把胜出的转化经验封装成 Skill

一次转化实验胜出，并不等于获得了一条适用于所有客户的最佳实践。行业、流量来源、关键词意图、页面类型、样本规模和时间周期都会影响结果。如果只记住“改了什么”，下次很容易机械复用；真正值得沉淀的是，这个结果在什么条件下成立，又在什么情况下可能失效。

先判断胜出是否真实

在把经验写入 Skill 之前，首先要确认数据是否足以支持结论。需要检查实验周期、样本量、流量结构、转化定义和统计波动，也要排除预算变化、品牌活动、销售跟进或季节因素带来的干扰。

这里要严格区分三类内容：已经观察到的事实、对结果原因的解释、仍需验证的假设。AI 可以帮助整理数据和寻找可能关系，但不能把相关性自动写成因果关系。

把经验写成有边界的规则

一条可复用规则至少要写清楚解决的问题、适用对象、必要输入、执行动作、支持证据、反例和停止条件。比如“表单字段越少越好”就过于绝对；更准确的规则应该说明客户决策阶段、线索质量要求、页面访问来源，以及减少字段后需要观察的有效线索率。

Skill 的价值不是让团队停止判断，而是在下一次优化开始前，强制回看已经验证过的经验和边界。它把过去的项目结果变成新的起点，减少同一种错误反复发生。

让 Skill 进入真实工作流

经验如果只保存在复盘文档里，很容易在忙碌时被忽略。我们会规定相关任务开始前先读取 Skill，再对照当前客户条件判断哪些规则适用、哪些需要跳过、哪些需要重新验证。

执行过程中还要保留采用、拒绝和修改的原因。这样下一次更新 Skill 时，团队不仅知道规则被使用过，还知道它在不同情境下产生了什么结果。

用新证据持续更新

Skill 不应该成为不可挑战的标准答案。出现更大样本、相反结果或新的流量环境时，需要更新版本，并保留旧版本的适用背景。被证明失效的规则也不必删除，而应说明为什么失效，避免未来在相似条件下再次误用。

最终判断仍由负责转化结果的人完成。AI 擅长整理、比对和提醒，真实数据决定规则能否继续存在。只有持续接受新证据校正，Skill 才是复利资产，而不是把偶然经验固化成偏见。

请把以下已经通过真实转化数据验证的经验整理成一份转化优化 Skill 规则。

必须包含：
1. 这条经验解决的客户问题
2. 适用的行业、页面和流量条件
3. 支持它的实验数据与样本范围
4. 执行前需要检查的输入
5. 可以采取的优化动作
6. 不适用的情况和停止条件
7. 实施后的验证指标
8. 新证据出现时如何更新版本

不要把一次胜出直接写成适用于所有客户的最佳实践。