{"id":"b5534e90-f2ff-411f-83f5-2337ddbe23e7","shortId":"YMgT7u","kind":"skill","title":"ai-native-marketing-growth","tagline":"AI Native 营销与增长策略 Skill。基于《AI Native 营销与增长》方法论， 帮助用户构建以 AI 为第一性原理的增长系统：从工具思维升级为系统思维，","description":"# AI Native 营销与增长策略 — SKILL.md\n\n## 一句话定位\n\n大多数企业的 AI 营销实践用一个词概括：工具化。买了 Jasper 写文案，买了 Midjourney 做图，但工具之间是断裂的。本 Skill 教你从\"用 AI 做营销\"进化到\"用 AI 重构营销\"，建立系统级的增长飞轮。\n\n## 何时触发\n\n- 需要为 AI 产品设计增长策略\n- 现有营销/增长方式遇到瓶颈（获客成本高、留存差、不可持续）\n- 需要建立数据驱动的增长系统\n- 想从\"Campaign 思维\"升级为\"Product 思维\"做增长\n\n## 核心方法论（来自书稿）\n\n### 核心命题\n\nAI Native 营销不是\"营销 + AI\"，而是**以 AI 为第一性原理重新构建增长逻辑**。\n\n### 工具思维 vs 系统思维\n\n| 维度 | 工具思维 | 系统思维 |\n|------|----------|----------|\n| 问题框架 | \"如何用 AI 做 X 更快\" | \"如果 X 用 AI 重做，Y 和 Z 会怎么变\" |\n| 投资回报 | 线性提升 | 指数级放大 |\n| 组织要求 | 个人技能提升 | 流程和组织重构 |\n| 竞争壁垒 | 谁用的工具更好 | 谁的飞轮转得更快 |\n| 持续优势 | 短期 | 长期 |\n\n### AI Native 增长飞轮\n\n```\n数据收集 → 意图理解 → 内容/交互生成 → 行为优化 → 反馈学习\n   ↑___________________________________________________________↓\n```\n\n飞轮的五个环节：\n1. **数据收集**（Data Ingestion）：全触点、实时、多模态\n2. **意图理解**（Intent Understanding）：从行为数据中提取用户意图\n3. **内容/交互生成**（Content Generation）：AI 原生的个性化内容与交互\n4. **行为优化**（Behavior Optimization）：实时实验、动态调整\n5. **反馈学习**（Feedback Learning）：模型从结果中学习，形成闭环\n\n### 三大增长引擎\n\n#### 引擎 1：意图预测营销（Intent Prediction Marketing）\n从\"人群定向\"到\"个体预见\"——在用户明确表达之前就提供相关内容。\n\n**关键技术**：行为序列建模、上下文理解、多模态意图识别、预测性推荐\n\n#### 引擎 2：预测性留存（Predictive Retention）\n从\"流失后挽回\"到\"流失前阻止\"——通过 AI 预测用户流失风险并主动干预。\n\n**关键技术**：流失预测模型（Churn Prediction）、行为异常检测、LTV 预测、主动干预策略推荐\n\n#### 引擎 3：数据飞轮（Data Flywheel）\n产品使用产生数据 → 数据训练模型 → 模型优化产品 → 更好产品吸引更多用户 → 更多数据\n\n**关键要素**：数据收集广度、数据质量、反馈闭环速度、产品化能力\n\n## 执行流程\n\n### Step 1：增长现状诊断（Growth Diagnosis）\n\n评估当前增长方式的问题和升级空间。\n\n**诊断四问**：\n1. **数据是否闭环？** 你的获客、转化、留存数据是否在同一个系统里？能否从结果回溯到原因？\n2. **实验速度多快？** 从提出假设到验证结果需要多久？（传统：周/月级；AI Native：分钟/小时级）\n3. **内容是否个性化？** 你给所有用户看一样的内容，还是每个人看到的内容都不同？\n4. **增长是否可累积？** 每次 Campaign 结束后，你是否留下了可复用的资产（数据、模型、洞察）？\n\n**输出**：增长成熟度评分（0-100）+ 最大瓶颈识别\n\n### Step 2：增长飞轮设计（Flywheel Design）\n\n根据产品特性设计专属的 AI Native 增长飞轮。\n\n**飞轮设计模板**：\n\n```\n[你的产品] 增长飞轮：\n\n1. 数据收集\n   - 触点：___（App/网站/客服/社交/邮件...）\n   - 类型：___（行为/交易/反馈/上下文...）\n   - 频率：___（实时/小时/天）\n\n2. 意图理解\n   - 模型：___（行为序列模型/意图分类器/...）\n   - 输出：___（用户意图标签/预测分数/...）\n\n3. 内容/交互生成\n   - 生成类型：___（文案/图片/推荐/定价/...）\n   - 个性化维度：___（个体/分群/场景/...）\n\n4. 行为优化\n   - 实验框架：___（A/B/n 测试/多臂老虎机/...）\n   - 优化目标：___（CTR/转化率/留存率/LTV...）\n\n5. 反馈学习\n   - 反馈信号：___（点击/购买/留存/流失/...）\n   - 模型更新：___（在线学习/批量重训/...）\n```\n\n**输出**：定制化增长飞轮设计图\n\n### Step 3：营销链路重构（Marketing Chain Rebuild）\n\n用 AI 重构营销全链路的四个关键环节：\n\n#### 3.1 内容生产的工业革命\n- **传统**：人工创作 → 审核 → 发布 → 等反馈\n- **AI Native**：AI 生成初稿 → 人工审校关键点 → 自动分发 → 实时反馈优化\n- **关键升级**：从\"人写内容\"到\"人设计内容策略，AI 执行内容生产\"\n\n#### 3.2 精准触达的算法进化\n- **传统**：人群包定向 → 统一素材 → 批量投放\n- **AI Native**：个体意图预测 → 动态生成素材 → 1:1 精准触达\n- **关键升级**：从\"人找信息\"到\"信息找人\"，从\"人群级\"到\"个体级\"\n\n#### 3.3 转化优化的智能闭环\n- **传统**：A/B 测试 → 周级迭代 → 经验驱动\n- **AI Native**：实时实验 → 分钟级迭代 → 模型驱动\n- **关键升级**：从\"经验优化\"到\"算法优化\"，从\"抽样测试\"到\"全量实时\"\n\n#### 3.4 用户留存的预测性干预\n- **传统**：流失后发优惠券挽回\n- **AI Native**：预测流失风险 → 主动干预 → 个性化挽留\n- **关键升级**：从\"事后补救\"到\"事前预防\"，从\"统一活动\"到\"个体方案\"\n\n**输出**：营销链路重构方案\n\n### Step 4：增长团队 AI 化重组（Team Restructure）\n\n设计适应 AI Native 增长的组织架构。\n\n**人机协作增长团队模型**：\n\n| 角色 | 人类职责 | AI 职责 | 协作方式 |\n|------|----------|---------|----------|\n| 增长策略师 | 定义目标、判断方向 | 数据分析、方案生成 | 人决策，AI 建议 |\n| 内容运营 | 策略、审校、品牌把控 | 内容生成、分发优化 | 人把控质量，AI 量产 |\n| 数据分析师 | 问题定义、洞察提炼 | 数据处理、模式识别 | 人提问，AI 回答 |\n| 实验工程师 | 假设设计、结果解读 | 实验执行、统计计算 | 人设计，AI 执行 |\n\n**关键转变**：\n- 从\"专业化分工\"到\"人机协作\"\n- 从\"经验驱动\"到\"数据+模型驱动\"\n- 从\"Campaign 制\"到\"持续优化制\"\n\n**输出**：团队重组建议 + 技能升级路径\n\n### Step 5：数据资产与模型资产建设（Asset Building）\n\n把增长从\"活动\"升级为\"资产积累\"。\n\n**两大资产类型**：\n\n1. **数据资产**\n   - 用户行为数据库\n   - 内容效果数据库\n   - 实验结果数据库\n   - 意图标签体系\n\n2. **模型资产**\n   - 意图预测模型\n   - 内容生成模型\n   - 转化率预测模型\n   - 流失预测模型\n\n**评估标准**：\n- 数据是否\"越用越多\"？\n- 模型是否\"越用越准\"？\n- 资产是否\"竞争对手难以复制\"？\n\n**输出**：数据/模型资产建设计划\n\n### Step 6：增长策略简报输出（Growth Strategy Brief）\n\n```yaml\ngrowth_strategy_brief:\n  current_state:\n    maturity_score: 35\n    biggest_bottleneck: \"数据未闭环，获客和留存数据断裂\"\n  flywheel_design:\n    data_sources: [\"App行为\", \"客服对话\", \"交易数据\"]\n    intent_model: \"行为序列预测\"\n    content_generation: \"个体化推荐+AI文案\"\n    optimization: \"多臂老虎机实时优化\"\n    feedback_loop: \"在线学习，每日更新\"\n  marketing_chain:\n    content: \"AI生成+人工审校\"\n    targeting: \"个体意图预测\"\n    conversion: \"实时A/B测试\"\n    retention: \"流失预测+主动干预\"\n  team_structure:\n    new_roles: [\"AI Growth Engineer\", \"Experiment Designer\"]\n    skill_upgrades: [\"数据科学\", \"Prompt Engineering\", \"模型评估\"]\n  asset_building:\n    data_assets: [\"用户意图标签体系\", \"内容效果数据库\"]\n    model_assets: [\"意图预测模型\", \"流失预警模型\"]\n  90_day_plan:\n    - \"Week 1-2: 数据湖搭建和数据清洗\"\n    - \"Week 3-4: 第一个意图预测模型上线\"\n    - \"Week 5-8: 个体化推荐实验\"\n    - \"Week 9-12: 增长飞轮全链路跑通\"\n  next_stage: \"p7\"\n```\n\n## 关键原则\n\n1. **工具不是问题，系统才是**：单点 AI 工具效率提升有限，系统重构才能产生质变。\n2. **增长即产品**：增长不是营销部门的事，而是产品的一部分。好的增长系统是产品自带的能力。\n3. **数据飞轮是终极壁垒**：谁的数据飞轮转得快，谁就能赢者通吃。\n4. **从人找信息到信息找人**：AI Native 营销的核心是预测用户意图，在用户表达之前主动触达。\n\n## 常见陷阱\n\n- **陷阱 1**：买了工具就以为完成了 AI 升级 → 工具之间不打通，数据不流通，飞轮转不起来\n- **陷阱 2**：追求短期 ROI 忽视长期飞轮 → 每次 Campaign 从零开始，不留数据资产\n- **陷阱 3**：把 AI 当成\"自动化的锤子\" → 所有问题都用 AI 砸，不区分适合和不适合的场景\n- **陷阱 4**：忽视组织升级 → 团队结构和技能不升级，系统思维落不了地\n\n## 与其他 Skill 的关系\n\n- **上游输入**：`ai-native-business-model`（商业模式，决定增长策略的约束条件）\n- **下游输出**：`ai-native-production-ops`（生产运行，增长策略上线后的运营）\n- **并行参考**：`ai-native-experiment-engine`（试验展开，验证增长假设）\n\n## 核心概念\n\n### 概念 1：AI Native 增长飞轮\n\n以 AI 为第一性原理设计的增长系统，不是在传统增长模型上\"加装 AI\"，而是从数据、模型、反馈回路出发重新构建增长逻辑。\n\n飞轮由四个互相咬合的齿轮构成——**数据→模型→触达→反馈**，形成自增强闭环：数据越多，模型越精准；模型越精准，触达越高效；触达越高效，反馈越丰富；反馈越丰富，数据越多。每一轮循环都让系统整体变得更强，这就是**系统复利**。\n\n与传统增长模型（AARRR、增长黑客）的关键差异：传统模型假设\"渠道\"是固定的，追求单点最优化；AI Native 增长飞轮假设\"渠道可以被重构\"，追求系统复利。\n\n| 维度 | 传统增长 | AI Native 增长飞轮 |\n|------|----------|-------------------|\n| 核心逻辑 | 渠道优化 | 系统复利 |\n| 数据角色 | 分析历史 | 实时驱动 |\n| 内容生产 | 人工创作 | AI 原生 + 人工审校 |\n| 实验速度 | 周/月级 | 分钟/小时级 |\n| 组织要求 | 专业化分工 | 人机协作 |\n\n**飞轮效率三指标**：转速（一圈循环的平均时间）、增速（每一圈带来的增量效果）、稳定性（飞轮是否容易被打断）。\n\n### 概念 2：数据飞轮\n\n产品使用产生数据 → 数据训练模型 → 模型优化产品 → 更好的产品吸引更多用户 → 更多数据的自增强闭环。数据飞轮是 AI 时代最强大的增长壁垒，其差距会随时间指数级放大。\n\n**关键要素**：\n1. **数据收集广度**：能收集多少维度的数据\n2. **数据质量**：噪音比例超过 20% 模型性能显著退化\n3. **反馈闭环速度**：从数据到模型更新的周期\n4. **产品化能力**：将模型输出转化为产品功能的能力\n\n**模型资产 = 数据 × 处理能力 × 迭代速度**——三个乘数缺一不可。\n\n### 概念 3：意图预测营销\n\n从\"人群定向\"升级为\"个体预见\"——通过 AI 模型预测用户意图和需求，在用户明确表达之前就提供相关内容和产品。核心区别：用户画像是静态标签，意图理解是动态信号——告诉你用户**现在想做什么**。\n\n**1:1 规模化 = 实时意图理解 × 自动生成内容 × 动态策略优化**\n\n### 概念 4：预测性留存\n\n通过 AI 模型预测用户流失风险，在流失之前进行主动干预。关键洞察：用户流失最强烈的信号不是负面行为，而是**沉默**——行为频率衰减、互动深度下降、功能使用路径变窄。\n\nAI 模型能以 70%-90% 准确率预测未来 30 天内的流失概率，但**预测越准，干预越要克制**。\n\n### 概念 5：营销产品化\n\n将营销活动设计为产品功能，让用户在使用中自然完成\"被营销\"。关键特征：自然涌现、数据闭环、去中心化传播。\n\n典型范例：Notion 模板市场、Figma 社区、Duolingo 打卡机制。营销产品化是 PLG 在 AI 时代的进化：产品体验本身就是营销内容。\n\n### 概念 6：客户闭环\n\n设计从早期客户筛选 → 共创边界 → 反馈收集 → 产品改进 → 客户扩张 → 方法论回流的完整闭环，确保从早期用户到规模化增长的客户循环畅通。\n\n## 分步执行\n\n### Step 1：增长现状诊断\n\n评估当前增长方式的问题和升级空间。\n\n**诊断四问**：\n1. **数据是否闭环？** 获客、转化、留存数据是否在同一个系统里？\n2. **实验速度多快？** 从假设到验证需要多久？\n3. **内容是否个性化？** 所有用户看一样的内容还是每个人不同？\n4. **增长是否可累积？** 每次 Campaign 后是否留下可复用资产？\n\n**增长成熟度评分（0-100）**：\n- 0-20：工具化初期（买了工具但未打通）\n- 21-40：数据孤岛期（有数据但不闭环）\n- 41-60：飞轮起步期（部分闭环但转速慢）\n- 61-80：飞轮加速期（闭环运转且持续优化）\n- 81-100：系统复利期（飞轮自转，指数增长）\n\n### Step 2：增长飞轮设计\n\n根据产品特性设计专属的 AI Native 增长飞轮。\n\n**执行要点**：\n1. **环节识别**：数据收集、意图理解、内容生成、行为优化、反馈学习\n2. **增强回路设计**：对每两个相邻环节，设计双向增强回路\n3. **瓶颈环节识别**：找到效率最低的环节优先投入\n4. **飞轮效率评估**：转速、增速、稳定性\n\n### Step 3：数据飞轮构建\n\n建设从数据到模型到产品到用户的自增强闭环。\n\n**执行要点**：\n1. 数据源识别 → 2. 数据收集设计 → 3. 数据处理管道 → 4. 模型训练与部署 → 5. 产品化闭环 → 6. 飞轮效率监控\n\n**关键检查**：数据是否\"越用越多\"？模型是否\"越用越准\"？闭环周期是否在缩短？\n\n### Step 4：意图预测与转化路径设计\n\n设计从\"识别用户意图\"到\"促成用户行为\"的完整转化路径。\n\n**执行要点**：意图识别 → 意图到内容映射 → 个性化触达 → 行为促成机制 → 反馈闭环\n\n### Step 5：预测性留存与干预设计\n\n从\"流失后挽回\"升级为\"流失前阻止\"。\n\n**执行要点**：流失信号识别 → 流失预测模型 → 干预策略分层 → 干预时机与力度 → 效果评估与迭代\n\n**关键原则**：预测得越准，干预越要克制；AI 预测风险，人决定是否干预。\n\n### Step 6：营销产品化设计\n\n将营销融入产品，让产品本身就是获客渠道。\n\n**执行要点**：识别产品化机会 → 设计自然涌现机制 → 建立数据闭环 → 去中心化传播 → PLG 进化\n\n### Step 7：客户闭环与增长策略简报\n\n设计完整的客户循环并输出增长策略简报。\n\n**客户闭环六步**：早期客户筛选 → 共创边界设定 → 反馈收集机制 → 产品改进循环 → 客户扩张策略 → 方法论回流\n\n### 示例\n\n### 示例 1：B2B SaaS 产品的增长飞轮设计\n\n**场景描述**：一家 B2B SaaS 公司提供企业协作工具，目前通过销售团队 + 内容营销获客，CAC ¥3000+，试用转化率 8%，月流失率 5%。获客-产品-客服数据断裂，无法构建闭环。\n\n**用户输入**：\n\n> 我们是 B2B SaaS 做企业协作工具。获客靠销售团队和内容营销，CAC 很高。试用到付费转化率只有 8%，月流失率 5%。想设计 AI Native 的增长飞轮。\n\n**执行流程**：\n\n1. **诊断**：数据不闭环（CRM / Mixpanel / Zendesk 三个系统断裂）；实验速度慢（A/B 测试需 2-3 周）；内容不个性化。增长成熟度 25 分。\n2. **飞轮设计**：围绕\"产品使用数据\"构建飞轮核心——打通三个数据源，建立统一用户行为画像\n3. **数据飞轮**：Mixpanel+CRM+Zendesk → 统一数据湖 → 特征工程 → 模型训练。日级闭环。\n4. **意图预测**：试用期行为序列 → 付费概率预测（XGBoost）→ 高概率用户优先分配 CSM\n5. **预测性留存**：流失预警模型 → 高风险客户主动关怀（周活跃天数下降、核心功能使用频率衰减）\n6. **营销产品化**：团队邀请（邀请越多免费额度越高）+ 模板市场（用户创建→他人复用→自然转化）+ 协作分享链接\n\n**输出结果**：\n\n```yaml\ngrowth_strategy_brief:\n  diagnosis:\n    maturity_score: 25\n    biggest_bottleneck: \"获客-产品-客服数据断裂，无法构建闭环\"\n    priority_action: \"打通数据孤岛，建立统一用户行为画像\"\n  flywheel_design:\n    data_sources: [\"产品使用行为\", \"CRM销售数据\", \"客服工单\", \"内容互动\"]\n    intent_model: \"试用期行为序列→付费概率预测（XGBoost）\"\n    content_generation: \"基于使用深度的个性化引导流程+邮件序列\"\n    optimization: \"多臂老虎机实时优化引导路径\"\n    feedback_loop: \"在线学习，每日模型更新\"\n  data_flywheel:\n    data_pipeline: \"Mixpanel+CRM+Zendesk→统一数据湖→特征工程→模型训练\"\n    model_assets: [\"付费转化预测模型\", \"流失预警模型\", \"功能推荐模型\"]\n    flywheel_speed: \"日级闭环\"\n  predictive_retention:\n    churn_signals: [\"周活跃天数下降\", \"核心功能使用频率衰减\", \"协作人数减少\"]\n    intervention_strategies:\n      low_risk: \"个性化功能推荐邮件\"\n      medium_risk: \"CSM 主动关怀+使用培训\"\n      high_risk: \"客户成功经理 1v1 回访+定制方案\"\n  marketing_productization:\n    product_features: [\"团队邀请\", \"模板市场\", \"协作分享链接\"]\n    viral_mechanisms: [\"邀请返利\", \"模板创作者激励\", \"公开看板分享\"]\n  90_day_plan:\n    - \"Week 1-2: 数据湖搭建，三个数据源打通\"\n    - \"Week 3-4: 付费转化预测模型上线\"\n    - \"Week 5-8: 个性化引导流程 A/B 测试\"\n    - \"Week 9-12: 团队邀请+模板分享机制上线\"\n```\n\n### 示例 2：AI 写作助手的增长飞轮修复\n\n**场景描述**：一款 AI 写作助手，日活 5 万，D30 留存仅 8%，AI 生成质量与竞品无明显差异。只收集了\"生成数据\"，未收集\"编辑反馈数据\"，飞轮缺关键燃料。\n\n**用户输入**：\n\n> AI 写作助手日活 5 万。留存很差 D30 才 8%，生成质量和竞品差不多，没有壁垒。怎么构建增长飞轮？\n\n**执行流程**：\n\n1. **诊断**：增长成熟度 20 分。最大瓶颈——只收集生成数据，未收集编辑反馈数据，飞轮缺关键燃料。\n2. **核心洞察**：用户的编辑行为（修改、删除、重写、最终选择）比生成行为更有价值——这是隐式反馈信号。\n3. **飞轮设计**：\n   - 数据层：记录完整编辑轨迹（不只是最终输出）\n   - 模型层：用编辑轨迹训练偏好模型（DPO）\n   - 产品层：基于偏好模型优化生成质量\n   - 增长层：质量提升→留存提升→更多用户→更多编辑数据\n4. **营销产品化**：作品分享（带产品水印）、模板市场（用户创作→他人使用→自然获客）、协作写作邀请\n5. **关键指标**：编辑率（用户修改 AI 输出的比例）——越低说明质量越高\n\n**输出结果**：\n\n```yaml\ngrowth_strategy_brief:\n  diagnosis:\n    maturity_score: 20\n    biggest_bottleneck: \"只收集生成数据，未收集编辑反馈数据，飞轮缺关键燃料\"\n    priority_action: \"建立完整的用户编辑行为采集系统\"\n  flywheel_design:\n    data_sources: [\"用户输入指令\", \"AI生成输出\", \"用户编辑轨迹\", \"最终使用场景\"]\n    intent_model: \"用户编辑模式→偏好学习→生成质量优化\"\n    optimization: \"RLHF/DPO 偏好学习\"\n    feedback_loop: \"每次编辑行为即时反馈到模型\"\n  data_flywheel:\n    data_pipeline: \"编辑行为→偏好标注→DPO 训练→生成策略更新→质量提升→更多使用\"\n    model_assets: [\"用户偏好模型（DPO）\", \"写作风格迁移模型\", \"质量评估模型\"]\n    flywheel_speed: \"次日闭环\"\n  marketing_productization:\n    product_features: [\"作品分享（带产品水印）\", \"模板市场\", \"协作写作邀请\"]\n    viral_mechanisms: [\"分享返额度\", \"模板创作者排行榜\", \"写作成就展示\"]\n  90_day_plan:\n    - \"Week 1-2: 编辑行为采集系统上线\"\n    - \"Week 3-4: 第一版 DPO 偏好模型训练完成\"\n    - \"Week 5-8: 生成质量 A/B 测试，编辑率目标下降 30%\"\n    - \"Week 9-12: 模板市场+分享机制上线\"\n```\n\n## 关键原则\n\n1. **工具不是问题，系统才是**：单点 AI 工具效率提升有限，系统重构才能产生质变\n2. **增长即产品**：增长不是营销部门的事，而是产品的一部分\n3. **数据飞轮是终极壁垒**：谁的数据飞轮转得快，谁就能赢者通吃。但壁垒不在于转了多少圈，而在于每一圈转得有多快\n4. **从人找信息到信息找人**：AI Native 营销的核心是预测用户意图\n5. **预测越准，干预越克制**：AI 预测风险，人决定是否干预\n6. **数据质量 > 数据数量**：噪音数据不仅让模型犯错，还会让模型在犯错的路上越走越远\n\n## 常见陷阱\n\n- **陷阱 1**：买了工具就以为完成了 AI 升级 → 工具之间不打通，数据不流通\n- **陷阱 2**：追求短期 ROI 忽视长期飞轮 → 每次 Campaign 从零开始，不留数据资产\n- **陷阱 3**：把 AI 当成\"自动化的锤子\" → 不区分适合和不适合的场景\n- **陷阱 4**：忽视组织升级 → 团队结构和技能不升级，系统思维落不了地\n- **陷阱 5**：只关注数据量忽视数据质量 → 垃圾数据\"教坏\"模型\n- **陷阱 6**：预测性留存干预过度 → 用户感到被监控，反而加速流失\n\n## 与其他 Skill 的关系\n\n- **上游输入**：`ai-native-business-model`（商业模式，决定增长策略的约束条件）\n- **下游输出**：`ai-native-production-ops`（增长策略上线后的运营）\n- **并行参考**：`ai-native-experiment-engine`（验证增长假设）\n- **子 Skill**：`p7a` 数据飞轮、`p7b` 意图预测、`p7c` 预测性留存、`p7d` 营销产品化","tags":["marketing","growth","native","product","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native","ai-product","methodology"],"capabilities":["skill","source-gmaxxxie","skill-p7-marketing-growth","topic-agent-skills","topic-ai-agent","topic-ai-native","topic-ai-product","topic-methodology","topic-product-management","topic-product-methodology","topic-product-thinking","topic-skills"],"categories":["ai-native-product-agent-skills"],"synonyms":[],"warnings":[],"endpointUrl":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p7-marketing-growth","protocol":"skill","transport":"skills-sh","auth":{"type":"none","details":{"cli":"npx skills add gmaxxxie/ai-native-product-agent-skills","source_repo":"https://github.com/gmaxxxie/ai-native-product-agent-skills","install_from":"skills.sh"}},"qualityScore":"0.478","qualityRationale":"deterministic score 0.48 from registry signals: · indexed on github topic:agent-skills · 56 github stars · SKILL.md body (11,112 chars)","verified":false,"liveness":"unknown","lastLivenessCheck":null,"agentReviews":{"count":0,"score_avg":null,"cost_usd_avg":null,"success_rate":null,"latency_p50_ms":null,"narrative_summary":null,"summary_updated_at":null},"enrichmentModel":"deterministic:skill-github:v1","enrichmentVersion":1,"enrichedAt":"2026-05-18T18:57:33.650Z","embedding":null,"createdAt":"2026-05-01T01:03:01.602Z","updatedAt":"2026-05-18T18:57:33.650Z","lastSeenAt":"2026-05-18T18:57:33.650Z","tsv":"'-100':241,902,920 '-12':603,1242,1420 '-2':591,1227,1402 '-20':904 '-3':1082 '-4':595,1232,1406 '-40':908 '-60':912 '-8':599,1236,1412 '-80':916 '-90':838 '/b':556 '/ltv':302 '0':240,901,903 '1':118,151,203,209,255,355,356,486,590,609,633,693,780,815,816,880,884,932,956,1032,1071,1226,1279,1401,1424,1459 '1v1':1207 '2':125,167,215,244,272,492,616,641,768,783,889,925,939,958,1081,1088,1246,1288,1431,1466 '20':786,1282,1336 '21':907 '25':1086,1134 '3':130,187,225,280,316,594,621,650,788,800,892,943,952,960,1095,1231,1297,1405,1435,1475 '3.1':324 '3.2':345 '3.3':367 '3.4':388 '30':840,1417 '3000':1044 '35':522 '4':137,229,292,409,625,660,791,822,895,946,962,975,1104,1312,1441,1482 '41':911 '5':143,303,477,598,846,964,989,1048,1065,1111,1235,1254,1269,1321,1411,1446,1487 '6':509,869,966,1008,1117,1452,1493 '61':915 '7':1020 '70':837 '8':1046,1063,1258,1274 '81':919 '9':602,1241,1419 '90':586,1222,1397 'a/b':370,1079,1238,1414 'a/b/n':295 'aarrr':724 'action':1143,1343 'ai':2,6,11,16,19,25,39,43,48,66,70,73,83,90,108,135,176,221,249,322,331,333,343,351,374,392,411,416,422,431,440,448,456,565,613,627,635,652,656,669,677,685,694,698,702,731,738,749,776,807,825,835,865,928,1004,1067,1247,1251,1259,1267,1325,1428,1443,1449,1461,1477,1502,1510,1517 'ai-native-business-model':668,1501 'ai-native-experiment-engin':684,1516 'ai-native-marketing-growth':1 'ai-native-production-op':676,1509 'ai文案':540 'ai生成':550 'ai生成输出':1350 'app':258 'app行为':531 'asset':479,576,579,583,1180,1376 'b2b':1033,1038,1056 'behavior':139 'biggest':523,1135,1337 'bottleneck':524,1136,1338 'brief':513,517,1130,1332 'build':480,577 'busi':671,1504 'cac':1043,1060 'campaign':57,232,469,646,898,1471 'chain':319,548 'churn':180,1189 'content':133,537,549,1159 'convers':554 'crm':1074,1098,1174 'crm销售数据':1151 'csm':1110,1201 'ctr':299 'current':518 'd30':1256,1272 'data':120,189,529,578,1148,1169,1171,1347,1364,1366 'day':587,1223,1398 'design':247,528,569,1147,1346 'diagnosi':206,1131,1333 'dpo':1304,1370,1378,1408 'duolingo':860 'engin':567,574,688,1520 'experi':568,687,1519 'featur':1213,1387 'feedback':145,543,1165,1361 'figma':858 'flywheel':190,246,527,1146,1170,1184,1345,1365,1381 'generat':134,538,1160 'growth':5,205,511,515,566,1128,1330 'high':1204 'ingest':121 'intent':127,153,534,1154,1353 'intervent':1194 'jasper':29 'learn':146 'loop':544,1166,1362 'low':1196 'ltv':183 'market':4,155,318,547,1210,1384 'matur':520,1132,1334 'mechan':1218,1393 'medium':1199 'midjourney':32 'mixpanel':1075,1097,1173 'model':535,582,672,1155,1179,1354,1375,1505 'nativ':3,7,12,20,67,109,222,250,332,352,375,393,417,628,670,678,686,695,732,739,929,1068,1444,1503,1511,1518 'new':563 'next':605 'notion':856 'op':680,1513 'optim':140,541,1163,1358 'p7':607 'p7a':1524 'p7b':1526 'p7c':1528 'p7d':1530 'pipelin':1172,1367 'plan':588,1224,1399 'plg':863,1017 'predict':154,169,181,1187 'prioriti':1142,1342 'product':60,679,1211,1212,1385,1386,1512 'prompt':573 'rebuild':320 'restructur':414 'retent':170,558,1188 'risk':1197,1200,1205 'rlhf/dpo':1359 'roi':643,1468 'role':564 'saa':1034,1039,1057 'score':521,1133,1335 'signal':1190 'skill':9,36,570,665,1498,1523 'skill-p7-marketing-growth' 'skill.md':22 'sourc':530,1149,1348 'source-gmaxxxie' 'speed':1185,1382 'stage':606 'state':519 'step':202,243,315,408,476,508,879,924,951,974,988,1007,1019 'strategi':512,516,1129,1195,1331 'structur':562 'target':552 'team':413,561 'topic-agent-skills' 'topic-ai-agent' 'topic-ai-native' 'topic-ai-product' 'topic-methodology' 'topic-product-management' 'topic-product-methodology' 'topic-product-thinking' 'topic-skills' 'understand':128 'upgrad':571 'viral':1217,1392 'vs':76 'week':589,593,597,601,1225,1230,1234,1240,1400,1404,1410,1418 'x':85,88 'xgboost':1108,1158 'y':92 'yaml':514,1127,1329 'z':94 'zendesk':1076,1099,1175 '一句话定位':23 '一圈循环的平均时间':762 '一家':1037 '一款':1250 '万':1255,1270 '三个乘数缺一不可':798 '三个数据源打通':1229 '三个系统断裂':1077 '三大增长引擎':149 '上下文':267 '上下文理解':163 '上游输入':667,1500 '下游输出':675,1508 '不区分适合和不适合的场景':658,1480 '不只是最终输出':1301 '不可持续':54 '不是在传统增长模型上':700 '不留数据资产':648,1473 '与传统增长模型':723 '与其他':664,1497 '专业化分工':460,758 '两大资产类型':485 '个人技能提升':100 '个体':289 '个体化推荐':539 '个体化推荐实验':600 '个体意图预测':353,553 '个体方案':405 '个体级':366 '个体预见':159,805 '个性化功能推荐邮件':1198 '个性化引导流程':1237 '个性化挽留':396 '个性化维度':288 '个性化触达':985 '为第一性原理的增长系统':17 '为第一性原理设计的增长系统':699 '为第一性原理重新构建增长逻辑':74 '主动关怀':1202 '主动干预':395,560 '主动干预策略推荐':185 '买了':28,31 '买了工具但未打通':906 '买了工具就以为完成了':634,1460 '事前预防':401 '事后补救':399 '互动深度下降':833 '交互生成':114,132,282 '交易':265 '交易数据':533 '产品':1051,1139 '产品体验本身就是营销内容':867 '产品使用产生数据':191,770 '产品使用数据':1091 '产品使用行为':1150 '产品化能力':200,792 '产品化闭环':965 '产品层':1305 '产品改进':874 '产品改进循环':1027 '产品的增长飞轮设计':1035 '产品设计增长策略':49 '人写内容':340 '人决定是否干预':1006,1451 '人决策':430 '人工创作':327,748 '人工审校':551,751 '人工审校关键点':335 '人找信息':360 '人把控质量':439 '人提问':447 '人机协作':462,759 '人机协作增长团队模型':419 '人类职责':421 '人群包定向':348 '人群定向':157,803 '人群级':364 '人设计':455 '人设计内容策略':342 '从':156,171,339,359,363,380,384,398,402,459,463,468,802,991 '从人找信息到信息找人':626,1442 '从假设到验证需要多久':891 '从工具思维升级为系统思维':18 '从提出假设到验证结果需要多久':217 '从数据到模型更新的周期':790 '从行为数据中提取用户意图':129 '从零开始':647,1472 '他人使用':1318 '他人复用':1123 '付费概率预测':1107,1157 '付费转化预测模型':1181 '付费转化预测模型上线':1233 '以':72,697 '优化目标':298 '会怎么变':95 '传统':218,326,347,369,390 '传统增长':737 '传统模型假设':727 '但':842 '但壁垒不在于转了多少圈':1439 '但工具之间是断裂的':34 '何时触发':46 '作品分享':1314,1388 '你是否留下了可复用的资产':234 '你的产品':253 '你的获客':211 '你给所有用户看一样的内容':227 '使用培训':1203 '促成用户行为':980 '信息找人':362 '修改':1291 '假设设计':451 '偏好学习':1356,1360 '偏好标注':1369 '偏好模型训练完成':1409 '做':84 '做企业协作工具':1058 '做图':33 '做增长':62 '做营销':40 '全触点':122 '全量实时':387 '公司提供企业协作工具':1040 '公开看板分享':1221 '共创边界':872 '共创边界设定':1025 '关键升级':338,358,379,397 '关键原则':608,1001,1423 '关键技术':161,178 '关键指标':1322 '关键检查':968 '关键洞察':828 '关键特征':851 '关键要素':196,779 '关键转变':458 '其差距会随时间指数级放大':778 '典型范例':855 '内容':113,131,281 '内容不个性化':1084 '内容互动':1153 '内容效果数据库':489,581 '内容是否个性化':226,893 '内容生产':747 '内容生产的工业革命':325 '内容生成':437,936 '内容生成模型':495 '内容营销获客':1042 '内容运营':433 '写作助手':1252 '写作助手日活':1268 '写作助手的增长飞轮修复':1248 '写作成就展示':1396 '写作风格迁移模型':1379 '写文案':30 '决定增长策略的约束条件':674,1507 '准确率预测未来':839 '分':1087,1283 '分享机制上线':1422 '分享返额度':1394 '分发优化':438 '分析历史':745 '分步执行':878 '分群':290 '分钟':223,755 '分钟级迭代':377 '删除':1292 '判断方向':427 '到':158,173,341,361,365,382,386,400,404,461,465,471,979 '制':470 '功能使用路径变窄':834 '功能推荐模型':1183 '加装':701 '动态生成素材':354 '动态策略优化':820 '动态调整':142 '化重组':412 '升级':636,1462 '升级为':59,483,804,993 '协作人数减少':1193 '协作写作邀请':1320,1391 '协作分享链接':1125,1216 '协作方式':424 '单点':612,1427 '原生':750 '原生的个性化内容与交互':136 '去中心化传播':854,1016 '反而加速流失':1496 '反馈':266,710 '反馈信号':305 '反馈回路出发重新构建增长逻辑':705 '反馈学习':116,144,304,938 '反馈收集':873 '反馈收集机制':1026 '反馈越丰富':717,718 '反馈闭环':987 '反馈闭环速度':199,789 '发布':329 '只关注数据量忽视数据质量':1488 '只收集了':1261 '只收集生成数据':1285,1339 '后是否留下可复用资产':899 '告诉你用户':813 '周':219,753,1083 '周活跃天数下降':1115,1191 '周级迭代':372 '和':93 '品牌把控':436 '商业模式':673,1506 '噪音数据不仅让模型犯错':1455 '噪音比例超过':785 '回答':449 '回访':1208 '团队结构和技能不升级':662,1484 '团队邀请':1119,1214,1243 '团队重组建议':474 '围绕':1090 '图片':285 '在':864 '在流失之前进行主动干预':827 '在用户明确表达之前就提供相关内容':160 '在用户明确表达之前就提供相关内容和产品':809 '在用户表达之前主动触达':630 '在线学习':311,545,1167 '场景':291 '场景描述':1036,1249 '垃圾数据':1489 '基于':10 '基于使用深度的个性化引导流程':1161 '基于偏好模型优化生成质量':1306 '增强回路设计':940 '增速':763,949 '增长不是营销部门的事':618,1433 '增长即产品':617,1432 '增长团队':410 '增长层':1307 '增长成熟度':1085,1281 '增长成熟度评分':239,900 '增长方式遇到瓶颈':51 '增长是否可累积':230,896 '增长现状诊断':204,881 '增长的组织架构':418 '增长策略上线后的运营':682,1514 '增长策略师':425 '增长策略简报输出':510 '增长飞轮':110,251,254,696,740,930 '增长飞轮假设':733 '增长飞轮全链路跑通':604 '增长飞轮设计':245,926 '增长黑客':725 '处理能力':796 '多模态':124 '多模态意图识别':164 '多臂老虎机':297 '多臂老虎机实时优化':542 '多臂老虎机实时优化引导路径':1164 '大多数企业的':24 '天':271 '天内的流失概率':841 '好的增长系统是产品自带的能力':620 '如何用':82 '如果':87 '子':1522 '定义目标':426 '定价':287 '定制化增长飞轮设计图':314 '定制方案':1209 '实时':123,269 '实时a':555 '实时反馈优化':337 '实时实验':141,376 '实时意图理解':818 '实时驱动':746 '实验工程师':450 '实验执行':453 '实验框架':294 '实验结果数据库':490 '实验速度':752 '实验速度多快':216,890 '实验速度慢':1078 '审校':435 '审核':328 '客户成功经理':1206 '客户扩张':875 '客户扩张策略':1028 '客户闭环':870 '客户闭环与增长策略简报':1021 '客户闭环六步':1023 '客服':260 '客服对话':532 '客服工单':1152 '客服数据断裂':1052,1140 '对每两个相邻环节':941 '将模型输出转化为产品功能的能力':793 '将营销活动设计为产品功能':848 '将营销融入产品':1010 '小时':270 '小时级':224,756 '工具不是问题':610,1425 '工具之间不打通':637,1463 '工具化':27 '工具化初期':905 '工具思维':75,79 '工具效率提升有限':614,1429 '带产品水印':1315,1389 '帮助用户构建以':15 '常见陷阱':631,1457 '干预时机与力度':999 '干预策略分层':998 '干预越克制':1448 '干预越要克制':844,1003 '并行参考':683,1515 '建立完整的用户编辑行为采集系统':1344 '建立数据闭环':1015 '建立系统级的增长飞轮':45 '建立统一用户行为画像':1094,1145 '建议':432 '建设从数据到模型到产品到用户的自增强闭环':954 '引擎':150,166,186 '当成':653,1478 '形成自增强闭环':711 '形成闭环':148 '很高':1061 '忽视组织升级':661,1483 '忽视长期飞轮':644,1469 '怎么构建增长飞轮':1277 '思维':58,61 '想从':56 '想设计':1066 '意图分类器':276 '意图到内容映射':984 '意图标签体系':491 '意图理解':112,126,273,935 '意图理解是动态信号':812 '意图识别':983 '意图预测':1105,1527 '意图预测与转化路径设计':976 '意图预测模型':494,584 '意图预测营销':152,801 '我们是':1055 '所有用户看一样的内容还是每个人不同':894 '所有问题都用':655 '才':1273 '打卡机制':861 '打通三个数据源':1093 '打通数据孤岛':1144 '执行':457 '执行内容生产':344 '执行流程':201,1070,1278 '执行要点':931,955,982,995,1012 '批量投放':350 '批量重训':312 '找到效率最低的环节优先投入':945 '技能升级路径':475 '把':651,1476 '把增长从':481 '投资回报':96 '抽样测试':385 '持续优势':105 '持续优化制':472 '指数增长':923 '指数级放大':98 '推荐':286 '效果评估与迭代':1000 '教你从':37 '教坏':1490 '数据':235,466,506,707,795 '数据不流通':638,1464 '数据不闭环':1073 '数据分析':428 '数据分析师':442 '数据处理':445 '数据处理管道':961 '数据孤岛期':909 '数据层':1299 '数据收集':111,119,256,934 '数据收集广度':197,781 '数据收集设计':959 '数据数量':1454 '数据是否':499,969 '数据是否闭环':210,885 '数据未闭环':525 '数据湖搭建':1228 '数据湖搭建和数据清洗':592 '数据源识别':957 '数据科学':572 '数据角色':744 '数据训练模型':192,771 '数据质量':198,784,1453 '数据资产':487 '数据资产与模型资产建设':478 '数据越多':712,719 '数据闭环':853 '数据飞轮':188,769,1096,1525 '数据飞轮是':775 '数据飞轮是终极壁垒':622,1436 '数据飞轮构建':953 '文案':284 '方案生成':429 '方法论':14 '方法论回流':1029 '方法论回流的完整闭环':876 '无法构建闭环':1053,1141 '日活':1253 '日级闭环':1103,1186 '早期客户筛选':1024 '时代最强大的增长壁垒':777 '时代的进化':866 '是固定的':729 '更多使用':1374 '更多数据':195 '更多数据的自增强闭环':774 '更多用户':1310 '更多编辑数据':1311 '更好产品吸引更多用户':194 '更好的产品吸引更多用户':773 '更快':86 '最大瓶颈':1284 '最大瓶颈识别':242 '最终使用场景':1352 '最终选择':1294 '月流失率':1047,1064 '月级':220,754 '有数据但不闭环':910 '未收集':1263 '未收集编辑反馈数据':1286,1340 '本':35 '来自书稿':64 '构建飞轮核心':1092 '核心功能使用频率衰减':1116,1192 '核心区别':810 '核心命题':65 '核心方法论':63 '核心概念':691 '核心洞察':1289 '核心逻辑':741 '根据产品特性设计专属的':248,927 '概念':692,767,799,821,845,868 '模型':236,274,704,708,1491 '模型从结果中学习':147 '模型优化产品':193,772 '模型层':1302 '模型性能显著退化':787 '模型是否':501,971 '模型更新':310 '模型能以':836 '模型训练':1102,1178 '模型训练与部署':963 '模型评估':575 '模型资产':493,794 '模型资产建设计划':507 '模型越精准':713,714 '模型预测用户意图和需求':808 '模型预测用户流失风险':826 '模型驱动':378,467 '模式识别':446 '模板分享机制上线':1244 '模板创作者排行榜':1395 '模板创作者激励':1220 '模板市场':857,1121,1215,1316,1390,1421 '次日闭环':1383 '每一圈带来的增量效果':764 '每一轮循环都让系统整体变得更强':720 '每日更新':546 '每日模型更新':1168 '每次':231,645,897,1470 '每次编辑行为即时反馈到模型':1363 '比生成行为更有价值':1295 '沉默':831 '没有壁垒':1276 '洞察':237 '洞察提炼':444 '活动':482 '流失':309 '流失信号识别':996 '流失前阻止':174,994 '流失后发优惠券挽回':391 '流失后挽回':172,992 '流失预测':559 '流失预测模型':179,497,997 '流失预警模型':585,1113,1182 '流程和组织重构':101 '测试':296,371,557,1239,1415 '测试需':1080 '渠道':728 '渠道优化':742 '渠道可以被重构':734 '点击':306 '特征工程':1101,1177 '环节识别':933 '现在想做什么':814 '现有营销':50 '瓶颈环节识别':944 '生产运行':681 '生成初稿':334 '生成数据':1262 '生成策略更新':1372 '生成类型':283 '生成质量':1413 '生成质量与竞品无明显差异':1260 '生成质量优化':1357 '生成质量和竞品差不多':1275 '用':38,42,89,321 '用户修改':1324 '用户偏好模型':1377 '用户创作':1317 '用户创建':1122 '用户意图标签':278 '用户意图标签体系':580 '用户感到被监控':1495 '用户流失最强烈的信号不是负面行为':829 '用户画像是静态标签':811 '用户留存的预测性干预':389 '用户的编辑行为':1290 '用户编辑模式':1355 '用户编辑轨迹':1351 '用户行为数据库':488 '用户输入':1054,1266 '用户输入指令':1349 '用编辑轨迹训练偏好模型':1303 '留存':308 '留存仅':1257 '留存差':53 '留存很差':1271 '留存提升':1309 '留存数据是否在同一个系统里':213,888 '留存率':301 '的关系':666,1499 '的关键差异':726 '的增长飞轮':1069 '的完整转化路径':981 '目前通过销售团队':1041 '短期':106 '砸':657 '确保从早期用户到规模化增长的客户循环畅通':877 '示例':1030,1031,1245 '社交':261 '社区':859 '稳定性':765,950 '竞争壁垒':102 '竞争对手难以复制':504 '第一个意图预测模型上线':596 '第一版':1407 '等反馈':330 '策略':434 '算法优化':383 '类型':263 '精准触达':357 '精准触达的算法进化':346 '系统复利':722,743 '系统复利期':921 '系统思维':77,80 '系统思维落不了地':663,1485 '系统才是':611,1426 '系统重构才能产生质变':615,1430 '线性提升':97 '组织要求':99,757 '经验优化':381 '经验驱动':373,464 '结束后':233 '结果解读':452 '统一数据湖':1100,1176 '统一活动':403 '统一素材':349 '统计计算':454 '维度':78,736 '编辑反馈数据':1264 '编辑率':1323 '编辑率目标下降':1416 '编辑行为':1368 '编辑行为采集系统上线':1403 '网站':259 '而在于每一圈转得有多快':1440 '而是':71,830 '而是产品的一部分':619,1434 '而是从数据':703 '职责':423 '能否从结果回溯到原因':214 '能收集多少维度的数据':782 '自动分发':336 '自动化的锤子':654,1479 '自动生成内容':819 '自然涌现':852 '自然获客':1319 '自然转化':1124 '获客':886,1050,1138 '获客-产品-客服数据断裂':1049,1137 '获客和留存数据断裂':526 '获客成本高':52 '获客靠销售团队和内容营销':1059 '营销':69 '营销不是':68 '营销与增长':13 '营销与增长策略':8,21 '营销产品化':847,1118,1313,1531 '营销产品化是':862 '营销产品化设计':1009 '营销实践用一个词概括':26 '营销的核心是预测用户意图':629,1445 '营销链路重构':317 '营销链路重构方案':407 '行为':264 '行为优化':115,138,293,937 '行为促成机制':986 '行为序列建模':162 '行为序列模型':275 '行为序列预测':536 '行为异常检测':182 '行为频率衰减':832 '被营销':850 '规模化':817 '角色':420 '触点':257 '触达':709 '触达越高效':715,716 '让产品本身就是获客渠道':1011 '让用户在使用中自然完成':849 '训练':1371 '记录完整编辑轨迹':1300 '设计从':977 '设计从早期客户筛选':871 '设计双向增强回路':942 '设计完整的客户循环并输出增长策略简报':1022 '设计自然涌现机制':1014 '设计适应':415 '评估当前增长方式的问题和升级空间':207,882 '评估标准':498 '识别产品化机会':1013 '识别用户意图':978 '诊断':1072,1280 '诊断四问':208,883 '试用到付费转化率只有':1062 '试用期行为序列':1106,1156 '试用转化率':1045 '试验展开':689 '谁就能赢者通吃':624,1438 '谁用的工具更好':103 '谁的数据飞轮转得快':623,1437 '谁的飞轮转得更快':104 '质量提升':1308,1373 '质量评估模型':1380 '购买':307 '资产是否':503 '资产积累':484 '越低说明质量越高':1327 '越用越准':502,972 '越用越多':500,970 '转化':212,887 '转化优化的智能闭环':368 '转化率':300 '转化率预测模型':496 '转速':761,948 '输出':238,277,313,406,473,505 '输出的比例':1326 '输出结果':1126,1328 '还会让模型在犯错的路上越走越远':1456 '还是每个人看到的内容都不同':228 '这就是':721 '这是隐式反馈信号':1296 '进化':1018 '进化到':41 '迭代速度':797 '追求单点最优化':730 '追求短期':642,1467 '追求系统复利':735 '通过':175,806,824 '邀请越多免费额度越高':1120 '邀请返利':1219 '邮件':262 '邮件序列':1162 '部分闭环但转速慢':914 '重做':91 '重写':1293 '重构营销':44 '重构营销全链路的四个关键环节':323 '量产':441 '长期':107 '闭环周期是否在缩短':973 '闭环运转且持续优化':918 '问题定义':443 '问题框架':81 '陷阱':632,640,649,659,1458,1465,1474,1481,1486,1492 '需要为':47 '需要建立数据驱动的增长系统':55 '预测':184 '预测分数':279 '预测得越准':1002 '预测性推荐':165 '预测性留存':168,823,1112,1529 '预测性留存与干预设计':990 '预测性留存干预过度':1494 '预测流失风险':394 '预测用户流失风险并主动干预':177 '预测越准':843,1447 '预测风险':1005,1450 '频率':268 '飞轮加速期':917 '飞轮效率三指标':760 '飞轮效率监控':967 '飞轮效率评估':947 '飞轮是否容易被打断':766 '飞轮由四个互相咬合的齿轮构成':706 '飞轮的五个环节':117 '飞轮缺关键燃料':1265,1287,1341 '飞轮自转':922 '飞轮设计':1089,1298 '飞轮设计模板':252 '飞轮起步期':913 '飞轮转不起来':639 '验证增长假设':690,1521 '高概率用户优先分配':1109 '高风险客户主动关怀':1114","prices":[{"id":"57db287e-b19a-48c4-aa2e-6814846b225e","listingId":"b5534e90-f2ff-411f-83f5-2337ddbe23e7","amountUsd":"0","unit":"free","nativeCurrency":null,"nativeAmount":null,"chain":null,"payTo":null,"paymentMethod":"skill-free","isPrimary":true,"details":{"org":"gmaxxxie","category":"ai-native-product-agent-skills","install_from":"skills.sh"},"createdAt":"2026-05-01T01:03:01.602Z"}],"sources":[{"listingId":"b5534e90-f2ff-411f-83f5-2337ddbe23e7","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/p7-marketing-growth","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p7-marketing-growth","isPrimary":false,"firstSeenAt":"2026-05-01T01:03:01.602Z","lastSeenAt":"2026-05-18T18:57:33.650Z"}],"details":{"listingId":"b5534e90-f2ff-411f-83f5-2337ddbe23e7","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"p7-marketing-growth","github":{"repo":"gmaxxxie/ai-native-product-agent-skills","stars":56,"topics":["agent-skills","ai-agent","ai-native","ai-product","methodology","product-management","product-methodology","product-thinking","skills"],"license":null,"html_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills","pushed_at":"2026-05-06T07:19:36Z","description":"AI Native Product Methodology — 80 executable skills across P0-P14 stages, covering needs discovery to aesthetic authority. From 8 books.","skill_md_sha":"43e41f0f9a01863c21f2f1448596fcd558152107","skill_md_path":"skills/p7-marketing-growth/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p7-marketing-growth"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"ai-native-marketing-growth","description":"AI Native 营销与增长策略 Skill。基于《AI Native 营销与增长》方法论， 帮助用户构建以 AI 为第一性原理的增长系统：从工具思维升级为系统思维，"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p7-marketing-growth"},"updatedAt":"2026-05-18T18:57:33.650Z"}}