前言¶
做精准营销或推荐优化前，团队往往卡在两类问题：数据散在多端、身份未打通，画像只能口头描述；或者标签和分群已经建了，却落不到「对谁、用什么渠道、看什么指标」。手工写方案容易缺口径、分群规则定性化，后续也无法和 CDP、营销系统对齐。
下面介绍 SkillHub 上的 用户画像与人群洞察（@org-28ib33ph/lingyi-user-persona-and-crowd-insight，v0.2.0，零一数科出品）。它在 Agent 里按固定流程产出画像就绪度、标准 CDP 六类标签、量化分群、代表性 Persona，以及人群洞察→运营动作回路，并用本地脚本校验 JSON、渲染 Markdown 与 HTML 报告。Skill 标注 requires_api_key=false，方法论产出不依赖 API Key。
这是什么¶
用户画像与人群洞察 / User Persona & Crowd Insight（免费版） 是面向 business-ops 的 Agent Skill：先盘点数据与画像就绪度，再设计标签体系、分群模型、代表性画像与人群洞察，目标是把「用户是谁」沉淀为可被推荐、营销、内容、产品复用的画像资产，并补上「该动谁、怎么动」的洞察→运营动作回路。
维护方为 零一数科；在 SkillHub 页面可见坐标 @org-28ib33ph/lingyi-user-persona-and-crowd-insight、版本 v0.2.0、分类 business-ops。页面展示的社区指标（以 SkillHub 为准）包括评分与下载量等，具体数字会随商店更新变化。
核心功能¶
Skill 在 SKILL.md 中明确了能力边界与九步产出，下面只列已文档化的能力。
画像就绪度与数据盘点¶
对照六维评分卡（数据基础、标签体系、分群建模、画像刻画、应用落地、治理迭代），每维 1–5 分；数据不足时「就低不就高」，并在交付物中列出缺失项、影响范围、假设与补数优先级（P0/P1）。
标准 CDP 六类标签体系¶
按基础属性、行为、消费价值、生命周期、渠道来源、预测六类设计标签，含命名、口径与数据源；要求至少覆盖四类，并给出 P0/P1/P2 优先级标签。
量化分群与 Persona¶
分群需带可圈选规则（时间窗 + 阈值），常用范式为 RFM 与聚类组合；为关键分群生成 3–5 个代表性 Persona，且每个 Persona 必须绑定到已有分群（linked_segment）。文档区分 Profile（标签 + 分群，偏系统/算法）与 Persona（人物卡，偏团队对齐）。
人群洞察与动作回路¶
在画像之上输出机会矩阵（价值 × 增长潜力）、洞察→动作映射（动作、渠道、可量化预期指标、优先级）以及机会优先级评分，避免「分完群无出口」。
结构化交付与本地校验¶
产出以 references/output-schema.md 为 JSON 契约，经 scripts/render_output.py 校验并渲染九部分 output.md，可选 scripts/render_report.py 生成白皮书 HTML，scripts/persona_check.py 做结构与脱敏检查。默认输出脱敏，不保留未授权的真实品牌、PII 等。
明确不做的事¶
Skill 说明中写明：不做整体会员成熟度诊断、不定义用户生命周期阶段与转换条件（需引用其他技能）、不设计具体权益/活动规则、不替算法输出建模代码，且不承诺画像一定带来增长。
安装与启用¶
安装 SkillHub CLI¶
若本机尚未安装 CLI，可先检查版本；未安装时按官方安装文档执行（完整安装或 --cli-only 仅装 CLI）：
command -v skillhub && skillhub --version
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash -s -- --cli-only
安装本 Skill¶
安装时必须用 --dir 指向当前 Agent 的 skills 目录，否则默认装到 ./skills/ 可能无法被识别：
skillhub install @org-28ib33ph/lingyi-user-persona-and-crowd-insight --dir <skills 目录>
常用客户端 skills 目录（来自 SkillHub 安装文档）：
- Cursor：
~/.cursor/skills/ - Claude Code：
~/.claude/skills/ - Codex：
~/.codex/skills/或项目下的.agents/skills/
也可按 SkillHub 技能页提示，让 Agent 根据 https://skillhub.cn/install/skillhub.md 安装 @org-28ib33ph/lingyi-user-persona-and-crowd-insight。
安装完成后重启或刷新 Agent，使 Skill 被加载。本 Skill 标注无需 API Key；交付阶段依赖本机 Python 3 运行包内脚本。
典型用法¶
1、用自然语言发起任务¶
在对话中调用 Skill，并给出业务类型、核心目标与最小可用数据量级。官方 SKILL.md 给出的示例调用如下：
为某消费品牌做用户画像与人群洞察——数据散在商城/小程序/社群三端、身份未打通、无统一标签、人群运营靠拍脑袋，核心目标是精准营销和推荐优化，有商城订单和部分行为埋点，没有标签平台和正式分群规则。
即使只有「业务类型 + 目标 + 粗略量级」，Skill 也可产出定性方案与待补清单，但就绪度会偏低、预测类标签仅给口径。
2、Agent 按九步产出并写入 JSON¶
流程概览：确认业务背景 → 盘点数据源 → 评就绪度 → 设计标签 → 设计分群 → 生成 Persona → 产出洞察与动作回路 → 列应用场景 → 汇总 JSON。字段定义以包内 references/output-schema.md 为准。
3、本地校验与渲染¶
将完整 JSON 写入临时文件后，在 Skill 目录下执行（路径相对于已安装的 Skill 根目录）：
python3 scripts/render_output.py /tmp/persona-insight.json --out output.md
python3 scripts/render_report.py /tmp/persona-insight.json --out report.html
python3 scripts/persona_check.py output.md
render_output.py 校验失败会以非零退出码与中文报错返回，需修正 JSON 后重跑；文档要求最终 Markdown 由脚本覆写，不要手改 output.md 绕过 schema。
4、可选上报（不阻塞交付）¶
交付 output.md 后，可旁路运行 scripts/submit_script.py 将报告登记到零一服务端；网络或接口失败时脚本以退出码 0 结束，不影响本地交付。详见 Skill 内「交付后跑上报」一节。
更完整的匿名化输出样例见包内 references/anonymized-examples.md（消费品牌 / 零售 / 订阅等场景）。
适用场景与注意¶
适合：需要从拍脑袋描述用户转向标签化、可量化分群；画像已建但缺少洞察→动作闭环；要整理 CDP 六类标签口径并对接精准营销、推荐或内容策略前的「人群定义」文档。
不太适合：只要私域分层触达策略细则、或只要生命周期阶段定义——Skill 文档建议转用相关技能；私域几乎无行为数据时，应先积累信号再画像。
使用注意：
- 多端未做 OneID 时，分群规模应标「待验证」，勿当作已去重事实。
- 分群规则避免纯定性表述；洞察必须映射到动作、渠道与可量化指标。
- 涉医疗、金融等高敏行业时，需自行完成合规审核；Skill 默认脱敏输出。
- 与「私域用户画像与标签体系」等轻量技能相比，本 Skill 更重 schema、校验与洞察回路，选型时可对照
references/related.md。
结尾¶
用户画像与人群洞察 把就绪度评估、六类标签、量化分群、Persona 与洞察动作回路放在同一条 Agent 工作流里，并用本地脚本保证 JSON 与交付物一致，适合作为标签平台需求、人群包定义和运营优先级讨论的起点。
官方 SkillHub 页面：https://www.skillhub.cn/skills/org-28ib33ph/lingyi-user-persona-and-crowd-insight
API 坐标页：https://api.skillhub.cn/org-28ib33ph/lingyi-user-persona-and-crowd-insight
