用途：在用户需要规划、设计或实施 A/B 测试与实验时提供指导，覆盖从假设到结果分析的完整流程。
主要能力：
- 初始评估：明确测试目标、当前基线转化率、流量规模、历史数据、技术复杂度、时间与可用工具。
- 假设框架：按“因为[观察/数据]，我们相信[改动]会对[受众]产生[预期结果]，当[指标]达到时即验证”的结构撰写假设。
- 测试类型：A/B、A/B/n、多变量测试（MVT）、拆分 URL 测试。
- 样本量计算：需要基线转化率、最小可检测效应（MDE）、显著性水平（通常 95%）、统计功效（通常 80%）；资料给出不同基线率与提升幅度下的每变体样本量参考表，并列出 Evan Miller 与 Optimizely 计算器链接。
- 测试时长：按所需样本量、变体数、每日流量与转化率估算，最短 1-2 个业务周期，避免过长。
- 指标选择：主指标、辅助指标、护栏指标，并给出首页 CTA、定价页、注册流程的示例。
- 变体设计：控制组保持不变，变体做单一且有意义的改动，可调整文案、视觉、CTA、内容。
- 流量分配：50/50、保守投放（90/10 或 80/20）、渐进放量。
- 实施方式：客户端测试（PostHog、Optimizely、VWO 等，可能闪烁）、服务端测试（PostHog、LaunchDarkly、Split 等，无闪烁但需开发）、功能开关。
- 运行与检查：上线前清单、测试期间监控技术问题与外部因素，避免提前查看结果并停止。
- 结果分析：统计显著性（p<0.05）、实际显著性、置信区间、分段差异，以及结果解读与文档记录。
使用方式：作为 Claude Code 技能，在用户提及 A/B 测试、拆分测试、实验等时触发，按上述框架输出测试计划文档、结果摘要与建议。
适用场景：营销页面、产品功能、定价页、注册流程等需要实验验证的改动。
限制：资料未提供具体收费、价格、平台支持范围或效果保证；样本量参考表仅为示例，实际需按具体参数计算。