简介
ab-test-setup 是一个面向开发与增长团队的实验顾问技能。它直击“先上线看看数据”这种盲目测试的痛点，通过在测试前强制要求统计严谨性、清晰的假设结构和样本量计算，帮你避开常见的实验陷阱，产出真正可落地的业务决策。
理念
通过强制的结构化假设、单变量原则和预设样本量，确保实验在启动前就具备统计有效性。
安装使用
有很多种方法可以安装 skill：
- 安装方法1：在 OpenClaw 或 Hermes Agent 的聊天窗口，直接告诉 Agent：请帮我安装 ab-test-setup 技能。（最简单）
- 安装方法2：访问 skillhub 网站，先安装 skillhub 商店，然后再安装对应的技能。（适用于中国用户）
- 安装方法3：访问 Skills.sh 网站，在首页搜索对应技能的名称，然后使用网站提供的命令安装。（适用于有技术经验的用户）
- 安装方法4：访问 Clawhub 网站，在首页搜索对应技能的名称，点击下载按钮下载压缩包，解压后放到 OpenClaw 的 skills 目录下。
Skill 工作流程剖析
- 评估上下文环境：优先读取
.agents/product-marketing-context.md等现有上下文文件，避免重复提问。同时全面摸底当前的测试背景、基线转化率和技术限制。 - 构建结构化假设：强制采用“因为 [数据观察]，我们相信对 [目标受众] 进行 [具体变更] 会导致 [预期结果]”的严谨句式，直接过滤掉“随便改改看”的无效想法。
- 确定测试类型与样本量：根据变更复杂度和预期提升率，选择 A/B、A/B/n 或多变量测试（MVT），并参考内置表格硬性规定所需的样本量。
- 建立指标体系：将指标严格划分为主要指标（衡量核心商业价值）、次要指标（解释原因）和护栏指标（防止系统性负面影响），构建全局观测视角。
- 设计变量与流量分配：坚持单变量原则，并根据风险承受能力选择 50/50 均分、保守比例（如 90/10）或逐步放量的策略。
- 执行防偷看纪律：在测试运行期间，坚决抵制“提前偷看数据并过早停止”的冲动，确保结果的统计显著性。