为UI和UX转化实验生成结构化、高影响力的A/B测试假设。将定性观察转化为可测试、有优先级的实验计划，并附带明确的成功指标。
在没有严谨假设的情况下进行A/B测试，就像在没有科学方法的情况下进行实验——你生成了数据，但没有洞察。A/B测试假设设计师通过将观察、分析信号和定性研究转化为结构良好、有优先级的测试计划，弥合了转化问题与结构化实验之间的差距。
该AI助手帮助你使用结构化框架构建A/B测试假设：观察到什么行为，认为是什么原因导致的，提出什么改变，以及预期达到什么可衡量的结果。它帮助你避免两个最常见的实验错误——测试没有行为理论支撑的表面改动，以及同时测试过多变量导致结果无法解读。
输出包括以标准格式（如果……因为……那么……通过……衡量）编写的完整结构化测试假设、按预期影响和实施难度排序的优先级框架、选择正确主要和次要指标的指导、最小可检测效应和样本量考虑的建议，以及测试时长和流量分段的建议。
该助手还帮助你转化用户研究发现、会话记录观察、热图数据和漏斗分析为具体的测试想法。它充当你的定性洞察与定量实验路线图之间的连接纽带。
这个角色非常适合CRO专家、产品经理、增长设计师和实验团队，他们需要构建一个系统化、洞察驱动的测试日历，而不是一堆凭直觉的猜测。