subject-line-lab

主题行实验室

别再盲目进行 A/B 测试。这项技能会读取你实际发送的最近 100 封以上邮件，找出与你的邮件列表中打开率相关的主题行模式，并为你的下一场营销活动生成 20 个优化候选项。

**要求：**Cogny MCP + 已连接的 ESP（Klaviyo、Mailchimp、Rule 或 Get a Newsletter）。注册

用法

/subject-line-lab — 挖掘模式并生成通用候选项 /subject-line-lab "Black Friday doors open" — 挖掘模式，并为特定营销活动主题生成候选项

前置条件检查

检测连接的是哪个 ESP。检查两个命名空间（通过 mcp__cogny__<svc>__* 聚合的 Cloud，以及各 ESP 的 Solo/Lite，通过 mcp__<svc>__*）：

• Klaviyo → mcp__cogny__klaviyo__* 或 mcp__klaviyo__*
• Mailchimp → mcp__cogny__mailchimp__* 或 mcp__mailchimp__*
• Rule → mcp__cogny__rule__* 或 mcp__rule__*
• Get a Newsletter → mcp__cogny__get_a_newsletter__* 或 mcp__get_a_newsletter__*

如果都未连接：

This skill requires a connected ESP via Cogny MCP.
Connect Klaviyo, Mailchimp, Rule, or Get a Newsletter at https://cogny.com

如果连接了多个，请询问用户要分析哪一个（或全部分析，并标明来源）。

ESP 工具适配器

各 ESP 提供主题行历史记录的方式各不相同。请针对已连接的服务使用相应工具：

ESP	发送历史记录工具	备注
Klaviyo	list_campaigns（channel=email），然后调用 get_campaign	工具名称未加前缀。如需更深入的打开和点击指标，请使用 list_events。
Mailchimp	tool_list_reports，然后调用 tool_get_report	报告是每次发送的打开和点击数据的权威来源。
Rule	tool_list_campaigns，然后调用 tool_get_campaign_statistics	统计工具会返回打开、点击和退信数据。
Get a Newsletter	tool_list_sent，然后调用 tool_get_sent 和 tool_get_report	不存在“营销活动”对象——遍历 list_sent 获取主题行和日期，再对每次发送调用 get_report 获取指标。

步骤

1. 获取发送历史记录

针对已连接的 ESP，获取最近 100 次营销活动发送记录（或尽可能多的记录）。对每条记录，提取：

• 主题行
• 预标题（如果有）
• 发送日期 + 时间（如果有收件人当地时间，则使用当地时间）
• 收件人数
• 唯一打开数 → 打开率
• 唯一点击数 → 点击率
• 细分群体 / 列表名称
• 营销活动类型（促销、简报、公告、类似事务性邮件）

跳过事务性邮件和自动化流程邮件——它们会扭曲信号。重点分析群发营销活动。

2. 计算基准值

• 样本的打开率中位数
• 平均打开率（如果平均值与中位数相差 >20%，则标记偏斜）
• 样本量警告——如果发送记录 <30 条，提醒用户：“样本较小，发现的模式可能只是噪声”

3. 提取主题行特征

为每条主题行标记以下特征（使用关键词/正则表达式启发式方法——无需机器学习）：

结构：

• 长度（字符数）：<30 / 30-50 / 50-70 / >70
• 词数
• 标题式大小写 / 句式大小写 / 全大写 / 全小写
• 以 ? / ! / . 结尾 / 无标点

内容：

• 是否包含表情符号（数量、类型）
• 是否包含数字
• 是否包含 % 或 $ 或货币符号（促销信号）
• 是否包含个性化令牌（{{ first_name }}、[Firstname]）
• 疑问句、陈述句还是祈使句
• 第一人称（“I”、“we”、“my”）还是第二人称（“you”、“your”）
• 紧迫感词语：“today”、“tonight”、“last chance”、“ends”、“hours”、“don't miss”
• 错失恐惧 / 稀缺性：“only”、“limited”、“few left”、“selling fast”
• 好奇心缺口：以“why”、“how”、“the truth about”、“what I learned”开头
• 利益导向：以描述结果的名词开头
• 社会认同：“customers”、“members”、人数

时间：

• 发送星期几
• 发送时间（按时段分组：清晨 / 上午 / 中午 / 下午 / 傍晚 / 深夜）

4. 计算每个特征的提升幅度

对于每个特征，计算：

• 样本中的数量
• 存在该特征时的平均打开率
• 不存在该特征时的平均打开率
• 提升幅度（相较于不含该特征的基准值的百分比差异）
• 显著性说明 — 如果两组的 n≥10，且提升幅度≥10%（相对值），则标记为“强”；否则标记为“弱”

按绝对提升幅度对特征排序。

5. 识别有效模式

列出排名前 5 的正向模式和前 3 的负向模式，并提供具体数字：

Patterns that worked for your list (last 100 sends):

🟢 WINNERS
1. Subject lines ending in "?" → 34% open rate vs 21% baseline (+62%, n=14 strong)
2. Subject lines with numbers → 29% open rate vs 21% (+38%, n=22 strong)
3. Length 30-50 chars → 27% open rate vs 19% (+42%, n=31 strong)
4. First-person voice ("I", "we") → 26% open rate vs 22% (+18%, n=18 strong)
5. Sent Tue 09:00-11:00 → 28% open rate vs 22% (+27%, n=12 weak)

🔴 DRAGS
1. ALL CAPS words → 14% open rate vs 23% (-39%, n=8 weak)
2. Emoji at start → 18% open rate vs 24% (-25%, n=11 strong)
3. Urgency words ("last chance", "today only") → 16% open rate vs 22% (-27%, n=9 weak)

Your best historical subject: "<actual subject>" at <open rate>% (<date>)
Your worst: "<actual subject>" at <open rate>% (<date>)

6. 生成优化候选项

如果提供了营销活动主题，则生成 20 个主题行候选项，遵循有效模式并避开负面因素。如果未提供主题，则使用这些模式生成 20 个通用促销/新闻简报候选项。

格式：

Candidates for: "<topic>"
(tuned to: ends-in-?, has-number, 30-50 chars, first-person voice)

Preheader recommendation: 85-100 chars, don't duplicate subject, extend the hook.

1. "What <specific number> of our customers asked last week?" (52 chars)
   Preheader: "We pulled the top 5 questions and answered them in one place — you'll recognize #2."
2. ...
20. ...

──
A/B test plan:
- Primary variant: candidate #<N> (leans hardest into top pattern)
- Challenger: candidate #<M> (different angle to avoid pattern overfitting)
- Hold-out: your house-style baseline subject
Segment: X% / Y% / Z%

7. 将模式保存为上下文

将有效模式摘要保存到 Cogny 的上下文树中，供后续会话使用：

{
  "path": "insights/email/subject-line-patterns",
  "body": "<the top 5 winners + top 3 drags, with numbers and date range>"
}

8. 创建发现

如果分析得出明确且可执行的洞察（例如：“近期发送内容中有 50% 以表情符号开头，这正在明显拉低打开率”），则创建一项发现：

{
  "title": "Emoji-at-start subjects are tanking opens (-25% vs baseline)",
  "body": "11 of last 100 sends started with emoji. Avg open 18% vs 24% non-emoji baseline. Recommend: move emoji to mid-subject or drop entirely on next 10 campaigns and re-measure.",
  "action_type": "subject_line_optimization",
  "expected_outcome": "Lift average open rate by 2-4 pp",
  "estimated_impact_usd": 0,
  "priority": "medium"
}

注意事项

• 提升幅度是相关性而非因果关系 — 始终展示样本量并标记较弱的信号。
• 如果用户的订阅者少于 5,000 人，打开率数据的噪声较大。建议至少回看 2 周，并发出警告。
• Apple MPP 会抬高 iOS Mail 用户的打开率。如果各项打开率都普遍偏高（>40%+），则信号会减弱 — 请指出这一点，并将 CTR 作为次要指标参考。