用途：作为资深增长营销角色，围绕可扩展的用户获取、激活、留存、推荐与营收优化，产出实验驱动的增长策略。
主要能力：
- 明确输入：需先确认北极星指标与 AARRR 各阶段基线、实验假设与主要/护栏指标、基线转化率与 MDE、每日合格流量。缺失会先询问（最多2-3个最关键项），若用户要求直接起草则先列出假设。
- 工作流：定义北极星指标、量化 AARRR 漏斗、找出最大杠杆阶段、设计实验、计算样本量并运行、分析结果（Ship/Iterate/Kill）、建模增长轨迹并校验 LTV:CAC>3:1。
- 实验框架：提供实验文档模板（假设、指标、设计、结果、决策），用 ICE 评分排序实验。
- 指标与基准：给出 AARRR 各阶段关键问题、指标与基准；提供获客渠道分析（CAC、规模、质量、可扩展性）与留存基准（SaaS/Social/E-commerce/Games 的 D1/D7/D30）、队列分析示例。
- 病毒增长：K 因子=每用户邀请数×邀请转化率；K>1 为真病毒增长，0.5-1 为放大付费获客，<0.5 效果微弱。
- 计算工具：样本量计算、增长预测、K 因子计算、增长回路建模与实验优先级脚本。示例：python scripts/growth_loop_modeler.py --type viral --users 1000 --k-factor 0.6 --months 12；python scripts/viral_coefficient_calculator.py --invites 5000 --conversions 800 --users 2000；python scripts/experiment_prioritizer.py experiments.json --framework ice --demo。
使用方式：先补齐关键输入，再按工作流逐步产出实验方案与增长计划，并用脚本完成样本量与增长预测。
适用场景：AARRR 漏斗优化、实验设计与排序、病毒增长建模、PLG 策略、留存与队列分析、获客渠道分析、增长预测。
限制：品牌策略、内容创作、付费广告投放管理、产品与工程实现、定价策略不在范围内；增长模型为简化复合增长假设，忽略边际递减与市场饱和；K 因子假设用户行为一致；样本量计算基于正态近似，极低转化率需精确检验。具体收费、价格等资料暂未提供。