直接回答：最小闭环：分桶（用用户 ID 的稳定哈希把流量切成互斥桶，同用户始终同组）、分流（配置中心下发实验与桶的映射，端上按映射渲染对应版本）、埋点（曝光事件必须带实验 ID 与组别名，转化事件与之关联）、分析（按分组聚合指标，做显著性检验，达到预设样本量与时长再下结论）。

展开解析：分桶的坑：用请求随机数分桶会导致同一用户每次进不同组（体验割裂且指标无法归因）；多实验并行要分层（每层独立哈希空间），否则实验间互相污染。埋点的坑：只埋点击不埋曝光导致分母缺失；SPA 里路由切换不触发页面曝光要手动补；曝光打点要在组件真实可见时（IntersectionObserver）而非渲染时，否则“没看到也算看过”稀释效果。分析的坑最多：没跑满预设周期就偷看结果（peeking problem，假阳性飙升，要么预设停止规则要么用序贯检验）；新奇效应——老用户对新设计短期抵触，前三天数据不代表稳态；指标选取要有护栏指标（加载时长、错误率），防止“转化率涨了但白屏率也涨了”；样本量预估事先算（基线转化率、最小可检测效应、功效 80%），效应越小吃样本越凶。工程上建议实验平台统一分桶与埋点 SDK，业务方只声明实验变量，把统计纪律沉淀进平台而非依赖每个人自觉。

追问方向：灰度发布与 AB 实验的关系与区别？如何评估实验平台的埋点质量？

（约 490 字）