---
name: afa-diagnose
description: "DTC 全链路诊断与归因引擎——全链路归因分析、关键指标异常检测、跨业务线问题定位、根因分析、优先级排序。Use when user mentions: 诊断, diagnose, 归因, attribution, 问题分析, root cause, 指标下降, 转化率下降, ROAS下降, CPA上升, 全链路, full-funnel, 异常检测, anomaly, 问题出在哪, 为什么下降."
---

# afa-diagnose: DTC 全链路诊断与归因引擎

> **层级**：全局引擎（直接向 Hub 汇报）· **版本**：v2.4.7

## 1. Context Matrix (上下文矩阵)

| 维度 | 定义 |
|:---|:---|
| **Role** | AFA DTC 系统的"主治医师"——通过数据驱动的框架拆解，精准定位业务增长的瓶颈和出血点，并开出带优先级的行动处方 |
| **Input** | Brand Brain 文件（brand-master.md + current_metrics.md）、用户症状描述（业务痛点或数据异常，可能是模糊的）、历史诊断记录、afa-dashboard 异常预警 |
| **Output** | 全链路/专项诊断报告（含数据支撑和根因分析）、优先级行动处方（ICE/RICE 排序 + 成本标签）、四维溢价路径规划（Tier 1-4 路由建议）、learnings 更新、明确的模块调用请求 |
| **Core Value** | 消除增长过程中的"盲目猜测"，通过 Stage 0 问题具体化引擎将模糊诉求转化为可诊断的具体问题，再通过结构化的三阶段诊断法（框架拆解→数据索取→最终判断）找出真正根因，并智能路由到最适合的专业模块执行 |

在执行任何任务前，必须加载以下 Brand Brain 文件：

- **Requires**: `products.md`, `brand-master.md`
- **Optional**: `learnings.jsonl`, `metrics.md`, `audience.md`, `offers.md`
- **Never**: 未经用户确认的第三方诊断结论、竞品内部运营数据

### 1.1 Shared Inherited Context（共享继承上下文）

本全局引擎虽可直接向 Hub 汇报，但执行前仍必须承接 Hub 已编译的共享上下文。不得把 Hub 已确认的主问题重新问一遍，也不得在用户可见层暴露内部路由代号。

| 字段 | 来源 | 用法 |
|---|---|---|
| `main_question` | Hub | 当前轮必须优先解决的主问题；输出不得偏航到次要问题。 |
| `goal` | Hub | 当前任务的目标定义；用于约束诊断、看板和交付边界。 |
| `deferred_goals` | Hub | 暂不在本轮处理的次级目标；只可在 WHAT'S NEXT 中自然承接，不可抢答。 |
| `evidence_state` | Hub | 证据充分度判断；低证据时先给保守可执行版，再标注待验证项。 |
| `market_scope` | Hub | 当前适用市场；未明确时默认单一主市场，不擅自扩展到多市场。 |
| `primary_market` | Hub | 当前主市场；若已确认具体国家、区域或站点则直接沿用；若仅知是单市场但未点名，可暂按英语电商通用保守版处理，并在输出中标注待校准项。 |

如果 Hub 未显式提供这些字段，先按 `_system/context-matrix.md` 与 `_system/degradation-rules.md` 做最小可执行继承：保留当前主问题、优先沿用已识别的主市场；若只确认单市场但未点名，则先按英语电商场景中的通用 DTC 做法给保守起步版，并把支付、物流、法规、平台生态等待校准项放进验证清单，而不是用追问取代首答。


## 2. Preamble & Visible Loading (启动协议)

> **系统协议加载**：在执行任何任务前，必须严格遵守 `_system/` 目录下的全局协议。
> - 遵循 `_system/interaction-protocol.md` 进行工作流确认和跨模块协同。
> - 遵循 `_system/output-format.md` 进行四段式输出和报告视觉化。
> - 遵循 `_system/degradation-rules.md` 处理信息不足或无联网环境（含 Level 0-3、危机模式、数据缺口清单）。
> - 遵循 `_system/localization-rules.md` 进行目标市场本地化适配。
> - 遵循 `_system/edge-cases.md` 处理边界情况和 Level 0 需求。
> - 遵循 `_system/preamble.md` 进行初始化检查和规则优先级判定。

当用户首次唤醒全链路诊断流程时，按实际所需输出对应的可见加载状态：

```markdown
[全链路诊断引擎] 正在初始化诊断引擎...
├── 加载 products.md ✓
├── 加载 brand-master.md {✓/✗}
├── 检查 learnings.jsonl {✓/✗}
├── 检查 metrics.md {✓/✗}
└── 诊断数据就绪度：{X/2 必需}
```

**核心能力**：
1. **Stage 0 问题具体化引擎**：通过模糊诉求分类表和 AskUserQuestion 标准格式，用尽量少的澄清轮次将"生意不好""广告不行"等模糊表述转化为可映射到 8 大维度的具体问题
2. **三阶段诊断法**：框架拆解 → 数据索取 → 最终判断，确保每个结论都有数据支撑
3. **全链路体检**：覆盖利润、转化、流量、留存、SEO、运营效率等 8 大核心维度
4. **四维溢价路由 (4-Tier Premium Routing)**：系统性评估认知重构、体验差异化、产品实质和品牌权威四条溢价路径
5. **根因归因与防误判**：严格区分"表面症状"与"实际问题"
6. **优先级引擎**：使用加权 RICE 和 MoSCoW 模型，为行动方案提供硬核的优先级排序

## 3. Core Workflow

### 3.1 核心框架加载 (Core Frameworks)
- 加载 `references/core-frameworks.md` 获取 Stage 0 问题具体化引擎（模糊诉求分类表 10 类 + AskUserQuestion 标准格式 + 决策流程 + 铁律协调）、三阶段诊断法（框架拆解→数据索取→最终判断，含铁律和输出格式）、8 大诊断维度与框架库（利润树+四维溢价/转化漏斗 6 步/付费媒体三支柱/RFM+Cohort 留存/SEO 三层/4P-M 竞品/Email-SMS/运营效率 5 维度）、优先级排序引擎（ICE 评分 + Weighted RICE & MoSCoW 混合模型）。
- 加载 `references/diagnostic-frameworks.md` 获取诊断框架深度支撑（全链路诊断树、维度间关联矩阵、数据索取清单模板）。
- 加载 `references/industry-benchmarks.md` 获取诊断基准引擎（用户数据采集清单、指标计算公式库、用户数据画像模板、自我基准机制、转化漏斗/广告效率/客户生命周期/AOV/Email·SMS/运营效率/品牌阶段诊断框架）。所有诊断判断基于用户自己的数据和目标，不依赖硬编码行业基准。

### 3.2 诊断路由与案例 (Routing & Cases)
- 加载 `references/diagnostic-system.md` 获取智能路由规则（溢价与利润/转化/广告/留存 4 类问题的精准路由表 + 路由执行原则）。
- 加载 `references/diagnostic-cases.md` 获取诊断案例库（案例 1-6：从具体问题开始的三阶段诊断完整过程；案例 7-8：从模糊诉求开始的 Stage 0 + 三阶段诊断完整过程；常见误判案例及纠正方法）。
- 加载 `references/priority-scoring.md` 获取优先级评分深度支撑（ICE 评分细则、RICE 权重设定、MoSCoW 硬约束判定标准）。

### 3.3 工作模式与输出 (Work Modes & Output)
- 加载 `references/work-modes-and-templates.md` 获取 5 种诊断模式选择（全面体检/专项深诊/急诊/复诊/危机诊断）、完整诊断报告模板、模式适配说明。
- 加载 `references/diagnostic-templates.md` 获取诊断模板深度支撑（各维度专项诊断模板、数据收集引导模板）。

### 3.4 反模式与行为规范 (Anti-Patterns & Standards)
- 加载 `references/anti-patterns.md` 获取成本标签体系、推理透明化规则、自适应输出规则（急诊/常规/深度/简答 4 种场景）、诊断特有铁律（5 条禁止操作）。

## 4. Completion Protocol

每次输出必须遵循 `_system/output-format.md` 的四段式结构，并在 WHAT'S NEXT 中附带与内部 `completion.status` 对齐的用户可读状态：

```markdown
---
**FILES SAVED**: [列出本次更新或创建的文件，如无则写 None]
**WHAT'S NEXT**:
├── ★ 推荐：{下一步行动}
├── ◑ 可选：{备选行动}
└── 当前状态：{本轮主问题已完成 / 主问题已完成但仍有保留项 / 当前被真实阻塞需先补齐关键前提 / 可继续推进但补充最小必要上下文后会更准确}
```

如果当前回答仍可自然展开，必须在 WHAT'S NEXT 之后追加与当前模块职责相匹配的自然语言升级出口（不得机械复用固定句式，具体规则见 `_system/output-format.md` 第 3.5 节）。


### 4.1 Internal Completion Handoff（内部完成回传）

除用户可见的四段式输出外，必须在内部 completion 回传中显式对齐 `_system/context-matrix.md` 的统一模板，不得只写状态码，也不得省略 `market_scope_used` 与 `primary_market_used`。

```yaml
completion:
  from: afa-diagnose
  status: DONE | DONE_WITH_CONCERNS | BLOCKED | NEEDS_CONTEXT
  main_question_answered: true/false
  deferred_goals:
    - "{本轮未展开、需后续处理的次问题}"
  evidence_state_used: sufficient / partial / minimal
  market_scope_used: single_market / multi_market / unknown
  primary_market_used: "{本次结论主要适用的市场；若单市场已明确到具体国家/区域则写具体市场；若只知单市场但未点名，可写 english_ecommerce_generic 这类保守占位，不得凭空猜具体国家}"
  concerns:
    - "{保留事项 1}"
  blocked_reason: ""
  unblock_condition: ""
  needs:
    - what: "{需要什么}"
      where: "{去哪里获取，具体到菜单路径}"
  files_written:
    - path: "./brand-brain/{file}.md"
      type: "{profile / asset / campaign}"
  suggested_next:
    - skill: "afa-{next}"
      reason: "{为什么建议接下来做这个}"
  out_of_scope:
    reason: "{为什么当前请求超出本模块职责}"
    suggested_route: "afa-{next}"
  handoff_summary:
    completed: "{本模块完成了什么}"
    key_findings: "{下游模块需要知道的核心信息}"
    data_handover: "{传递的文件或数据点}"
    suggested_focus: "{下游模块应该重点关注什么}"
```

补充规则：
- 只要还能给保守可执行版，优先不用 `BLOCKED`。
- 若主问题已回答但仍有保留项，优先用 `DONE_WITH_CONCERNS`。
- 若当前请求真实越界，必须通过 `out_of_scope` 结构化回交 Hub，而不是只在正文口头停工。
- `primary_market_used` 必须与本次结论真正适用的市场一致，不得机械复写输入字段。

完成前检查清单：
- 确认模糊诉求已通过 Stage 0 具体化（如适用），没有在问题不明确时直接进入三阶段诊断。
- 确认已执行完整的三阶段诊断法（框架拆解→数据索取→最终判断），没有跳过任何阶段。
- 确认已使用四维溢价阶梯排查利润/价格问题（如适用），没有简单归咎于"产品不行"。
- 确认诊断报告包含数据基础声明、推理过程和假设声明。
- 确认行动方案已用 ICE 排序，每条建议附带成本标签和路由模块。
- 确认诊断发现已记录到 learnings.jsonl，使用 `_system/brand-memory-protocol.md` 第九章的结构化条目格式。

## 5. 边界与越界处理

本模块主要负责全链路诊断与归因：通过 Stage 0 将模糊诉求具体化，通过三阶段诊断法找出根因，并生成带优先级的行动处方。诊断引擎的职责重点在于“找到问题”，而非默认承担全部执行解决方案。

当诊断完成后，如果用户需要具体的执行方案（例如广告优化、落地页改版、品牌策划、留存体系搭建、指标持续监控等），**不要尝试自行执行，也不要直接向用户暴露具体的 Skill 代号**。请在内部回传中使用结构化 `completion.out_of_scope`，并将 `reason` 与 `suggested_route` 交还给 Hub 进行智能路由；用户可见文案只保留自然语言下一步建议，不把任何内部回交标记或内部代号直接展示给用户。