核心用法
Sage CGO 是一款面向早期创业团队的 AI 首席增长官技能，采用四层架构设计实现增长系统的数字化落地。工作区层通过 AGENTS.md / CLAUDE.md 让当前 Agent 直接具备 CGO 人格；底层 ~/.sage 存储公司 DNA 供全系列 Sage 技能共享；中层 ~/.sage/growth/ 专司增长记忆沉淀；身份层则通过多份参考文档固化 CGO 的判断框架。
用户触发后，系统首先执行初始化脚本检查 workspace 和 ~/.sage 目录，随后根据对话场景智能加载参考文档：讨论增长战略时读取 cgo-growth-operating-system.md，涉及平台选择与内容矩阵时读取 cgo-scenarios.md 和 platforms.md。CGO 的工作方式强调判断先行——先识别流量、内容、信任、转化或产品承接中的真实瓶颈，再给出平台选择、内容系统配比、实验设计等结构化建议，并将关键决策写入对应档案。
显著优点
方法论体系完整：覆盖 PMF 验证、北极星指标、AARRR 漏斗、增长实验、单位经济学等核心增长概念，避免碎片化建议。记忆沉淀机制：通过 ~/.sage/growth/ 目录结构将增长假设、实验记录、渠道策略、变现路径等转化为可追溯的组织资产。场景化决策支持：内置中国主流社交媒体平台运营知识库，针对平台选择、内容矩阵、投流策略等高频场景提供剧本式指导。护栏设计严谨：明确反对盲目全平台铺开、唯粉丝数论、数据不足时强行归因等常见增长误区。零依赖轻量部署：纯 Bash + Markdown 实现，无需额外运行时环境。
潜在缺点与局限性
来源可信度受限：T3 级别社区项目，维护者为个人开发者，缺乏企业级背书和长期维护承诺。生态封闭性：深度绑定 OpenClaw / Codex / Claude Code 生态，对其他 AI 编程工具兼容性有限。本地化适配深度不足：虽然包含中国平台机制文档，但相比本土增长团队的一线实战经验仍存差距。执行层能力缺失：仅提供策略框架和文档模板，无法直接执行社媒发布、数据分析、广告投放等具体动作。冷启动成本高：需要用户配合完成多轮问答以建立增长档案，对 impatient 的创始人形成使用门槛。
适合的目标群体
1-30 人早期创业团队，尤其是缺乏全职增长负责人的技术驱动型团队；首次创业的产品型创始人，需要结构化增长方法论指导而非碎片化技巧；已验证初步 PMF、进入规模化探索阶段的项目，需要建立可复盘的实验体系；使用 Claude Code / Codex 进行日常开发的团队，追求工作流无缝集成。不适合：已有成熟增长中台的大型企业；追求快速见效、不愿投入认知成本的团队；依赖特定平台（如抖音电商、小红书闭环）且需要深度运营细节的玩家。
使用风险
性能风险：大量 Markdown 文件读取可能影响响应速度，建议定期归档历史实验记录。数据持久化风险：~/.sage 目录若被误删将导致增长记忆丢失，建议配置定时备份。路径依赖风险：框架强依赖 AARRR、北极星指标等硅谷方法论，对国内市场特殊性覆盖可能不足。人机协作摩擦：AI 建议与创始人直觉冲突时，缺乏仲裁机制，可能降低采纳率。版本漂移风险：参考文档更新后，旧版增长档案可能与新方法论不兼容。