| name | hit-init |
| description | hit-lab 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 hit-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 hit-lab"。**必须在用户第一次会话执行；其他子 skill 在 .hit-state.json 不存在时自动路由到此。** |
| argument-hint | [{"— form":"opinion-video|long-essay|short-text|podcast"}] |
| allowed-tools | Bash(*), Read, Write, Edit, Glob, WebFetch, Skill |
/hit-init — 首次 onboarding
让用户从零到能跑第一篇预测，全程 ≤ 5 分钟（没发过历史的）或 ≤ 10 分钟（已发过、要 import 历史的）。
Overview
[用户首次说"初始化"]
↓
[Phase 0: 检测当前状态]
↓
[Phase 1: 首屏文案 — 适用性 + 期望管理]
↓
[Phase 2: 6 个问题（Q1-Q5 都问；Q2 决定是否走 user-history import）]
↓
[Phase 2.5: 对标账号 — 强烈建议（cold-start 必须问，已发用户可选）]
↓
[Phase 3: 创建脚手架（含 scripts/ + videos/ + samples/ 空目录 + 模板文件含 benchmark.md）]
↓
[Phase 3.5: user-history import 流程（仅 Q2=有发过历史 + 用户同意）]
↓
[Phase 4: 测试 hook 是否生效]
↓
[Phase 5: 给"下一步该说什么"清单]
Constants
- DEFAULT_RETRO_WINDOW_DAYS = 3
- INSTALL_HOOKS = ask — 默认询问；用户选
auto 直接装；skip 不装
- TREND_DEFAULT_SOURCES = ["manual-paste"]
Inputs
无。所有信息从 6 个对话问题里收集。
Workflow
Phase 0: 检测当前状态
- 读用户当前工作目录（用户的 content project，不是 hit-lab 自己）
- 检查是否已存在
.hit-state.json：
- 存在 → 提示"项目似乎已初始化（state file 存在）。要重新初始化会覆盖现有配置——确认？" 等用户明确确认才继续
- 不存在 → 进入 Phase 1
- 检查是否已存在
rubric_notes.md / predictions/ 等核心文件——存在但 state file 不存在 → 是"半初始化"状态，提示用户并询问"要从现有文件推断状态还是重置？"
Phase 1: 首屏直白告知期望（含适用性验证）
向用户输出（一字不漏，不要软化）：
🎯 Hit Lab / 爆款实验室 — 初始化
你的下一条内容已经在改写 3 个月后的你。
规律是客观存在的，区别是你**看见**还是**没看见**。
这套让你看见。
接下来 5-10 分钟我会问你 5-6 个问题搞清楚你做什么、有什么、怎么用。
两件事先说在前面：
1. **早期预测会不准**——前 5 篇精度大概 ±50%，这是数学事实。
工具用 🔴🟠🟡🟢🔵 标 confidence 等级，不藏数字——
你自己判断这次能不能信。
2. **强烈建议导对标账号**——5-10 条对标视频，工具立刻有 anchor。
不然第一批预测基本是占星。后面 Q5 会再问一次。
准备好开始吗？
如果用户答"继续"或类似肯定回应 → Phase 2。
不再因为 content_form 拒绝继续——任何形态都允许，只是 rubric_form_mismatch 字段标真，hit-status 后续会持续提示用户"你的形态需要 bump 调权重"。
Phase 2: 6 个问题（一问一答，不批量提问）
Q1: 内容形态
"你的内容更接近哪一种？
a) 观点视频（评论 / 时评 / 论说 / 议题讨论 / 个人观点）— 直接匹配内置 rubric
b) 长文 essay（公众号 / Substack / Medium）— 可借观点视频 rubric 起步，bump 时调权重
c) 短文 / thread（X / 微博 / 即刻）— 同上
d) 播客 / 视频长内容（YouTube 长片 / 播客）— 同上
e) 教程 / 工具教学 / Builder（教别人怎么用 X 工具 / 怎么做 Y 项目）— 直接匹配内置 tutorial-list rubric
f) 其他（游戏 / 美食 / 妆教 / 新闻 / 剧情）— 工作流通用，但 rubric 维度需要调
（ER / SR / HP 这套对你形态可能不太预测，需要自己拆出适合的维度）
g) 混合"
记录到 content_form + rubric_form_mismatch。
Q1 → content_form enum 映射（必须存 enum 值，不是字母）：
| 用户答 | content_form 写入值 |
|---|
| a | "opinion-video" |
| b | "long-essay" |
| c | "short-text" |
| d | "podcast" |
| e | "tutorial-builder" |
| f | "other" |
| g | "mixed" |
rubric_form_mismatch 派生：
- 选 a / e →
false（各有专属内置 starter rubric）
- 选 b/c/d/f/g →
true，hit-status 持续提示"你的形态可能需要 bump 调权重"
- 不再有"严重不匹配"档——所有形态都能跑工作流，只是有的 rubric 需要更激进的 bump
Q1.5: 典型时长（仅 Q1=a/d/f 时问）
"你的视频典型时长？
a) 30秒-1分钟 b) 1-3分钟 c) 3-5分钟（推荐起步）
d) 5-10分钟 e) 10分钟以上"
记录到 typical_duration_seconds（30 / 90 / 240 / 450 / 900）。
Q1.6: 发布频率
"你打算多久发一篇？
a) 日更 b) 隔日 c) 每周 d) 灵活 / 不固定（关闭 buffer 监控）"
记录到 target_publish_cadence_days（1 / 2 / 7 / null）。
Q1.7: 选题主线
"你主要靠什么找选题？
a) 热点为主——追平台热门话题、新工具/新模型发布（吃流量窗口）
b) 搜问题为主——挖真实用户的提问/痛点，你来给解决方案（最适合教程 / 工具号 / Builder）
c) 都要 / 还不确定（默认）"
记录到 discovery_strategy（a→trend-first / b→question-first / c→balanced）。
⚠️ 两类源始终都在——这个选择只设"默认源 + 推荐侧重"，不是开关。你随时能在 /hit-trends — sources: ... 里临时换，也能直接改 .hit-state.json。选 b 的人，候选池空时系统会提示你去"挖问题"而不是"抓热点"。
Q2: 你这个频道发过视频吗？
"a) 没发过 — 我会帮你从兴趣 + 热点 brainstorm 5 个候选 + 写 5 份初稿
b) 发过 — 不管 1 条还是 100 条，我会帮你抓历史让后续 brainstorm 更贴合你做过什么"
如选 a → state 写 calibration_samples: 0，Phase 3.5 跳过，直接进入 Phase 4。
如选 b → 进入 Q2.1。
Q2.1: 平台 + 抓取计划（仅 Q2=b）
"你内容主要在哪个平台？
a) 抖音 — 装 douyin-session adapter（Playwright + 扫码登录抖音创作者中心）
b) 小红书 — 装 xhs-explore adapter（Playwright + 扫码登录小红书创作者中心）
c) YouTube — 装 youtube-data-api adapter（需 API key）
d) B 站 — bilibili-stat adapter
e) 其他 / 多平台 — 走 manual paste 模式"
如选 a/b/c/d → 询问 Q2.2；如选 e → 跳到 Q2.3 manual。
Q2.2: adapter 安装时机（仅 Q2.1=a/b/c/d）
"现在装 adapter 自动抓取，还是先手动告诉我？
- 现在装 — 引导你装 Playwright + 扫码 → 抓回最近 N 条数据
- 等下再装 — 先 manual 模式，state 标 'pending_adapter_setup'，
hit-status 持续提示装"
如选"现在装"→ 走 adapter install 引导（详见各 adapter README）→ 验证抓取可用 → Q2.3。
如选"等下"→ 跳到 Q2.3 manual。
Q2.3: 抓取范围 / 历史规模
如 adapter 已装并验证可用：
"我可以抓你最近多少条作为基础？
（建议 10-25 条；样本越多 baseline 越准。最多到你账号实际数量）"
→ 用户给数字 N，Phase 3.5 抓取 N 条
如 manual 模式：
"你大概发过多少条？给个范围就行（比如 '5-10 条' / '20+ 条'），
这只用来标 calibration_samples 估值，不用准确。"
→ 用户给一个估值，Phase 3.5 跳过抓取，calibration_samples 写估值
Q3: 数据回收方式
"T+3 天复盘怎么拿数据？
a) 手动粘 — 候补方案。你必须粘 top 20+ 评论（带赞数），不是只粘播放数。
评论才是真信号——'她不一样'这种模因爆发只能从评论看出，
播放数永远告诉不了你什么内容真的击中了观众。
b) [推荐默认] adapter 自动抓 — 评论 + 数据全要。
如果你现在没装 adapter，没关系，state 标 'pending_adapter_setup'，
第一次 publish 之前装上就行（hit-status 会持续提醒装）。
装的指引在 adapters/perf-data//README.md。"
Q3 → data_collection enum 映射：
| 用户答 | data_collection 写入值 |
|---|
| a | "manual" |
| b（默认） | "adapter" |
默认推荐 b——除非用户明确说 "a 我就要手动"。
Q4: 候选选题
"你现在有候选选题列表吗？（如有外部 markdown / Notion 维护的）
a) 没有（默认）— 一会儿我帮你 brainstorm，或日常用 /hit-trends 抓
b) 有，markdown 列表
c) 有，Notion / 其他"
Q4 → pool_status enum 映射：
| 用户答 | pool_status 写入值 |
|---|
| a（默认） | "none" |
| b | "markdown" |
| c | "notion" |
Q5: 装几个 hook（默认装，不需要你决定）
"Q5：我顺便装几个 hook，回 'yes' 或 'enter' 就装：
-
预测锁 — 我们一起做完预测后，文件被锁。你或我都不能改预测段。
复盘只能往同一文件下半段追加，不污染上半段判断。
（没这个锁，事后看到数据想"修一下当时的预测"几乎是必然的——你或我都会犯）
-
SessionStart 自动报告 — 每次开新会话顶部显示 buffer / 待复盘 / 候选 top
-
静默使用日志 — 异步记录使用频率，不阻塞，给将来诊断用
三个一起装。不装也可以（回 'no'）但你失去预测锁，校准价值会下降。
回 yes / no。"
Q5 → hooks_installed 映射：
| 用户答 | hooks_installed 写入值 |
|---|
| yes / enter / 默认 | true（bool，不是字符串 "yes"） |
| no | false |
默认 yes——除非用户明确说 no。
Phase 2.5: 对标账号（所有用户都问，cold-start 强烈建议）
工具早期最重要的信号源是对标账号——你 init 完没数据，rubric 等权 v0 等于占星。
但如果你能找一个你想做成那样的账号，导入 5-10 条它的高 / 中 / 低样本，工具就有了 anchor。
询问：
🎯 对标账号
你能找一个对标账号吗？至少 3 条该账号的视频。
- 你**完全没发过历史**（Q2=a/b）→ **强烈建议**——rubric 没 anchor 全靠对标。
不找的话用通用 v0 等权 rubric，前 5 篇精度更差更久
- 你**已发历史**（Q2=c）→ **可选**——你也可以只用自己历史 calibrate；
但建议至少导 1 个对标做 sanity check（看你账号是否真的偏离对标方向）
a) 现在找 → 立刻进入 /hit-learn-from（5-15 分钟，看你材料准备程度）
b) 等下找 → state 标 `benchmark_status: pending`，hit-status 持续提醒
c) 不找 → state 标 `benchmark_status: none`，用通用 v0 起步
回 a / b / c。
行为：
- 选 a → Phase 3 创建脚手架完毕后，自动 dispatch 到 /hit-learn-from（不让用户手动跑——已经在 init 流程里了）。完成后回 init Phase 4
- 选 b → state 标
benchmark_status: pending + benchmark_name: null
- 选 c → state 标
benchmark_status: none
记录到 benchmark_status / benchmark_name（如 a 选则在 hit-learn-from 里写入）。
Phase 3: 创建脚手架（逐项解释）
按顺序创建并解释每一项的作用：
-
.hit-state.json
"正在创建 .hit-state.json — 各子 skill 共享上下文的地方。
这次 init 收集的所有答案都会写在这里。"
写入（所有 <...> 占位必须查上面 Q 的映射表换成具体 enum 值，绝不直接存字母）：
{
"schema_version": "1.4",
"skill_version": "1.0.0",
"rubric_version": "v0",
"content_form": "<查 Q1 映射表，写 enum 字符串如 \"opinion-video\">",
"typical_duration_seconds": <Q1.5 派生：30/90/240/450/900>,
"target_publish_cadence_days": <Q1.6 派生：1/2/7/null>,
"rubric_form_mismatch": <Q1=a→false；其他→true>,
"discovery_strategy": "<Q1.7 派生：a→trend-first / b→question-first / c→balanced>",
"benchmark_status": "<Phase 2.5 派生：a→\"imported\"/b→\"pending\"/c→\"none\">",
"benchmark_name": <imported 则字符串名，否则 null>,
"benchmark_sample_count": <imported 则数字，否则 0>,
"baseline_plays": null,
"calibration_samples": <Q2=a→0；Q2=b→Phase 3.5 import 回填或 Q2.3 估值>,
"data_collection": "<查 Q3 映射表，写 \"manual\" 或 \"adapter\">",
"pool_status": "<查 Q4 映射表，写 \"none\"/\"markdown\"/\"notion\">",
"data_layer": "markdown",
"hooks_installed": <查 Q5 映射表，写 bool true/false>,
"enabled_trend_sources": <Q1.7 派生：question-first→["community-questions","manual-paste"]；trend-first / balanced / 缺省→["manual-paste"]（热点 adapter 如 aihot/trendradar 需各自配置，不默认开；community-questions 是零配置 WebSearch，故 question-first 可直接默认开）>,
"enabled_perf_adapters": <Q2.1=a→[\"douyin-session\"]；b→[\"xhs-explore\"]；c→[\"youtube-data-api\"]；d→[\"bilibili-stat\"]；其他→[]>,
"last_bump_at": null,
"last_bump_self_audited": false,
"last_published_at": null,
"last_published_file": null,
"last_retro_at": null,
"last_trends_run_at": null,
"last_trends_added_count": 0,
"last_prediction_self_scored": false,
"last_self_scored_at": null,
"consecutive_directional_errors": [],
"pending_retros": [],
"shoots": [],
"in_progress_session": null,
"initialized_at": "<本地 ISO 8601 含时区，如 \"2026-05-05T20:11:13+08:00\"，**不要用 UTC 的 Z 后缀**>"
}
-
rubric_notes.md
"正在创建 rubric_notes.md — 你的评分维度的真实来源。
用的是 v0 占位 rubric——等权 7 维（每个维度同等重要）。
为什么叫 v0：v0 是没校准前的占位。你的账号自己的真权重要从你
的数据反推，不是预设。跑完 5 篇有数据的内容后，会自动提议
升级到「校准 v1」（你的第一个真正校准过的 rubric）。
⚠️ rubric_notes.md 是 blind sub-agent (channel B) 的白名单文件——
只能含通用语言（公式 / 维度定义 / bucket 边界），不能含真实视频名 / 实绩。
每次 bump 升级时的 Memo（含证据数据 + 派生证据）写到 rubric-memo.md（下一步创建）。"
- 复制对应 starter（cold-start）：
| content_form | 复制的文件 |
|---|
opinion-video | starter-rubrics/opinion-video-zero.md |
tutorial-builder | starter-rubrics/tutorial-list-zero.md |
| 其他形态 | 二选一中更接近的（图文教学倾向 tutorial-list；表达观点倾向 opinion-video），rubric_form_mismatch=true |
已有数据的老手可参考 starter-rubrics/<form>.md 校准版（如存在） | |
2.5. rubric-memo.md（新——配合 hit-score-blind 隔离协议）
"正在创建 rubric-memo.md — bump 升级 Memo 累积档案。
这是 hit-bump Phase 5 写入 Memo 全文（含真实视频名 + 实绩 + 派生证据）的位置。
为什么单独一个文件：blind sub-agent 的白名单是 rubric_notes.md，
历史上 bump Memo 写进 rubric_notes.md 会让 blind sub-agent 通过白名单
拿到本该看不到的实绩数据——本文件是隔离修复，sub-agent 硬禁读本文件。
现在是空的，等第一次 hit-bump 升级后 append 第一段 Memo。"
- 复制
hit-lab/templates/rubric-memo.template.md → <user-repo>/rubric-memo.md
-
script_patterns.md
"正在创建 script_patterns.md — 你的写作 pattern 沉淀（与 rubric 解耦）。
rubric_notes.md 教 Claude 怎么打分；
script_patterns.md 教 Claude 怎么写。"
- 复制
hit-lab/templates/script_patterns.template.md
-
四个目录：scripts/ + predictions/ + videos/ + samples/（都加 .gitkeep）
"正在创建四个目录：
scripts/ — 拍前的草稿（hit-seed 写或你写）
predictions/ — immutable 预测日志（hook 保护）
videos/ — 拍后的工作目录（hit-shoot 创建子目录）
samples/ — 对标账号视频 / 转录（hit-learn-from 创建子目录）
前三处用同一组 <date>_<id>_<short> 命名相互关联。
samples/ 按对标账号名分组：samples/<账号名>/<video-id>/。"
4.5. benchmark.md（仅 Phase 2.5 选 a/b 时）
"正在复制 benchmark.md 占位模板（实际内容由 hit-learn-from 填）——
这是你的对标账号的中央 reference。
前期工具的 rubric / pattern / 选题方向感大量从这里推；
后期 N≥10 后影响淡出，但保留作 sanity check。"
- 复制
hit-lab/templates/benchmark.template.md → <user-repo>/benchmark.md
- Phase 2.5 选 c 不创建 → benchmark.md 不存在，state 标
benchmark_status: none
4.7. audience.md
"正在创建 audience.md — 你账号的受众画像（'谁在看'）。
现在是空骨架。它和 rubric_notes.md 平行——rubric 教 Claude 怎么打分，
audience 告诉 Claude 你的观众是谁。跑够几篇复盘后跑 /hit-persona，
它会从评论数据聚类出真实画像，hit-seed 选题写稿时就有了一面镜子。
注意：audience.md 由评论派生 → 含实绩信号 → blind 打分 sub-agent 硬禁读它。"
- 复制
hit-lab/templates/audience.template.md → <user-repo>/audience.md
- 如 Phase 2.5 选了 a/b（有 benchmark）→ Phase 5 清单里提示"可跑
/hit-persona — seed-from-benchmark 先 seed 一份未验证画像"
-
WORKFLOW.md + STATUS.md
-
如果 Q5=是 → 安装 hooks
- 读
.claude/settings.json（如不存在则创建空 {}）
- merge 进
hooks/prediction-immutability.json 的 hooks.PreToolUse
- merge 进
hooks/session-start.json 的 hooks.SessionStart
- merge 进
hooks/meta-logging.json 的 hooks（如同时启用）
- 复制
prediction-immutability.sh + session-start.sh + log-event.sh 到 .hit-hooks/，chmod +x
- settings.json 里的 command 路径用
${CLAUDE_PROJECT_DIR}/.hit-hooks/
-
(Pool 选项 c—Notion) 仅记录到 state file 的 pool_status: notion，后续 hit-trends 调用时再处理
Phase 3.5: import 流程（仅 Q2=b 且用户同意抓取）
如 Q2.2=现在装 → 走 adapter install + login（详见 adapters/perf-data//README.md）。
抓取成功后，对每条已发视频：
- 建 video folder：
videos/<date>_<id>_<short>/
<date> = 视频实际发布日<id> = 12 位 hash，对 (title + 平台 ID) 做 sha256<short> = 标题前 3-8 字
- 写 report.md：从 adapter 抓回的数据（播放 / 点赞 / 评论 / 转发 / top 评论）填入
- 询问用户原稿："video 「{标题}」 你保留了原稿吗？"
- 是 → 用户提供 → 存为
videos/<id>/script.md
- 否 → 标
script_lost（仍建 video folder，只是 script.md 缺失）
- 写 reconstructed prediction：
predictions/<date>_<id>_<short>.md
- header 标
**Reconstructed retrospective — NOT a blind prediction**
- 7 维打分基于 script + 复盘段实绩数据反向打——明确这是非校准用途
- 不计入 calibration_samples（这是导入的历史，不是校准积累）
import 完成后：
- 派生
baseline_plays = 抓回视频的播放中位数 → 写入 state file
- 派生 confidence 等级 → 后续 hit-predict 写预测时直接用
- 输出汇总："已 import N 条历史。最近一条 X w 播放，中位数 Y w，已建 N 个 video folder + reconstructed predictions"
Phase 4: 测试 hook 是否生效（仅当 Q5=是）
跑一次假的 Edit 拦截测试：
- 创建临时文件
predictions/_test_hook.md，含 ## 预测\n[test]\n## 复盘\n
- 尝试 Edit 这个文件的
## 预测 段
- 钩子应 exit 2 阻塞（Claude Code PreToolUse 契约：exit 2 才阻塞，exit 1 是非阻塞报错）→ 报告"✅ immutability 钩子生效"
- 删除测试文件
- SessionStart hook 验证：直接调一次
bash .hit-hooks/session-start.sh → 应输出报告（即使是空的也行）
如果钩子未生效 → 不要假装成功，明确告诉用户："钩子安装失败，可能是 .claude/settings.json 配置没生效。建议手动检查或重启 Claude Code。"
Phase 4.5: 如 Phase 2.5 选 a → dispatch 到 /hit-learn-from
如果用户在 Phase 2.5 选了 a（现在导对标账号）→ 自动触发 /hit-learn-from：
✅ 脚手架 + hooks 装完。
下面立刻进入 /hit-learn-from 帮你导入对标账号——
你 init 时选了"现在找"，不让你又开一个会话才跑。
[invoke /hit-learn-from]
hit-learn-from 完成后回到 init 的 Phase 5。
如 Phase 2.5 选 b/c → 跳过 Phase 4.5，直接 Phase 5。
Phase 5: 给"下一步该说什么"清单
✅ 初始化完成（rubric: v0，calibration_samples: <N>，confidence: <emoji 等级>）
选题主线：<discovery_strategy：热点为主 / 搜问题为主 / 都要>
<如 question-first：你的默认源已含 community-questions——说"挖问题"就抓真实用户提问>
下次你可以直接说这些：
📝 写完一篇稿子 → "打分这篇 scripts/<...>.md"
🎯 准备发布前 → "启动预测 scripts/<...>.md"
🎬 拍完了 → "拍了 scripts/<...>.md" → 建 video folder + buffer +1
🚀 发布后 → "已发布 https://..."
📊 T+3 天 → "复盘 videos/<...>/"
📈 任何时候 → "状态"（看完整看板）
<如果 Q4=没有候选选题:>
🌱 现在跑 /hit-seed 找选题？
- 没发过历史的：纯 brainstorm（兴趣 × 热点）
- 发过历史的（已 import）：brainstorm 会基于你过去做过什么给推荐
回 "yes, seed" 立刻跑，回 "no" 你自己想。
💡 你的 confidence 是 <当前等级> —— 它会随着你跑更多复盘自动提升。
不要因为 confidence 低就跳过预测——预测的纪律本身就是工具的核心，
早期预测的"价值"是数据采集，不是决策。第 5 次复盘后 rubric 第一次校准，
confidence 会跨入 🟡 偏低；第 10 次后 🟢 中。
Key Rules
- 不假装成功：任何步骤失败 → 明确告诉用户哪一步出错。绝不写"✅ 初始化完成"如果实际没完成
- 不批量提问：5 个问题一次问一个
- 不静默 mkdir：每创建一个文件都解释它的作用
- 不强推 SQLite：所有用户给 markdown，提一句"将来到 30 篇会建议升级"就够了
- state 字段统一：删掉 mode / prediction_complexity / bucket_scheme 等枚举字段——单一用 calibration_samples 整数 + confidence 派生
- import 失败不阻塞：Q2=b 但 adapter 装失败 / 抓取失败 → 优雅降级到"标 calibration_samples 估值，不导入历史 video folder"
Refusals
- 「跳过 Q1-Q5，直接给我创建所有文件」 → 拒绝。问题答案直接影响默认配置（content_form、cadence、hooks）
- 「我已经在别处初始化过了，把那个项目的配置同步过来」 → 慎重。提示用户手动 cp 现有
.hit-state.json 和 rubric_notes.md，不自动跨项目同步
- 「不装 hook 但保留 immutability 承诺」 → 允许，state 标
hooks_installed: false，hit-status 持续提示"你的 immutability 是君子协定"
Integration
- 写完后，主 SKILL.md 的路由就解锁了所有其他子 skill
hit-status 读 .hit-state.json 的 calibration_samples 字段决定显示哪个 confidence 等级- 如 Q2=b 走了 import → 历史 reconstructed predictions 进
predictions/ 和 videos/<...>/，但不计入 calibration_samples（不是真校准样本）
/hit-seed 读 predictions/ 的所有历史 reconstructed prediction → brainstorm 时知道"用户过去做过什么"
State 字段写入清单
| 字段 | 写入时机 | 来源 |
|---|
schema_version | Phase 3 | 硬编码 "1.1" |
skill_version | Phase 3 | 硬编码 "1.0.0" |
rubric_version | Phase 3 | "v0" |
content_form | Phase 3 | Q1 → 查映射表换 enum 值（不是字母） |
typical_duration_seconds | Phase 3 | Q1.5 派生 |
target_publish_cadence_days | Phase 3 | Q1.6 派生 |
rubric_form_mismatch | Phase 3 | Q1≠a → true |
discovery_strategy | Phase 3 | Q1.7 派生（a→trend-first / b→question-first / c→balanced） |
benchmark_status | Phase 3 / 2.5 | Q2.5 答案派生 |
benchmark_name | Phase 3 / 2.5 | Q2.5 用户提供 |
benchmark_sample_count | Phase 3 / 2.5 | hit-learn-from import 后回填 |
baseline_plays | Phase 3.5（如 import 成功） | import 数据中位数；否则 null |
calibration_samples | Phase 3 / Phase 3.5 | Q2=a→0；Q2=b→Q2.3 估值或 import 数 |
data_collection | Phase 3 | Q3 → 查映射表换 enum 值 |
pool_status | Phase 3 | Q4 → 查映射表换 enum 值 |
enabled_perf_adapters | Phase 3 | Q2.1 派生（如 Q2=a 则 []） |
hooks_installed | Phase 3-4 | Q5 → bool（不是字符串） |
last_bump_at / last_published_at / last_published_file / last_retro_at / last_trends_run_at | Phase 3 | 全部 null |
last_bump_self_audited | Phase 3 | false |
last_trends_added_count | Phase 3 | 0 |
last_prediction_self_scored | Phase 3 | false |
last_self_scored_at | Phase 3 | null |
initialized_at | Phase 3 | now() 本地 ISO 8601，含 +08:00 时区，不要 UTC Z |
