一个用于诊断互联网广告与程序化广告投放异常的 Codex Skill。它按照广告投放计数漏斗检查请求、下发、参竞、返回、胜出、曝光、点击和转化，优先定位最早出现且有基准支持的异常节点，并给出分级排查、短期止损与长期优化建议。
本项目是一个纯 Markdown、单一 Skill 仓库，不是多 Skill 集合。它是规则型诊断助手，不会连接或自动读取 DSP、SSP、ADX、媒体或广告平台数据；用户需要主动提供诊断数据和对比基准。本项目不包含网页、数据库、运行时代码或第三方依赖。
Skill 适用于 DSP、SSP、ADX 及一般互联网广告投放诊断。核心能力包括：
- 计算用户已提供且口径一致的漏斗、成本和 pacing 指标；
- 区分 DSP 参竞量、DSP 广告返回量、竞价成功量、ADX 最终广告返回量和曝光量；
- 沿漏斗定位最早异常节点，避免重复归因；
- 区分已确认事实、高概率原因、待验证原因和缺失信息；
- 在没有历史值、目标值、对照组或外部基准时拒绝武断判断；
- 同时提供按优先级排列的排查建议、短期动作和长期优化方案。
- 请求量正常，但 DSP 下发、参竞或返回下降；
- 竞价成功正常，但 ADX 最终返回或曝光减少；
- 曝光稳定，但 CTR、CVR 或成本指标发生变化；
- 消耗或预算进度落后，需要判断是否存在 pacing 风险；
- 多个漏斗节点同时下降，需要区分首发异常与下游传导；
- 数据不完整或口径不一致，需要明确哪些结论可以成立。
仓库根目录本身就是 diagnosing-ad-delivery 的单一 Skill 目录。将仓库克隆到 Codex 可扫描的用户级 Skill 位置：
macOS 或 Linux：
git clone https://github.com/zxxxly8/ad-delivery-diagnosis-skill.git ~/.agents/skills/diagnosing-ad-deliveryWindows PowerShell：
git clone https://github.com/zxxxly8/ad-delivery-diagnosis-skill.git "$HOME\.agents\skills\diagnosing-ad-delivery"Codex 通常会自动检测 Skill 变更；若没有出现，重新启动 Codex。
若只希望某个业务仓库使用它，可将本仓库克隆或链接到目标仓库的以下目录：
.agents/skills/diagnosing-ad-delivery/
该目录内应直接包含 SKILL.md、examples/ 和 tests/。仅把本仓库放在任意项目根目录不会使 Codex 自动发现它；根目录作为单一 Skill 包可用，但需要位于或链接到 Codex 支持的 Skill 扫描位置。
将仓库放在可访问目录，然后要求 Codex 读取根目录的 SKILL.md，并提供投放目标、漏斗数据、同口径基准和数据口径信息。这种方式不依赖自动发现。
Skill 名称为 diagnosing-ad-delivery。安装后可以在 Codex CLI 或 IDE 中输入 $ 选择该 Skill，或在提示词中显式写出：
请使用 $diagnosing-ad-delivery 诊断以下广告投放数据。
也可以写成自然语言：
请使用 diagnosing-ad-delivery Skill，并严格按照它的标准输出结构作答。
最小诊断输入示例（模拟数据）：
请使用 $diagnosing-ad-delivery 诊断：
下发请求量 800,000，DSP 参竞量 80,000；
同口径历史参竞率为 25%，当前与历史的时间、时区、广告层级、流量范围和去重口径一致。
该请求足以计算当前参竞率并与用户提供的历史值比较。未提供的胜出、曝光、点击、转化、消耗和预算数据不会被自动补全。
触发请求示例：
请使用 $diagnosing-ad-delivery 诊断以下广告投放数据。
目标是稳定获取转化；基准为过去 7 天同计划、同版位、同小时段。
所有数据均为北京时间今日 00:00–12:00、计划层级且去重口径一致：
总请求 100 万、有效请求 95 万、下发 90 万、DSP 参竞 27 万、
DSP 广告返回 21.6 万、竞价成功 13.5 万、ADX 最终返回 13 万、
曝光 12 万、点击 1440、转化 72、消耗 7200 元。
历史参竞率为 72%–76%，其余漏斗比率在当前值附近。
ad-delivery-diagnosis-skill/
├── README.md
├── SKILL.md
├── examples/
│ ├── low-bid-rate.md
│ ├── low-impression-rate.md
│ └── low-ctr.md
├── tests/
│ └── test-cases.md
├── CONTRIBUTING.md
├── LICENSE
└── .gitignore
文件说明：
SKILL.md：触发元数据、指标口径、诊断流程、证据分级和固定输出结构。examples/low-bid-rate.md：下发正常但参竞率偏低的模拟案例。examples/low-impression-rate.md：ADX 最终返回正常但曝光成功率偏低的模拟案例。examples/low-ctr.md：曝光正常但 CTR 持续下降的模拟案例。tests/test-cases.md：覆盖完整、缺失、异常、反编造和口径冲突的行为测试。CONTRIBUTING.md：贡献流程和内容质量要求。LICENSE：MIT 开源许可证。
以下为模拟数据：
投放目标: 稳定获取转化
对比基准: 过去 7 天同计划、同版位、同小时段
时间范围: 2026-07-12 00:00–12:00
时区: Asia/Shanghai
广告层级: 广告计划
流量范围: 媒体 A / 版位 B / 全设备
去重口径: 各事件按平台事件 ID 去重
总请求量: 1000000
有效请求量: 950000
下发请求量: 900000
DSP参竞量: 270000
DSP广告返回量: 216000
竞价成功量: 135000
ADX最终广告返回量: 130000
曝光量: 120000
点击量: 1440
转化量: 72
消耗: 7200
历史参竞率: 72%–76%以下为缩略的模拟输出；完整输出见参竞率偏低示例。
诊断结论
最早明确异常位于“下发给 DSP → DSP 参竞”节点。当前参竞率为 30.00%，
低于用户提供的同口径历史基准 72%–76%。
核心指标
下发率 = 900000 ÷ 1000000 = 90.00%
参竞率 = 270000 ÷ 900000 = 30.00%
异常漏斗节点
下发环节处于基准范围，DSP 参竞是首个明确异常节点。
已确认事实 / 高概率原因 / 建议排查顺序 / 短期处理动作 /
长期优化建议 / 缺失信息
按 SKILL.md 的固定结构继续输出。
本项目没有运行时代码，采用结构检查、人工复算和场景行为验收：
- 检查
SKILL.md的 YAML frontmatter 只有name和description，且内容与项目要求一致。 - 检查 README 和
SKILL.md中的相对 Markdown 链接均指向现有文件。 - 逐一复算三个示例中的有效率、下发率、有效请求下发率、参竞率、胜出率、曝光成功率、CTR、CVR、CPC 和 CPM。
- 使用
tests/test-cases.md中的每个模拟输入发起独立诊断。 - 对照“预期行为”和通用验收项，确认输出包含九个标准章节，且没有补全缺失数据、混淆事件或引用无来源行业均值。
建议在修改后至少复核三个重点：最早异常节点是否正确、缺失指标是否停止计算、后续下降是否被重复归因。
- 本 Skill 不连接广告平台，不自动拉取 DSP、SSP、ADX 或媒体日志。
- 本 Skill 不内置行业均值；外部基准必须由用户提供或来自明确可核验的来源。
- 不同平台对请求、返回、胜出、曝光和转化的事件定义可能不同，使用前需要完成事件映射。
- 聚合数据通常只能定位异常节点，无法替代请求级日志、原因码、实验或链路追踪来确认根因。
- 预算完成率与时间进度仅提供初步 pacing 信号，不能覆盖非匀速预算、分时投放、暂停和冷启动等全部策略。
- 增加更多计费模式和归因延迟案例；
- 增加 SSP、Header Bidding、PMP/PD 等交易场景；
- 完善请求级事件对账与原因码分析指南；
- 增加中英文双语示例；
- 建立公开的人工评测记录和版本兼容说明。
仓库内所有示例和测试数据均明确标记为模拟数据，仅用于说明诊断流程。它们不构成行业均值、效果保证、投放建议承诺，也不应替代平台文档、真实日志、实验结果或业务判断。
本项目采用 MIT License。