autocrew 0.1.0

package/skills/audience-profiler/SKILL.md

@@ -0,0 +1,241 @@
+---
+name: audience-profiler
+description: |
+  深度受众分析。基于马斯洛需求层次，拆解受众的痛点、痒点、爽点。
+  Trigger: 受众分析, 用户画像, audience profile
+---
+
+# /audience-profiler — 深度受众分析
+
+> 独立的受众深度分析技能。基于马斯洛需求层次模型，系统拆解受众的痛点、痒点、爽点。
+> 产出可直接用于选题的洞察，不是笼统的人口统计报告。
+
+## 第一步：加载上下文
+
+静默读取 `~/.autocrew/creator-profile.json`，提取：
+- `industry` — 行业/领域
+- `platforms` — 发布平台
+- `audiencePersona` — 已有受众信息（core / adjacent / surprise）
+- `contentGoals` — 内容目标
+
+**如果没有受众信息**（`audiencePersona` 不存在或为空）：
+
+```
+我需要先了解你的受众。
+
+描述一个你最想影响的人——
+他/她是干什么的、多大年纪、为什么会关注你的内容？
+```
+
+收集到基本信息后继续。
+
+---
+
+## 第二步：痛点分析（Pain Points — 未被说出的挫败感）
+
+> 痛点不是抽象的"焦虑"或"困惑"，是具体场景下的具体挫败。
+
+### 拆解方式
+
+把痛点拆到**二级场景**，不要停在一级分类：
+
+```
+❌ 一级（太抽象）：
+"职场焦虑"
+
+✅ 二级（具体场景）：
+"周一早上打开电脑，看到 37 封未读邮件，不知道先回哪封，
+然后被老板 @了一条'这个方案什么时候出'——
+那种又焦虑又愧疚的感觉。"
+```
+
+### 输出格式
+
+每个痛点：
+
+| 字段 | 说明 |
+|------|------|
+| **场景** | 具体发生在什么时候、什么地方、正在干什么 |
+| **情绪内核** | 这个场景下最深层的情绪是什么（焦虑？愧疚？无力？嫉妒？） |
+| **内容机会** | 什么类型的内容能触及这个痛点（标题方向 + 内容角度） |
+
+产出 **3-5 个痛点场景**。
+
+---
+
+## 第三步：痒点分析（Itch Points — 身份转变渴望）
+
+> 痒点是"我想成为那样的人"的渴望。不是需求，是欲望。
+
+### 拆解方式
+
+每个痒点必须包含**金句示例**（受众会截图的那种句子）：
+
+```
+当前身份："每天加班到 9 点的打工人"
+渴望身份："可以自由安排时间、靠副业活得体面的人"
+触发内容：看到别人说"我辞职第三个月，收入反而涨了"的那一刻
+金句示例："不是你不够努力，是你把努力用在了别人的梦想上。"
+```
+
+### 输出格式
+
+每个痒点：
+
+| 字段 | 说明 |
+|------|------|
+| **当前身份** | TA 现在觉得自己是什么样的人 |
+| **渴望身份** | TA 想变成什么样的人 |
+| **触发内容** | 什么类型的内容会激活这种渴望 |
+| **金句示例** | 一句 TA 会截图/收藏的话（punch-line） |
+
+产出 **3-4 个痒点**。
+
+---
+
+## 第四步：爽点分析（Delight Points — 3 种类型）
+
+> 爽点让受众看完内容后有"爽了"的感觉。分 3 种类型：
+
+### 4.1 确认型（Validation）
+
+> 验证受众已经相信的东西，让他们觉得"我早就这么想了"。
+
+```
+例：受众本来就觉得"读书没用"→ 你的内容说"真正有用的知识从来不在书里"
+→ 受众爽感："终于有人说了大实话"
+```
+
+内容机会：帮受众表达他们想说但说不好的观点。
+
+### 4.2 优越型（Superiority）
+
+> 让受众觉得自己比同龄人/同事/同圈层的人更早知道、更会判断。
+
+```
+例：你分享一个别人还没注意到的趋势
+→ 受众转发时的心态："看，我的信息源比你们高级"
+```
+
+内容机会：独家信息、提前预判、内行视角。
+
+### 4.3 解放型（Liberation）
+
+> 给受众"许可"——允许他们停止做某件他们本来就不想做的事。
+
+```
+例："不用每天 6 点起床才叫自律"
+→ 受众爽感："终于不用逼自己了"
+```
+
+内容机会：打破虚假共识、拆解伪常识。
+
+### 输出格式
+
+每种类型产出 **1-2 个具体的爽点**，包含：
+- 场景描述
+- 受众的爽感反应
+- 对应的内容方向
+
+---
+
+## 第五步：马斯洛五层矩阵
+
+> 将受众放到马斯洛需求层次上，找到每一层的内容切入角度。
+
+### 矩阵格式
+
+| 层次 | 受众在这一层的状态 | 内容角度 | 标题示例 |
+|------|-------------------|---------|---------|
+| **生存 (Survival)** | 最基本的经济/生活压力 | [切入点] | [标题] |
+| **安全 (Safety)** | 对未来的不确定感 | [切入点] | [标题] |
+| **归属 (Belonging)** | 想找到同频的人/圈子 | [切入点] | [标题] |
+| **尊重 (Esteem)** | 想被认可、被看见 | [切入点] | [标题] |
+| **自我实现 (Self-actualization)** | 更深层的意义追寻 | [切入点] | [标题] |
+
+**注意**：
+- 不是每个受众在每一层都有强需求，标注哪几层是最强的
+- 标题示例必须用受众的语言，不能用学术语言
+- 每个标题通过 scroll-stop 测试：受众刷到这个标题会停下来吗？
+
+---
+
+## 第六步：产出 3 个选题
+
+> 目标：分析不是终点，选题才是。
+
+从不同的马斯洛层次中各选一个，产出 3 个选题：
+
+每个选题包含：
+
+| 字段 | 说明 |
+|------|------|
+| **标题** | ≤20 字，scroll-stop 测试通过 |
+| **Hook** | 开头 3 秒怎么抓人 |
+| **命中的痛点/痒点/爽点** | 关联到上面分析的哪个具体点 |
+| **对应马斯洛层次** | 这个选题满足哪一层需求 |
+| **为什么 works** | 一句话说明这个选题的杀伤力来源 |
+
+调用 `autocrew_topic create` 保存每个选题：
+```json
+{
+  "action": "create",
+  "title": "...",
+  "description": "hook + 命中的痛痒爽点 + 为什么 works",
+  "tags": ["audience-profiler", "maslow-level"],
+  "source": "audience_analysis"
+}
+```
+
+---
+
+## 第七步：写入 creator-profile.json
+
+更新 `audiencePersona` 字段，加入深度分析数据：
+
+```json
+{
+  "audiencePersona": {
+    "core": { "...existing..." },
+    "adjacent": { "...existing..." },
+    "surprise": { "...existing..." },
+    "deepAnalysis": {
+      "painPoints": [
+        { "scenario": "...", "emotionalCore": "...", "contentOpportunity": "..." }
+      ],
+      "itchPoints": [
+        { "currentIdentity": "...", "desiredIdentity": "...", "triggerContent": "...", "punchLine": "..." }
+      ],
+      "delightPoints": {
+        "validation": ["..."],
+        "superiority": ["..."],
+        "liberation": ["..."]
+      },
+      "maslowStrengths": ["belonging", "esteem"],
+      "analysisDate": "ISO date"
+    }
+  }
+}
+```
+
+---
+
+## 输出语言
+
+所有分析内容、标题示例、金句示例均使用中文。
+术语可以保留英文（如 Maslow、scroll-stop），但描述和示例必须是受众的语言。
+
+## 工具依赖
+
+- `autocrew_topic` — 保存选题到选题库（`create` action）
+- 文件系统读写 — 读取和更新 `creator-profile.json`
+
+## 关联技能
+
+- **setup** — `/setup` 的 Phase 0.5 做基础受众画像，本技能做深度分析
+- **topic-ideas** — 本技能产出的选题存入同一个选题库
+- **write-script** — 写作时可以引用痛痒爽点来强化共鸣
+
+## Changelog
+
+- 2026-04-02: v1 — 创建深度受众分析技能。基于马斯洛需求层次 + 痛点/痒点/爽点三维分析框架。

package/skills/content-attribution/SKILL.md

@@ -0,0 +1,128 @@
+---
+name: content-attribution
+description: |
+  内容归因分析 — 对已发布内容的表现数据进行归因，提炼学习，反哺创作。当平台数据回收后自动触发，或用户手动要求分析。
+trigger: 当用户说"分析数据"、"这条内容表现怎么样"、"归因"、"复盘"时触发
+---
+
+# Content Attribution（内容归因）
+
+> 内容飞轮的核心环节：数据 → 归因 → 学习 → 下一条更好。
+
+## 触发方式
+
+1. Chrome Relay 回收平台数据后自动建议执行（待实现）
+2. 用户手动提供数据并要求分析
+3. 用户说 "复盘" / "这条效果怎么样"
+
+## 归因流程
+
+### Step 1: 加载内容和数据
+
+1. 获取内容详情：`autocrew_content action=get id={content_id}`
+2. 获取 performance_data（如果已录入）
+3. 加载内容的 hypothesis 和 experimentType
+
+### Step 2: 表现评级
+
+根据平台基准和历史数据（如果有）：
+
+| 评级 | 条件 |
+|------|------|
+| 🔥 爆款 (viral) | 数据显著超出历史均值 2x+ |
+| ✅ 达标 (on_target) | 数据在历史均值 0.8x-2x 范围 |
+| ⚠️ 低于预期 (below_expectation) | 数据低于历史均值 0.8x |
+
+如果没有历史数据，让用户自评或提供平台同类内容基准。
+
+### Step 3: 核心归因
+
+分析内容本身 + 数据表现，给出单一核心归因（不要给多个原因，强制选最重要的一个）：
+
+| 归因 | 判断依据 |
+|------|---------|
+| strong_title | 标题点击率高，但完播率/阅读率一般 |
+| good_hook | 前3秒/前段留存高 |
+| right_topic | 选题命中了当前热点或受众痛点 |
+| timing | 发布时间恰好命中流量高峰 |
+| luck | 以上都不突出，可能被算法随机推荐 |
+
+### Step 4: 验证假设
+
+对比内容的 `hypothesis` 和实际数据：
+
+- **confirmed**: 数据支持假设
+- **rejected**: 数据否定假设
+- **inconclusive**: 数据不足以判断
+
+### Step 5: 提炼一句话学习
+
+格式："{具体发现}，在{平台}上对{人群}有效/无效"
+
+例如：
+- "反常识标题在小红书上完播率+40%，对王总人群有效"
+- "纯方法论内容在抖音上完播率低，需要加故事包装"
+
+### Step 6: 保存归因
+
+更新内容的 meta：
+
+```json
+{
+  "action": "update",
+  "id": "{content_id}",
+  "performance_data": { "views": 0, "likes": 0 }
+}
+```
+
+归因结果存入 pipeline meta.yaml 的 `performanceLearnings[]`。
+
+### Step 7: 检查学习沉淀阈值
+
+如果 `performanceLearnings` 已积累 5+ 条：
+1. 扫描所有 learnings，寻找重复出现的 pattern
+2. 发现 pattern 后提示用户确认
+3. 确认后写入 `creator-profile.json` 的 `writingRules[]`：
+   ```json
+   {
+     "rule": "{提炼的规则}",
+     "source": "auto_distilled",
+     "confidence": 0.8,
+     "createdAt": "{ISO timestamp}"
+   }
+   ```
+
+## 输出格式
+
+```
+## 📊 内容归因报告
+
+**内容：** {title} ({content_id})
+**平台：** {platform}
+**发布时间：** {published_at}
+
+### 数据概览
+| 指标 | 数值 | vs 均值 |
+|------|------|---------|
+| 播放量 | {N} | {+/-}% |
+| 完播率 | {N}% | {+/-}% |
+| 点赞 | {N} | {+/-}% |
+| 收藏 | {N} | {+/-}% |
+| 评论 | {N} | {+/-}% |
+
+### 表现评级：{🔥/✅/⚠️} {rating}
+
+### 核心归因：{attribution}
+{一段解释}
+
+### 假设验证
+- 假设：{hypothesis}
+- 结果：{confirmed/rejected/inconclusive}
+- {解释}
+
+### 💡 一句话学习
+{learning}
+
+### 📝 累计学习 ({N}/5 → 达到阈值自动提炼规则)
+{list of recent learnings}
+```

package/skills/content-review/SKILL.md

@@ -0,0 +1,257 @@
+---
+name: content-review
+description: 内容审核 skill — 整合敏感词扫描 + 去 AI 味检查 + 质量评分，输出审核报告并联动状态机
+trigger: 当用户说"审核"、"review"、"检查内容"、"内容审核"时触发
+---
+
+# Content Review Skill
+
+对内容执行完整审核流程，输出审核报告 + 一键修复建议。
+
+## 触发条件
+
+- 用户说"审核"、"review"、"检查内容"、"内容审核"
+- 内容状态流转到 `draft_ready` 时自动建议执行
+- 用户手动指定 content ID 要求审核
+
+## 审核流程
+
+**前置加载：** 审核前先加载 `HAMLETDEER.md` 中的 Clock Audit Checklist 和质量标准。
+
+按以下顺序执行 6 项检查，每项独立评分：
+
+### Step 0: 时钟节奏审核（视频内容）
+
+如果审核的是视频脚本，执行 HAMLETDEER.md 中的 **Clock Audit Checklist**：
+
+- [ ] 12:00 (Hook) — 前 3 秒能停住滑动吗？
+- [ ] 3:00 (Escalation) — 能量是在上升还是在消退？
+- [ ] 6:00 (Payload/Pivot) — 核心价值有没有在这里交付？
+- [ ] 9:00 (Climax/Push) — 这是不是最强的一刻？能驱动收藏/分享/关注吗？
+- [ ] 没有死区 — 是否存在连续 15 秒没有新信息、没有能量变化的段落？
+- [ ] HKRR 对齐 — 短视频是否只选了一个 HKRR 元素？长视频是否四个元素都有体现？
+- [ ] 微操技巧 — 是否在时钟位之间使用了至少 2 种微观留人技巧（开放循环/信息缺口/视觉锚点/断裂感）？
+
+**评分规则：**
+- 6/6 通过 → ✅ 节奏合格
+- 4-5/6 通过 → ⚠️ 建议优化（标注具体时钟位）
+- ≤3/6 通过 → ❌ 脚本需要重写
+
+### Step 1: 敏感词扫描
+
+调用 `autocrew_content` tool：
+
+```
+action: "review_scan"  (如果已实现)
+```
+
+或直接使用敏感词模块逻辑：
+
+1. 读取内容的 `body` 字段
+2. 扫描内置敏感词库（政治、暴力、色情、医疗宣称、金融宣称）
+3. 扫描平台特定限流词（根据 content 的 `platform` 字段）
+4. 扫描用户自定义词库 `~/.autocrew/sensitive-words/custom.txt`
+5. 输出命中词列表 + 建议替换
+
+**评分规则：**
+- 0 个命中 → ✅ 通过
+- 仅平台限流词 → ⚠️ 建议修改（不阻断）
+- 政治/暴力/色情命中 → ❌ 必须修改
+
+### Step 2: 平台合规检查
+
+根据 `platform` 字段检查平台特有规则：
+
+**小红书：**
+- 标题是否含 emoji（推荐）
+- 正文是否超过 1000 字（建议精简）
+- 是否包含引流词（私信、加微信等）
+
+**抖音：**
+- 文案是否超过 300 字
+- 是否包含竞品品牌名
+
+**微信公众号：**
+- 是否包含诱导分享/关注词汇
+- 标题是否超过 64 字符
+
+### Step 3: 去 AI 味检查
+
+调用 `humanizeZh()` 函数对内容做一次检测（dry-run 模式）：
+
+1. 统计 AI 味指标：
+   - 套话词频（值得一提、综上所述、赋能、闭环等）
+   - 顺序词频（首先/其次/最后）
+   - "我们"开头句子占比
+   - 平均句长（中文字符数）
+2. 输出 AI 味评分（0-100，越低越好）
+
+**评分规则：**
+- 0-20 → ✅ 自然
+- 21-50 → ⚠️ 有轻微 AI 痕迹，建议润色
+- 51+ → ❌ AI 味明显，建议用 humanizer-zh 处理
+
+### Step 4: 质量评分
+
+评估内容质量的 4 个维度：
+
+1. **信息密度**（0-25 分）
+   - 每段是否有具体数据/案例/观点
+   - 是否有空泛的废话段落
+
+2. **Hook 强度**（0-25 分）
+   - 开头第一句是否有吸引力
+   - 是否在前 3 行建立了阅读动机
+
+3. **CTA 清晰度**（0-25 分）
+   - 结尾是否有明确的行动号召
+   - CTA 是否与内容主题一致
+
+4. **可读性**（0-25 分）
+   - 段落长度是否适中
+   - 是否有适当的分段和留白
+   - 是否使用了 emoji/符号辅助阅读（平台相关）
+
+**总分 = 4 项之和（0-100）**
+
+### Step 4.5: 标题公式检查
+
+检查标题是否命中至少一个标题公式：
+
+| 公式 | 模式 |
+|------|------|
+| 数字+结果 | 包含具体数字+结果描述 |
+| 反常识 | 反直觉/反常识声明 |
+| 身份+痛点 | 身份标签+痛点描述 |
+| 悬念缺口 | 未完结/省略号/悬念 |
+| 对比结构 | A vs B 对比 |
+| 共鸣提问 | "为什么…" 式提问 |
+
+**评分规则：**
+- 命中 1+ 个公式 → ✅ 标题公式合格
+- 未命中任何公式 → ⚠️ 建议优化标题
+
+### Step 4.6: 评论触发点检查
+
+检查内容是否包含至少 1 个评论触发点：
+
+- 争议埋点（故意留一个可讨论的观点）
+- 未答问题（提出但不完全解答，引导评论区补充）
+- 金句钩子（一句值得截图/转发的话）
+
+**评分规则：**
+- 有 1+ 个触发点 → ✅ 通过
+- 无触发点 → ⚠️ 建议添加，评论量直接影响算法推荐
+
+### Step 4.7: 完播率微操检查
+
+检查是否使用了至少 2 种微观留人技巧：
+
+- 开放循环（Open Loop）— 前面抛问题，延迟回答
+- 信息缺口（Curiosity Gap）— 段落结尾有前向动力
+- 视觉锚点（Visual Anchor）— 段间高密度独立金句
+- 断裂感（Rhythm Break）— 长段落中突然超短句
+
+**评分规则：**
+- 使用 2+ 种 → ✅ 微操合格
+- 使用 1 种 → ⚠️ 建议增加留人手段
+- 未使用 → ❌ 缺乏微观留人技巧
+
+### Step 4.8: 流量假设检查
+
+检查内容是否有流量假设：
+
+- `hypothesis` 字段存在且非空 → ✅ 通过
+- `hypothesis` 缺失 → ⚠️ 建议补充，无假设无法形成数据闭环
+
+### Step 4.9: 内容支柱对齐检查
+
+如果 creator-profile.json 配置了 `contentPillars`：
+
+1. 检查这条内容是否标注了所属支柱
+2. 检查最近 10 条内容的支柱分布是否偏离目标 `contentRatio`
+   - 偏离 <15% → ✅ 分布健康
+   - 偏离 15-30% → ⚠️ 建议调整下一条内容方向
+   - 偏离 >30% → ❌ 内容方向严重偏离定位
+
+未配置 contentPillars 时跳过此步骤。
+
+### Step 5: 输出审核报告
+
+格式：
+
+```markdown
+## 📋 内容审核报告
+
+**内容：** {title} ({content_id})
+**平台：** {platform}
+**审核时间：** {timestamp}
+
+### 1. 敏感词扫描 {✅/⚠️/❌}
+{详细结果}
+
+### 2. 平台合规 {✅/⚠️/❌}
+{详细结果}
+
+### 3. AI 味检测 {✅/⚠️/❌}
+AI 味评分：{score}/100
+{详细结果}
+
+### 4. 质量评分
+总分：{score}/100
+- 信息密度：{n}/25
+- Hook 强度：{n}/25
+- CTA 清晰度：{n}/25
+- 可读性：{n}/25
+
+### 5. 标题公式 {✅/⚠️}
+{详细结果}
+
+### 6. 评论触发点 {✅/⚠️}
+{详细结果}
+
+### 7. 完播率微操 {✅/⚠️/❌}
+{详细结果}
+
+### 8. 流量假设 {✅/⚠️}
+{详细结果}
+
+### 9. 内容支柱对齐 {✅/⚠️/❌/跳过}
+{详细结果}
+
+### 📌 审核结论
+{APPROVED / NEEDS_REVISION}
+
+### 🔧 修复建议
+{如果需要修改，列出具体建议}
+```
+
+## 状态机联动
+
+审核完成后，根据结果自动建议状态流转：
+
+- **全部通过** → 建议 `reviewing → approved`
+  ```
+  autocrew_content action=transition content_id={id} target_status=approved
+  ```
+
+- **需要修改** → 建议 `reviewing → revision`
+  ```
+  autocrew_content action=transition content_id={id} target_status=revision diff_note="审核未通过: {原因摘要}"
+  ```
+
+- 用户确认修改后 → `revision → reviewing`（重新审核）
+
+## 与 Learnings 联动
+
+每次审核产生的修改建议，如果用户采纳并修改了内容：
+
+1. Diff Tracker 自动记录 before/after
+2. Rule Distiller 检查是否达到提炼阈值（5+ 次同类修改）
+3. 达到阈值的模式自动写入 `creator-profile.json` 的 `writingRules`
+
+## 注意事项
+
+- 审核是建议性的，用户可以 `force` 跳过
+- 敏感词库会持续更新，鼓励用户维护 `custom.txt`
+- 质量评分是 AI 辅助评估，不是绝对标准