intelligence-report

/digital-marketing-pro:intelligence-report

脚本位置。 如果宿主未设置 ${CLAUDE_PLUGIN_ROOT}，脚本位于此插件的 scripts/ 文件夹中，与 skills/ 同级。请使用 Python 3.10 或更高版本运行：使用 python；如果找不到 python，则使用 python3（macOS 和许多 Linux 系统）。

用途

根据品牌的复合情报系统生成全面的情报简报。此命令展示 Agent 长期积累的知识，包括记录的学习成果总数、洞察的置信度分布、各 Agent 和渠道识别出的主要模式、根据已验证策略生成的可执行行动手册，以及情报库健康度指标，帮助了解知识优势所在和存在的空白。情报报告通过综合跨 Agent 模式，将原始积累数据转化为战略优势；这些模式是任何单个 Agent 都无法单独发现的。可将其用于季度规划、策略评审、帮助新团队成员了解品牌的营销情报，或确定哪些领域需要更多实验和数据收集，以增强决策信心。

所需输入

用户必须提供（或系统会提示用户提供）：

• 关注领域（可选）：要深入分析的特定渠道（电子邮件、付费搜索、社交媒体）、受众细分、营销活动目标（认知、转化、留存）或战略主题。如果提供，报告会优先呈现该关注领域的模式、行动手册和建议，同时仍会包含完整的情报库概览。如果省略，报告会平等涵盖所有维度
• 行动手册请求（可选）：要为其生成可执行行动手册的具体场景，例如“在付费社交媒体上进行 Q2 产品发布”“针对流失订阅者开展重新互动营销活动”或“在新市场提升品牌认知度”。情报系统会综合相关学习成果，生成以该品牌数据中已验证模式为依据的分步行动手册

流程

1. 加载品牌背景：读取 ~/.claude-marketing/brands/_active-brand.json 获取当前启用的 slug，然后加载 ~/.claude-marketing/brands/{slug}/profile.json。应用品牌定位、渠道组合、营销活动历史记录和战略目标。另请检查 ~/.claude-marketing/brands/{slug}/guidelines/_manifest.json 中是否有指南——如有，请加载其中的限制条件。检查 ~/.claude-marketing/sops/ 中是否有代理机构的标准操作流程。如果没有品牌，请询问：“先设置一个品牌（/digital-marketing-pro:brand-setup）？”——也可以使用默认设置继续。
2. 获取情报统计数据：运行 python "${CLAUDE_PLUGIN_ROOT}/scripts/intelligence-graph.py" --brand {slug} --action get-stats，获取情报库概览——记录的学习成果总数、按 Agent 和渠道划分的学习成果数量、置信度分布（高、中、低）、情报的日期范围，以及最近一条学习成果的时间戳。
3. 获取跨 Agent 模式：针对关键维度运行 python "${CLAUDE_PLUGIN_ROOT}/scripts/intelligence-graph.py" --brand {slug} --action get-patterns --dimension channel（分别重复运行 --dimension audience 和 --dimension objective），以获取渠道表现模式、受众响应模式、时机和季节性模式、创意与消息传达模式，以及预算效率模式。如果指定了重点领域，则提高该维度模式检索的权重。找出跨多个 Agent 的模式（例如，经电子邮件专家和社交媒体经理共同确认的时机模式）。
4. 生成行动手册：如果用户提出了行动手册请求，运行 python "${CLAUDE_PLUGIN_ROOT}/scripts/intelligence-graph.py" --brand {slug} --action export-playbook --channel {channel} --min-confidence 0.6，将该渠道中置信度最高的学习成果综合成一份分步骤、可执行的行动手册。（没有自由文本 --scenario 筛选器——请根据请求的场景选择 --channel，然后围绕返回的学习成果构建内容。）行动手册的每个步骤都要引用支持该步骤的具体学习成果及其置信度。如果未请求行动手册，则根据最强的模式聚类，总结排名前三的可用行动手册。
5. 识别过时的学习成果：标记在建议的重新验证周期内尚未重新验证的学习成果——战术洞察通常为 90 天，战略模式通常为 180 天。过时的学习成果仍可能准确，但应降低其置信度。根据影响程度确定重新验证建议的优先级——首先标记过时且影响较大的学习成果。
6. 计算综合情报评分：根据学习成果总量、平均置信度、跨 Agent 模式密度、情报的时效性、渠道和受众覆盖范围，以及已验证与未验证学习成果的比例，计算总体情报成熟度评分。按 0–100 的标准评分，并使用以下级别标签：起步（0–25）、发展中（26–50）、成熟（51–75）、高级（76–100）。

输出

结构化的情报简报，包含：

• 情报库健康状况：记录的学习成果总数、按 Agent 和渠道划分的明细、平均置信度得分、置信度分布（高、中、低置信度所占百分比）、情报覆盖的日期范围、最新和最早的学习记录时间戳，以及数据不足的渠道或受众覆盖缺口
• 按渠道、受众和目标划分的主要模式：按维度整理的跨 Agent 最高置信度模式——各渠道上持续有效的做法、哪些方法能引起哪些受众的响应，以及哪些目标已有经过验证的执行方案，哪些目标仍需更多实验
• 可执行的执行方案：针对所请求场景的分步执行方案，或当前最强的三个执行方案——每一步都基于具体学习成果并标明置信度，说明依据历史模式预期的结果，以及需要监控的风险因素
• 需要重新验证的过时学习成果：按影响排序，列出超过重新验证期限的学习成果——附上建议的重新验证方法（重新运行测试、查看最新分析数据、使用新营销活动数据更新）以及各项所需的预估工作量
• 综合情报评分：0–100 的成熟度评分及等级标签、各评分组成部分的明细、与上次评估相比的趋势，以及提高评分的具体行动——例如，“运行电子邮件主题行测试，弥补电子邮件优化方面的缺口”或“使用当前数据验证第三季度社交媒体发布时间模式”
• 强化情报库的建议：按优先级排列的实验、分析和数据收集活动，旨在最大程度提升情报覆盖范围、置信度和可执行性——即营销知识领域中投资回报率最高的投入

使用的 Agent

• intelligence-curator — 综合跨 Agent 模式并识别经多来源确认的洞察；根据经验证的模式集群生成执行方案，并按置信度为步骤排序；评估情报库健康状况并分析覆盖缺口；识别过时学习成果并确定重新验证的优先级；计算综合情报评分并细分各组成部分；提供改进情报库的战略建议