Menu
帮我分析内容数据
Installer avec Codex ou Claude Copiez ce prompt, collez-le dans Codex, Claude ou un autre assistant, puis laissez-le vérifier la page du skill et l'installer pour vous.
帮我生成封面图和视觉内容
帮我找热门创作话题
内容插图规划工具。当用户说"给文章配图"、"为文章生成插图"、"文章配图"、 "分析文章并配图"、"自动插图"、"为文章生成配图"时触发此技能。 工作流程： 1. 读取文章内容（read_file） 2. 分析需要插图的位置 3. 选择合适的风格（14种风格可选） 4. 调用 image-generation 技能生成图片 5. 更新文章，插入图片引用 支持风格：tech、fresh、minimal、warm、business、elegant、bold、 playful、nature、sketch、notion（默认）
帮我润色文章、换个风格、扩充内容
让文字更像人写的
学习我的写作风格
Basé sur la classification professionnelle SOC
| 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