尊重你流量的 A/B 测试
大多数店铺实验都小到得不出任何结论，大多数「胜者」是下个月就回归的噪音。测得好意味着测得少。
电商 A/B 测试有个不体面的秘密：流量不够大时，大多数测试根本检测不出页面改动实际能产生的效应量。诚实的工作流是：明显的问题直接修，把实验留给流量足够的页面上真正不确定的决策，并把样本量算到结论确实可能得出。Agent 强制执行的正是这套纪律。
什么值得测——什么不值得
坏掉的移动端布局不需要实验，需要修。测试属于合理的人会有分歧、且数据能一锤定音的决策。
直接修：明确缺陷、速度问题、缺失信息、坏掉的流程
测试：价格呈现、优惠框架、有真实取舍的页面结构选择
Analyst 先算你的流量能否检测出合理的效应量
无法得出结论的测试不开——流量花去别处
假设来自漏斗，不来自灵感库
好的测试来自你自己的流失数据：具体的页面、具体的分群、具体的犹豫。Analyst 从漏斗真实的漏点生成假设，产出的实验更少、更好，胜过从文章里借测试点子。
诚实的结论，包括「没有差异」
显示无效应的测试也是信息——它意味着这个决策不重要，别再纠结了。Agent 如实报告结果、保留不确定性、偷看数据就叫偷看，并把每个结果记入共享记忆，同一场争论下季度不用再吵一遍。
运行方式
筛选积压清单
明显缺陷直接路由给 Builder 修；只有真正的不确定才成为测试候选。
开始前先算量
Analyst 计算你的流量能否检测出合理效应——检测力不足的测试不跑。
跑、下结论、记档
结果如实报告（包括无差异），存档后决策保持已决状态。
你会得到什么
流量花在能真正得出结论的测试上
明显问题立即修，而不是排在实验后面
假设扎根于你自己的漏斗数据
一份包括无差异结果的完整测试档案
由这些 Agent 负责
常见问题
A/B 测试需要多少流量？
取决于你要检测的效应量——小效应需要非常大的样本。Agent 在每个测试开始前算这个，而这正是大多数团队跳过的一步。
低流量店铺该怎么办？
直接修缺陷、做更大胆的改动（效应大到看得见）、用带诚实注脚的前后对比。假装在跑实验是最坏的选项。
为什么胜出的测试后来不灵了？
通常因为原始结果就是噪音，或者被偷看后提前叫停。正确的样本量与固定的停止规则能防住大部分——Agent 强制执行的就是这个。
邮件也能测吗？
能，而且邮件的统计条件往往更好——样本更大、归因更干净。同一套样本量纪律通过 Retention Agent 应用。