用途：当用户需要规划、设计或实施 A/B 测试或实验时使用，也适用于提到“A/B test”“split test”“experiment”等场景。其目标不是随便试一下，而是设计出统计有效、可指导决策的实验。
主要能力：先做初始评估，确认要改进什么、当前转化率与流量、技术与时间约束；如存在 .claude/product-marketing-context.md 会先读取，避免重复提问。核心原则包括：以明确假设开始、单变量测试、统计严谨（预先确定样本量、不提前查看结果）、衡量与业务价值绑定的主指标，并设次级与护栏指标。提供假设框架“因为[观察/数据]，我们相信[改动]会为[受众]带来[预期结果]，当[指标]达到时可验证”。介绍 A/B、A/B/n、MVT、Split URL 等测试类型及所需流量，给出样本量速查表（如基线 1%、提升 10% 需约 150k/变体）并提及 Evan Miller、Optimizely 计算器与 references/sample-size-guide.md。还涵盖指标选择、变体设计（文案、视觉、CTA、内容）、流量分配（50/50、保守、渐进）、客户端与服务端实现及工具（PostHog、Optimizely、VWO、LaunchDarkly、Split）、上线前检查清单、测试期间注意事项、结果分析（95% 置信度、p 值<0.05、分段对比）与常见错误。
使用方式：按技能文档的步骤依次进行假设制定、样本量计算、变体实现与埋点验证，测试中只监控技术问题，不中途改动或提前停止，结束后按清单分析并记录。
适用场景：产品页面、定价页、CTA、文案等优化实验。
限制：文档中未提供该技能本身的收费、价格与具体安装命令等信息，暂未提供；样本量数字为通用示例，实际需结合自身流量计算。