mcpField
R
recall

recall

github.com/indranilbanerjee营销与增长919114 次安装2 天前更新
代码仓库

关于 recall

recall 是一项从品牌情报图谱中检索相关经验的营销技能。它按情境、置信度和时效性排列洞察，并整理成可用于营销决策的行动指南。

主要功能

  1. 01按渠道、受众、目标或情境搜索经验
  2. 02按置信度和时间范围筛选结果
  3. 03根据相关性、置信度和时效性排列洞察
  4. 04将结果归纳为可执行主题
  5. 05标记冲突洞察并提出解决建议

适用场景

  1. 01为营销活动情境查找已验证的指导
  2. 02查看某营销渠道的近期经验
  3. 03在选择策略前识别相互矛盾的洞察

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/indranilbanerjee/digital-marketing-pro --skill recall

安装后在 Claude Code 中输入/recall确认已加载。

详细介绍

/digital-marketing-pro:recall

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：python；如果找不到 python，则使用 python3（macOS 和许多 Linux 系统）。

用途

从品牌的复合智能图谱中检索相关经验。给定背景信息（渠道、受众、目标或情境），返回最相关的已验证见解，并按置信度和时效性排序。将积累的营销知识转化为适用于各种情境的可执行指南，让过往经验直接为当前决策提供依据，无需依赖记忆或翻阅旧报告。

所需输入

用户必须提供（或系统会提示用户提供）：

  • 查询背景：需要检索经验的情境，可指定以下一个或多个维度：渠道（电子邮件、社交媒体、付费搜索、SEO、内容、SMS 等）、受众细分（开发者、营销人员、高管、中小企业主、企业买家等）、目标（品牌认知、转化、留存、追加销售、挽回流失客户等）、营销活动类型（产品发布、季节性活动、常青活动、培育活动、活动等），也可以用自然语言自由描述情境（例如，“规划一场面向沉睡客户的黑色星期五电子邮件营销活动”或“通过内容营销向开发者受众推出新产品”）
  • 置信度阈值（可选）：纳入结果的最低置信度分数，默认为 0.3（包含假设及以上级别的见解）。设为 0.7 或更高，仅查看已验证的见解；设为 0.0，则查看所有内容，包括早期观察结果
  • 时间范围（可选）：按记录时间筛选经验，例如“最近 30 天”“本季度”“全部时间”（默认）。近期经验可能更适用于付费社交等变化迅速的渠道，而关于受众心理的常青经验则可能不受时间影响，始终有价值
  • 最大结果数（可选）：要返回的经验数量，默认为 10。需要全面研究时可调高，快速辅助决策时可调低

流程

  1. 加载品牌背景：读取 ~/.claude-marketing/brands/_active-brand.json 获取当前激活的 slug，然后加载 ~/.claude-marketing/brands/{slug}/profile.json。应用品牌所属行业、受众细分和当前启用的渠道，为查询添加背景信息，并提升匹配经验的相关性。检查 ~/.claude-marketing/sops/ 中是否有代理机构的标准操作流程。如果不存在品牌，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. 查询智能图谱：执行 python "${CLAUDE_PLUGIN_ROOT}/scripts/intelligence-graph.py" --brand {slug} --action query-relevant --context '{context_json}' --min-confidence {threshold}。查询会匹配所有已索引的条件——渠道、受众、目标、营销活动类型——并对自由描述的情境进行语义匹配。--min-confidence 用于应用置信度阈值筛选；时间范围偏好应在排序时（第 3 步）应用，而不是作为查询标志。
  3. 对结果排序：根据相关性（经验的条件与查询背景的匹配程度）、置信度（基于累积证据，见解得到验证的程度）和时效性（经验的记录或最近更新时间；对于变化快的渠道，采用侧重近期经验的衰减曲线）综合评分。按综合得分返回排名靠前的结果。
  4. 归纳为可执行主题：将排名后的经验归入相互关联的主题，例如“内容与文案”（说什么）、“时间与频率”（何时说）、“受众行为”（他们如何回应）、“渠道策略”（特定平台的技巧）和“应避免的做法”（已验证的反模式）。每个主题都要提供一句总结，综合归纳该主题下的见解。
  5. 突出相互矛盾的见解：识别结果中相互矛盾的经验，并明确标出冲突双方、各自的置信度分数，以及可能解释差异的条件（例如，“对中小企业成立，但对大型企业不成立”）。根据置信度和时效性建议应遵循哪一方，或建议通过 A/B 测试解决冲突。
  6. 整理为可执行手册：将输出整理成便于决策的手册——按主题划分章节，列出排名后的经验；用“快速见效”提示框标出置信度高且可执行的见解，用“建议测试”提示框标出值得验证的低置信度假设，再用“注意事项”提示框标出已验证的反模式和冲突。

输出

  • 按置信度排序的相关经验：每条经验都要显示见解文本、置信度分数、来源、记录日期和匹配的背景条件——按相关性、置信度和时效性的综合得分排序
  • 按主题分组：将经验归入可执行的主题类别（内容、时间、受众、渠道策略、反模式），并为每个主题提供一句总结，概括该主题的整体见解
  • 标出相互矛盾的见解：突出显示结果中的任何矛盾，列出相反观点、各自的置信度分数、适用条件，以及建议遵循哪一方或如何测试
  • 可执行建议：将原始经验综合整理为针对所查询情境的实用手册，给出具体建议——应做什么、应避免什么以及应测试什么
  • 智能库统计数据：品牌图谱中的经验总数、与本次查询匹配的数量、匹配结果的平均置信度，以及匹配经验的时间分布

使用的 Agent

  • intelligence-curator — 在智能图谱中执行查询，基于多维背景进行匹配，并对自由查询进行语义搜索；按相关性、置信度和时效性综合排序；将结果归纳为可执行的主题组；检测返回的经验中存在的冲突并提供解决建议；整理手册，将原始情报转化为便于决策的建议

评论

支持 Markdown