Perry-Lynn story-serial-performance-diagnostics：连载数据诊断
把“数据变差”拆成可核对的指标、发生位置和竞争解释。相关不等于因果；没有数据时只设计测量方案，不伪造结论。
建立数据契约
- 确认平台、作品、统计时区、日期范围、章节顺序、发布时间和版本变更。
- 记录每个指标的原始字段、分母、观察窗口、是否去重、是否累计及平台定义。
- 区分曝光层、点击层、阅读层、留存层、互动层和商业层，不能把不同漏斗阶段混算。
- 标记推荐策略、投流、断更、改名换封、活动、节假日、章节重发等外部事件。
- 检查缺失、重复、样本过小、幸存者偏差和不同批次读者混合。
字段映射和最低数据要求见 references/data-contract.md。CSV 可先运行 scripts/serial_metrics.py 做口径透明的描述性计算。
脚本严格按 CSV 行顺序处理，不排序、不跨 cohort 或其他分组寻找上一行。缺失、非法、NaN 或无穷数值输出为 null，并在该行的 diagnostics 中说明；缺失值会断开相邻行变化计算。末尾单个 % 按百分比转为比例（50% → 0.5），普通数字 50 保持为 50。CSV 输入表头和显式数值列不得使用 chapter、diagnostics、结果保留字段或任意 *_change 派生字段；比率列、章节列和比率表达式必须存在且不重名，比率名称也不得覆盖这些字段。均值先缩放后稳定求和，有限输入不会因求和溢出生成非标准 JSON；零分母输出 null 并诊断。输入或契约错误返回 2，有效分析完成返回 0。
定位变化
按“先数据、后文本”执行：
- 找到变化首次出现的日期、章节、读者批次或渠道。
- 同时报告绝对量、比例、分母和样本量；不只看百分比。
- 与相邻章节、稳定基线和同一批次读者比较，避免跨窗口误比。
- 判断是突然断崖、渐进衰减、周期波动还是曝光结构变化。
- 样本不足时给出置信边界和继续观察条件，不强行解释。
建立竞争假设
至少覆盖四类，并明确证据支持与反证：
- 内容假设：承诺未兑现、目标消失、重复冲突、信息负担、高潮后无新问题、付费点错位等。
- 包装与流量假设：标题、简介、封面、标签、渠道或推荐人群改变。
- 发布假设：更新时间、断更、章节长度、拆章、重发或版本差异。
- 数据假设：口径变化、延迟回填、分母变化、机器人或极小样本。
只有在定位出异常章节后才读取对应正文和评论。评论是定性证据，不按点赞数直接代表全体读者；评论编码规则见 references/feedback-coding.md。
设计验证与修订
为每个高优先级假设写：证据、反证、影响指标、最小验证动作、观察窗口、成功阈值和回滚条件。一次尽量只改变一个主要变量。
内容需要修改时，把“异常位置 + 目标读者行为 + 必须保留的事实 + 验证指标”交给 story-long-write / story-short-write。不要仅凭单日数据重写整卷，也不要把相关章节自动判定为质量差。
与 oh-story-claudecode 配合
读取 references/oh-story-integration.md：
- 上游
story-long-scan/story-short-scan看外部市场样本；本 skill 只诊断作品真实发布后的自有数据。 - 上游
story-review检查文本质量；本 skill 用真实表现定位审查优先级，不替代文本证据。 - 上游写作 skill 执行会改变情节和追踪状态的修订。
- 上游不可用时，本 skill 仍可独立输出数据诊断与验证方案。
交付
输出：数据范围与口径、质量问题、漏斗概览、异常位置、竞争假设表、评论主题、结论置信度、验证计划、内容交接单和暂不能判断的事项。明确区分“已观察事实”“推断”“待验证”。