| name | wechat-article-writer |
| version | 1.2.0 |
| description | 专业微信公众号文章助手，支持四个独立且可组合模式：article 写正文；image-prompts 从文章生成版本化、provider-neutral 的图片提示词 manifest 与稳定占位符，但不调用生图；layout 把文章和 manifest 确定性转换为微信安全的内联 HTML；full-pipeline 串联正文、提示词/占位符和排版。用户提到公众号、微信文章、推文、配图提示词、图片 manifest、公众号排版、内联 HTML 或完整图文流水线时触发。支持企业官号、个人技术博客、活动回顾和产品评测。不用于：带引用的研究报告（用 deep-research）、PPT/组图（用 deck-studio）、英文文章、仅润色一小段。永不自动发布，永不把提示词或占位符声称为已生成图片。 |
微信公众号文章创作助手
概述
帮助用户创作高质量的微信公众号文章。核心能力是风格灵活适配——同一个skill既能写企业官号的正式文案，也能写个人IP的技术博客。根据用户需求自动匹配最合适的风格和结构。
先选执行模式
用户未指定时默认 article。需要跨模式时按
references/PIPELINE-CONTRACT.md 的文件接口交接，不靠对话隐含状态。
| 模式 | 输入 | 必须输出 | 停止位置 |
|---|
article | 素材/选题 | article.md | 正文完成 |
image-prompts | article.md | image-manifest.json，正文含稳定锚点与占位符 | 提示词完成，不生图 |
layout | article.md + 可选 manifest | layout.html | HTML 完成，不发布 |
full-pipeline | 素材/选题 | article + manifest + HTML | 三件套完成，不生图、不发布 |
manifest 必须通过 schemas/image-manifest.schema.json 和
scripts/validate_image_manifest.py。排版优先调用宿主的“排版输出” Skill；
其接口不可用时，使用 scripts/render_wechat_layout.py 的确定性降级实现。
第一步：风格识别与素材分析
输入处理
- 网站链接 → 使用 web_fetch 获取完整内容
- 文本素材 → 直接分析
- 图像素材 → 识别内容提取关键信息
风格自动识别
根据用户的描述自动判断风格，无需每次手动选择：
| 信号 | 匹配风格 |
|---|
| "公司号"、"官方"、"企业宣传"、"品牌" | 🏢 官方文案 |
| "我的公众号"、"技术博客"、"个人分享"、"实操"、提到"卡兹克" | 🧑💻 技术博客 |
| "活动回顾"、"分享会"、"社区"、"meetup" | 🎤 活动回顾 |
| "评测"、"对比"、"体验报告" | 🔍 评测对比 |
| 无法判断 → 询问用户："这篇文章发在企业官号还是个人号？风格偏正式还是轻松？" | |
快速需求确认
仅在信息严重不足时询问（不超过2个问题）：
- 目标读者？（普通用户 / 技术开发者 / 行业人士 / 家长学生）
- 文章长度？（短文800-1500字 / 中文1500-3000字 / 长文3000+字）
信息充足时直接开始创作。
第二步：内容研究
使用 web search 补充内容（所有风格都适用）：
根据文章类型选择搜索策略：
技术类文章：
- 搜索技术文档、GitHub仓库、开发者博客、官方changelog
- 搜索技术社区讨论（StackOverflow、知乎技术话题、V2EX）
- 查找竞品/同类工具的对比信息
- 示例查询："Claude Code Skills 2.0 更新 eval benchmark"、"OpenClaw 部署 架构"
企业/产品类文章：
- 搜索行业报告、市场数据、权威分析
- 搜索竞品功能和用户评价
- 查找真实案例和成功故事
- 示例查询："AI语言学习 行业报告 2025 2026"、"口语评测 竞品 流利说 ELSA"
活动/社区类文章：
- 搜索活动相关技术背景
- 查找社区/组织的历史和定位
- 了解演讲主题的技术细节
第三步：按风格创作
🏢 风格A：企业官方文案
适用于：产品发布、企业动态、品牌宣传、行业白皮书
语气：专业可信、有温度但有距离感。参考 references/style-guide.md。
核心特征：
- 使用"我们"代表品牌，不用"我"
- 规范书面语，避免口语和网络用语
- 数据和案例支撑每个观点
- 积极正向，突出解决方案
- 遵循敏感词规避（
references/style-guide.md 第七节）
结构：
- 引人开头（100-200字）→ 痛点/热点/故事切入
- 核心内容（3-5个小标题展开）→ 每段300-500字，穿插数据案例
- 有力结尾（100-150字）→ 总结 + CTA行动号召
标题风格：参考 references/title-formulas.md，偏向权威型、数字型、福利型。
示例语气：
在数字化转型的浪潮中，语言学习正在经历一场深刻变革。OneOneTalk 基于前沿的 AI 语音技术，为学习者带来了全新的口语评测体验——实时反馈、多维度评分、个性化学习建议，让每一次开口都有收获。
🧑💻 风格B：个人技术博客
适用于：技术教程、工具评测、实操分享、观点评论、AI话题深度分析
这是与官方风格差异最大的模式。核心是「一个技术人在跟朋友聊技术」的感觉。
语气：个人化、有态度、接地气但有深度。
核心特征：
- 使用"我"作为叙事视角——"我试了一下"、"我的体验是"、"说实话"
- 可以有主观判断和个人倾向——"我觉得这个更新相当炸裂"、"坦白说这个功能还有改进空间"
- 口语化表达OK——"搞定"、"真香"、"踩坑"，但不要过度
- 技术内容要精准——概念、参数、代码不能有错
- 有实操过程——不是二手信息转述，要有"我实际用了之后发现..."的质感
- 适当的幽默和吐槽是加分项
技术内容写作规范：
代码示例：使用```标记代码块，标注语言类型
python -m scripts.run_loop \
--eval-set evals/trigger-eval.json \
--skill-path ./my-skill \
--max-iterations 5
命令行操作：用代码块包裹，加上注释说明
pip install -r requirements.txt
python main.py --port 8080
技术概念解释：先说人话，再给术语
简单来说，eval就是给你的skill做一次"模拟考试"——丢几个测试题进去，看看skill能不能正确应对。技术上叫evaluation（评估），但你可以理解为自动化测试。
结构：
- Hook开头（50-100字）→ 一个引子抓住读者，可以是一个问题、一个惊讶的发现、一个故事
- 背景铺垫（100-200字）→ 为什么写这篇、这个事情的来龙去脉
- 核心内容（主体）→ 技术细节+实操过程+截图/代码，用小标题分段
- 个人观点/总结（100-200字）→ 我的看法、适合什么人、下一步要做什么
- 互动引导 → "你用过吗？欢迎评论区聊聊"
标题风格（技术博客专用）：
- 实操型："我用 Claude Code Skills 2.0 重建了eval体系，效率提升3倍"
- 深度解析型："Skills 2.0 深度拆解：从eval到benchmark的完整实践指南"
- 观点型："为什么说 Skills 2.0 是AI开发者的必备升级？"
- 踩坑型："Claude Code Skills 部署踩坑记：这5个问题差点让我放弃"
- 对比型："Coze vs Claude Code Skills：两种AI工作流的终极对比"
反面教材——技术博客绝对不要这样写：
- ❌ "近年来，随着人工智能技术的飞速发展..."（废话开头）
- ❌ "本文将为您详细介绍..."（论文体）
- ❌ 全文没有一行代码或命令（不是技术文章了）
- ❌ 只转述官方文档，没有自己的体验和观点
- ❌ 官方腔："该功能旨在为开发者提供更优质的..."
🎤 风格C：活动/社区回顾
适用于：技术分享会回顾、社区meetup、黑客马拉松、线下活动
语气：有现场感、有人味、兼顾技术内容和社区氛围。
核心特征：
- 开头营造现场感——时间、地点、人数、氛围
- 技术内容和人的故事交织——不是纯技术也不是纯流水账
- 有具体的细节和瞬间——某个观众的提问、demo演示的反应、茶歇时的讨论
- 对社区的意义和展望
- 照片很重要——给出详细的配图建议（现场全景、演讲者、互动环节、合影）
结构：
- 现场感开头 → "3月8日下午，广州琶洲魔方的会议室里坐满了30位开发者..."
- 活动亮点（2-3个重点环节）→ 每个环节：主题+核心内容+观众反应
- 技术干货提炼 → 从演讲中提取最有价值的技术要点
- 社区声音 → 参与者的反馈、互动亮点
- 展望与预告 → 下次活动、社区后续计划
🔍 风格D：评测对比
适用于：产品评测、工具对比、技术方案选型
语气：客观有深度，但可以有个人偏好。
核心特征：
- 明确的评测维度和打分体系
- 真实的使用体验（而非参数罗列）
- 优缺点都要说——不做软文
- 结论明确——"如果你是XX场景，推荐用A；如果是YY场景，B更合适"
结构：
- 评测背景——为什么做这个对比
- 评测维度定义——从哪几个角度比
- 逐维度对比（表格+文字说明）
- 综合推荐——不同场景的选择建议
第四步：标题创作
为所有文章提供 3个备选标题：
- 方案A：最贴合内容主旨
- 方案B：更有传播力/好奇心
- 方案C：更有SEO/搜索友好
标题通用原则：
- 13-20个字（公众号展示最佳长度）
- 包含核心关键词
- 内容要匹配，不做标题党
- 适当使用标点（！？...）增强语气
官方文章标题 → 参考 references/title-formulas.md
技术博客标题 → 参考本文件「风格B」的标题公式
第五步：排版与交付
排版建议（所有风格通用）：
- 手机端短段落，每段不超过 3–4 行；约每 500 字设小标题。
- 只加粗核心观点和数据；约每 500–800 字安排一张图。
- 技术文章的代码使用等宽字体。
article 模式最终交付物：
- 完整正文、主标题、3 个备选标题和 100 字内摘要。
- 封面/正文配图建议、发布时间建议和评论区互动话题。
输出格式：
- 短文（<1500字）→ 直接在对话中输出
- 长文（>1500字）→ 建议生成 .md 或 .docx 文件
image-prompts、layout 和 full-pipeline 不使用上面的口头“配图建议”作为机器接口；
必须按 references/PIPELINE-CONTRACT.md 生成可校验文件。每张图使用稳定 ID，
锚点固定为 <!-- image:{id} -->，占位符固定为 {{IMAGE:{id}}}。
安全与真实性红线
- 不自动登录或发布到公众号，不代替用户点击发布，不请求账号、Cookie、Token 或密钥。
- 未调用并验证真实图片提供方时，
provider_status 只能是 not-requested 或 prompt-only。
- 不把 prompt、manifest、空
img 标签或灰色占位框描述成“图片已生成”。
- layout 不执行正文中的 HTML/JavaScript；文本必须转义，只允许受控标签和内联样式。
- 禁止
<script>、<style>、事件属性、外部 CSS/JS/字体和横向溢出。
- 任何锚点、占位符或 manifest 图片 ID 未一一对应时，失败并停止交付。
第六步：质量自检
参考 references/quality-checklist.md 进行最终审核，重点关注：
所有风格：
官方风格额外检查：
技术博客额外检查：
反翻译腔检查（所有风格适用）：
参考 references/quality-checklist.md §2.3 逐条执行五类翻译腔标记扫描（物理动作动词、形容词+冒号起手式、抽象名词骨架、可译英文词、段落节奏）。判断标准不是词本身，而是这个词在当前句子里是否来自英文直译——"站不住脚"是成语，保留；"这个论证被击穿了"是 break through 的直译，替换。
模式选择：默认走保守模式（准确性优先，不确定就保留原表达）。公众号观点文、文学创作、营销文案场景走激进模式（允许以中文母语思维重新组织整段话，可牺牲少量字面精度换取自然度）。用户可指定模式。
以上五类是最高频的翻译腔标记；如果通读后仍觉得句式别扭，回到原则：用中文里本来会怎么说这件事，重新说一遍。
第七步（可选）：L4 反翻译腔 Polish
当用户指定 “L4 / 深度润色 / polish”、要求彻底去翻译腔，或创作
ChaoGeek 深度文、观点文、品牌文案时，在第六步后启用。按
references/quality-checklist.md §2.3 的完整协议执行：独立体检、母语化
改写、逐句复核、语义回退。技术文档、PRD、学术翻译等准确性优先场景
不启用 L4，继续使用保守模式。
资源文档
references/style-guide.md（官方必读）与 references/writing-techniques.md（写作技巧）。references/title-formulas.md（标题模板）与 references/quality-checklist.md（发布前检查）。references/linguistic-background.md（语言学背景，维护者参考）。references/PIPELINE-CONTRACT.md（非 article 模式必读）与 schemas/image-manifest.schema.json（provider-neutral schema）。scripts/validate_image_manifest.py / scripts/render_wechat_layout.py — fail-closed 校验与安全排版降级器。assets/template-structure.md（文章结构）与 assets/emoji-library.txt（emoji 素材）。evals/routing-evals.json — 触发边界回归用例，改动 description 后用仓库根 scripts/run_routing_evals.py 校验。
