核心用法
Landing Optimizer 是一款针对网红/达人营销流量场景的专业落地页优化技能。用户只需提供落地页URL、当前转化率及达人信息，技能即可自动执行八步诊断流程：评估现状→信息匹配评分→页面结构优化→社交证明整合→转化漏斗调优→A/B测试规划→专属页面策略→性能追踪设置。输出物包括消息匹配审计报告、结构优化方案、促销码体验设计及可执行的测试路线图，所有成果自动归档至 memory/influencer/landing-optimizer/ 路径。
技能采用"无工具也能跑"的设计理念（Tier 1），完全依赖用户输入即可生成专业建议；同时预留了 ~~analytics、~~A/B testing platform 等可选连接器接口，在工具可用时可自动深化分析。特别值得一提的是，该技能同时兼容付费广告场景——作为ROAS优化体系中"广告创意-落地页"双轨的页面端，可与 ad-creative-builder 技能形成闭环。
显著优点
场景精准度高：针对网红流量的独特心理路径设计（粉丝信任迁移、内容预期延续），而非通用CRO模板的简单套用。核心的"Message Match Score"量化评估体系（X/10分制）能直观暴露"达人说A，页面讲B"的断裂点。
可执行性强：每个优化建议都附带预期转化率提升幅度（如"hero区嵌入达人视频 +0.5%"），让优先级决策有据可依。自动生成的A/B测试计划包含样本量计算、测试周期和成功指标，降低落地门槛。
架构设计成熟：遵循 Apache-2.0 开源协议，版本迭代至 19.0.0，具备完整的技能契约（Skill Contract）、记忆层级管理（state-model）和手递文档规范（Handoff Summary）。与 performance-analyzer、roi-calculator 等同族技能形成营销测量闭环。
跨场景复用：虽然主打网红营销，但明确标注可无缝迁移至付费广告场景，通过 memory/ad/landing-optimizer/ 路径和 offer-claims-registry 校验机制，实现同一技能支撑多业务线。
潜在缺点与局限性
数据依赖人工：在无连接器状态下，所有输入（当前转化率、跳出率、用户滚动深度等）均需用户手动提供，既增加了使用摩擦，也可能因数据不准导致建议偏差。
地理相关性标注为"low"：技能文档自评地理相关性较低，暗示可能对特定区域市场（如电商法规严格的欧盟、支付习惯特殊的东南亚）的本地化适配有限。
效果验证间接：技能本身不测量优化后的实际效果，而是推荐链式调用 performance-analyzer。若用户未执行后续步骤，优化闭环无法完成，存在"建议出、效果未知"的风险。
测试周期较长：A/B测试规划默认以周为单位（"wk1 hero changes, wk2 headline A/B..."），对于追求快速迭代的敏捷团队可能节奏偏慢。
适合的目标群体
- 电商/品牌营销团队：尤其是依赖网红带货、需要批量优化达人专属落地页的品牌方
- 增长黑客/CRO专员：需要结构化方法论支撑转化优化决策的专业人员
- influencer marketing agency：管理多达人、多campaign，需要标准化交付物的服务商
- 付费广告优化师：同时操作信息流广告与落地页，追求"创意-页面"一致性的从业者
常规使用风险
性能风险：建议的富媒体整合（达人视频嵌入、社交证明动态加载）可能增加页面体积，若未配合懒加载或CDN优化，反而损害首屏加载速度——而技能文档虽提及"load speed"检查，但未内置性能预算预警。
依赖项风险：技能推荐的多项优化（如促销码URL参数自动填充）需要技术团队配合实施，若缺乏开发资源，建议可能停留在纸面。
归因模糊风险：UTM参数设置建议虽被提及，但网红流量的跨平台跳转（抖音→微信小程序→淘宝）常导致归因断裂，技能对此复杂链路的处理深度有限。
版本漂移风险：文档中多处引用同族技能（如 ad-creative-builder、offer-claims-registry）的相对路径，若这些依赖技能未同步安装或版本不兼容，可能导致链接失效。