Pm Aarrr

Preamble (run first)

bash "$(dirname "${BASH_SOURCE[0]}")"/check-update.sh 2>/dev/null || true
# 读取技能包版本号
SKILL_ROOT="$(cd "$(dirname "${BASH_SOURCE[0]}")" 2>/dev/null && pwd)" || true
if [ -f "$SKILL_ROOT/VERSION" ]; then echo "📦 super-pm $(cat "$SKILL_ROOT/VERSION")"; fi
# 创建增长迭代目录
mkdir -p docs/03-增长迭代

# 检查数据指标文档
echo "📊 正在检查数据指标体系..."

if [ -f "docs/02-方案设计/数据指标体系.md" ]; then
  echo "✅ 数据指标体系 - 已找到"
else
  echo "⏳ 数据指标体系 - 未找到"
fi

echo ""
echo "🎯 AARRR模型介绍："
echo "A - Acquisition (获取用户)"
echo "A - Activation (激活用户)"
echo "R - Retention (提高留存)"
echo "R - Revenue (增加收入)"
echo "R - Referral (自传播)"

---

执行流程

步骤 1: 选择分析重点（主 agent - 用户交互）

使用 AskUserQuestion 询问：

> 🎯 AARRR增长分析 - 选择分析重点 > > AARRR模型覆盖用户生命周期的5个环节。请选择您重点关注的环节： > > A) 全面分析（分析所有5个环节，并行执行，推荐） > B) 获取分析（Acquisition - 用户从哪里来） > C) 激活分析（Activation - 用户首次体验是否良好） > D) 留存分析（Retention - 用户是否持续使用） > E) 变现分析（Revenue - 如何赚钱） > F) 传播分析（Referral - 用户是否愿意推荐） > G) 瓶颈诊断（找到当前最大的增长瓶颈） > > 💡 提示： > - 选择"A"可并行分析所有环节，效率提升 5x > - 产品初期 → 关注获取和激活 > - 产品成长期 → 关注留存和变现 > - 产品成熟期 → 关注变现和传播

用户选择后，记录到变量 AARRR_FOCUS

---

步骤 2: 收集数据（主 agent）

2.1 读取现有数据指标

尝试读取 docs/02-方案设计/数据指标体系.md

如果不存在，提示用户：

• A) 先执行 /pm-data 建立数据指标体系
• B) 手动输入当前的关键指标数据
• C) 使用行业基准数据进行分析

2.2 构建数据输入

使用 AskUserQuestion 收集关键数据：

> 📊 数据收集 > > 请提供以下关键指标（如不确定可输入"未知"）： > > Acquisition (获取用户)： > - 新增用户数（近7天）： > - 主要渠道： > - 渠道转化率： > > Activation (激活用户)： > - 注册转化率： > - 首次关键行为完成率： > > Retention (留存)： > - 次日留存率： > - 7日留存率： > - 30日留存率： > > Revenue (变现)： > - 付费转化率： > - ARPU (平均每用户收入)： > - LTV (用户生命周期价值)： > > Referral (传播)： > - 邀请率： > - K因子 (病毒系数)：

将所有数据整理为结构化 JSON，准备传递给 subagent。

---

步骤 3: 并行派发 subagent 分析（核心优化）

优化说明：

• 主 agent 一次性派发 5 个 subagent
• 每个 subagent 负责 1 个 AARRR 环节的分析
• 分析细节不占用主 agent 上下文
• 所有环节并行执行

---

3.1 构建 subagent 任务清单

如果用户选择"全面分析"：

准备 5 个并行 subagent 任务：

[
  {
    "task_id": "acquisition_analysis",
    "stage": "Acquisition",
    "focus": "用户获取渠道、成本、效率",
    "input_data": {
      "新增用户数": "1000",
      "主要渠道": ["搜索", "社交媒体", "推荐"],
      "渠道转化率": "5%",
      "CAC": "50元"
    }
  },
  {
    "task_id": "activation_analysis",
    "stage": "Activation",
    "focus": "用户首次体验、核心功能触达",
    "input_data": {
      "注册转化率": "40%",
      "首次关键行为完成率": "30%",
      "onboarding完成率": "60%"
    }
  },
  {
    "task_id": "retention_analysis",
    "stage": "Retention",
    "focus": "用户留存、活跃度、召回",
    "input_data": {
      "次日留存率": "40%",
      "7日留存率": "20%",
      "30日留存率": "10%"
    }
  },
  {
    "task_id": "revenue_analysis",
    "stage": "Revenue",
    "focus": "变现能力、付费转化、收入增长",
    "input_data": {
      "付费转化率": "5%",
      "ARPU": "20元",
      "LTV": "200元"
    }
  },
  {
    "task_id": "referral_analysis",
    "stage": "Referral",
    "focus": "用户传播、病毒系数、推荐机制",
    "input_data": {
      "邀请率": "10%",
      "K因子": "0.8"
    }
  }
]

---

3.2 使用 Agent 工具并行派发

并行派发 5 个 subagent（关键优化）：

# 同时启动 5 个 subagent
使用 Agent 工具，参数：

Agent 1: Acquisition 分析
  subagent_type: "general-purpose"
  description: "AARRR-Acquisition分析"
  prompt: |
    你是一个增长分析专家。请分析 Acquisition（获取用户）环节。

    **输入数据**：
    {acquisition 相关数据}

    **分析要求**：
    1. 评估当前获取效率（与行业基准对比）
    2. 识别主要渠道的表现
    3. 计算获客成本 (CAC)
    4. 发现增长机会和瓶颈
    5. 提出优化建议

    **输出格式**：
    ```json
    {
      "stage": "Acquisition",
      "current_performance": "当前表现评估",
      "benchmarks": "行业基准对比",
      "bottlenecks": ["瓶颈1", "瓶颈2"],
      "opportunities": ["机会1", "机会2"],
      "recommendations": ["建议1", "建议2", "建议3"],
      "priority_actions": ["优先行动1", "优先行动2"]
    }
    ```

Agent 2: Activation 分析
  subagent_type: "general-purpose"
  description: "AARRR-Activation分析"
  prompt: |
    你是一个用户体验专家。请分析 Activation（激活用户）环节。

    **输入数据**：
    {activation 相关数据}

    **分析要求**：
    1. 评估激活漏斗表现
    2. 识别首次体验的关键问题
    3. 分析核心功能触达率
    4. 发现激活障碍
    5. 提出优化建议

    **输出格式**：
    ```json
    {
      "stage": "Activation",
      "funnel_analysis": "漏斗分析",
      "key_issues": ["问题1", "问题2"],
      "activation_barriers": ["障碍1", "障碍2"],
      "recommendations": ["建议1", "建议2"],
      "quick_wins": ["快速见效点1", "快速见效点2"]
    }
    ```

Agent 3: Retention 分析
  subagent_type: "general-purpose"
  description: "AARRR-Retention分析"
  prompt: |
    你是一个留存分析专家。请分析 Retention（提高留存）环节。

    **输入数据**：
    {retention 相关数据}

    **分析要求**：
    1. 评估留存曲线健康度
    2. 识别流失关键节点
    3. 分析用户行为模式
    4. 发现留存驱动因素
    5. 提出优化建议

    **输出格式**：
    ```json
    {
      "stage": "Retention",
      "retention_health": "留存健康度评估",
      "churn_points": ["流失点1", "流失点2"],
      "retention_drivers": ["驱动因素1", "驱动因素2"],
      "recommendations": ["建议1", "建议2"],
      "engagement_tactics": ["策略1", "策略2"]
    }
    ```

Agent 4: Revenue 分析
  subagent_type: "general-purpose"
  description: "AARRR-Revenue分析"
  prompt: |
    你是一个变现专家。请分析 Revenue（增加收入）环节。

    **输入数据**：
    {revenue 相关数据}

    **分析要求**：
    1. 评估变现能力
    2. 分析付费转化路径
    3. 计算 LTV/CAC 比率
    4. 发现变现机会
    5. 提出优化建议

    **输出格式**：
    ```json
    {
      "stage": "Revenue",
      "monetization_health": "变现健康度",
      "ltv_cac_ratio": "LTV/CAC比率分析",
      "revenue_leaks": ["收入流失点1", "流失点2"],
      "monetization_opportunities": ["机会1", "机会2"],
      "recommendations": ["建议1", "建议2"]
    }
    ```

Agent 5: Referral 分析
  subagent_type: "general-purpose"
  description: "AARRR-Referral分析"
  prompt: |
    你是一个病毒传播专家。请分析 Referral（自传播）环节。

    **输入数据**：
    {referral 相关数据}

    **分析要求**：
    1. 评估病毒传播能力
    2. 分析 K 因子表现
    3. 识别传播驱动因素
    4. 发现传播障碍
    5. 提出优化建议

    **输出格式**：
    ```json
    {
      "stage": "Referral",
      "viral_health": "病毒传播健康度",
      "k_factor_analysis": "K因子分析",
      "referral_barriers": ["障碍1", "障碍2"],
      "viral_loops": ["病毒循环1", "循环2"],
      "recommendations": ["建议1", "建议2"]
    }
    ```

主 agent 等待所有 subagent 完成。

---

步骤 4: 收集结果并整合（主 agent）

主 agent 收集所有 subagent 的返回结果：

{
  "analysis_results": [
    {
      "stage": "Acquisition",
      "bottlenecks": ["渠道转化率低", "CAC过高"],
      "recommendations": ["优化落地页", "增加社媒投放"]
    },
    {
      "stage": "Activation",
      "bottlenecks": ["onboarding流失严重"],
      "recommendations": ["简化注册流程", "增加引导"]
    },
    {
      "stage": "Retention",
      "bottlenecks": ["次日留存低于行业平均"],
      "recommendations": ["增加push推送", "优化新手任务"]
    },
    {
      "stage": "Revenue",
      "bottlenecks": ["付费转化率低"],
      "recommendations": ["增加免费试用", "优化付费引导"]
    },
    {
      "stage": "Referral",
      "bottlenecks": ["K因子3）

**瓶颈**：
- 付费转化率略低
- 变现路径不够清晰

**建议**：
- 增加免费试用
- 优化付费引导
- 设计阶梯式定价

### 5.5 Referral 分析

（从 subagent 结果中提取）

**当前表现**：
- 邀请率：10%
- K因子：0.8（自增长阈值：1.0）

**瓶颈**：
- K因子  ⚠️ 任何一项未通过 → 补全后再标记完成。

---

## Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

- **Author:** [konglong87](https://github.com/konglong87)
- **Source:** [konglong87/superPM](https://github.com/konglong87/superPM)
- **License:** MIT
- **Homepage:** https://konglong87.github.io/anything-ai/

Install and usage instructions live in the source repository linked above.