Menu
从对标账号导入 script + 数据 → 拆 pattern + 派生 base rubric 信号 → 写到 benchmark.md / script_patterns.md / rubric_notes.md。**这是工具最早期信号的来源**——cold-start 用户没自己历史时全靠对标，发过历史的用户也建议至少 1 个对标做 sanity check。触发词："学这个账号"/"拆这几个对标视频"/"learn from"/"导入对标账号"/"找对标"。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
Route CEO-first multi-window work into owner-led role loops. Use for 总控/CEO、架构/CTO、内容主编、角色派发与复用、模型路由、来源窗口回调、role-windows 台账、skill 命中统计或 multi-window loop engineering。
Audit and optimize a skill system with evidence. Use for skill architecture, token or context waste, role and prompt boundaries, routing hits or misfires, plugin packaging, registry/docs/source drift, duplicate workflows, or deciding whether a reusable change belongs in a skill. Runs deterministic checks first and applies only authorized, minimal fixes.
用打分、盲预测、发布后复盘和 rubric 进化校准内容判断。适用于视频、文章、播客等可量化内容；触发词包括初始化、打分、预测、发布、复盘、推荐选题、抓热点、状态、找对标。首次使用先运行 cheat-init。
为最终稿创建不可变盲预测日志，并在已有预测时追加新版本。通过 cheat-score-blind 做隔离评分，再由主窗口复核落盘。触发词包括启动预测、start prediction、打分并预测、写预测日志。
提议并执行 rubric 或 bucket 升级。两种模式：**完整 rubric bump**（最高风险动作，5 步强制 + 跨模型审核）和 **--bucket-only 轻量重校**（只换 bucket 边界，不动 rubric 公式）。**Phase 2 强制走 cheat-score-blind sub-agent 给校准池重打分**——不接受 self-scored fallback。触发词："升级 rubric"/"bump rubric"/"更新公式"/"我想加一个维度"/"调整权重"/"重校桶"/"recalibrate bucket"。
cheat-on-content 的首次 onboarding 与脚手架创建器。统一流程——所有用户都走相同 5 阶段闭环，唯一区别是"发过视频的人"会在 init 时多一步：抓取已有视频建立历史 context（用于后续 cheat-seed 给更贴合的选题、更准的 baseline）。触发词："初始化"/"init"/"首次使用"/"我是新用户"/"setup cheat-on-content"。**必须在用户第一次会话执行；其他子 skill 在 .cheat-state.json 不存在时自动路由到此。**
| name | cheat-learn-from |
| description | 从对标账号导入 script + 数据 → 拆 pattern + 派生 base rubric 信号 → 写到 benchmark.md / script_patterns.md / rubric_notes.md。**这是工具最早期信号的来源**——cold-start 用户没自己历史时全靠对标，发过历史的用户也建议至少 1 个对标做 sanity check。触发词："学这个账号"/"拆这几个对标视频"/"learn from"/"导入对标账号"/"找对标"。 |
| argument-hint | <账号名> [— way: a (default) | b] [— append | --replace] |
| allowed-tools | Bash(*), Read, Write, Edit, Glob, WebFetch, Skill |
工具早期最重要的信号源是对标账号——你 init 完没数据，rubric 等权 v0 等于占星。但如果你能找一个你想做成那样的账号，导入 5-10 条它的高/中/低样本，工具就有了 anchor。
后期当你自己 calibration_samples ≥ 10 时，benchmark 影响自然减弱——你的真实数据成为主要信号源。但 benchmark.md 不删，仍是 cheat-seed brainstorm 的 reference frame。
[用户：学这个账号 / 启动 cheat-learn-from]
↓
[Phase 0: 检查 benchmark 状态]
↓
[Phase 1: 选 input 方式（Way a 默认）]
↓
[Phase 2: 收集材料]
Way a: 用户粘 N 条 script 文本 + 数据
Way b: 用 whisper 转录 samples/ 目录里的视频
↓
[Phase 3: 询问每条样本的"印象判断"（高/中/低 + 为啥）]
↓
[Phase 4: Claude 拆 pattern + 派生 rubric 信号]
↓
[Phase 5: 用户 review → 改 → 落盘]
↓
[Phase 6: 写 benchmark.md / script_patterns.md / rubric_notes.md]
↓
[Phase 7: 更新 state.benchmark_status]
| 必填 | 来源 |
|---|---|
<账号名> | 用户参数；缺失则询问 |
.cheat-state.json | 状态文件 |
| Way a: 用户粘的 script 文本 + 数据 | 对话 |
Way b: samples/<账号名>/*.mp4 等视频文件 | 用户提前下载好放进去 |
读 .cheat-state.json 的 benchmark_status：
| 状态 | 处理 |
|---|---|
none | 首次导入——继续 Phase 1 |
pending | 用户之前答应等下找——继续 Phase 1 |
imported 已有 benchmark | 询问"你已有 benchmark [当前名]，N 条样本。要做什么？ a) 追加新视频到当前 benchmark b) 替换为新 benchmark c) 只看不改" |
参数解析：
--append → 追加到现有 benchmark--replace <new-name> → 用新 benchmark 替换（旧的归档到 benchmark.archived/）每条样本 = script + 数据。两者怎么拿是独立的——你可以混搭。
script 怎么拿？
a) **粘文本（最简单，推荐）**
- 你自己整理过 / 用工具提取过——直接粘进对话
- 工具推荐（按方便程度排）：
抖音 / 小红书：
- 微信小程序「轻抖」—— 粘视频链接 → 自动提取文案 + 评论。最快
- 类似工具："视频解析助手" / "短视频文案提取" 等小程序
- 通常有免费额度，重度使用收费
B 站 / YouTube：
- 视频页面有"显示字幕/文字记录"按钮（如果 UP 主开了）
- 第三方：DownSub / SaveSubs / yt-dlp --write-auto-sub
公众号 / Substack：
- 直接复制网页文字
b) **whisper 转录视频文件**
- 你下载了视频到 samples/<账号名>/<video>/source.mp4
- 需要装 whisper-cpp + ffmpeg（见 adapters/script-extraction/whisper/README.md）
- 转录可能有错别字 / 漏字 / 标点不准——准确度比 a 差
c) **跳过 script，只用元数据 + 印象**
- 你拿不到稿子也懒得用工具
- 后果：pattern 拆不深（只能看标题 / 数据 / 你的印象），但 rubric 信号还行
- 适合"先快速搭起来，将来补"
回 a / b / c。
数据（播放 / 点赞 / 评论 / 转发）怎么拿？
a) **手填数字（最简单）**
- 你查一下账号后台或视频页面，告诉我数字
- 不需要装任何工具
b) **adapter 自动抓（如已配置）**
- 你已经装了 perf-data adapter（如 douyin-session）
- 给我视频 URL，工具自己抓数据 + top 评论
- 评论数据更全（手填只能告诉我数字，adapter 能拿到具体评论文本）
回 a / b。
最常见的组合：
按 Phase 1a + 1b 的组合走对应路径。
通用纪律：每条样本最少要有 (script 或 transcript 或 N/A标记) + 数据 (4 项基础：播放/点赞/评论/转发)。
好。我们一条一条来。最少 3 条，推荐 5-10 条。
第 1 条 script，把整段粘下面（段落版，不要字幕格式）：
收到 script → 算 video_id（sha256(script_content)[:12]）→ 进 Phase 2 数据采集。
先确认 whisper 装了：
[运行 `command -v whisper-cpp` 或 `command -v whisper` 检测]
如果没装：
❌ whisper 没装。三选一：
- brew install whisper-cpp（推荐——快）
- pip install openai-whisper（Python 慢些）
- 切回 Path A 自己粘文本（推荐用轻抖等小程序）
装好后：把视频文件放到 samples/<账号名>/<video-name>/source.mp4
（一个视频一个子目录）
放好后告诉我"放好了 N 条"，我转录。
用户放好后：
samples/<账号名>/*/source.* 找视频文件bash adapters/script-extraction/whisper/run.sh <video> samples/<账号名>/<id>/直接进 Phase 2 数据采集——告诉用户"没 script 我能拆的 pattern 仅限标题级别 / 你的印象，rubric 信号正常拆"。
如 Phase 1b=a（手填）：
第 1 条数据：告诉我
- 标题
- 播放量
- 点赞
- 评论数（不是评论内容，是数字）
- 转发 / 分享数
格式随意，能识别就行。例如：
"标题：怎么停止期待
播放：71w / 点赞 2.4w / 评论 899 / 转发 1.8w"
如果你能再粘 top 5-10 条评论（带赞数）更好——pattern 拆能挖到模因层。
如 Phase 1b=b（adapter）：
你说装了 adapter（如 douyin-session）。给我每条视频的 URL，
我跑 adapter 自动抓数据 + top 评论。
第 1 条 URL：
收到 URL → 调对应 adapter → 写数据 + 评论到 samples/<账号名>//meta.md。
通用：继续问第 2 条 / 第 3 条 / ... 用户说"够了"或达到 MAX_SAMPLES_PER_RUN 时进 Phase 3。
对每条样本（不管 Way a 或 b），收完数据后追加问印象：
你看完 / 听完这条视频的印象，算这个账号的：
a) 高表现样本（代表作 / 你想做成这样的）
b) 中表现样本（普通水准 / 不上不下）
c) 低表现样本（不算这个账号的代表 / 你不想做成这样）
为什么？（一句话——这个判断比数据更能告诉我你想做什么风格）
记录 (impression_label, impression_reason) 到内存。
注意：印象可以和数据冲突——比如某条数据高但用户觉得"不算代表作"。这种冲突本身是有用信号，记录下来。
阅读所有 (script, 数据, 印象) → 自己分析：
按 script_patterns.md 的 cheat sheet 框架拆：
输出 N 个具体 pattern（每个引用具体样本作证据）。
对每条样本打 7 维分（用通用维度），然后看：
输出定性方向（不是数值权重）：
一次性展示所有结果给用户：
我从你给的 N 条对标视频拆出：
📝 N 个 script pattern：
1. **[Pattern 1 名称]**：[一句话描述] → 证据：[样本 X / Y]
2. ...
🎯 Rubric 定性信号：
- 看起来重要的维度：ER / QL / MS（每个有 N 条高样本支持）
- 看起来不显著的维度：SR / NA
- 给的初始建议：你的对标账号是 [情感+金句驱动型] / [数据驱动型] / [类比讲解型] / ...
- **不直接给数值权重**——5-10 样本拟合容易过拟合，先用作 tier-2 信号
🎨 选题方向感：
- 主题分布大概：[主题 A 40% / 主题 B 30% / ...]
- 调性：[一句话]
回 "ok" 我落盘，
或指出哪些 pattern / 信号你不认同（"Pattern X 我觉得不准" / "Rubric 信号 Y 错了"）。
用户反馈循环：
按 [templates/benchmark.template.md] 格式写到 <user-channel>/benchmark.md：
如 --append → 在现有 benchmark.md 的样本表追加新行 + 重新拆 pattern；不重写整个文件。
如 --replace → 把现有 benchmark.md 移到 benchmark.archived/<旧账号名>_<日期>.md，写新的。
为每条样本建子目录：
samples/<账号名>/<video-id>/
├── source.mp4 (Way b 才有，Way a 没有)
├── transcript.md (从粘文本写 / whisper 转出来)
└── meta.md (标题 / 数据 / 印象 / 印象理由)
在 <user-channel>/script_patterns.md 加新段：
## 对标 [账号名] 借鉴（imported on YYYY-MM-DD，N 条样本）
> 这些 pattern 来自对标账号——**Imported, untested on my channel**。
> 实拍验证后（≥2 次跑出 + 复盘确认有效）再去掉这个标记，升入正式 pattern。
### Pattern A: [一句话名]
**来自**: [样本 X]
**描述**: [详细]
### Pattern B: ...
在 <user-channel>/rubric_notes.md 加 / 更新"benchmark-derived initial signals"段：
## Benchmark-derived initial signals
> 来自 benchmark.md 的对标账号 [账号名]（N=N 样本，import on YYYY-MM-DD）。
> **仅定性方向，不直接采纳为数值权重**——5-10 样本拟合容易过拟合。
> 等你自己 N≥5 校准样本后正式 bump 时**再决定**是否调权重。
- 看起来重要的维度: ER / QL / ...
- 看起来不显著的维度: SR / NA / ...
- Claude 给的初始建议: [一句话定性]
{
"benchmark_status": "imported",
"benchmark_name": "<账号名>",
"benchmark_sample_count": <N>
}
--append 加新视频，--replace 换账号/cheat-init Phase 2.5 在 cold-start 用户时强烈建议跑 /cheat-learn-from；calibration 用户可选/cheat-status 在 benchmark_status=pending + 距 init >24h 时持续提醒/cheat-seed brainstorm 时读 benchmark.md → 知道用户对标方向script_patterns.md 加新段，cheat-seed 写 draft 时按 pattern 选结构rubric_notes.md 加 benchmark-derived signals 段，cheat-bump 时作为参考之一cheat-status 在用户 calibration_samples ≥10 时提示"你已有足够自己数据，benchmark 影响淡出（保留作 sanity check）"不是死磕样本数，是 Claude 判断"用户数据信号是否已超过 benchmark"：
判断条件 + 默认值都在 cheat-status 触发器 #19 / cheat-seed Phase 0 里实现。
淡出后：
**Status: superseded by user data**，不删但不再主导任何时候用户主动：跑 /cheat-learn-from --replace none 完全解除 benchmark 影响
| Skill | 用途 |
|---|---|
/cheat-learn-from | 从对标账号导入 pattern / rubric 信号（一次性 / 偶尔追加） |
/cheat-seed | brainstorm 选题 + 写 draft（读 benchmark.md 作参考） |
/cheat-trends | 抓今天的热点（与 benchmark 无关） |
/cheat-bump | 升级 rubric（用户自己 N≥5 后用真实数据，不直接用 benchmark signals） |