用途
LinkedIn Engagement Analytics 是一个离线分析技能，回答的问题不是“帖子表现如何”，而是“回应帖子的人中，有多大比例是帖子原本想写给的人，以及这个比例相比作者自己近期帖子是更好还是更差”。它针对一个常见误区：帖子获得大量反应，作者便认为成功，但没人检查这些反应者是谁——其中往往有相当比例是同事、招聘人员和供应商，而目标读者只占少数。
主要能力
- 读取一个或多个 CSV 或 JSON 互动导出文件，合并重复项，将同事排除，并按资历层级、职能和公司对互动者进行分段。
- 将核心受众占比与事先写好的目标受众文件以及作者自身的历史基线进行对比，使用 Wilson 区间给出判断，避免把噪声当作变化。
- 仅输出聚合结果，脚本不打印姓名；提供数据最小化、本地存储、不做补充查询和用后删除的处理规则。
- 提供
--fail-on-miss选项，可在内容评审中作为质量门禁：仅当样本充足且核心占比低于目标（或未设目标时的基线）时以退出码 1 结束。 - 附带示例导出文件、目标受众模板、帖子读出一页模板和基线日志模板。
使用方式
用户需自行提供帖子互动导出文件（CSV 或 JSON，至少包含职位标题列），并事先写好目标受众文件（资历层级、职能、标题关键词，可选指定组织），同时提供自己雇主的所有名称以便排除同事。可选提供核心占比目标和来自早期帖子的基线。
典型流程：
- 从导出文件中移除不需要的列（链接、位置、标识符），保存在本地。
- 复制
assets/target_audience_template.json描述目标读者，用--list-rules检查层级和职能名称。 - 运行分段脚本：
python3 tools/linkedin/linkedin-engagement-analytics/scripts/engager_segmenter.py \
--input tools/linkedin/linkedin-engagement-analytics/assets/sample_engagers.csv \
--target tools/linkedin/linkedin-engagement-analytics/assets/sample_target_audience.json
- 建立或滚动基线：收集最近五到八篇可比帖子的导出文件，一次命令传入，合并后的核心占比即为基线。
- 调整分类规则：若覆盖率低，可用
segment_rules.py --classify逐条测试典型标题并扩展模式，然后重新运行早期导出以保证比较双方使用相同规则。 - 填写
assets/post_readout_template.md，确认没有任何单元格描述单个人，且判断措辞与基线相对区间的位置一致。
适用场景
- 帖子获得回应，作者想知道是否触达了预期读者。
- 反应数上升，但来自目标人群的主动联系没有增加。
- 作者想在改变写作方向前，先建立自身受众构成的基线。
- 需要比较两个主题或框架分别吸引什么样的人，而非比较数量。
- 赞助方询问内容是否触达指定群体，而目前只有反应数可答。
- 有人准备把导出文件变成联系人名单时，改用此技能并说明原因。
限制
- 不收集互动数据、不登录、不抓取、不发布或排程；导出文件须由用户以允许的方式自行提供。
- 不生成个人档案、联系人名单，也不从其他来源做补充查询。
- 不撰写或润色帖子、不评估开头、不写评论回复、不跟踪对话、不规划或复用内容、不做个人资料优化或员工倡导项目测量。
- 不计算互动率、ROI 或跨平台基准。
- 标题分类使用有序的英文模式，非英文标题、作品集式标题和冲突缩写会被误分类。
- 互动者不是看到帖子的人的随机样本，读出描述的是回应者而非触达受众。
- 判断需要最少数量的已分类外部互动者（
--min-sample，默认 30），样本更小则区间宽，会如实报告。 - 不建模信息流如何决定谁看到帖子。
- 个人数据须保持本地，移除不需要的列，只报告分段不报告个人，不从其他来源添加任何信息，读出完成后删除文件。