Menu
T+N 天数据回收 + 复盘 + 把实绩观察写入 rubric-memo.md。这是校准循环的反馈环节——不复盘的预测等于占星。触发词："复盘 [path]"/"retro this"/"T+3d 数据来了"/"抓数据 [path]"/"把这篇复盘了"。
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
给所有想把"感觉"变成可校准预测的内容创作者。**方法论通用**——打分 → 盲预测 → T+3d 复盘 → 进化 rubric 的循环适用任何能被量化（播放 / 阅读 / 收听 / 点击）的内容。**rubric 是循环的内容，不是循环本身**——当前内置一份观点视频 rubric（参考博主 25+ 视频拟合），其他形态可借这套起步并 bump 调权重。**强烈建议导入对标账号**作为初始信号源（/cheat-learn-from）。触发词："初始化"/"打分这篇"/"启动预测"/"已发布"/"复盘"/"升级 rubric"/"推荐选题"/"抓热点"/"状态"/"找对标"/"learn from"。**首次使用必须先跑 /cheat-init。**
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。**
INTERNAL sub-agent for blind 7-dim rubric scoring. **NOT a user-facing skill — do NOT invoke from main conversation.** Called via Task tool by cheat-score / cheat-predict / cheat-bump to get a context-isolated score on a script. Receives ONLY script_path + rubric_notes_path; refuses any other input. Outputs strict JSON: 9 dimensions × {score 0-5, confidence enum, one-line reason}. **Hard refuses to Read** .cheat-state.json, predictions/*, retro 段, or anything that could leak post-publish data. This is channel B in the 3-channel calibration model (A=main, B=blind sub, C=cross-model).
cheat-on-content 的状态看板。显示当前模式 / rubric 版本 / 校准进度 / 待复盘 / pool 状态 / 是否该升级 SQLite / 是否该 bump rubric。**任何时候都可调，无副作用**。触发词："状态"/"看板"/"status"/"我现在该做什么"/"进度怎么样"。
从配置的热点源（HN / Reddit / YouTube trending / B 站热门 / 等）抓今天的热门话题，去重 + 粗打分 + 写入 candidates.md。**绝大部分人没有候选池——这是让"我没素材"问题在 onboarding 第二步就消失的钥匙**。触发词："抓热点"/"fetch trends"/"今天有什么可做的"/"trending now"/"找选题"。
从复盘评论数据派生 / 刷新账号的受众画像，写入 audience.md。这是和 rubric 平行的第二个派生物——rubric 答"怎么打分"，persona 答"谁在看"。cheat-seed 选题 / 写稿时读它。**audience.md 含实绩信号，cheat-score-blind 硬禁读**。触发词："构造受众画像"/"更新 persona"/"我的观众是谁"/"build persona"/"刷新受众画像"/"看看我的受众画像"。
| name | cheat-retro |
| description | T+N 天数据回收 + 复盘 + 把实绩观察写入 rubric-memo.md。这是校准循环的反馈环节——不复盘的预测等于占星。触发词："复盘 [path]"/"retro this"/"T+3d 数据来了"/"抓数据 [path]"/"把这篇复盘了"。 |
抓 T+N 天的实际表现 → 对比预测 → 提炼新观察 → 写入 rubric-memo.md。只追加 ## 复盘 段，绝不改预测段。rubric_notes.md 是 blind 白名单，只能保存通用公式、维度定义和抽象规则，不能写入样本名、实绩、评论、链接或播放/阅读数。
[用户：复盘 predictions/2026-05-04_...]
↓
[Phase 0: 校验 immutability + 校验时间窗口]
↓
[Phase 1: 抓数据（manual paste 或 adapter）]
↓
[Phase 2: 写实绩段 + top 评论关键词]
↓
[Phase 3: 验证/推翻预测的各假设]
↓
[Phase 4: 提炼新观察]
↓
[Phase 5: 落盘（追加到 ## 复盘 段）]
↓
[Phase 6: 写入 rubric-memo.md 的"观察记录"段]
↓
[Phase 7: 检测是否触发 bump 候选 → 提示用户跑 /cheat-bump]
💡 调用时覆盖：
/cheat-retro <file> — window: 7 — source: adapter
| 必填 | 来源 |
|---|---|
<prediction-file> 或 <video-folder> | 用户参数；缺失则从 .cheat-state.json 的 pending_retros[0] |
rubric_notes.md | 用户项目根（只读，用于当前规则上下文；不得写入实绩观察） |
rubric-memo.md | 用户项目根（写入复盘观察、实绩证据、样本名与评论信号） |
.cheat-state.json | 状态文件 |
用户给的可能是：
predictions/2026-05-04_<id>_<short>.md → 直接用这个 prediction 文件videos/2026-05-04_<id>_<short>/ → 找对应的 prediction 文件（按 id 匹配）+ 把 report.md 写到该 video folder 里pending_retros[0] 取最早的<prediction-file>，确认存在## 预测... 段（可能含 ## 预测、## 预测 v1、## 预测 v2 等）：
## 预测 vN 作为本次校准的依据（v2 存在则用 v2；只有 v1 则用 v1；legacy 单段 ## 预测 直接用）v2_prediction_written 应与"是否存在 v2 段"一致——不一致则警告（state 与文件脱节）## 预测... 段的内容（用于 Phase 5 后核对——全部段不可改，不只是有效段）Published at → 没登记的不能复盘，提示用户先 /cheat-publishearly_retro: true）按 state.data_collection 字段分两条路径——抓回数据后写到 video folder 的 report.md（如果 prediction 关联 video folder），同时解析摘要 inline 到 prediction 的复盘段。
DATA_SOURCE=manual（候补方案）comments_unavailable，但这次复盘价值打折。"videos/<...>/report.md（如有 video folder）DATA_SOURCE=adapter按 prediction header 的 Platform 字段 + state 的 enabled_perf_adapters 决定调哪个：
| Platform | Adapter | 调用方式 |
|---|---|---|
douyin | adapters/perf-data/douyin-session/ | bash <adapters-dir>/douyin-session/run.sh <aweme_id> <video_folder> |
xhs | adapters/perf-data/xhs-explore/ | bash <adapters-dir>/xhs-explore/run.sh <note_id> <video_folder> |
linkedin | adapters/perf-data/linkedin-session/ | bash <adapters-dir>/linkedin-session/run.sh <activity_id> <video_folder> |
youtube | adapters/perf-data/youtube-data-api/（planned — batch 3, not yet available） | 调 YouTube Data API（需 API key） |
bilibili | adapters/perf-data/bilibili-stat/ | bash <adapters-dir>/bilibili-stat/run.sh <bvid> <video_folder> |
| 其他 | 无 adapter | 优雅降级到 Path A |
<adapters-dir>= 克隆源码处的cheat-on-content/adapters/perf-data/（install.sh 不复制 adapter 到 ~/.claude/skills，只复制 15 个 skill）。定位：find ~ -path '*/cheat-on-content/adapters/perf-data' -type d | head -1。
douyin-session 的特殊处理：
https://v.douyin.com/abc123）→ 短链解析 → 提取 aweme_id.auth/）；不存在则提示用户先跑 python <adapter>/crawler.py login<video_folder>/report.md（adapter 的 renderer.py 已经按这个格式写）xhs-explore 的特殊处理：
https://www.xiaohongshu.com/explore/<note_id>?xsec_token=... 或 https://xhslink.com/xxx）→ 提取 note_id.auth-xhs/）；不存在则提示先跑 python <adapter>/crawler.py loginview_count 等已写死）；万一接口改版导致某项为 0，看 report.md 末尾 galaxy 原始 JSON，把新 key 加进 crawler.py 的 _normalize_notelinkedin-session 的特殊处理：
https://www.linkedin.com/feed/update/urn:li:activity:<id>/）或裸 activity_id → adapter 自动提取 activity_id.auth-linkedin/）；不存在则提示先跑 python <adapter>/crawler.py loginextract.py 的 POST_METRICS 已存双语标签，万一某项为 None 看 .cheat-cache/linkedin-session-debug/post_<id>.txt 把新标签补进去bilibili-stat 的特殊处理：
https://www.bilibili.com/video/<BV号> 或 b23.tv 短链）或直接给 BV 号 → adapter 自动提取 BV 号crawler.py login 步骤、不碰 .auth/pip install -r <adapter>/requirements.txt任何 adapter 失败（cookie 过期 / 接口变化 / 网络）→ 优雅降级到 manual，提示用户："adapter 调用失败，原因 [X]。改用 manual 模式——粘下面的数据"。不阻塞流程。
不管 Path A 还是 B，最终：
videos/<...>/report.md 含完整原始数据（数字 + top 评论）实绩数据格式（参考 prediction-anatomy.md 的复盘段格式）：
### 实绩数据
- 播放：71.1w（落在 `30-100w` 桶内偏高，相对中枢 50w **+42%**）
- 点赞：2.4w（赞播比 3.38%）
- 评论：899（评播比 0.126%）
- 收藏：5251
- 分享：1.8w（分播比 2.53%，强）
数据点之间的派生比率（赞播比、评播比、分播比）必须算出来——它们是单纯播放数无法暴露的信号。
top 评论关键词聚类：
对 prediction 文件里的每一项（推理因素表、关键校准假设、反事实场景），逐项判定：
### 哪些预测被验证 ✅ / 推翻 ❌
**验证 ✅**:
- 关键校准假设完全成立：本篇 71.1w / 谁问你了 11.7w = 6.07x，远超我押的 1.5-2x
- ER=5 主导情感传播力 → H1 强证据
- HP=5 验证：分播比 2.53% 与"金句被高频引用"匹配
**推翻 ❌**:
- 中枢 50w 被超出 +42%
- 反事实推理里"必须搭配强社会议题才能破 30w" 完全错误
- SR 押注（"H2 SR 应上调"）反向被推翻：SR 在情感向场景几乎不贡献
关键纪律：
打分维度 / 公式 / bucket 边界相关的观察：
### 需要写进 rubric-memo.md 的新观察
1. **ER 在情感向场景的真实权重应 ≥ ×2.0**：与谁问你了 6x 流量比是 v2 rubric 最强的反事实证据
2. **议题分享冲动 (TS) 是隐藏维度**：joker / "她不一样" / 滤镜重构提供了安全的自嘲身份，转发不暴露处境，TS=5 的样本
3. ……
每条观察必须可追溯到具体数据点（不写"情感很重要"——写"ER5/SR2 vs ER3/SR4 同 composite 下流量差 6x"）。
Diff scripts/<id>.md（pre-shoot 草稿，可能是 cheat-seed 写或用户写）vs videos/<id>/script.md（实际拍摄稿——cheat-shoot 时用户提供的版本），找出改动且对流量有明显影响的部分：
| 用户做了什么 | 流量影响 | 是否提议追加 pattern |
|---|---|---|
| 砍掉某段 | 实绩 ≥ 中枢 → "砍掉没伤流量"——验证那段冗余 | 是，加到 script_patterns.md "用户改稿历史观察"表 |
| 加了某句 / 互动钩子 | 实绩超中枢 → 可能是新 pattern | 是，候选 Pattern N，标 ≥1 样本待验证 |
| 改了风格（如开头软化） | 高于同类样本 → 风格改动有效 | 是，候选 Pattern N |
| 没动结构 / 改动与流量无关 | — | 不追加 |
输出格式：
### 需要写进 script_patterns.md 的新 pattern 候选
1. **用户改稿模式**: 砍掉 [X 段] / 加了 [Y]
- 流量影响：实绩 [N] vs 中枢 [M]，[偏差 / 命中]
- 建议：追加到 script_patterns.md 的"用户改稿历史观察"表
2. **新 pattern 候选 N**：[一句话描述]
- 单样本支持
- 触发条件：[何时该用]
- 建议：追加到 script_patterns.md 末尾的"新发现的 Pattern"段，标 ≥1 样本待验证
询问用户："要把这些追加到 script_patterns.md 吗？(yes / no / 选择哪几条)"。用户确认后才追加——避免把单点观察直接写成正式 pattern。
rubric 进化 ≠ 写作进化——两者解耦：
- rubric_notes.md 学的是"哪些维度真的预测流量"
- script_patterns.md 学的是"什么写法真的能起作用" 可能有交叉（如 MS 维度与"互动钩子" pattern），但记录在两个文件里是因为作用域不同——rubric 改了影响所有未来打分，pattern 改了影响所有未来 draft。
如果 videos/<id>/script.md 缺失（cheat-shoot 时用户标 script_lost） → 跳过 4b，没法 diff。
如果 script_consistency = "consistent"（用户拍时没改稿）→ 4b 仍然有意义（diff 也许是空），但可以快速跳过细查。
如果 script_consistency = "modified"（用户拍时改了）→ 4b 是核心，重点学这次改动 → 流量影响。
用 Edit 工具，仅追加到现有 ## 复盘 段（如有占位 （待填） 行先删除）：
## 复盘
**复盘时间**: 2026-05-07（发布 T+3d）
**抓取时间**: 2026-05-07 09:30
**数据来源**: manual paste
### 实绩数据
[Phase 2 内容]
### Top 评论关键词
[Phase 2 内容]
### 哪些预测被验证 / 推翻
[Phase 3 内容]
### 需要写进 rubric-memo.md 的新观察
[Phase 4 内容]
写完后再次校验：读取保存后的文件，对比所有 ## 预测... 段（v1 / v2 / legacy）的合并哈希应等于 Phase 0 cache 的合并哈希。任一段被改 → 报错并回滚。
按 observation-lifecycle.md 的 blind leak guard，追加到 rubric-memo.md 的 ## 观察记录 段。这里可以包含真实样本名、实绩数据、评论关键词和链接；这些内容绝不写入 rubric_notes.md：
### YYYY-MM-DD [标题简称] (id) — [一句话定性]
- 预测：composite=X.XX，bucket=Y
- 实绩：播放 / 点赞 / 评论 / 转发（带 T+Nd 标注）
- Top 评论关键词：[简短摘录 + 赞数]
- 判断：哪个维度被验证/推翻？为什么？
- Rubric 调整：[如果有，写明 "下次打 XX 类文章时改 YY"]
- 详见：[predictions/<file>.md]
检测跨样本 pattern：扫描 rubric-memo.md 已有"观察记录"，看新观察是否与某条已有观察形成 ≥2 样本支持。命中则在 rubric-memo.md 升级到"重大跨样本观察"段。只有在后续 /cheat-bump 落地时，才把已验证的规律抽象成通用语言写入 rubric_notes.md。
如 Phase 4b 用户回 "yes" 或选择性确认了某几条：
新 pattern 候选的格式（同 script_patterns.template.md 的 Pattern 11/12 示例）：
### Pattern N（来自 [视频简称]，单样本待验证）
**现象**：[Phase 4b 描述]
**原理**：[为什么有效——基于这一次观察的猜测]
**触发条件**：[何时该用]
**待验证**：需要 ≥2 样本支持才能升正式 pattern。
跨样本 pattern 升正式：扫描"新发现的 Pattern"段，看是否有 ≥2 样本支持同一现象 → 升到核心 pattern 库 + 删 "待验证" 标记。
如用户在 Phase 4b 全否（"no"）→ 跳过 6b，rubric-memo.md 仍照写。
读 .cheat-state.json 的 consecutive_directional_errors 字段，按本次复盘判定向更新：
["high"] + 记录 deviation_magnitude（如 0.5x / 0.3x）["low"] + 记录 deviation_magnitudeClaude 判断是否提议 bump（不是固定门槛）：
判断维度：
1. 连续同向次数（参考默认：≥3）
2. 单次偏差幅度（参考默认：>2x 或 <0.5x 算极端）
3. 偏差是否能解释为单一维度漏判（如 ER 或 SR 一致偏离）
4. 用户是否在复盘里反复提到同一现象
任一足够强 → 提议 bump：
- 3 次连续同向，每次都中等偏差 → 提议
- 1 次极端偏差（如 ≥10x），即使没连续 → 提议（"一次性强信号"）
- 2 次同向 + 评论区出现一致的反向证据 → 提议（"评论 + 数据双信号"）
不提议的情况：
- 3 次同向但每次都很小（<25%）→ 可能只是噪声
- 偏差跨多个维度无清晰方向 → bump 不知道改什么
提议时输出：
🚨 检测到 [系统性偏差信号] / [极端单点偏差] 。
[简短描述：连续 N 次 / 1 次极端 / 评论双信号 等]
这可能是 rubric 系统性偏差的信号。建议：
- 跑 /cheat-bump 看是否需要升级公式
- 或先看 /cheat-status 详细分析
注：本次提议是 [default-aligned: 满足 ≥3 同向] / [judgment-driven: 1 次 10x 强偏差]
更新 state file：
{
"calibration_samples": <+1>,
"pending_retros": [<剔除本次>],
"last_retro_at": "<ISO>",
"consecutive_directional_errors": [...]
}
数据来源: manual paste 或 数据来源: adapter:douyin-session 写进复盘段/cheat-bump——避免一次操作做两件事early_retro: true，bump 时这种样本权重降级/cheat-publish 已登记 + 时间窗口达到consecutive_directional_errors 满 3 → 触发 /cheat-bump 提议calibration_samples +1（这是 cheat-status 显示进度的关键）