核心用法
china-marketing-copilot 是一款面向中国3C消费电子领域的专业化营销技能包，设计目标是将营销策略制定从"经验直觉"转化为"结构化决策"。其任务路由系统覆盖六大核心场景：
1. 策略诊断与传播架构：将模糊需求归一化为商业目标、用户障碍、竞品反击等要素，强制比较至少两条路线并给出72小时动作清单
2. 信息架构与文案：基于"Message House"模板输出核心主张、证据柱、反对意见处理及平台变体，交付前必须通过"去AI腔"自检
3. 渠道与KOL执行：拆解平台角色、KOL类型、交付件、评论区动作及风险触发器，缺失实时数据时明确标注[待验证]
4. 创意策划：从数据优势、用户痛点、竞品空位生成创意，检查重复钩子并附评论区模拟
5. 竞品分析与市场洞察：建立来源矩阵，区分实测数据、主观评价与推断，输出带置信度的结论
6. 风险评估：模拟怀疑评论、参数党评论、普通用户反应，给出直接执行/调整后执行/暂停重做的明确判断
显著优点
知识库驱动，遏制AI幻觉：规则第一条即"禁止编造数字、排名、产品特性"，强制使用[推测]或[待验证]标注不确定性，从根本上解决营销领域AI"一本正经胡说八道"的顽疾。
结构化思维框架：strategy-decision-system.md、message-house.md、channel-kol-activation.md等模板将营销工作拆解为可验证、可复盘的模块，降低团队沟通成本。
风险前置机制：独有的negative-early-warning.md和evaluate_negative_signals.py脚本，将评论区风险、KOL风险、社会情绪边界纳入正式评估流程，而非事后补救。
中国本土语境深度适配：明确反对"企业通稿腔"和"泛泛AI表达"，要求语言"具体、锋利、有证据"，并内置industry-memes.md避雷行业黑话和过度表达。
纯离线安全架构：仅依赖Python标准库，无网络请求、无外部API、无第三方依赖，企业内网环境可放心部署。
潜在缺点与局限性
数据时效性瓶颈：规则4明确"价格、排名、份额、新品参数属于高时效信息"，但技能包本身为静态知识库，依赖用户手动更新或外部搜索能力核验，否则只能输出[待验证]标注的半成品结论。
冷启动知识缺口：knowledge-base/{category}/_index.md的品类覆盖深度不均，新细分品类（如AI眼镜、折叠平板）可能缺乏预设数据，需用户自行导入。
人机协作门槛高：输出质量高度依赖用户能否准确选择任务路由、提供充分的品类上下文。对营销新手而言，复杂的模板体系可能形成认知负担。
创意天花板受限于知识库：创意生成依赖"数据优势、用户痛点、竞品空位"的交叉分析，对于颠覆性创新或情感向品牌Campaign，结构化框架可能抑制发散思维。
适合人群
- 3C品牌产品经理/营销经理：需快速产出上市方案、KOL Brief、风险预判的实战派
- 电商/社媒运营团队：处理评论区风险、去AI腔改写、平台话术变体的执行层
- 市场研究分析师：竞品对比、数据洞察、来源矩阵管理的严谨派
- AI营销工具开发者：可参考其"规则约束+知识库+自检流程"的设计范式
常规风险
| 风险类型 | 说明 | 缓释措施 |
|---------|------|---------|
| 信息过时 | 市场数据静态存储，2026年后信号可能失效 | 定期查看`market-signals-2026.md`更新，关键数据外部核验 |
| 过度依赖模板 | 复杂Campaign可能超出预设框架 | 明确标注`[推测]`边界，人工补充创意跳跃 |
| 个人开发者维护 | T3来源等级，长期更新稳定性不确定 | 关注GitHub仓库动态，建立内部Fork维护机制 |
| 输入数据污染 | `preprocess.py`处理不可信第三方数据 | 严格执行来源标签提取，异常数据人工复核 |
置信度说明：本评估基于技能包文档与CLS安全认证报告全文分析，未实际运行脚本验证功能完整性，技术细节置信度为中。