前言¶
做精準營銷或推薦優化前，團隊往往卡在兩類問題：數據散在多端、身份未打通，畫像只能口頭描述；或者標籤和分羣已經建了，卻落不到「對誰、用什麼渠道、看什麼指標」。手工寫方案容易缺口徑、分羣規則定性化，後續也無法和 CDP、營銷系統對齊。
下面介紹 SkillHub 上的 用戶畫像與人羣洞察（@org-28ib33ph/lingyi-user-persona-and-crowd-insight，v0.2.0，零一數科出品）。它在 Agent 裏按固定流程產出畫像就緒度、標準 CDP 六類標籤、量化分羣、代表性 Persona，以及人羣洞察→運營動作迴路，並用本地腳本校驗 JSON、渲染 Markdown 與 HTML 報告。Skill 標註 requires_api_key=false，方法論產出不依賴 API Key。
這是什麼¶
用戶畫像與人羣洞察 / User Persona & Crowd Insight（免費版） 是面向 business-ops 的 Agent Skill：先盤點數據與畫像就緒度，再設計標籤體系、分羣模型、代表性畫像與人羣洞察，目標是把「用戶是誰」沉澱爲可被推薦、營銷、內容、產品複用的畫像資產，並補上「該動誰、怎麼動」的洞察→運營動作迴路。
維護方爲 零一數科；在 SkillHub 頁面可見座標 @org-28ib33ph/lingyi-user-persona-and-crowd-insight、版本 v0.2.0、分類 business-ops。頁面展示的社區指標（以 SkillHub 爲準）包括評分與下載量等，具體數字會隨商店更新變化。
核心功能¶
Skill 在 SKILL.md 中明確了能力邊界與九步產出，下面只列已文檔化的能力。
畫像就緒度與數據盤點¶
對照六維評分卡（數據基礎、標籤體系、分羣建模、畫像刻畫、應用落地、治理迭代），每維 1–5 分；數據不足時「就低不就高」，並在交付物中列出缺失項、影響範圍、假設與補數優先級（P0/P1）。
標準 CDP 六類標籤體系¶
按基礎屬性、行爲、消費價值、生命週期、渠道來源、預測六類設計標籤，含命名、口徑與數據源；要求至少覆蓋四類，並給出 P0/P1/P2 優先級標籤。
量化分羣與 Persona¶
分羣需帶可圈選規則（時間窗 + 閾值），常用範式爲 RFM 與聚類組合；爲關鍵分羣生成 3–5 個代表性 Persona，且每個 Persona 必須綁定到已有分羣（linked_segment）。文檔區分 Profile（標籤 + 分羣，偏系統/算法）與 Persona（人物卡，偏團隊對齊）。
人羣洞察與動作迴路¶
在畫像之上輸出機會矩陣（價值 × 增長潛力）、洞察→動作映射（動作、渠道、可量化預期指標、優先級）以及機會優先級評分，避免「分完羣無出口」。
結構化交付與本地校驗¶
產出以 references/output-schema.md 爲 JSON 契約，經 scripts/render_output.py 校驗並渲染九部分 output.md，可選 scripts/render_report.py 生成白皮書 HTML，scripts/persona_check.py 做結構與脫敏檢查。默認輸出脫敏，不保留未授權的真實品牌、PII 等。
明確不做的事¶
Skill 說明中寫明：不做整體會員成熟度診斷、不定義用戶生命週期階段與轉換條件（需引用其他技能）、不設計具體權益/活動規則、不替算法輸出建模代碼，且不承諾畫像一定帶來增長。
安裝與啓用¶
安裝 SkillHub CLI¶
若本機尚未安裝 CLI，可先檢查版本；未安裝時按官方安裝文檔執行（完整安裝或 --cli-only 僅裝 CLI）：
command -v skillhub && skillhub --version
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash -s -- --cli-only
安裝本 Skill¶
安裝時必須用 --dir 指向當前 Agent 的 skills 目錄，否則默認裝到 ./skills/ 可能無法被識別：
skillhub install @org-28ib33ph/lingyi-user-persona-and-crowd-insight --dir <skills 目錄>
常用客戶端 skills 目錄（來自 SkillHub 安裝文檔）：
- Cursor：
~/.cursor/skills/ - Claude Code：
~/.claude/skills/ - Codex：
~/.codex/skills/或項目下的.agents/skills/
也可按 SkillHub 技能頁提示，讓 Agent 根據 https://skillhub.cn/install/skillhub.md 安裝 @org-28ib33ph/lingyi-user-persona-and-crowd-insight。
安裝完成後重啓或刷新 Agent，使 Skill 被加載。本 Skill 標註無需 API Key；交付階段依賴本機 Python 3 運行包內腳本。
典型用法¶
1、用自然語言發起任務¶
在對話中調用 Skill，並給出業務類型、核心目標與最小可用數據量級。官方 SKILL.md 給出的示例調用如下：
爲某消費品牌做用戶畫像與人羣洞察——數據散在商城/小程序/社羣三端、身份未打通、無統一標籤、人羣運營靠拍腦袋，核心目標是精準營銷和推薦優化，有商城訂單和部分行爲埋點，沒有標籤平臺和正式分羣規則。
即使只有「業務類型 + 目標 + 粗略量級」，Skill 也可產出定性方案與待補清單，但就緒度會偏低、預測類標籤僅給口徑。
2、Agent 按九步產出並寫入 JSON¶
流程概覽：確認業務背景 → 盤點數據源 → 評就緒度 → 設計標籤 → 設計分羣 → 生成 Persona → 產出洞察與動作迴路 → 列應用場景 → 彙總 JSON。字段定義以包內 references/output-schema.md 爲準。
3、本地校驗與渲染¶
將完整 JSON 寫入臨時文件後，在 Skill 目錄下執行（路徑相對於已安裝的 Skill 根目錄）：
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 校驗失敗會以非零退出碼與中文報錯返回，需修正 JSON 後重跑；文檔要求最終 Markdown 由腳本覆寫，不要手改 output.md 繞過 schema。
4、可選上報（不阻塞交付）¶
交付 output.md 後，可旁路運行 scripts/submit_script.py 將報告登記到零一服務端；網絡或接口失敗時腳本以退出碼 0 結束，不影響本地交付。詳見 Skill 內「交付後跑上報」一節。
更完整的匿名化輸出樣例見包內 references/anonymized-examples.md（消費品牌 / 零售 / 訂閱等場景）。
適用場景與注意¶
適合：需要從拍腦袋描述用戶轉向標籤化、可量化分羣；畫像已建但缺少洞察→動作閉環；要整理 CDP 六類標籤口徑並對接精準營銷、推薦或內容策略前的「人羣定義」文檔。
不太適合：只要私域分層觸達策略細則、或只要生命週期階段定義——Skill 文檔建議轉用相關技能；私域幾乎無行爲數據時，應先積累信號再畫像。
使用注意：
- 多端未做 OneID 時，分羣規模應標「待驗證」，勿當作已去重事實。
- 分羣規則避免純定性表述；洞察必須映射到動作、渠道與可量化指標。
- 涉醫療、金融等高敏行業時，需自行完成合規審覈；Skill 默認脫敏輸出。
- 與「私域用戶畫像與標籤體系」等輕量技能相比，本 Skill 更重 schema、校驗與洞察迴路，選型時可對照
references/related.md。
結尾¶
用戶畫像與人羣洞察 把就緒度評估、六類標籤、量化分羣、Persona 與洞察動作迴路放在同一條 Agent 工作流裏，並用本地腳本保證 JSON 與交付物一致，適合作爲標籤平臺需求、人羣包定義和運營優先級討論的起點。
官方 SkillHub 頁面：https://www.skillhub.cn/skills/org-28ib33ph/lingyi-user-persona-and-crowd-insight
API 座標頁：https://api.skillhub.cn/org-28ib33ph/lingyi-user-persona-and-crowd-insight
