learn

/digital-marketing-pro:learn

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

用途

将结构化的营销学习成果保存到品牌的情报图谱中。记录学到了什么、适用条件、置信度以及来源 Agent。逐步积累复合情报，让每次未来的营销活动都更出色——将一次性的观察转化为持久的知识库，随着时间推移，在不同营销活动、渠道和团队成员之间持续积累。

所需输入

用户必须提供（或将收到提示提供）：

• 洞察或学习成果：观察或发现的内容——具体的营销观察，例如“包含数字的主题行在我们的开发者受众中获得的打开率高出 23%”；某种规律，例如“网站访问后的 48 小时内，重定向广告的转化效果最好”；或战略发现，例如“第四季度面向企业客户的漏斗底部内容优于漏斗顶部内容”
• 上下文条件：此学习成果适用的具体情境——渠道（电子邮件、社交媒体、付费搜索、SEO 等）、受众细分（开发者、营销人员、高管、中小企业主等）、目标（认知、转化、留存、追加销售等）、营销活动类型（产品发布、季节性、常青、培育等），以及限定此洞察适用范围的其他条件
• 置信度：0 到 1 之间的分数，表示此学习成果经过验证的程度——基于有限数据的初步假设为 0.3；有适度证据支持的新观察为 0.5（新学习成果的系统默认值）；经多个营销活动验证的规律为 0.7；样本量充足、经统计验证的洞察为 0.9 以上。如果未提供，默认为 0.5
• 来源：产生此学习成果的 Agent、分析或工作流，例如“analytics-analyst 通过第四季度电子邮件效果评估”“media-buyer 根据 A/B 测试结果”“用户观察”或“content-creator 通过互动分析”
• 支持证据（可选）：支持此学习成果的数据点、测试结果、指标快照或营销活动参考资料——具体数字、日期范围、样本量或报告链接，用以证实该洞察

流程

1. 加载品牌背景：读取 ~/.claude-marketing/brands/_active-brand.json 获取当前品牌 slug，然后加载 ~/.claude-marketing/brands/{slug}/profile.json。应用品牌语气、行业背景和已知受众细分，确认所学内容符合品牌领域。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：“先设置一个品牌吗（/digital-marketing-pro:brand-setup）？”——或者使用默认设置继续。
2. 构建学习记录：整理学习记录，并包含所有必需的元数据——洞察文本、上下文条件（渠道、受众、目标、营销活动类型）、置信度、来源 Agent 或工作流、时间戳，以及提供的支持证据。将上下文条件规范化，使其符合品牌既定的分类体系，以便后续一致地查询。
3. 检查相关学习记录：使用学习内容的上下文条件，通过 python "${CLAUDE_PLUGIN_ROOT}/scripts/intelligence-graph.py" --brand {slug} --action query-relevant --context '{"channel":"...","audience":"...","objective":"..."}' 查询情报图谱。搜索在渠道、受众和目标方面重叠的现有学习记录，以发现重复内容、支持证据或矛盾。
4. 处理相关学习记录：如果存在相关学习记录，且新洞察支持该记录，则将现有记录的置信度提高 +0.1（上限为 1.0），并追加新证据。如果新洞察与现有学习记录矛盾，则向用户展示两者及各自的置信度和证据，并询问要保留哪条、是否创建条件拆分（例如：“对 SMB 成立，但对企业客户不成立”），或是否标记以供进一步测试。
5. 保存学习记录：如果学习内容是新的，或用户确认了更新，则通过 python "${CLAUDE_PLUGIN_ROOT}/scripts/intelligence-graph.py" --brand {slug} --action save-learning --agent "{source}" --insight "{insight text}" --conditions '{"channel":"...","audience":"...","objective":"..."}' --confidence {score} 保存（如果提供了支持证据，则添加 --evidence "{supporting evidence}"），并附上完整的结构化记录。系统会根据所有上下文条件为学习记录建立索引，以便进行多维检索。
6. 分发给相关 Agent：根据学习内容的上下文条件，通知相关的专业 Agent——电子邮件洞察发送给 email-specialist，付费媒体洞察发送给 media-buyer，内容洞察发送给 content-creator，跨渠道洞察发送给 marketing-strategist。各 Agent 会在未来的建议中纳入这些学习内容。

输出

• 学习记录已保存确认：学习记录 ID、格式化后的洞察文本，以及所有结构化元数据（条件、置信度、来源、时间戳），以确认内容已成功存入情报图谱
• 初始置信度：分配的置信度等级及其说明——该置信度是由用户指定、系统采用默认值，还是根据现有学习记录的分数调整
• 相关的现有学习记录：在情报图谱中发现的、与新洞察重叠、相互支持或相互矛盾的学习记录——列出其置信度以及它们之间的关联
• 情报库统计更新：品牌情报图谱的当前总量——存储的学习记录总数、所有学习记录的平均置信度、本周新增的学习记录数，以及贡献最多的 Agent

使用的 Agent

• intelligence-curator — 整理学习记录并根据品牌分类体系规范化元数据；依据与现有情报图谱的上下文条件匹配结果去重；管理置信度，并处理支持和矛盾的情况；交叉引用相关学习记录，揭示用户可能尚未注意到的联系；根据渠道、受众和目标标签，将学习内容分发给相关的专业 Agent