SignalDig 正在构建什么：先看证据，再做增长决策

增长研究常常从一个直接的问题开始：这个关键词值得投入吗？市场最近发生了什么变化？哪个用户问题频繁到值得继续验证？

真正的工作却并不直接。搜索需求在一个工具里，结果页观察在另一个工具里，趋势信息和用户原话又分散在不同的公开内容与讨论中。在做出判断之前，团队需要先采集、对齐、标记时间，再解释这些观察之间的关系。

SignalDig 正在尝试让这个研究过程更连贯：围绕一次请求整合多维度的当前市场数据，提炼增长信号，同时保留证据、上下文与限制。

问题不只是缺少更多数据

字段更多，并不等于决策更好。一份响应可以在技术上很完整，却没有回答真正影响判断的问题：

• 这条观察对应哪个市场和语言？
• 它是什么时候产生的，又会多快过期？
• 不同来源的字段是否在描述同一个概念？
• 哪些证据支持这个方向，哪些证据正在削弱它？
• 下一步应该回到哪个官方分析后台或业务记录中验证？

上下文缺失时，人或 AI Agent 都必须重新拼装这些信息。研究时间会被拉长，而看似确定的结论反而比有依据的结论更容易产生。

SignalDig 把上下文本身视为产品的一部分，而不是留给用户的清理工作。

我们所说的“增长信号”是什么

增长信号是对一项或多项市场观察的结构化解释。它不是“采取某个动作一定会增长”的承诺。

例如，搜索兴趣上升只是一条观察。只有当它与市场、语言、时间范围、当前结果页结构，以及公开讨论中的用户表达连接起来时，它才更接近可用的信号。输出可以指出一个值得验证的内容缺口，也应该同时披露反证、不确定性，以及什么条件出现时应当停止投入。

这个区别很重要。外部市场数据可以帮助发现方向，真正的结果仍然只能由产品自己的分析数据、客户反馈和业务记录验证。

SignalDig 如何处理一次研究

当前产品方向遵循一条简单的链路。

1. 从增长问题开始

请求先定义关键词、域名、市场、语言和数据范围。清楚的问题会让每条观察都有明确用途，避免无关指标成为装饰。

2. 组合相关数据维度

SignalDig 可以围绕问题组合搜索需求、结果页结构、趋势上下文和公开讨论。这种组合可以继续扩展；固定的上游供应商清单不是产品边界。

3. 统一口径并标记上下文

不同响应被转换为稳定的数据契约。市场、语言、观察时间、时效和字段语义会被保留下来，让人和 Agent 能够用一致方式理解。

4. 让方向与证据一起返回

输出会连接支持证据、反证、置信度、限制和下一步验证测试。目标是让结论可以被检查，而不是用一个分数掩盖不确定性。

同时面向人和 AI Agent

SignalDig 有两个互补层次。

Agent Skills 描述可复用的研究与决策工作流，帮助 Agent 提出更好的问题、比较证据并设计验证动作。SignalDig MCP 则提供这些工作流可以调用的当前市场数据能力。

两者分开是有意为之。工作流可以保持开放、透明和可检查；实时能力则可以独立进行鉴权、治理和持续改进。

SignalDig 不做哪些承诺

SignalDig 不能替代第一方分析数据、收入记录或直接的客户研究。它不声称持续监听整个互联网，不保证数据绝对完整，也不承诺增长结果。

产品目前仍处于早期开发阶段。网站中的示例均为说明性示例，不代表生产指标或客户效果。随着服务继续演进，我们会像记录功能一样认真记录证据边界。

产品背后的原则

增长工作天然包含不确定性。有效的回应不是删掉所有限制，也不是再增加一张 Dashboard，而是让证据更容易检查，让下一步测试更容易定义。

这就是 SignalDig 正在推进的方向：整合多维度市场数据，挖掘真实增长信号，并让每个结论始终靠近支持它的证据。