growth-engineering — скилл для Claude Code
Скилл growth-engineering для Claude Code содержит шаблоны A/B-тестирования, фича-флагов, воронок активации и виральных циклов.
MIT 133 установок ★ 114 обновлён 2026-10-25
npx skills add travisjneuman/.claude --skill growth-engineering -a claude-codeЧто делает growth-engineering
Скилл содержит готовые TypeScript-паттерны для работы с фича-флагами через PostHog, описания структуры экспериментов и формулы метрик продуктового роста (PLG). Внутри собраны правила работы с флагами: удаление временных тогглов быстрее двух недель, запрет вложенных проверок и ежемесячная чистка.
В блок экспериментов включена типизация для вариантов распределения трафика (сумма весов строго 100), фиксация показов через событие $experiment_started и правила статистической значимости. Дополнительно даны схемы воронки реферальной программы и сравнительная таблица платформ: PostHog, LaunchDarkly, Statsig, Growthbook и Optimizely.
Для работы с примером кода флагов потребуется библиотека posthog-node и настроенный ключ окружения POSTHOG_API_KEY.
Какие задачи решает
- спроектировать типизированную обёртку над фича-флагами в TypeScript
- настроить сбор событий показа для вариантов A/B-теста
- построить шаги воронки активации и вирального реферального цикла
- рассчитать целевые метрики роста продукта (DAU/MAU, trial-to-paid)
Примеры запросов агенту
- Спроектируй типизированный сервис фича-флагов для PostHog в TypeScript
- Покажи интерфейс конфигурации A/B-теста с распределением весов вариантов
- Напиши функцию отслеживания шагов для реферальной программы
Как установить growth-engineering
1Через Skills CLI (Vercel)
npx skills add travisjneuman/.claude --skill growth-engineering -a claude-code2Вручную: положить файлы
~/.claude/skills/growth-engineering/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/growth-engineering/
1Через Skills CLI (Vercel)
npx skills add travisjneuman/.claude --skill growth-engineering -a codex2Вручную: положить файлы
.agents/skills/growth-engineering/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add travisjneuman/.claude --skill growth-engineering -a cursor2Вручную: положить файлы
.cursor/skills/growth-engineering/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install travisjneuman/.claude skills/growth-engineering2Вручную: положить файлы
.github/skills/growth-engineering/SKILL.md1Через Skills CLI (Vercel)
npx skills add travisjneuman/.claude --skill growth-engineering -a gemini-cli2Командой платформы
gemini skills install https://github.com/travisjneuman/.claude --path skills/growth-engineeringВручную: положить файлы
.devin/skills/growth-engineering/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add travisjneuman/.claude --skill growth-engineering -a opencodeClaude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о growth-engineering
Как установить growth-engineering в Claude Code?
Выполните в терминале команду npx skills add travisjneuman/.claude --skill growth-engineering -a claude-code.
Что делает скилл growth-engineering?
Он предоставляет агенту архитектурные шаблоны для внедрения фича-тогглов, проведения сплит-тестов, расчёта продуктовых метрик и построения PLG-механик.
Какие платформы для экспериментов разбираются внутри?
В материалах сопоставляются PostHog, LaunchDarkly, Statsig, Growthbook и Optimizely с указанием их сильных сторон.
Исходный текст
SKILL.md · MIT
---
name: growth-engineering
description: >-
A/B testing infrastructure, feature flags (LaunchDarkly, Unleash), experimentation platforms, PLG patterns, and funnel optimization. Use when building experimentation systems, implementing feature toggles, or optimizing conversion funnels.
---
# Growth Engineering Skill
Infrastructure and patterns for product-led growth, experimentation, and conversion optimization.
---
## Feature Flag Systems
### Implementation Pattern
```typescript
// lib/feature-flags.ts
import { PostHog } from 'posthog-node';
const posthog = new PostHog(process.env.POSTHOG_API_KEY!);
interface FeatureFlags {
'new-onboarding-flow': boolean;
'pricing-experiment': 'control' | 'variant-a' | 'variant-b';
'ai-suggestions': boolean;
}
export async function getFlag<K extends keyof FeatureFlags>(
key: K,
userId: string,
): Promise<FeatureFlags[K]> {
const value = await posthog.getFeatureFlag(key, userId);
return value as FeatureFlags[K];
}
// Usage in component
const showNewOnboarding = await getFlag('new-onboarding-flow', user.id);
```
### Feature Flag Best Practices
- Short-lived flags: Remove after experiment concludes (< 2 weeks)
- Long-lived flags: Ops toggles for gradual rollouts, kill switches
- Never nest feature flags (creates exponential complexity)
- Clean up stale flags monthly
- Log flag evaluations for debugging
---
## A/B Testing Infrastructure
### Experiment Design
```typescript
// lib/experiments.ts
interface Experiment {
id: string;
name: string;
variants: {
id: string;
weight: number; // 0-100, must sum to 100
}[];
targetAudience: {
percentage: number; // % of users included
filters?: Record<string, unknown>;
};
primaryMetric: string;
secondaryMetrics: string[];
minimumSampleSize: number;
startDate: Date;
endDate?: Date;
}
// Track experiment exposure
function trackExposure(experimentId: string, variantId: string, userId: string) {
analytics.capture({
event: '$experiment_started',
distinctId: userId,
properties: {
$experiment_id: experimentId,
$variant_id: variantId,
},
});
}
```
### Statistical Significance
- Minimum sample size: Calculate before starting (use Evan Miller calculator)
- Don't peek: Set duration upfront, don't stop early on promising results
- Sequential testing: Use if you must check early (adjusts p-values)
- Minimum detectable effect: Define what improvement matters (e.g., 5% lift)
---
## Product-Led Growth Patterns
### Activation Metrics
| Stage | Metric | Example |
|-------|--------|---------|
| Sign up | Registration complete | User creates account |
| Setup | Profile complete | Fills required fields |
| Aha moment | Core value experienced | Creates first project |
| Habit | Repeated engagement | 3 sessions in first week |
| Revenue | Conversion to paid | Subscribes to plan |
### Viral Loops
```typescript
// Referral system pattern
interface Referral {
referrerId: string;
referredEmail: string;
status: 'pending' | 'signed_up' | 'activated' | 'converted';
rewardGranted: boolean;
}
// Track referral funnel
function trackReferralStep(referralId: string, step: Referral['status']) {
analytics.capture({
event: 'referral_step',
properties: { referralId, step },
});
}
```
### Conversion Optimization
- Reduce friction: Minimize form fields, enable social login
- Social proof: Show user counts, testimonials, logos
- Urgency: Trial countdown, limited-time offers (use sparingly)
- Value demonstration: Interactive demos, free tier with clear upgrade path
- Personalization: Onboarding flow based on use case selection
---
## Growth Metrics
| Metric | Formula | Target |
|--------|---------|--------|
| Activation rate | Activated / Signed up | > 40% |
| Trial-to-paid | Paid / Trial started | > 15% |
| Net revenue retention | (Start MRR + Expansion - Contraction - Churn) / Start MRR | > 110% |
| Viral coefficient | Invites sent * Conversion rate | > 0.5 |
| Time to value | Median time from signup to aha moment | < 5 min |
| DAU/MAU ratio | Daily active / Monthly active | > 20% |
---
## Experimentation Platforms
| Platform | Type | Best For |
|----------|------|----------|
| PostHog | Self-hosted/cloud | Full-stack, open source |
| LaunchDarkly | Cloud | Feature flags at scale |
| Statsig | Cloud | Auto-stats, warehouse-native |
| Growthbook | Self-hosted/cloud | Open source, Bayesian stats |
| Optimizely | Cloud | Enterprise, multi-channel |
---
## Related Resources
- `~/.claude/skills/product-analytics/SKILL.md` - Analytics and tracking
- `agent-product-analytics-specialist` skill - Analytics specialist
- `~/.claude/skills/authentication-patterns/SKILL.md` - Auth for PLG
---
_Measure everything. Experiment constantly. Remove what doesn't work._
© travisjneuman · MIT · travisjneuman/.claude