用途：用于设计客户推荐（referral）与联盟（affiliate）计划，覆盖从循环架构到增长建模的完整流程，目标是搭建能持续复利的推荐体系，而非一次性活动。
主要能力：程序类型与循环设计（推荐 vs 联盟决策，四阶段循环：触发→分享→转化→奖励）；激励设计（单边/双边、奖励类型、分层游戏化、基于 LTV/CAC 的奖励经济性）；触发与分享机制（产品内与邮件触发点、分享渠道优先级、第一人称分享文案）；被推荐用户体验（推荐落地页、归因规则、程序文案集）；增长数学（K 因子建模、收入影响模型、逐杠杆提升 K）；联盟框架（佣金模型、分层体系、合作伙伴工具包、招募）；优化（先诊断后优化手册、指标基准、故障排查，以及三个 Python 工具）。
使用方式：先确认程序类型、触发时机、奖励经济性、当前推荐率等关键输入，缺失时应询问而非假设；按触发→分享→转化→奖励顺序搭建循环；奖励上限建议低于首次付款的 30%，推荐率低于 1% 时考虑双边激励；运行 referral_economics_calculator.py、referral_funnel_analyzer.py、affiliate_commission_modeler.py 进行测算与验证；按认知、分享流程、被推荐体验、激励的优先级优化。参考资料按需加载 loop-and-incentives.md、share-and-experience.md、modeling-and-affiliate.md、optimization-and-operations.md。
适用场景：设计推荐计划、启动联盟计划、改善病毒增长、在推荐与联盟间做选择、现有计划停滞（K<1、分享率低、被推荐用户转化低）、按 CAC/毛利/LTV 设定奖励、识别触发时机。
限制：不涵盖推荐落地页视觉设计与 CRO、被推荐用户注册流程优化、注册后引导、流失预防、奖励定价对齐；脚本仅处理本地数据，不集成 ReferralHero、Viral Loops、PartnerStack 等平台。K 因子基准假设面向消费者或专业消费者 SaaS，B2B 企业推荐动态不同；联盟佣金基准（20-30% 循环）为 SaaS 特定；归因窗口受浏览器隐私功能限制；收入预测基于所提供转化率的估算。