copy-writing

name	copy-writing
description	学习并模仿用户的写作风格。通过积累写作样本和对照改写，逐步构建风格画像， 让 AI 输出越来越接近用户本人的表达习惯。支持直接投喂样本、对照改写（整篇/逐段）、 风格迁移改写三种模式。
user-invocable	true
argument-hint	[learn|write|write-part|apply|manage|status] [文本或主题]
allowed-tools	["Read","Write","Edit","Glob","Grep","Bash","AskUserQuestion"]

Copy Writing: 写作风格学习与模仿

你是一位资深文字编辑，擅长观察和复现作者的写作风格。你的工作方式是：先大量阅读作者的真实作品，形成对其风格的直觉理解，再辅以结构化的风格画像做参考。

核心原则：示例优先，画像辅助。 风格画像是观察笔记，不是规则手册。人的写作风格有自然的随机变化，画像中不使用"绝不""必须""禁止"等绝对化措辞，只用"倾向于""经常""偶尔""很少""目前样本中未出现"等概率性描述。

---

文件结构

copy-writing/
├── SKILL.md              # 本文件
├── profiles/
│   └── default.md        # 默认风格画像
├── samples/
│   ├── 001_direct.md     # 直接投喂的样本
│   ├── 002_contrast_ai.md    # 对照模式：AI 原版
│   ├── 002_contrast_human.md # 对照模式：用户改写版
│   ├── .wip_{编号}.md        # write-part 模式的临时文件（完成后删除）
│   └── ...
└── changelog.md           # 画像变更记录

changelog.md 格式

每条变更一个段落，按时间倒序排列（最新在最上方）：

## {日期}

- [{触发来源}] {变更摘要}
  样本: #{编号}

触发来源可选值：learn、contrast、full-review、user-fix、delete

示例：

## 2026-04-08

- [learn] 新增观察：倾向于用短句收尾（置信: 低）
  样本: #003

- [contrast] 新增对照映射："然而" → "不过"（置信: 中）
  样本: #004

- [delete] 删除样本 #002

---

运行模式

根据 $ARGUMENTS 的第一个词判断模式。如果没有参数，进入交互式选择。

交互式入口（无参数）

向用户展示可用模式，询问选择：

你想做什么？

1. 投喂样本 — 我写了一篇东西，存进样本库（learn）
2. 对照改写（整篇）— 你先写，我来改，你学我的风格（write）
3. 对照改写（逐段）— 一段一段来，你能实时学习（write-part）
4. 风格改写 — 用我的风格改写一段文本（apply）
5. 样本管理 — 查看、删除样本（manage）
6. 查看状态 — 看看当前样本数和画像情况（status）

---

模式一：投喂样本（learn）

触发： /copy-writing learn [文本内容或文件路径]

流程

1. 接收样本

   • 如果参数是文件路径，读取文件内容
   • 如果参数是文本，直接使用
   • 如果没有附带文本，用 AskUserQuestion 请用户提供

2. 分配编号并存储

   • 读取 samples/ 目录，确定下一个编号（三位数，001 起）
   • 存为 samples/{编号}_direct.md，带 frontmatter：

---
id: "001"
source: direct
date: "{当天日期}"
topic: "{从内容推断的主题，10字以内}"
word_count: {字数}
---

{用户原文}

3. 分析并更新画像

   • 读取当前画像（profiles/default.md，如不存在则创建）
   • 分析新样本的风格特征
   • 执行增量更新（见画像更新策略）
   • 将变更写入 changelog.md

4. 向用户汇报

   • 输出："已存为样本 #{编号}。"
   • 列出从这篇中观察到的风格特征（新发现、印证已有、与已有分歧）
   • 展示画像的具体变更内容

---

模式二：对照改写 — 整篇（write）

触发： /copy-writing write [主题或要求]

流程

1. AI 先写一篇

   • 读取画像 + 从样本库挑选 2-3 篇相关样本作为风格参考
   • 按用户给的主题/要求写一篇完整文章
   • 输出文章，告知用户："这是我写的初稿。请用你自己的笔法修改，改完后贴回来。可以大改也可以小改，改得越多我学得越准。"

2. 接收用户改写版

   • 用 AskUserQuestion 等待用户贴回修改后的版本

3. Diff 分析

   • 逐段对比 AI 原版和用户改写版，识别以下四类变化：
     • 替换：AI 用了什么表达，用户换成了什么（如 "然而" → "不过"）
     • 删除：AI 写了但用户删掉的内容（说明用户认为多余或不符合其习惯）
     • 保留：AI 写的用户没改（说明这些表达用户能接受）
     • 新增：AI 没写但用户加上的（说明是用户的主动写作习惯）
   • 输出 diff 分析结果，让用户确认

4. 存储

   • AI 原版存为 samples/{编号}_contrast_ai.md
   • 用户改写版存为 samples/{编号}_contrast_human.md
   • 两个文件的 frontmatter：

---
id: "{编号}"
source: contrast
date: "{当天日期}"
topic: "{主题}"
word_count: {字数}
pair: "{对应文件名}"
---

5. 更新画像
   • 对照改写产生的 diff 信号权重更高（一次 diff 证据 ≈ 两篇直接投喂的证据）
   • 替换类 diff 直接记录为"对照映射"，置信度起步为"中"
   • 执行增量更新，写入 changelog

---

模式三：对照改写 — 逐段（write-part）

触发： /copy-writing write-part [主题或要求]

流程

1. AI 写第一段

   • 读取画像 + 样本，写出文章的第一段（或第一个部分）
   • 分配编号，创建临时文件 samples/.wip_{编号}.md 记录进度
   • 输出，请用户修改

2. 用户改写 → AI 学习 → 写下一段

   • 接收用户改写的第一段
   • 立即分析 diff，提取风格信号（暂存在内存中用于指导后续段落）
   • 同时将本段的 AI 原版和用户改写版追加写入临时文件，防止上下文压缩丢失数据
   • 基于刚学到的风格信号，写第二段（应该比第一段更接近用户风格）
   • 输出，请用户继续改写

3. 循环直到完成

   • 用户可以说"继续"（表示当前段不需要改，直接写下一段）
   • 用户可以说"结束"或"完成"，结束循环

4. 收尾

   • 从临时文件读取所有段落（而非依赖内存），拼接存为正式样本对 _contrast_ai.md 和 _contrast_human.md
   • 删除临时文件 .wip_{编号}.md
   • 汇总所有段的 diff 分析，一次性更新画像
   • 输出完整的 diff 分析和画像变更
   • 边界情况：如果用户对每一段都说"继续"（未做任何修改），则 AI 版和用户版完全相同，此时不存储对照样本、不更新画像，仅告知用户"本轮未产生风格差异数据"

---

模式四：风格改写（apply）

触发： /copy-writing apply [需要改写的文本]

前提

样本库至少需要 3 篇样本才能使用此模式。不足 3 篇时提示用户先积累样本。

流程

1. 加载风格上下文

   • 读取画像
   • 从样本库选取 few-shot 示例（选取策略见下方）

2. 改写

   • 用用户的风格改写输入文本
   • 核心要求：不是"套规则"，而是"像这个人会怎么写这段话"
   • 改写时参考 few-shot 示例中的语感、节奏、用词，画像作为辅助检查

3. 自检

   • 改写完成后，对照画像做一轮自检
   • 注意：自检不是逐条核对规则，而是整体感觉——"这篇读起来像是样本库里同一个人写的吗？"
   • 如果自检发现明显不像：标注哪些地方不对劲，自行修正一轮后再输出。不要反复自检超过一轮——一轮修正后仍有偏差，交给用户反馈比自己纠结更有效

4. 输出并收集反馈

   • 输出改写结果
   • 问："这次像不像你写的？哪里不像可以告诉我。"
   • 如果用户给了反馈，作为用户修正写入画像（最高权重）

Few-shot 示例选取策略

按优先级排序：

1. 对照模式的 human 版（最能体现用户风格偏好）
2. 最近的样本（风格可能随时间变化）
3. 主题相关的样本（同类话题的写法更有参考性）

选取 2-3 篇，总 token 控制在 4000 以内，避免挤占改写空间。

---

模式五：样本管理（manage）

触发： /copy-writing manage [list|view <编号>|delete <编号>]

子命令

manage list（默认，无子命令时等同 list）

列出所有样本，每行一条：

#{编号} {日期} {来源} {主题} ({字数}字)

manage view <编号>

读取并展示指定编号的样本全文。对照改写样本同时展示 AI 版和用户版。

manage delete <编号>

1. 向用户确认："确定删除样本 #{编号}（{主题}）？"
2. 确认后删除文件。对照改写样本删除 _contrast_ai.md 和 _contrast_human.md 两个文件。
3. 不联动更新画像——画像中引用该编号的条目保留原样，等下次全量审视时自动清理。
4. 写入 changelog："删除样本 #{编号}"。

---

模式六：查看状态（status）

触发： /copy-writing status

输出内容

📊 Copy Writing 状态

样本库：{N} 篇（直接投喂 {X} 篇，对照改写 {Y} 对）
画像版本：v{版本号}，最后更新 {日期}
总字数：约 {字数} 字
置信度分布：高 {a} 条 / 中 {b} 条 / 低 {c} 条

最近 5 篇样本：
  #{编号} {日期} {来源} {主题} ({字数}字)
  ...

距下次全量审视还差 {10 - (sample_count - last_review_sample_count)} 篇样本

---

风格画像结构

画像文件 profiles/default.md 的结构：

---
version: 1
sample_count: 0
last_updated: ""
last_review_sample_count: 0
---

# 风格画像

## 整体印象

（自由文本，描述对这个作者写作风格的整体感受。每次全量审视时重写。）

## 词汇习惯

（每条观察一个段落，格式如下）

{观察描述，用概率性语言}
  [来源: #{样本编号列表} | 置信: {高/中/低} | 更新: {日期}]
  [对照证据: #{编号} {具体diff描述}]（如有）

## 句式与节奏

（同上格式）

## 结构偏好

（同上格式）

## 语气与态度

（同上格式）

## 对照改写映射

（从对照模式 diff 中提取的直接映射关系）

AI 表达 → 用户偏好表达 [来源: #{编号列表}]

## 用户修正

（用户直接告知的偏好，最高权重，不会被自动更新覆盖）

{修正内容} [用户修正 {日期}]

---

画像更新策略

措辞规范

画像中禁止出现以下绝对化措辞：

• ❌ 绝不、永远不、必须、禁止、一定、总是
• ✅ 倾向于、经常、偶尔、很少、目前样本中未出现、有时

即使某个特征在所有样本中都一致，也只写"在目前所有样本中都一致"，不写"总是如此"。

置信度定义

证据权重换算：1 次对照 diff = 2 篇直接投喂。累计等效篇数决定置信度：

• 低：等效 1 篇（仅 1 篇直接投喂，或仅从推断得出）
• 中：等效 2-3 篇（如 2 篇直接投喂，或 1 次对照 diff，或 1 篇直接投喂 + 1 次对照 diff 中的等效 2 篇取中）
• 高：等效 ≥4 篇（如 4 篇直接投喂，或 2 次对照 diff，或 1 次对照 diff + 2 篇直接投喂），或用户手动确认（直接升高，无需累计）

第一层：增量补丁（每次新增样本时执行）

读取当前画像 + 新样本，执行以下判断：

1. 新发现（画像中没有的特征）→ 添加新条目，标注 置信: 低
2. 印证已有（新样本支持画像中的某条观察）→ 追加来源编号，必要时升级置信度
3. 分歧（新样本与画像中某条观察矛盾）→ 不立即修改，在该条目下追加分歧标注： [分歧: #{编号} 中出现了与本条不一致的情况：{具体描述}]
4. 对照 diff 映射→ 添加到"对照改写映射"区域，置信度起步为"中"

第二层：周期性全量审视（当 sample_count - last_review_sample_count ≥ 10 时触发）

读取画像 + 最近 20 篇样本（不足 20 则全读），执行：

1. 重新审视每条观察，验证是否仍然成立
2. 处理分歧：如果某条标了分歧且近期样本不再支持原判断 → 修改或删除
3. 清理过期条目：置信: 低 且距添加已超过 10 篇新样本仍未被印证 → 删除
4. 重写"整体印象"段
5. 画像版本号 +1
6. 更新 frontmatter 中的 last_review_sample_count 为当前 sample_count

第三层：用户修正（随时，通过 apply 模式的反馈或直接告知）

• 用户修正写入"用户修正"区域
• 标注日期
• 用户修正是最高权重，不会被第一层或第二层的自动更新覆盖或降级
• 如果自动分析与用户修正矛盾，以用户修正为准，并在对应自动条目上标注"已被用户修正覆盖"

---

样本数量与策略变化

随着样本积累，skill 的工作方式自动调整：

阶段	样本数	画像角色	样本读取策略
冷启动	1-5	初步观察，置信度普遍低	全部读取作为 few-shot
成长期	6-20	逐渐可靠，高置信条目增多	画像 + 挑选 3 篇 few-shot
成熟期	21-50	主力参考	画像为主 + 2 篇 few-shot
稳定期	50+	稳定可靠，变化趋缓	画像为主 + 1-2 篇最新 few-shot

---

注意事项

1. 不要过度分析。 不是每篇样本都要提取出新发现。如果一篇样本跟已有画像完全一致，只需要更新确认时间，不需要强行找新东西。

2. 不要编造风格特征。 只记录确实在样本中观察到的特征，不要从"这个人是什么类型的写作者"去推断他"应该"有什么特征。

3. 对照改写模式中，保留的部分也是信号。 用户没改的地方说明 AI 的这些表达是可接受的，不需要特别记录但在改写时可以放心使用类似表达。

4. apply 模式的目标是"像"而不是"完美遵守画像"。 最终检验标准是：把改写结果混在用户的真实文章里，读起来不突兀。

5. 一个人在不同场景下写法可能不同。 同一个人写社交媒体和写邮件的风格可能差异很大，分析时注意区分场景，这是正常变化，不是分歧。