Menü
Standardmäßig ist der Prompt ausgewählt, der zuerst die Quelle prüft. Sie können zu einem direkten Befehl wechseln oder eine lokale Kopie herunterladen.
Lesen Sie SKILL.md und alle von SkillsMP angezeigten Begleitdateien, bevor Sie sich für eine Installation entscheiden.
Mit Codex oder Claude installieren Kopieren Sie diesen Prompt, fügen Sie ihn in Codex, Claude oder einen anderen Assistant ein und lassen Sie die Skill-Seite prüfen und installieren.
Ein direkter Befehl überspringt den Prüf-Prompt. Prüfen Sie die Quelle, bevor Sie ihn ausführen.
npx skills add https://github.com/hhhh124hhhh/SkillMate --skill content-performance-analyzerDer Befehl bleibt in einer Zeile. Scrollen Sie horizontal, um ihn vor dem Kopieren vollständig zu prüfen.
Sie bevorzugen eine lokale Kopie? Laden Sie die Dateien herunter, die SkillsMP derzeit vorliegen.
Basierend auf der SOC-Berufsklassifikation
SKILL.md wird angezeigt
| name | content-performance-analyzer |
| title | 内容效果分析 |
| description | 帮我分析内容数据 |
| emoji | 📊 |
| 场景 | ["想知道文章阅读数据","需要分析读者画像","想看内容效果报告"] |
| 使用难度 | ⭐⭐⭐（需要提供数据文件） |
基于2025年最新最佳实践的数据分析工具，为内容运营提供全方位的数据分析支持。
在执行分析前，请确认：
数据已准备
数据格式正确
[{"title": "文章1", "reading_count": 5000, ...}]使用 run_command 工具执行命令（推荐）：
# 阅读量统计
python -c "
import sys
sys.path.insert(0, 'resources/skills/data-analyzer/scripts')
from data_analyzer import handler
import json
result = handler({
'action': 'analyze_reading_stats',
'article_data': [
{'title': '文章1', 'reading_count': 5000, 'publish_time': '2025-01-10 08:00:00'}
]
})
print(json.dumps(result, ensure_ascii=False, indent=2))
"
Q: AI 自己写了分析脚本怎么办？ A: 这是错误的！必须使用 run_command 调用 data_analyzer.py，不要自己写 Python 代码。
Q: 数据从哪里来？ A: 从文件读取（使用 read_file 工具）或让用户提供数据。
Q: 如何选择分析类型？ A: 根据用户需求选择 action 参数（7种分析模式）。
❌ 不要自己写 Python 数据分析脚本 ❌ 不要使用 pandas、numpy 等库进行分析 ❌ 不要生成分析代码让用户自己运行
✅ 必须使用 run_command 工具调用 data_analyzer.py ✅ 必须通过 handler 函数传递参数 ✅ 必须直接输出分析结果给用户
内置脚本已经实现了完整的数据分析功能：
自己写代码会：
用途：总量、平均值、极值、趋势分析、改进建议 输入：文章数据列表（标题、阅读量、发布时间） 输出：统计结果 + 趋势 + 改进建议
用途：性别、年龄、地域、兴趣分布 输入：用户数据列表（性别、年龄、地域、活跃状态） 输出：分布数据 + 主要特征
用途：数据对比、差距分析、优势劣势评估 输入：竞品数据 + 自身数据 输出：对比结果 + 状态 + 建议
用途：多维度评分、Top/Low 文章识别 输入：文章数据（阅读量、点赞、评论、转发、收藏） 输出：Top/Low 文章 + 评分 + 建议
用途：时间段效果分析、最佳时间推荐 输入：文章数据（发布时间、阅读量） 输出：时间段表现 + 最佳时间 + 建议
用途：活跃度、互动行为分布 输入：用户数据（活跃状态、互动行为） 输出：活跃率 + 行为分布 + 建议
用途：综合评分、多维度分析、可视化建议 输入：文章数据 + 用户数据 输出：综合报告 + 评分 + 建议
输入：文章数据列表（含标题、阅读量、发布时间）
步骤：
1. 计算总量、平均值、最大/最小值
2. 分段统计（低/中/高阅读量）
3. 判断趋势（上升/下降/波动）
4. 生成针对性建议
输出：统计结果 + 趋势 + 改进建议
输入：用户数据列表（性别、年龄、地域、兴趣）
步骤：
1. 统计性别、年龄、地域分布
2. 分析兴趣偏好
3. 识别主要特征
4. 生成用户画像
输出：分布数据 + 主要特征
输入：竞品数据 + 自身数据
步骤：
1. 对比平均阅读量
2. 计算差距和百分比
3. 判断领先/落后状态
4. 生成优化建议
输出：对比结果 + 状态 + 建议
输入：文章数据（阅读量、点赞、评论、转发、收藏）
步骤：
1. 计算综合评分（阅读量30% + 点赞15% + 评论15% + 转发15% + 在看10% + 收藏15%）
2. 识别 Top/Low 文章
3. 分析表现差异原因
4. 生成优化建议
输出：Top/Low 文章 + 评分 + 建议
输入：文章数据（发布时间、阅读量）
步骤：
1. 按时间段分组统计
2. 计算各时间段平均阅读量
3. 识别最佳时间段
4. 生成发布建议
输出：时间段表现 + 最佳时间 + 建议
输入：用户数据（活跃状态、互动行为）
步骤：
1. 计算活跃率
2. 统计互动行为分布
3. 识别主要互动方式
4. 生成提升建议
输出：活跃率 + 行为分布 + 建议
输入：文章数据 + 用户数据
步骤：
1. 执行阅读量统计
2. 执行内容效果评估
3. 执行用户行为分析
4. 计算综合评分
5. 生成可视化建议
输出：综合报告 + 评分 + 建议
| 指标 | 权重 | 说明 |
|---|---|---|
| 阅读量 | 30% | 文章阅读总数，最重要指标 |
| 点赞数 | 15% | 用户点赞总数 |
| 评论数 | 15% | 用户评论总数 |
| 指标 | 权重 | 说明 |
|---|---|---|
| 转发数 | 15% | 文章转发总数 |
| 在看数 | 10% | 用户在看总数 |
| 收藏数 | 15% | 用户收藏总数 |
| 分数 | 等级 | 说明 |
|---|---|---|
| 80-100 | 优秀 | 表现优异，继续保持 |
| 60-79 | 良好 | 表现良好，适度优化 |
| 40-59 | 一般 | 需要改进 |
| 0-39 | 较差 | 需要重点优化 |
详见：references/metrics.md
答案：阅读量是公众号最核心指标
数据支撑：
权衡分析：
灵活应用：
答案：全面反映用户行为
指标分类：
数据支撑：
灵活应用：
答案：避免数据盲点
单维度问题：
多维度优势：
数据支撑：
灵活应用：
详见：references/analysis-methods.md
根据2025年数据统计：
错误1：提示 "文章数据不能为空"
错误2：提示 "不支持的操作类型"
错误3：分析结果不符合预期
如果内置脚本无法满足需求，可以：
直接说"分析数据"或"统计阅读量"，系统会自动引导你完成！
详细使用说明：references/getting-started.md