ra

name	ra-选题
description	选题全生命周期调度：记录选题、深化选题、选题推荐、立项分发（视频/图文/文章/实操长片/多形态）、发布归档。 Use when the user says 灵感xx, 想法xx, 记录选题, 这个可以做个选题, 先存着这个链接, 深化选题/深化一下xx, 给我N个选题, 帮我出选题, 选题推荐, 立项, 做成视频, 制作视频, 做成文章, 制作文章, 做成图文, 制作图文, 做成实操长片, 图文视频文章都做/都分发, 我要自己出镜讲, xx发布了, xx要改; or when the user gives a link plus a target form (链接+制作视频/文章/图文). Owns the 00-选题池 card system: one topic = one card; user never moves files — this skill does.

ra-选题

Goal

把用户的自然语言入口翻译成文件操作。用户只说话：记灵感、给链接、定形态、报发布。建卡、洗稿路由、建条目、挪卡、登记看板全部由本 skill 完成。

核心模型

• 选题卡 = 户口本：01-内容生产/00-选题池/YYYY-MM-DD-<主题>.md（按 _选题卡模板.md）。只记想法、来源、判断、立项去向；正文永远住对应工作台。
• 立项 = 决定形态的那一刻：一题可多形态；每个形态在自己的工作台建实体，卡上记 - 形态 → [[链接]]。
• 卡不移动文件：立项时只改 frontmatter 状态为 已立项，卡留在 00-选题池/ 原位。
• 户口本完整性兜底：任何立项动作发现没有卡，先自动补卡再走流程（含直接甩链接洗稿的场景）。

动词表

1. 记录选题（灵感xx / 想法xx / 记录选题xx / 这个链接先存着）

• 在 00-选题池/ 建卡：用户原话 + 提炼的一句话说清 + 素材线索；有链接记入 来源:，能解析出平台作品ID的同时填 源ID:（<platform>:<post_id>）
• 状态 = 想法；回复卡片路径，不追问、不展开

2. 深化选题（深化xx / xx想清楚点）

• 找到卡（按文件名或标题匹配），检索素材库/方法论，把角度、钩子、案例写进「深化笔记」
• 状态 = 深化中（已立项的卡不改状态）
• 人话规则的适用边界：笔记本体（角度/论据/素材/流量判断）自由写，信息密度优先，不跑 ra-人话 全流程；但候选钩子、开头句、标题方向、金句这类会直接进成稿的种子句，必须遵守 ra-人话 硬禁令（不用「不是A而是B」、真正/其实/本质上、冒号讲义腔、命令式模板开头）。完整的人话精修与质量门在立项洗稿阶段跑，深化阶段不重复。

3. 立项（做成/制作 + 形态；可组合「视频文章图文都做」）

按形态路由，每个形态完成后在卡「已立项」追加一行，最后挪卡：

形态	流程	落位
视频（AI 成片）	有链接走 ra-video-wash-pipeline，纯想法/文稿走 ra-洗稿	交接稿 → 视频工作台/待制作/<日期-主题>/交接稿.md
视频（自录口播）	洗稿产出口播逐字稿，文首标注「自录口播」	视频工作台/逐字稿/
文章	有链接先提源文本：抖音/小红书视频用 ra-逐字稿提取skill；B站/YouTube 等视频复用 ra-video-wash-pipeline 的提取环节；网页/推文用 Jina（https://r.jina.ai/<url>）读正文——源资料一律存 视频工作台/.internal/ → 洗成长文（ra-人话 + 方法论/公众号开头方法论），dbs-ai-check 诊断一遍修掉具体指纹 → 按 文章工作台/_文章模板.md 建条目（一篇一文件夹，主稿 + assets/，只存主稿）	文章工作台/创作中/ + 发布看板登记「待修改」
图文	洗成小红书文案 + dbs-xhs-title 标题候选，按 _图文交接模板.md 生成交接稿（出图归 Codex）	图文工作台/待制作/

4. 发布归档（xx发布了 / xx要改）

• 发布了：看板该行勾选并移入「已发布」日志（日期/平台）；文章条目从 待发布/ 移 已发布/
• 要改：看板移回/登记「待修改」

5. 课程灵感（这个可以进课程 / 课程灵感xx / #课程灵感）

• 在 02-课程体系/课程选题库/灵感记录.md 追加一行：- YYYY-MM-DD ｜ 一句话灵感 ｜ 关联：[[选题卡或作品]]
• 只做积累，不展开课程结构（业务启动前保持最细的线）

6. 选题推荐（给我N个选题 / 帮我出一批选题）

四路取材，输出 N 个候选（默认 10）：

1. 云端爆款库：运行 automation/scripts/hot_monitor_local_job.sh read booms 读取最近 90 天最多 30 条轻量候选，先按 R/M、life 和题材筛选；对入围样本再运行 automation/scripts/hot_monitor_local_job.sh read work <云端作品ID> 读取 L1/逐字稿/指标历史。时效型且超窗（发布日距今 > life_window_days）的不推选题本身，只提取题型基因（如「月度盘点」「街采」「节令营销」）转化为当下的新选题；长青型可直接跟进
2. 近 3 天机会：运行 automation/scripts/hot_monitor_local_job.sh read recent 3 200 0，读取云端最近 3 天的全部新作（包括未判爆作品和 YouTube）；响应 has_more=true 时按 next_offset 继续读取，直到 has_more=false。需要确认账号覆盖时运行 automation/scripts/hot_monitor_local_job.sh read creators。服务器已经统一扫描抖音、小红书和 YouTube 对标号，默认不再直接调用 TikHub 重复采集
3. 自己号数据：数据统计/ 台账里自己号 R 值高的题材优先放大
4. 定位过滤：对照 个人定位.md；偏离定位但流量潜力大的泛选题不降级（流量优先原则）
5. 已洗对比（硬门）：第 1、2 路的云端输出必须先过台账再进入筛选——命令末尾接管道 | python3 automation/scripts/wash_ledger.py filter（例：bash automation/scripts/hot_monitor_local_job.sh read booms | python3 automation/scripts/wash_ledger.py filter）。标注 washed: true 的条目保留展示但必须带「已洗 <日期> → <产出>」标记，不得当成新题推荐；washed_match.status=skipped 标「曾定不做」；washed_suspect 标「疑似已洗」。汇报候选时说明本批已洗/不做/疑似各几条

每条候选格式：选题一句话 ｜ 证据（源爆款+R/M 或 对标新作数据）｜ 时效窗口 ｜ 建议形态（实操长片/AI成片/口播/图文/文章）｜ 角度预判

用户选定 → 建卡：云端候选直接从过滤后的 JSON 取 platform/post_id，按平台拼标准链接写入 来源:（douyin→https://www.douyin.com/video/<post_id>，xhs→https://www.xiaohongshu.com/explore/<post_id>，youtube→https://www.youtube.com/watch?v=<post_id>），同时填 源ID:（<platform>:<post_id>）→ 按形态立项；实操长片路由到 ra-实操策划。洗稿端落稿登记台账时带 --work-id <云端作品id>。

云端读取失败时必须明确报告，不得退回已删除的 _爆款总库.jsonl / _账号池.md，也不得把历史 深度分析/ 冒充实时数据。

硬规则

• 全形态隐私墙：源链接、源标题、源逐字稿只允许出现在选题卡 来源: 字段和 视频工作台/.internal/；一切成稿、交接稿、工作台条目零源信息。用户明确要求标注参考来源时除外。
• 洗稿去重台账：台账在 视频工作台/.internal/洗稿台账.jsonl（属源隐私区），工具 automation/scripts/wash_ledger.py。选题推荐的云端读取必过 filter；任何形态立项洗稿前必 check（命中「已洗」硬停等用户确认）；交接稿/成稿落地后由洗稿端 add 登记。台账内容只在会话里向用户报告，不进任何成稿。
• 用户永远不被要求移动文件；本 skill 代劳并在回复里报告每一次移动。
• 看板登记分工：文章完成由本端登记；视频/图文交付由制作端（Codex）登记。
• 立项视频仍遵守两段式：默认只到待制作队列，用户说「直接制作/直接出片/一条龙」才继续制作。