标名称} - 确保不损害用户体验

示例（注册按钮测试）：

- 核心指标：注册转化率

- 辅助指标：点击率、页面停留时长

- 护栏指标：页面跳出率、用户满意度

请确认关键指标：

A) 指标合理，继续下一步

B) 需要调整核心指标

C) 需要补充辅助指标

步骤 3: 样本量计算

📊 样本量计算

需要的参数：

| 参数 | 说明 | 输入 |

|------|------|------|

| 基准转化率 | 对照组当前指标值 | [X]% |

| 最小可检测提升 | 期望的最小提升幅度 | [X]% |

| 显著性水平（α） | 通常设为5%（0.05） | 0.05 |

| 统计功效（1-β） | 通常设为80%（0.8） | 0.8 |

估算结果：

- 所需样本量（每组）：约[X]个用户

- 总样本量：约[X]个用户

- 预估测试周期：约[X]天（基于当前日均流量）

样本量是否可行？

A) 可行，按此方案执行

B) 样本量过大，需要调整参数

C) 样本量太小，需要延长测试周期

步骤 4: 设定测试周期

⏱️ 测试周期设定

最小运行时间：{X}天（基于样本量计算）

建议运行时间：至少7天（覆盖工作日和周末）

最大运行时间：{X}天（避免环境变化影响）

运行规则：

- 流量分配：50%对照组 / 50%实验组

- 用户分桶：按用户ID hash 随机分配

- 互斥实验：确保同一用户不参与多个冲突实验

提前停止规则：

- 实验组指标显著优于对照组（p < 0.05）

- 实验组护栏指标显著恶化

- 出现严重技术问题

测试周期是否确认？

步骤 5: 数据收集与分析框架

📈 数据收集与分析：

数据收集：

- 埋点事件：{事件名称}

- 数据存储：{存储位置}

- 数据校验：每日检查数据完整性

分析框架：

```

1. 数据清洗（去除异常值、测试账号）

2. 描述性统计（均值、标准差、分布）

3. 假设检验（t检验或Z检验）

4. 效应量计算（Cohen's d）

5. 分层分析（按用户特征分组）

```

决策规则：

- p < 0.05 → 统计显著，考虑上线

- p ≥ 0.05 → 统计不显著，维持现状或重新设计

- 护栏指标恶化 → 无论显著性如何，谨慎上线

步骤 6: 输出 A/B 测试方案

使用 Write 工具创建 docs/03-增长迭代/A-B测试/测试方案-{测试名称}.md：

# A/B测试方案 - {测试名称}

## 一、测试概览

- **测试名称**：{名称}
- **测试负责人**：{负责人}
- **创建时间**：{时间}

## 二、测试假设

**背景**：{测试背景}

**假设**：{测试假设}

## 三、实验设计

| 项目 | 说明 |
|------|------|
| 对照组 | 当前版本：{描述} |
| 实验组 | 改动版本：{描述} |
| 核心指标 | {指标名称} |
| 辅助指标 | {指标名称} |
| 护栏指标 | {指标名称} |

## 四、样本量与周期

- **所需样本量**：每组{X}个用户
- **测试周期**：{X}天（{开始日期} 至 {结束日期}）
- **流量分配**：50%/50%

## 五、分析计划

1. 数据清洗：{规则}
2. 描述性统计：{方法}
3. 假设检验：{方法}
4. 分层分析：{维度}

## 六、决策标准

- ✅ p < 0.05 且护栏指标无恶化 → 上线实验组
- ⚠️ p ≥ 0.05 → 维持现状或重新设计
- ❌ 护栏指标恶化 → 暂停实验

---

**文档状态**: 测试方案设计完成
**生成时间**: {时间戳}

步骤 7: 完成提示

✅ A/B测试方案完成！

📄 已生成：docs/03-增长迭代/A-B测试/测试方案-{名称}.md

🎯 建议下一步：

A) 与开发团队对齐埋点需求

B) 执行 /pm-report - 在测试结束后分析结果

C) 执行 /pm-growth - 基于测试结果制定增长方案

兜底机制

场景: 无法精确计算样本量

如果用户无法提供基准转化率等参数，使用经验法则：

电商/工具产品：每组至少1000个用户
内容/社交产品：每组至少5000个用户
测试周期：至少7天

V2 并行架构升级

架构概览

digraph pm_abtest_subagent {
    rankdir=LR;
    node [shape=box, style=filled, fillcolor="#e3f2fd"];
    subgraph cluster_main {
        label="主Agent";
        style=filled;
        fillcolor="#f5f5f5";
        "主Agent交互";
    }
    subgraph cluster_parallel {
        label="并行分析Subagent (V2)";
        style=filled;
        fillcolor="#f8f9fa";
        "统计方案设计Subagent" [fillcolor="#c8e6c9"];
        "样本量计算Subagent" [fillcolor="#bbdefb"];
        "埋点方案设计Subagent" [fillcolor="#fff9c4"];
        "风险分析Subagent" [fillcolor="#f8bbd0"];
    }
    "主Agent交互" -> "统计方案设计Subagent";
    "主Agent交互" -> "样本量计算Subagent";
    "主Agent交互" -> "埋点方案设计Subagent";
    "主Agent交互" -> "风险分析Subagent";
    "统计方案设计Subagent" -> "主Agent整合";
    "样本量计算Subagent" -> "主Agent整合";
    "埋点方案设计Subagent" -> "主Agent整合";
    "风险分析Subagent" -> "主Agent整合";
    "主Agent整合" -> "输出完整测试方案";
}

并行Subagent分析

在收集完测试参数后，并发派发4个Subagent：

Subagent 1: 统计方案设计

负责：选择检验方法、计算效应量、设计分层分析

Subagent 2: 样本量计算

负责：基于参数精确计算样本量、预估测试周期

Subagent 3: 埋点方案设计

负责：设计数据埋点、定义指标口径、规划数据校验规则

Subagent 4: 风险分析

负责：识别新奇效应、评估护栏指标、制定提前停止规则

V1 vs V2 对比

| 指标 | V1（顺序分析） | V2（并行分析） | 提升 | |------|--------------|--------------|------| | 分析时间 | ~6分钟 | ~2分钟 | 3x | | 主Agent上下文 | ~15,000 tokens | ~4,000 tokens | 节省73% | | 分析维度 | 串行3-5步 | 并行4个 | - | | 方案完整性 | 基础 | 多维度综合 | 更全面 |

注意事项

一次只测试一个变量，避免混淆因素
测试期间不要对实验功能做额外改动
警惕"新奇效应"（用户对新功能的好奇导致短期数据虚高）
统计显著性 ≠ 业务显著性，关注效应量

输出质量对比

✅ Good 示例：

- 有数据引用：「根据 Q4 数据，留存率从 35% 降至 28%」
- 有验证来源：「数据来源：Google Analytics, 2025-12-01」
- 有明确建议：「建议将新手引导步骤从 5 步减少至 3 步」

❌ Bad 示例：

- 模糊结论：「数据表明留存率有所下降」
- 无来源：「根据经验，这个功能很重要」
- 没有行动建议：「留存是个问题」

常见误区 / Red Flags — STOP

出现以下情况立即停止并回溯：

| 误区 | 正确做法 | |------|---------| | 使用"应该"、"大概"、"看起来"做结论 | 必须基于实际数据和验证 | | 未运行检查就声称已完成 | 先验证，再陈述 | | 因时间紧迫跳过关键步骤 | 没有例外，时间紧更要严格 | | "这次应该没问题"的想法 | 每次都要重新验证 |

产出质量检查 / Verification Checklist

[ ] 前置依赖已满足（输入文档/数据已收集）
[ ] 核心步骤已全部执行
[ ] 输出文档已生成到 docs/ 目录
[ ] 每个判断都有数据/证据支撑
[ ] 已推荐 2-3 个后续 skill

⚠️ 任何一项未通过 → 补全后再标记完成。

pm-abtest

Como adicionar

Cole no README do seu repo

Skills relacionadas

claude-api

skill-creator

claude-code-plugin-release

claude-mem

Receba novas skills de Desenvolvimento toda segunda