Agent、MCP 与五个 Skill 如何在 PAM 中配合
PAM 提供经营数据和证据；MCP 把 PAM 的工具连接到 Agent；Skill 组织专业任务流程；Agent 理解自然语言问题，选择流程并调用工具，最终形成带依据的分析。
PAM 产品资料 · 更新于
使用前需要完成哪些连接？
需要部署可访问的 PAM API，并在支持相应 MCP 连接方式的 Agent 客户端中配置 PAM MCP 服务、账户与对应 Skills。当前仓库提供基于 stdio 的 MCP 服务及 Cursor 项目配置。
并非任意聊天窗口都能直接读取 PAM。API、MCP 工具与 Skill 的版本需要相互匹配，账户权限和平台数据覆盖也会限制可用能力。
一次问题如何变成有证据的回答？
用户提出问题后，Agent 先确认平台、店铺、对象和日期；检查数据条件，再通过 MCP 查询 PAM，按照 Skill 的流程组织事实、判断与建议。
例如查询广告花费时，pam-data-query 指导查询口径，MCP 调用 pam_query_overview 取得指标；分析计划时，pam-ops-advisor 可以读取 pam_get_campaign_advice_context 提供的证据。
哪些动作需要单独区分？
查数、生成建议、保存建议、登记执行与修改规则属于不同动作。分析报告不是平台执行记录，PAM 执行登记也不等于系统替用户调整了 WB 或 Ozon 的投放。
规则校准需要审阅候选变更；执行复盘依赖已登记动作和足够成熟的数据。Agent 离线不代表会自动生成中文复盘报告。
第一次使用可以问什么？
可以先问：“使用 pam-data-query，先检查 PAM 连接状态，再列出我有权限的店铺。此次不查询投放表现，也不写入数据。”
连接确认后，再补充明确的店铺、计划或 SKU、日期和业务问题。下方五个 Skill 说明给出了适用问题、工具示例与结果边界。
五个 Skill，分别解决什么问题？
以下是各流程的适用问题与能力边界，实际使用需要连接 PAM MCP 和对应 Skills。
自然语言查数
典型问题：上周 Ozon 的广告花费和投产表现怎么样？
按广告归因口径，整理花费、归因成交额、订单、ROAS，并与前一个等长周期比较。
使用边界：同时说明日期、币种、数据完整度，以及广告口径与整体经营口径的区别。
查看流程说明 →投放优化建议
典型问题：这个 WB 推广计划，下一步该怎么优化？
结合计划、商品与搜索词的可用证据，区分已知事实、原因假设、建议动作与验证条件。
使用边界：建议与实际执行分开记录；调整平台投放由运营在平台完成。
查看流程说明 →数据差异追溯
典型问题：为什么平台后台的花费，和 PAM 显示的不一样？
检查业务日期、币种与同步状态，再定位 SKU 映射和费用分摊，形成待核对的差异清单。
使用边界：追溯结果需结合有效计算版本复核，不把缺失数据当作零。
查看流程说明 →执行效果复盘
典型问题：上次登记的降投动作，7 天后有什么变化？
围绕已登记动作，对比前后指标，并检查样本量、数据成熟度和重叠动作。
使用边界：由已连接的 Agent 发起复盘；前后变化不等同于已证明因果效果。
查看流程说明 →诊断规则校准
典型问题：这家店的预警太频繁，阈值可以怎么调整？
结合店铺历史与人工复核，提出候选阈值，并通过回放查看可能改变的诊断结果。
使用边界：规则调整先预览具体变更，再经确认应用；回放覆盖范围需要单独核对。
查看流程说明 →