用途：将模糊的用户流失问题转化为带数字的阶段诊断。支持 AARRR（获客、激活、留存、收入、推荐）及加入“认知”环节的 AAARRR，把漏斗定义为事件阶段并压缩到 4 至 7 个阶段。分析围绕激活节点展开，采用 Sean Ellis 框架确定能预测留存的“顿悟”事件（动作+计数+时间窗）。
主要能力：逐阶段转化率、绝对与相对流失、累计转化及瓶颈识别（区分最大绝对流失与最大相对流失）；反指标配对以防刷指标；前导与滞后指标设计；输出 Mermaid 流程图，并生成六种 SHARED_OUTPUT_SCHEMA 格式。
使用方式：需先确认阶段与计数、激活事件、队列时间窗三项输入；信息缺失或不明确时应询问，不臆测。若用户要求直接起草，可在成果顶部列出假设。工具基于标准库 Python 脚本运行，示例： python scripts/funnel_analyzer.py --input funnel.json --format markdown python scripts/funnel_analyzer.py --demo --format mermaid 输入为含各阶段计数的 JSON 漏斗定义。参考文件包括漏斗分析手册、海盗指标深读、激活顿悟模式与红旗清单，另有画布、工作表与示例 JSON 模板。
适用场景：新用户引导设计、流失诊断、激活指标定义、跨职能对齐、季度复盘与 A/B 测试设计。
限制：不负责拉取原始事件数据（需用 Amplitude、Mixpanel、PostHog、Looker 等），不做显著性检验、队列留存分析、渠道归因、UX 或测试实现与预测。漏斗假设线性流程，真实产品存在分支与回流，应辅以分支分析；快照漏斗混同队列易失真，必须指定队列窗口；顶部阶段增益会放大下游，需同时看绝对与相对流失；激活事件建议每 1 至 2 个季度用新留存队列重新验证。分类为智能体与模型。