skill-post-scorer

# 帖子表现评分 > 对社媒帖子草稿进行互动潜力评分，基于历史表现数据输出结构化评分卡。 **加载后立即开始评分流程，不做摘要或等待确认。** ## 输入 用户 prompt 中提供待评分的帖子草稿，支持以下形式： - **文本内容**：直接粘贴帖子文案 - **文件路径**：指向 `outputs/` 中的草稿文件 - **平台指定**：可选，指定目标平台（小红书、抖音、微博、知乎、公众号、B站等） 示例 prompt： ``` Execute /skill-post-scorer 帖子： 我花了3年时间才明白一个道理： 最好的内容不是"写"出来的，而是"提炼"出来的。 以下是我总结的5个内容提炼方法... ``` ## 输出 输出代码块格式的评分卡： ``` ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 帖子表现评分卡 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 钩子强度 ██████████ 8/10 声音匹配度 ███████░░░ 7/10 价值密度 ████████░░ 8/10 结构与格式 ███████░░░ 7/10 发布就绪度 ██████░░░░ 6/10 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 总分 36/50 判定 值得发布，建议优化钩子 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 改进建议： 1. [最弱维度] 具体修改建议 2. ... ``` ## 执行步骤 ### 第一步：获取帖子 读取用户粘贴的帖子内容。如果 prompt 中没有帖子文本，主动询问用户提供。 ### 第二步：加载评分数据 按优先级获取表现数据： 1. **Profile 中的历史数据**：检查 `=== EASEL ACCOUNT PROFILE ===` 标记，读取 `performance_data` 路径指向的历史帖子数据 2. **用户提供数据**：询问用户是否有历史帖子导出数据（各平台创作者中心/后台可导出 CSV/Excel，或整理成 JSON 数组） 3. **通用基准**：以上都没有时，使用 `references/fallback-benchmarks.md` 中的基准数据 ### 第三步：分析高表现帖子 > **互动分与 Top 10% 筛选交给脚本，LLM 只做特征提炼。** 由 > [`scripts/score.py`](scripts/score.py) 完成（复用 > `../../shared/scripts/social_stats.py` 的 `engagement_score`）。 有历史/用户数据时，把帖子整理成 JSON 数组（每条含点赞与评论字段），调用： ```bash python3 skills/openclaw/skill-post-scorer/scripts/score.py top --input history.json python3 skills/openclaw/skill-post-scorer/scripts/score.py top --input history.json --top-pct 5 ``` 脚本自动：按 `互动分 = 点赞 + 评论×3` 逐条计算（字段兼容 likes/reactions/点赞、 comments/评论）、按互动分降序、算出 Top N% 门槛与分布（均值/中位数/最高/最低）、 样本量不足警告。**LLM 拿到脚本输出的 Top 帖子后**，提取其共性特征： - 开头钩子类型（提问、数据、故事、反常识） - 文本长度和段落节奏 - 格式特征（列表、分隔、emoji 使用） - 行动号召（CTA）类型 - 主题分类 - 句式节奏（长短交替、断句频率） 无历史数据时跳过本步，直接用 `references/fallback-benchmarks.md` 的通用模式特征。 ### 第四步：五维评分 按 5 个维度打分，每项 1-10 分，总分 50 分。 评分标准详见 `references/scoring-criteria.md`。 | 维度 | 评判重点 | |------|----------| | 钩子强度 | 前两句是否能阻止滑动，制造好奇或共鸣 | | 声音匹配度 | 是否契合账号一贯的语气、人设和表达习惯 | | 价值密度 | 每段是否提供具体洞察，而非空泛陈述 | | 结构与格式 | 排版是否适配目标平台的阅读习惯 | | 发布就绪度 | 能否直接发布，还是需要润色或补充 | **评分纪律：** - 诚实评分，不做讨好 - 除非帖子确实匹配 Top 10% 的模式特征，否则不给 8 分以上 - 有真实数据时用数据说话，没有时明确标注"基于通用基准" ### 第五步：输出评分卡 按照上方「输出」部分的格式输出评分卡，包含： - 五维分数（含进度条可视化） - 总分和判定结论 - 针对最弱维度的具体改进建议 判定标准： - **40-50**：优秀，直接发布 - **30-39**：值得发布，建议优化标注的弱项 - **20-29**：需要修改，重点改进最弱的 1-2 个维度 - **< 20**：建议重写 > 更细分档（含各边界档的判定措辞）见 `references/fallback-benchmarks.md`，两处口径一致。 ### 第六步：提供改写服务 输出评分卡后，主动提出： > 是否需要我改写得分最低的部分？ 如果用户同意，针对最弱维度进行定向改写，保留其他部分不变，改写后重新评分对比。 ## Profile 感知 ### 有 Profile - 读取 `voice` / `tone` 字段，作为「声音匹配度」的评判标准 - 读取 `platform` 字段，调整「结构与格式」的平台适配规则 - 读取 `performance_data` 字段指向的历史数据文件，用真实数据替代通用基准 - 读取 `topics` / `niche` 字段，评估内容是否在账号定位范围内 ### 无 Profile - 「声音匹配度」退化为通用可读性评估 - 「结构与格式」使用通用社媒最佳实践 - 使用 `references/fallback-benchmarks.md` 中的基准数据 - 评分卡末尾附注："如提供账号 Profile（含历史表现数据），评分将更精准"