1. 基本信息
| 项目 | 内容 |
|---|---|
| 名称 | ad-campaign-analyzer-github-awesome-copilot |
| 作者/维护者 | GooseWorks（原作，收录于 GitHub 官方 awesome-copilot 合集） |
| 来源链接 | https://github.com/github/awesome-copilot/tree/main/skills/ad-campaign-analyzer |
| 许可证 | MIT（GitHub API 实测） |
| GitHub Stars | 合集仓库 github/awesome-copilot 整体 39,077 stars / 4,957 forks；该数字属整个合集，不代表本技能自身热度（GitHub API 实测） |
| 最新版本 | 1.0（SKILL.md metadata.version） |
| 安装方式 | 克隆或下载 github/awesome-copilot 仓库，将 skills/ad-campaign-analyzer/ 目录复制进所用 Agent 的 skills 目录 |
2. 功能介绍与亮点
这是一个纯提示词驱动的广告投放数据分析技能：用户提供 Google Ads / Meta Ads / LinkedIn Ads 的 CSV 导出、粘贴表格或仪表盘截图，技能按五个阶段完成分析——数据归一化、投放健康度诊断（含浪费支出识别、优胜项识别、A/B 测试统计显著性检验）、转化漏斗拆解、跨渠道预算再分配（含效率指数、边际回报估计、保守/激进两种情景建模），最终产出一份结构化 Markdown 分析报告，包含执行摘要、浪费报告、行动清单（本周/本月/下月三个时间层级）。
主要亮点：
- 零依赖：SKILL.md 明确声明“无需外部工具、网络调用或 API key”，纯推理运行，跨平台通用
- 统计严谨性：内置样本量门槛（CTR 检验最少 100 次点击、CPA 检验最少 30 次转化）与置信度判定，不是简单的数字罗列
- 官方合集收录：由 GitHub 官方仓库
github/awesome-copilot收录，仓库持续维护（最近一次推送为收录当日）
3. 适用场景
所属分类：数据分析与可视化
适用于需要从广告投放原始数据中提炼决策的场景：初创公司创始人或增长负责人检查月度广告仪表盘、需要判断该砍哪些广告/该加码哪些渠道；市场团队做跨渠道（Google/Meta/LinkedIn）预算再分配前的量化论证；需要为 A/B 测试结果判断“是否已达统计显著性”而非凭感觉下结论的场景。目标用户是使用 Claude Code / Codex 等编程 Agent 顺带处理业务数据分析任务的初创团队成员或独立开发者，不要求营销专业背景。
4. 跨 Agent 兼容性
| Agent | 结论 | 依据 |
|---|---|---|
| Claude Code | 原生支持 | 标准 SKILL.md + YAML front matter 格式，符合 Agent Skills 规范，Claude Code 原生识别 |
| Codex | 需适配 | Codex CLI 不会自动发现 ~/.codex/skills 下的 SKILL.md，需通过 -f 参数或 stdin 手动引用后使用 |
| OpenClaw | 原生支持 | OpenClaw 的技能即静态 SKILL.md + YAML front matter 文件，可直接放入使用；本技能无外部二进制依赖（requires.bins 不适用），不存在适配障碍 |
| Hermes Agent | 原生支持 | Hermes Agent 的技能存放于 ~/.hermes/skills/ 下并自动发现，本技能纯文本推理、无脚本/外部依赖，符合其发现机制 |
5. 推荐理由
它把“看一眼 ROAS 数字然后凭直觉加减预算”的常见做法，换成有统计显著性检验和量化效率指数支撑的决策流程，且不需要连接任何广告平台 API、不索取任何凭据——对不具备付费媒体专业背景的开发者/创始人来说，是一个开箱即用、零安装成本的广告投放诊断与预算分配助手。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 7 | 收录方 github/awesome-copilot 为 GitHub 官方维护的一线厂商合集，官方出品背景是本项评分的主要依据；未查到该子技能自身独立于合集之外的第三方讨论或采用数据，故未评入更高区间 |
| 可用性 | 9 | 纯推理运行，无需 API key、无需联网、跨平台；SKILL.md 含完整的阶段化流程、表格模板与最终输出格式定义；收录仓库当日仍在持续推送更新 |
| 安全性 | 9 | 纯提示词/模板类技能，无代码执行、无外部网络调用、不索取任何凭据；MIT 许可证明确 |
安全检查清单：① 无 shell 命令执行 ② 无联网外发（技能声明零网络调用） ③ 不涉及 API key/凭据 ④ 抓取 SKILL.md 全文未发现可疑指令或隐蔽外发 ⑤ 收录方为 GitHub 官方合集，作者信誉良好 ⑥ License 明确为 MIT ⑦ 收录仓库当日仍在活跃维护
7. 跟同类 Skills 相比的优势
| 技能 | 核心功能 | 与本技能的差异 |
|---|---|---|
power-bi-dax-optimization（github/awesome-copilot） |
优化 Power BI 语义模型中的 DAX 公式性能 | 面向 BI 建模者做技术性能调优，不涉及广告投放策略或预算决策 |
sql-optimization（github/awesome-copilot） |
跨数据库 SQL 查询性能优化 | 面向工程师做查询层面调优，与广告业务分析场景无关 |
competitor-ad-intelligence（GooseWorks，同一 PR 引入） |
分析竞品广告投放策略 | 分析对象是竞品公开广告素材而非自身投放数据，回答“对手在做什么”而非“我该怎么调预算”，两者互补但不重叠 |
8. 用户评价
该技能于 2026-07-23 随 PR 一同并入 github/awesome-copilot，目前在 GitHub Issues/Discussions、Reddit、Hacker News 等平台尚无针对该技能本身的具名用户评价；搜索结果中出现的第三方站点（如 awesome-copilot 官方展示页、mcpservers.org、agent-skills.md 等）均为技能目录/镜像索引，非用户评价。
9. 其他补充
技能同时被收录进 GooseWorks 自家的 goose-skills 技能库（GitHub: gooseworks-ai/goose-skills），该库还包含 competitor-ad-intelligence（竞品广告情报）等配套技能，面向增长/GTM 场景的开发者可考虑组合使用。
10. 安装使用方式
方式一（推荐，最小依赖）：克隆或下载 github/awesome-copilot 仓库，将 skills/ad-campaign-analyzer/ 目录复制到你所用 Agent 的 skills 目录下（如 Claude Code 的 ~/.claude/skills/）。
触发方式：无需额外命令，直接用自然语言提问即可触发，如“分析我的广告投放数据”“我该砍哪些广告”“怎么分配下个月的广告预算”，并附上 CSV 导出、粘贴的表格或仪表盘截图。技能会先询问渠道、时间范围、月度预算、优化目标等基础信息，再输出结构化分析报告。
注意事项：安装后无需重启 Agent；首次使用建议准备好至少一个投放周期的完整导出数据，数据越完整（含转化漏斗数据）分析越精确。
11. 注意事项
- 技能本身不连接任何广告平台 API，所有分析基于用户手动提供的数据，数据时效性和准确性由用户自行保证
- 统计显著性检验设有最低样本量门槛（如 CPA 检验需 ≥30 次转化），投放量较小的早期账户可能无法触发严谨的 A/B 判定，此时技能会如实提示“数据不足以下结论”
- 目前暂无第三方独立评价，实际效果需用户在自身投放数据上验证