retentioneering-product-analytics-retentioneering-retentioneering-tools

1. 基本信息

项目	内容
名称	retentioneering-product-analytics-retentioneering-retentioneering-tools
项目自述名称	SKILL.md 内自述为 `retentioneering-product-analytics`（仓库同时包含另一个面向贡献者的技能 `retentioneering-contributing`，本报告仅评估面向数据分析场景的这一个）
作者/维护者	Retentioneering 开源社区实验室（Maxim Godzi、Vladimir Kukushkin、Anatoly Zaytsev 等具名维护者）
来源链接	https://github.com/retentioneering/retentioneering-tools/tree/master/.claude/skills/retentioneering-product-analytics
许可证	Apache License 2.0（数据来自 GitHub API）
GitHub Stars	907（数据来自 GitHub API，截至 2026-07-21）
Forks	135（数据来自 GitHub API）
最新版本	底层 Python 包 retentioneering 5.0.1（2026-07-15 发布，数据来自 GitHub Releases）；技能自身版本号 1.0.0
安装方式	`pip install retentioneering` + 复制技能目录到本地 Agent 技能路径

2. 功能介绍与亮点

Retentioneering 是一套开源 Python 事件日志分析工具包，本技能是其中面向“产品分析”场景的部分：把带有用户、事件、时间戳三列的原始点击流数据，转成关于“用户为什么转化/流失/循环/卡在某一步”的可复现分析结果。核心亮点：

完整分析工作流而非零散代码片段：技能内置数据剖析脚本 inspect_event_log.py、10 套已验证的分析方法说明（漏斗、留存、行为分群、转移图、步骤矩阵、马尔可夫模拟等）、API 参考手册与验证清单，引导 Agent 按“剖析数据→框定问题→选最小分析方法→可复现执行→验证→解释”六步交付。
强调可复现与诚实呈现：SKILL.md 明确要求每个百分比必须标注分母、每条筛选规则必须记录对行数的影响、禁止把路径相关性说成因果关系、结论前必须过一遍完整性检查清单。
本地优先：分析在用户自己的环境运行，原始与分析后数据不离开本机，不依赖任何托管 SaaS 平台。
底层库成熟：仓库始于 2019 年，2026-07-15 刚发布 5.0 大版本重写（DuckDB 后端 + 新一代交互式组件），PyPI 累计下载超过 44 万次。

3. 适用场景

固定分类：数据分析与可视化

适合已积累用户行为事件日志（CSV/Parquet/pandas 或数据库导出）、需要用 Claude Code、Codex 等 Agent 分析转化漏斗、留存曲线、用户路径、行为分群或 A/B 实验效果的数据分析师、产品经理与增长团队；尤其适合不想为每个分析问题都让 Agent 现写一次性脚本、希望复用经过验证的分析方法与诚实呈现规范的场景。

4. 跨 Agent 兼容性

Claude Code：✅ 原生支持——仓库内置 .claude/skills/retentioneering-product-analytics/SKILL.md，遵循标准技能格式
Codex：✅ 官方 README 明确将 Codex 列为兼容开发环境，仓库同时提供内容一致的 .agents/skills/ 镜像目录供其读取
OpenClaw：⚠️ 未被直接点名，但仓库提供了“面向没有原生技能加载器的 Agent”的通用手动读取协议，理论上可通过该协议接入
Hermes Agent：⚠️ 同上，未被直接点名，可通过通用协议手动加载，未见专门验证

（判断依据：仓库 README、AGENTS.md 及 .agents/skills/README.md）

5. 推荐理由

开源本地事件日志分析引擎，把点击流转化为可复现的产品洞察——比让 Agent 现场生成一次性分析脚本更可靠，比接入 PostHog/Amplitude/Mixpanel 等云端产品分析平台的 MCP 连接器更轻量（免账号、免订阅、数据不出本机）。技能设计强调可复现性与诚实呈现（分母必须标注、筛选影响必须记录、禁止因果结论），对分析质量有明确的方法论约束，而非简单调用几个绘图函数了事。

6. 评分

维度	分数	说明
受欢迎程度	6	GitHub 907 stars；PyPI 累计下载超 44 万次；项目始于 2019 年并持续活跃维护，2026-07-15 刚发布重大重写版本 5.0.1；第三方独立讨论目前少见
可用性	9	`pip install retentioneering` 一条命令安装分析库，技能目录可直接复制到 `.claude/skills` 或 `.agents/skills`；SKILL.md 含完整工作流、API 参考手册与示例脚本；2026-07-15 刚发布新版本，维护活跃；核心功能完全免费开源
安全性	8	见下方检查清单

综合评分（三项均值）：7.7

安全检查清单：

① Shell 命令：附带脚本 inspect_event_log.py 仅在本地读取并剖析 CSV/Parquet 文件，检读未发现 shell 命令执行、子进程调用或 eval/exec
② 联网外发：底层 Python 包默认开启匿名遥测（仅报告调用了哪些方法名，不含数据内容），可在配置中关闭；技能自身的分析脚本不联网
③ 凭据：不需要任何 API Key 或账号，纯本地 Python 分析
④ 可疑指令：逐份检读 SKILL.md 与脚本内容，未发现隐藏指令或混淆代码
⑤ 作者信誉：社区开源实验室，3 位具名维护者，项目持续 6 年活跃开发，未见刷星或 SEO 操纵措辞
⑥ License：Apache License 2.0，条款清晰
⑦ 维护：2026-07-15 发布 5.0.1，近期提交频繁，属活跃维护

7. 跟同类 Skills 相比的优势

项目	定位	与本技能的差异
PostHog / Amplitude / Mixpanel 官方 MCP Server	云端产品分析平台通过 MCP 暴露漏斗、留存、实验等查询接口	需要先拥有对应平台账号（多为付费 SaaS），数据经由云端 API 查询；本技能直接分析本地文件，免账号免订阅，数据不出本机
ktx	面向数据与分析 Agent 的“可执行上下文层”，帮助 Agent 准确查询任意分析型数据库并携带公司上下文	定位是通用数据库查询的语义层，不内置漏斗/留存/转移图等具体分析方法；本技能是针对点击流/事件日志的专项分析工作流，两者可搭配使用而非直接替代
Agent 现场生成一次性 pandas/matplotlib 脚本	无固定工具，靠 Agent 即兴编写分析代码	每次分析质量取决于 Agent 当次发挥，容易出现分母缺失、因果误判等问题；本技能把方法论、验证清单固化进技能文件，结果更可复现、可审计

本技能的差异化在于：本地优先、免费开源、且把“如何诚实呈现行为分析结果”的方法论显式写进了工作流，而不仅仅是包装几个绘图函数。

8. 用户评价

该技能于 2026-07-15 随底层库 5.0 版本一同发布，目前在第三方平台尚无针对该技能本身的具名用户评价。底层 Python 库本身已有多年历史与真实使用者的问题反馈记录，但集中在库的早期版本，与本次评估的技能版本不直接对应，不作为技能评价引用。

9. 其他补充

仓库同时收录另一个技能 retentioneering-contributing，面向想给该项目贡献代码的开发者（报 bug、提 PR），与数据分析场景无关，未纳入本次评估范围。

10. 安装使用方式

安装分析库：pip install retentioneering
获取技能文件：克隆或下载仓库 retentioneering/retentioneering-tools，将 .claude/skills/retentioneering-product-analytics/（或 .agents/skills/ 下同名目录）整个复制到你的 Agent 技能目录
使用时向 Agent 提供事件日志文件路径（CSV/Parquet，需包含用户、事件、时间戳三列），技能会先运行数据剖析脚本、确认字段映射，再选择合适的分析方法执行

安装后注意事项：无需重启终端或 IDE；首次使用建议让 Agent 先完整跑一遍第 2 步的数据剖析，确认字段映射正确后再进入具体分析。

11. 注意事项

需要 Python 3.11 及以上环境，且已安装 retentioneering 5.x 包；技能的 API 参考针对 5.0 版本核对，若环境是其他大版本，需以已安装包的实际文档为准
默认开启匿名遥测（仅方法名，不含数据内容），如有顾虑可在库配置中关闭
仅明确验证 Claude Code、Codex 两个生态；OpenClaw、Hermes Agent 需通过通用协议手动接入，兼容性未经专门验证
面向已有结构化事件日志的场景；不适合定性访谈类用户研究，也不适合仅有聚合网站流量、缺少用户级事件序列的数据