Audience Advisor 是一款受众策略指导技能，目标是引导用户围绕业务成果构建“正确的”受众，而不仅仅是任意受众。它依托 Lytics 分析 API，包括机器学习特征重要性、内容亲和度、字段信息分布和细分摘要等，给出有证据支撑的建议；当高级功能未配置时会优雅降级。
用途
该技能支持两种模式：
- 从目标创建：例如“帮我构建一个能推动更多购买的受众”。
- 改进现有细分：例如“我该如何改进‘高价值客户’细分？”。
环境要求
需要已认证的 API 访问权限，凭据解析方式参见 ../references/auth.md。
工作流程
第一步：理解意图。判断用户需要哪种模式。路径 A 为从业务目标创建新受众，询问用户想达成什么，而非想要什么受众，例如“推动更多购买”对应转化导向、“重新激活流失用户”对应留存导向、“增长邮件订阅者”对应获客导向、“推广新产品线”对应认知导向，并对目标类型分类，以决定后续优先使用的字段和策略。路径 B 为改进现有细分，接受细分名称或 ID，获取其当前 FilterQL。两条路径在第二步汇合。
第二步：盘点现有细分。获取所有细分，按名称、标签或类型识别与目标相关的细分，寻找“goal”或“conversion”类型细分作为业务成果参考点，记录总人群规模用于后续百分比计算，并标记已针对该目标的现有细分以避免重复。
第三步：收集分析信号。依次尝试各数据源，返回空或报错的跳过，继续使用可用数据。
3a. 机器学习特征重要性（最佳信号，可能不存在）：获取模型列表，寻找目标细分与用户期望成果匹配的模型，再获取其摘要。摘要包含模型质量指标和特征数组，特征字段包括 name（用于过滤的 schema 字段名）、importance（越高越能预测目标细分成员身份）、field_prevalence.source 与 .target（总体人群与目标人群中的普遍程度，差距大表示强区分度）、correlation（关系方向与强度）、impact.lift（该字段提升进入目标可能性的程度）、impact.threshold（建议的过滤截断值）。若没有模型的目标细分与目标相关，跳过 ML 并建议用户用转化细分作为目标创建相似模型；若有多个模型适用，优先选择目标细分最匹配的；若完全没有模型，静默跳过。
3b. 内容亲和度（可能未配置）：获取亲和度数据，若有参考细分则获取该细分的内容推荐，揭示区分受众的主题兴趣；未配置则静默跳过。
3c. 字段信息分析（始终可用，作为基线）：对参考细分（目标/转化细分，或待改进细分）使用细分 ID 哈希而非 slug 名称（slug 会返回 HTTP 500）。获取字段信息与细分摘要。若无参考细分，使用 schema 级字段分布，该方式始终可用，字段覆盖率、值分布和基数始终可获取。
第四步：综合并推荐。按信号强度组织发现。有 ML 特征重要性时，说明目标模型排名靠前的预测字段及其提升倍数，建议围绕这些字段构建过滤器。有内容亲和度时，说明转化者过度索引的内容主题及倍数，建议将内容亲和度作为定向信号。仅有字段信息时，说明参考细分的字段分布，如 visit_count 阈值占比、email 填充率、国家分布等，并给出过滤建议。改进现有细分时，指出当前细分规模是否过宽、哪些过滤器选择性不足、哪些字段覆盖率低，并给出更新后的 FilterQL 建议。
第五步：迭代调整规模。在不创建细分的情况下测试过滤变体，展示每次变化对受众规模的影响。先获取总人群规模作为百分比参照，再测试各过滤变体，以增量细化方式呈现，例如从 145,000 总用户开始，逐步添加 visit_count >= 5、email_engagement > 0.3、last_visit > "now-30d"，最终得到 12,400（9%）的推荐受众。每个 FilterQL 在调整规模前需先验证。
第六步：确认并创建。用户满意后，交由 audience-builder 技能按完整确认门模式创建细分；改进现有细分则使用 PUT /v2/segment/:id。
第七步：创建后快照。创建后，可提供运行 audience-snapshot 技能，展示最终受众构成并确认是否符合预期。
受众规模指导
占总人群比例：< 1% 为非常窄，可能限制触达和统计显著性，适合超个性化、VIP 项目；1-10% 为定向良好，适合转化活动、再营销；10-30% 为广泛定向，适合认知活动、邮件群发；> 30% 为非常宽泛，需考虑更紧的定向是否提升 ROI，仅适合广泛公告。
按目标类型选择字段
转化/购买：优先行为类字段，如 visit_count、pages_viewed、购物车活动，因为行为比人口统计更能预测意图。重新激活/留存：优先时间类字段，如 last_visit、last_purchase、近期性评分，因为近期性可识别流失用户。认知/触达：优先人口统计类字段，如国家、行业、兴趣类别，因为广泛属性可触达正确人群。邮件/渠道增长：优先渠道类字段，如 email_opt_in、渠道偏好、参与度评分，因为渠道特定信号最重要。
细化模式
先宽后窄，逐步展示每步的规模影响，让用户理解权衡；用 AND 收窄、OR 扩展；推荐前检查字段覆盖率，覆盖率 20% 的字段最多只能将受众限制在 20%；集合字段优先用 INTERSECTS，数值用比较运算符；时间定向使用日期运算，如 "now-30d" 表示近期、"now-90d" 表示中期、"now-1y" 表示长期。
错误处理
无 ML 模型：优雅跳过，依赖字段信息分析，建议创建相似模型。无亲和度：静默跳过，继续字段信息。无转化/目标细分：请用户手动描述理想客户特征，使用 schema 发现匹配字段。过滤后细分为空：建议放宽，移除最严格过滤器或调整阈值。用户不确定目标：提供常见目标类别供选择。
依赖
组合使用：audience-builder 技能、audience-snapshot 技能、segment-manager 技能、schema-discovery 技能。参考：../references/auth.md、../references/api-client.md、../references/field-types.md、../references/filterql-grammar.md。