skill-content-postmortem

# 内容复盘与爆款规律提炼 > 拆解单条内容的成败原因，或从多条内容中提炼可复制的爆款公式。 ## 输入 ### 模式 A — 单条复盘 | 字段 | 必填 | 说明 | |------|------|------| | 内容原文或链接 | 是 | 已发布的帖子全文（标题 + 正文 + 标签） | | 平台 | 是 | 小红书 / 抖音 / 微博 / 知乎 / B站 / 公众号 / X 等 | | 数据指标 | 推荐 | 阅读/播放、点赞、收藏、评论、转发、完播率等 | | 发布时间 | 推荐 | 具体日期和时间 | | 同期对照 | 可选 | 同账号近期其他帖子的平均数据，用于基线比较 | ### 模式 B — 规律提炼 | 字段 | 必填 | 说明 | |------|------|------| | 多条内容数据 | 是 | 至少 5 条内容的标题、正文摘要、平台、核心指标 | | 时间范围 | 推荐 | 数据覆盖的起止时间 | | 筛选标准 | 可选 | 用户定义的"爆"与"扑"的阈值（如收藏 > 500 为爆） | 若用户未提供数据指标，基于内容本身做定性分析，明确标注"无数据支撑，仅为结构性判断"。 ## 输出 ### 模式 A — 单条复盘报告 ```markdown # 内容复盘：[标题摘要] ## 结论速览 - 判定：爆款 / 中等 / 扑街（附判定依据） - 核心成因：一句话总结 ## 多维拆解 ### 1. Hook 分析 - 开头类型（提问 / 冲突 / 数字 / 故事 / 悬念） - 前 3 秒 / 前 2 行吸引力评分（1-10） - 改进建议 ### 2. 内容结构 - 结构类型（总分总 / 递进 / 并列 / 故事弧） - 信息密度与节奏 - 高光点与断裂点 ### 3. 选题评估 - 选题热度（趋势型 / 常青型 / 冷门型） - 受众痛点匹配度 - 差异化角度 ### 4. 平台适配 - 是否符合平台内容偏好 - 格式适配（图文 / 视频 / 长度 / 标签策略） - 分发机制利用程度 ### 5. 时间与节奏 - 发布时间是否为活跃时段 - 是否踩中热点窗口 - 互动节奏（评论区运营） ### 6. 视觉 / 封面（如适用） - 封面吸引力 - 视觉风格与平台调性匹配 ## 改进处方 - 3 条具体可执行的优化建议（按优先级排序） ## 数据备注 - 数据来源与置信度说明 ``` ### 维度评分标尺 `references/postmortem-dimensions.md` 提供 Hook力 / 内容结构 / 信息密度 / 互动引导 / 视觉排版 / 平台适配 六维的 1-10 打分标尺；选题、时间节奏为定性分析维度（不打分）。 | 分数 | 含义 | |------|------| | 1-3 | 该维度存在明显问题，是拖累整体表现的短板 | | 4-6 | 及格水平，无明显硬伤但缺乏亮点 | | 7-8 | 优于同类内容平均水平，有可复用的做法 | | 9-10 | 该维度是本条内容的核心竞争力 | ### 模式 B — 规律提炼报告 ```markdown # 爆款规律提炼：[账号/主题] ## 数据概览 - 分析范围：X 条内容，时间 Y-Z - 爆款标准：[用户定义或系统推断的阈值] - 爆款率：X% ## 爆款共同特征 | 维度 | 爆款共性 | 扑街共性 | 差异显著性 | |------|----------|----------|------------| | Hook 类型 | | | | | 选题方向 | | | | | 内容结构 | | | | | 发布时间 | | | | | 内容长度 | | | | | 标签策略 | | | | | 视觉风格 | | | | ## 爆款公式 - 公式 1：[选题类型] + [Hook 模式] + [结构] = 高概率爆款 - 公式 2：... - 反面公式：[避免的组合] ## 可复制行动清单 1. 下一条内容立即可用的 3 个策略 2. 中期优化方向（1-2 周内调整） ## 数据局限 - 样本量、数据完整性、平台算法变化等局限说明 ``` ### 爆款公式模板 **[标题公式]** 情绪词 + 数字 + 悬念/反差 **[结构公式]** Hook(前3秒) → 痛点共鸣 → 解决方案 → 行动号召 **[选题公式]** 热点事件 × 垂直领域 × 反常识角度 每个拆解输出： - 公式名称（≤8字，便于复用） - 公式结构（用 → 连接各环节） - 可迁移条件（什么类型的内容可以套用） - 套用示例（用创作者自己的领域举一个例子） ## 执行步骤 ### 模式 A — 单条复盘 1. **确认模式**：根据用户输入判断是单条复盘还是规律提炼。若用户只提供一条内容，进入模式 A。 2. **采集上下文**：确认平台、发布时间、数据指标。缺失数据主动询问一次，用户不补充则继续。 3. **基线建立**：若有同期对照数据，计算偏离度；若无，使用平台通用基线（参考 `references/` 中的平台特征数据）。 4. **多维拆解**：可打分维度（Hook力/内容结构/信息密度/互动引导/视觉排版/平台适配）用 `references/postmortem-dimensions.md` 的 1-10 标尺；选题、时间节奏做定性判断。每个维度给出判断和证据。 5. **归因排序**：识别最关键的 1-2 个成败因素，区分"内容因素"和"运气因素"（如平台推荐、热点窗口）。 6. **生成处方**：输出 3 条具体、可执行、有优先级的改进建议。 7. **输出报告**：按输出模板生成完整报告，保存到 `outputs/`。 ### 模式 B — 规律提炼 > **聚合统计交给脚本，LLM 只做规律提炼。** 阈值划分 top20%、爆款组 vs 普通组分组对比、多维交叉、标签共现全部由 [`scripts/aggregate.py`](scripts/aggregate.py) 完成（复用 `../../shared/scripts/social_stats.py` 的 `engagement_score`/`engagement_rate`/`cooccurrence`/`pct_change`/`sample_warning`）。 1. **数据摄入**：接收多条内容数据，标准化为统一 JSON 数组（每条含标题、平台、数值指标 likes/collects/comments/shares/views，及维度字段 hook_type/topic/structure/length_bucket/time_bucket/tags 等），写入临时文件。 2. **调用脚本聚合**： ```bash python3 skills/openclaw/skill-content-postmortem/scripts/aggregate.py --input contents.json python3 skills/openclaw/skill-content-postmortem/scripts/aggregate.py --input contents.json \ --metric collects --threshold 500 --cross "hook_type,topic" # 指定排名字段/绝对阈值/两维交叉 ``` 脚本自动完成：阈值划分（`--threshold` 优先，否则 `--top-pct` 百分位）、爆款组/普通组分组对比（每维度 count/top_count/top_rate_pct/avg_score/lift_vs_global）、两维交叉、标签共现、样本量警告。 3. **模式识别 + 公式生成（LLM 解读）**：从 `by_dimension`/`cross` 读出爆款组高频、高 lift 的取值组合，总结为可复制的"爆款公式"（选题 + Hook + 结构）。 4. **反面总结 + 行动清单（LLM 解读）**：从低 top_rate / 负 lift 取值总结"避坑清单"，输出分层建议（立即可用 / 中期调整），转达脚本样本量 `warning`。 5. **输出报告**：按模板生成，保存到 `outputs/`。 ## Profile 感知 **有 Profile 时：** - 读取 `identity.md`（账号定位、内容风格、赛道信息） - 读取 `audience.md`（目标受众画像、痛点偏好） - 读取 `platforms.md`（各平台运营策略与历史表现） - 复盘时结合账号定位判断选题适配度（"这个选题对你的受众来说太泛了"） - 规律提炼时按账号阶段给出针对性建议（冷启动期 vs 增长期 vs 变现期） - 对照 Profile 中的"表现好的内容"做历史比较 **无 Profile 时：** - 退到通用模式，基于平台通用规律分析 - 不做账号定位相关的适配度判断 - 提示用户补充 Profile（`identity.md` / `audience.md` / `platforms.md`）可获得更精准复盘 > 自研溯源与参考项目见同目录 `EASEL-META.md`。