wechat-writer

name	wechat-writer
description	微信公众号正文写作——写作风格指导、正文生成、存档、相似度检查
triggers	["写公众号正文","写微信公众号"]
env	{"RESEARCH_DIR":"~/.hermes/research/","ARTICLE_HISTORY_FILE":"~/.hermes/research/articles_history.json"}

微信公众号正文写作

核心定位

👉 "有判断的聊天"，而不是"完整的文章"

👉 更高目标："让读者经历这个道理"，而不是"讲道理给他听"

---

写作层级

Level 1：信息层（已过）

讲知识、讲概念、讲结构——对你没价值。

Level 2：总结层（你现在在这里）

有经验、有观点、有归纳。但问题：抽象、平、缺画面。

典型症状：满篇"本质是……""核心问题是……""其实是因为……"

Level 3：体验层（你要到这里）

有场景、有冲突、有"瞬间"。读者不是"理解"，而是"感受到"。

---

升级路径

找"抽象句"→ 强制转成"具体"

以下句式是"总结层语言"，每句都要改：

"本质是……"
"核心问题是……"
"其实是因为……"
"这说明……"
"问题在于……"

每句抽象 → 强制问自己3个问题：

1. 有没有一个真实场景？
2. 有没有一个"人"的反应？
3. 有没有一个"意外/冲突"？

一个点 = 3层 × 3维（扩写网格）

时间三层（纵向）	维度三层（横向）
之前（预期）	外部（场景/对话）
当下（事件）	内部（我内心）
之后（反应）	关系（他们关心什么）

---

写作技巧（经验积累）

开头：逗号改句号，制造"停顿+重击"

如："它们看起来五花八门。/实际上都在补同一件事：/Agent根本不是一个完整系统。"

结尾：终极判断转发级金句

如："在那之前，它只是一个会说话的模型"

每层之间：加过桥句

如："但记住还不够...问题只是从'忘了'变成'说错了'"

五项升级（必须逐项检查）

• 升级一（环境维度）：关键场景有一句环境/氛围描写
• 升级二（认知断裂）：震惊/沉默之前有"想解释但解释不了"的中间层
• 升级三（不可反驳的观察）：总结段用"我们…他们…"对比结构
• 升级四（结构性观察）：总结前有"因为我们不承担后果"等（≤3条）
• 升级五（行为词结尾）：金句结尾是具象行为，不是抽象词

Level 2 → 3 升级检查

• 没有"本质是""核心问题是""其实是因为""我意识到""我注意到"
• 每个结论有过程（不是只有瞬间）
• 让读者自己得出结论

删减检查

• 每句有存在理由（加细节/过程/变化三选一）
• 字数砍30%

---

写作模板

1️⃣ 开头：预期 → 反差（3行）

很多人觉得，自动驾驶最难的是技术。
2019年在加州，我们团队100多人，博士占一半，
技术指标跑赢所有人。
三个月推不动一台车。

2️⃣ 中间：3个块，每块过五层

每一块写进正文前，必须完整思考这五层：

层次	思考内容	写进正文时
背景	时间/地点/人物	融进第一句
预期	我原本以为	融进叙述
现实	实际发生了什么	直接写对话/行为
反差	预期 vs 现实	融进叙述
反应	那一刻我……	直接写感受

❌ 错误（正文出现标记词）：

【背景】2019年11月，加州，第一次给车厂做演示。
【预期】我以为他们会问准确率。

✅ 正确（标记词全部消失）：

2019年11月，加州，第一次给车厂做演示。
我准备了三个月，把所有技术指标都跑通。
总工听完，站起来说——"如果出事，谁负责？"

3️⃣ 结尾：再反转 + 一句被记住的话

这不是技术问题。
这是责任结构的问题。

"技术团队最容易犯的错，不是技术不够强。
是做了一堆——
没有人站出来说过'我负责'的东西。"

---

热梗库（按主题分类）

AI / 科技类

• 「不是AI太强，是你的工种太脆」
• 「AI不会取代你，会用AI的人会取代你」
• 「大模型元年：人人都在谈，没人真正懂」
• 「你还在调参数，别人已经调好了整个公司」
• 「AI最大的阻力，从来不是技术，而是人」

日本 / 文化观察类

• 「躬匠精神」（讽刺日本企业的道歉文化）
• 「日本的问题不是没有AI，是AI来了也不知道干嘛」
• 「日本公司很保守。不是因为他们不懂。是因为他们更怕出错。」

职场 / 人生类

• 「卷不动，也躺不平」
• 「选择比努力重要，但选择本身就是一种努力」

对比 / 反直觉类（最适合当开头/结尾）

• 「别人在用AI降本增效，你在用Excel酝酿未来」
• 「但真正的问题不在这里」

---

小标题规范

规则：小标题 = ❶❷❸ + 文章句子，不含框架标记词

❌ 坏的小标题：

• ❺ 核心卡点 —— 一个词，读者不知道要说什么
• ❸ 第一个问题 —— 框架标记词，不是文章句子

✅ 好的小标题（具体短句）：

• ❺ 写10秒，判断要5分钟
• ❸ 但这不是我要交的版本
• ❼ 它解决表达，不解决判断

---

存档 + 相似度检查

Step 1: 查历史相似度（写之前先查）

import json, os

HISTORY_FILE = os.path.expanduser("~/.hermes/research/articles_history.json")
NEW_THEME_KEYWORDS = ["主题词1", "主题词2"]  # ← 每次替换

history = json.load(open(HISTORY_FILE)) if os.path.exists(HISTORY_FILE) else []
print(f"历史文章共 {len(history)} 篇")

for art in history[-10:]:
    themes = set(art.get("themes", []))
    tags = set(art.get("tags", []))
    new_kw = set(NEW_THEME_KEYWORDS)
    overlap = themes & new_kw
    if overlap:
        print(f"  ⚠️  [{art['date']}] {art['title']}: 主题重叠={overlap}")

if len(history) >= 5:
    recent_themes = set()
    for art in history[-5:]:
        recent_themes.update(art.get("themes", []))
    theme_overlap = recent_themes & set(NEW_THEME_KEYWORDS)
    if len(theme_overlap) >= 2:
        print(f"\n⚠️ 近5篇主题重叠≥2，建议先和用户确认换角度再写")
    else:
        print(f"\n✅ 主题可写")
else:
    print(f"\n✅ 历史文章不足5篇，直接写")

判断：近5篇主题重叠 ≥ 2 → 先和用户确认换角度

Step 2: 写正文

按以上指南写完正文，保存为 ~/.hermes/research/article_*.md

Step 3: 存档 + 相似度检查（写完立即执行）

import json, os, uuid, re
from datetime import datetime

HISTORY_FILE = os.path.expanduser("~/.hermes/research/articles_history.json")
ARTICLE_DIR  = os.path.expanduser("~/.hermes/research/")
NEW_THEMES = ["主题词1", "主题词2"]  # ← 每次替换
NEW_TITLE  = "文章标题"
NEW_FILE   = "article_xxx.md"
NEW_WORDS  = 0  # 字数

new_entry = {
    "id": str(uuid.uuid4())[:8],
    "title": NEW_TITLE,
    "date": datetime.now().strftime("%Y-%m-%d"),
    "tags": [],
    "summary": "",
    "themes": NEW_THEMES,
    "word_count": NEW_WORDS,
    "file_path": NEW_FILE
}

history = []
if os.path.exists(HISTORY_FILE):
    with open(HISTORY_FILE) as f:
        history = json.load(f)

def extract_content(text):
    text = re.sub(r'^#+\s+', '', text, flags=re.MULTILINE)
    text = re.sub(r'\*\*([^*]+)\*\*', r'\1', text)
    text = re.sub(r'---', '', text)
    text = re.sub(r'\n{3,}', '\n\n', text)
    return text.strip()

def char_bigrams(text):
    words = text.split()
    bigrams = set()
    for i in range(len(words)-1):
        bigrams.add(f"{words[i]}_{words[i+1]}")
    return bigrams

def load_article(file_path):
    try:
        return extract_content(open(os.path.expanduser(file_path)).read())
    except:
        return ""

recent = history[-5:] if len(history) >= 5 else history
print("=== 相似度检查 ===")

for art in recent:
    art_file = art.get("file_path", "")
    if not art_file:
        continue
    prev_text = load_article(art_file)
    new_text  = extract_content(open(os.path.expanduser(NEW_FILE)).read())
    if not prev_text or not new_text:
        continue

    prev_words = set(prev_text.split())
    new_words  = set(new_text.split())
    jaccard = len(prev_words & new_words) / max(1, len(prev_words | new_words))

    prev_bg = char_bigrams(prev_text)
    new_bg  = char_bigrams(new_text)
    bg_jaccard = len(prev_bg & new_bg) / max(1, len(prev_bg | new_bg))

    theme_overlap = set(NEW_THEMES) & set(art.get("themes", []))
    flag = "⚠️" if jaccard > 0.05 or len(theme_overlap) >= 2 else ("⚡" if jaccard > 0.02 else "✅")
    print(f"  {flag} [{art['date']}] {art['title']}: 词Jaccard={jaccard:.2%} bg={bg_jaccard:.2%} 主题={theme_overlap}")

all_prev = " ".join([load_article(a.get("file_path","")) for a in recent])
if all_prev:
    all_prev_words = set(all_prev.split())
    new_words_set  = set(extract_content(open(os.path.expanduser(NEW_FILE)).read()).split())
    overall_jaccard = len(all_prev_words & new_words_set) / max(1, len(all_prev_words | new_words_set))
    print(f"\n整体词Jaccard: {overall_jaccard:.2%}")
    if overall_jaccard > 0.05:
        print("⚠️ 整体相似度偏高 → 返回正文调整角度")
    else:
        print("✅ 相似度可接受 → 进入封面流程")
else:
    print("✅ 无历史文章 → 直接进入封面流程")

history.append(new_entry)
with open(HISTORY_FILE, "w") as f:
    json.dump(history, f, ensure_ascii=False, indent=2)
print(f"✅ 已存档: {NEW_TITLE}")

判断规则

指标	阈值	结果
词集合 Jaccard	> 5%	⚠️ 返回正文调整角度
词集合 Jaccard	2–5%	⚡ 可接受
词集合 Jaccard	< 2%	✅ 直接通过
主题重叠	≥ 2	⚠️ 必须调整角度

---

人设一致性检查

• AI应用经验：约3年（2023年底至今），不是7年
• 不能出现"七年AI应用""多年AI落地"等超过人设的说法
• 核心洞察来自：自动驾驶时期"准确率92%但需求命中率11%"的经验
• 市场经验：自动驾驶（美国小马）+ ToB AI应用（日本）
• 人设档案是查错基准，不是正文信息来源——不在文章里主动提清华/哥大/微软/Facebook

---

输出

完成后告知用户：

• 正文已保存至 ~/.hermes/research/article_*.md
• 相似度检查：通过 / 需调整角度
• 下一步：加载 wechat-post-image 生成封面和配图