用途：根据留存率与 ARPU 数据预测互联网产品的用户生命周期价值（LTV）和用户生命周期（LT）。触发场景为用户询问 LTV、LT 或相关预测。
主要能力：提供两种执行模式。模式 A 直接使用用户粘贴的留存/LTV 序列、原始事件表，支持回本分析、成熟队列衰减借用、幂/对数/指数多函数比较及 ML 用户级预测；模式 B 通过 ae-cli 对 TE 项目自动取数，并支持 RFM、付费分层、VIP 分层 LTV。两模式互补，可先用模式 B 取队列 LTV 序列，再用模式 A 拟合。
使用方式：先确认预测目标（LTV 需留存+ARPU，LT 仅需留存）、数据形态与可用天数，再评估可行性。数据量决定安全预测窗口：少于 3 天不建议预测，7 天约可外推 7~10 天，30 天可外推 30~60 天，60 天以上可做长期预测。随后检查是否可借用成熟队列衰减率，运行幂、对数、指数三种函数拟合并比较 R²，R² 低于 0.7 时尝试分段拟合。最后按报告模板输出并附免责声明。ae-cli 留存查询命令为：ae-cli analysis adhoc run --project-id <project_id> --model-type retention --definition '<retention_definition_json>'。
适用场景：互联网产品 LTV/LT 预测、回本分析、分渠道或分队列预测、分层 LTV 分析。
限制：数据不足时预测偏差大，需明确标注；留存查询本身不提供 ARPU/LTV，需另行获取收入或 ARPU 序列；版本不一致时不能借用衰减率；无数据时只能基于行业基准粗略估计并注明。具体收费、价格与平台支持情况暂未提供。