用途：分析自己 LinkedIn 帖子的表现，回答哪些帖子效果好、触达为何下降、发现的规律是否真实、如何做验证。仅使用本人数据，不抓取帖子或主页（用户协议第 8.2 条禁止此类抓取，分析也不需要）。
数据来源：LinkedIn 分析 → 帖子展示次数 → 导出，或设置 → 数据隐私 → 获取数据副本，支持 CSV 与 JSON。
主要能力：
- post_performance_analyzer.py 描述表现，输出中位数与 MAD、Tukey 百分位带、1.5×IQR 突破阈值，并对每条帖子标注 BREAKOUT→DUD。用法：python3 scripts/post_performance_analyzer.py --input posts.csv --csv --output human。退出码 0 表示已分析，2 表示不足 10 条只做描述，3 表示不可用。
- pattern_miner.py 检验用户以为存在的规律：需通过 4 道关卡（组内组外各 5 条、中位数相对差 15%、胜过 2000 次种子标签洗牌中的 90%、多重比较校正）。用法：python3 scripts/pattern_miner.py --input posts.json --output human。退出码 0 有规律存活，2 无规律存活，3 不足 10 条；会说明每个被拒候选失败的原因。
- experiment_planner.py 把存活规律转成实验：python3 scripts/experiment_planner.py --hypothesis "..." --variable "..." --cv 0.45 --effect 0.30 --posts-per-week 2 --max-weeks 12 --output human。CV 来自第一步，公式为 1.4826 * MAD / median。退出码 0 可行，2 过长并给出窗口内最小可检测效应，3 拒绝。
规则与限制：不足 10 条帖子只描述不结论；回顾性数据存在混杂，统计无法消除；不要与他人数字对标；粉丝数不是成功指标，应手工记录 Tier 1 指标（如邀约、引用、私信）；需标注置信级别（LinkedIn 官方、第三方研究、坊间说法）；单条好帖不构成证据。参考文件包括 references/linkedin_metrics_canon.md、references/evidence_thresholds.md、assets/example_post_export.csv、assets/measurement_log_template.md。与 cross-platform 品牌活动报告的 marketing-skill/social-media-analyzer、决定下一步的 linkedin-strategy、以及有真实流量的 product-team/experiment-designer 不同。版本 1.0.0。