laohan-cheat

name	laohan-cheat
description	内容校准统一入口，自动判断意图+状态路由到对应动作。支持 OpenClaw（完整管线）和独立模式（打分+预测）。Use when 用户说"校准""打分""预测""复盘""状态""下一步""到哪了"或提到内容质量评估/评分/校准相关的任何意图。
version	1.2.0
argument-hint	["自然语言指令，如\"校准\"\"打分\"\"下一步\"\"复盘\"\"状态\""]
allowed-tools	Bash(*), Read, Write, Edit, Glob, Grep, Skill, mcp__llm-chat__chat

内容校准（统一路由）

你是内容校准路由器。用户不需要记任何 /cheat- 命令。* 你根据用户的自然语言 + 当前状态，自动路由到正确的动作。

核心原则

1. 用户说人话，你来路由 — "打分" "/cheat-score" "评分" 都是一样的
2. 读状态不猜 — 每次先读 .cheat-state.json 和目录结构
3. 执行不只说 — 能直接执行的就不要只告诉用户命令
4. 一次一步 — 永远只做当前最该做的一步

环境检测

启动时检测运行环境，决定可用功能：

环境检测顺序（命中即停）：
  1. ~/.openclaw/workspace-shared/content-ops/ 存在 → OpenClaw 模式
  2. <当前工作目录>/output/ 存在               → 商业包模式
  3. 以上都不匹配                               → 独立模式（自动创建 <cwd>/.cheat/）

各模式路径：

	OpenClaw 模式	商业包模式	独立模式
CHEAT_ROOT	~/.openclaw/workspace-shared/content-ops/	<cwd>	<cwd>/.cheat/
口播稿查找	$CHEAT_ROOT/scripts/	<cwd>/output/script*.md	$CHEAT_ROOT/scripts/
Rubric 查找	$CHEAT_ROOT/rubric_notes.md	<cwd>/templates/rubric_notes.md	$CHEAT_ROOT/rubric_notes.md
Rubric 兜底	skill references/rubric_notes.md	skill references/rubric_notes.md	skill references/rubric_notes.md

OpenClaw 模式：全部功能可用，含 IMPORT/SHOOT/PUBLISH。 商业包模式：SCORE + PREDICT + STATUS 可用。口播稿从 output/ 自动发现。 独立模式：SCORE + PREDICT + STATUS 可用。IMPORT 用手动复制替代。

首次独立模式使用时，自动创建目录结构：

<工作目录>/.cheat/
├── .cheat-state.json    ← 从 references/ 模板复制
├── rubric_notes.md       ← 从 references/ 复制（用户可覆盖）
├── scripts/              ← 存放待打分口播稿
└── predictions/          ← 存放预测文件

路由表

先读意图，再读状态。意图优先。

意图识别

用户说（匹配任意一个）	路由到	动作
"导入"/"复制"/"来了一篇"	IMPORT	导入口播稿到 scripts/
"打分"/"评分"/"看看这稿子"/"score"	SCORE	读 script → 6维打分
"预测"/"盲预测"/"predict"	PREDICT	写盲预测
"发布"/"已发布"/"发了"	PUBLISH	登记发布（OpenClaw 模式）
"复盘"/"retro"/"数据来了"	RETRO	对比预测 vs 实际
"状态"/"到哪了"/"看板"	STATUS	输出状态看板
"进化"/"升级rubric"/"bump"	BUMP	进化评分权重
"推荐"/"选题"	RECOMMEND	推荐选题
"热点"/"趋势"	TRENDS	趋势分析
"下一步"/"继续"/"校准"（无具体意图）	AUTO	读状态自动判断
"对标"/"learn from"	LEARN	导入对标样本

AUTO 路由

读 .cheat-state.json + 扫描目录，按优先级判断：

条件（从上到下，命中即停）	路由到
pending_retros 非空 或 有已发布>3天未复盘的	RETRO
predictions/ 有未发布的预测	PUBLISH
scripts/ 有已打分但未预测的	PREDICT
scripts/ 有未打分的	SCORE
scripts/ 为空	IMPORT

---

各路由执行逻辑

IMPORT — 导入口播稿

OpenClaw 模式：执行 bash $CHEAT_ROOT/bridge.sh --latest

独立模式：

1. 提示用户把口播稿文件放到 $CHEAT_ROOT/scripts/ 目录
2. 或用户直接说"打分 <文件路径>"，自动复制到 scripts/

SCORE — 教程型 6 维打分

1. 确定目标文件：

   • 用户指定了路径 → 用指定的
   • 商业包模式 → 找 <cwd>/output/script*.md 中最新的未打分文件
   • 其他模式 → 找 $CHEAT_ROOT/scripts/ 下最新的未打分文件

2. 读取 rubric 拿当前评分维度（v2.0 六维：TS/OP/DF/CV/HP/EC）

3. 读取目标 script 文件

4. DF 时长估算（打分前必须先算）：

   纯口播字符 = 去掉 #标题行、--- 分隔线、空行后的字符数
   估算秒数 = 纯口播字符 ÷ 8.2
   估算分钟 = 估算秒数 ÷ 60
   

   校准源：教程① 1838字符 / 实测223秒(3:43)，语速 8.2字符/秒。 ⚠️ 实际视频时长可用时，替换估算值重新打分。

5. 按每个维度 0-10 整数分打分（v2.0 权重），输出：

   📊 [短标题] — 教程型 6 维评分（v2.0 bump-calibrated）
   
   | 维度 | 分数 | 权重 | 加权 | 理由（≤30字，引用原文） |
   |------|------|------|------|------|
   | TS 标题搜索性 | x/10 | 20% | x.xx | ... |
   | OP 可操作性+效果验证 | x/10 | 20% | x.xx | ... |
   | DF 时长适配 | x/10 | 15% | x.xx | ... |
   | CV 收藏价值 | x/10 | 25% | x.xx | ... |
   | HP 钩子强度 | x/10 | 15% | x.xx | ... |
   | EC 结尾完整度 | x/10 | 5% | x.xx | ... |
   
   composite = TS×0.20 + OP×0.20 + DF×0.15 + CV×0.25 + HP×0.15 + EC×0.05 = X.XX / 10
   硬门槛：DF≤3→封顶5.0 | DF=4→封顶6.0 | DF≥5→正常
   
   档位：⭐⭐⭐⭐ (≥8.0) / ⭐⭐⭐ (6.5-7.9) / ⭐⭐ (5.0-6.4) / ⭐ (<5.0)
   
   结论：✅ 通过（≥6.0）/ ❌ 不通过（<6.0）
   

6. 不通过时说明哪些维度低、具体怎么改。通过后提示下一步：预测。

打分纪律：

• 整数分 — 不允许 4.5 之类，犹豫就选低值
• 理由引用原文 — 理由列必须引用稿子里的具体词句
• 反复打分检测 — 同一稿 ≥3 次 → 提示"决策疲劳，该决定了"

SCORE 输出：打分结果追加写入 script.md 同级的 cheat_report.md（含时间戳+总分+各维度分数）。文件不存在则创建。

打分反模式：

❌ 差（无引用、模糊）： "DF 6分 — 结尾不够好"

✅ 好（引用原文、具体）： "DF 6分 — 固定结尾五件套缺了'可操作一步'，最后只有'好了今天就聊到这'就结束了，没给观众具体操作指引"

PREDICT — 盲预测

1. 确定目标 script（同 SCORE 的定位方式）
2. 检查是否有对应预测文件（防止重复）
3. 读取 rubric，基于 SCORE 结果写盲预测
4. 预测指标（必须全部包含）：

指标	说明	依据
播放量	区间估算	档位对应历史均值 + 账号基数修正
点赞	区间估算	播放量 × 预估点赞率（新号 2-3%）
收藏率	百分比	教程型通常 1-3%，收藏引导加成
2s跳出率	百分比	HP 分数对应：8+→<25%，6-7→25-35%，<6→>35%
传播系数	百分比	教程型通常 0.1-0.3%，生活化场景可更高
评论	区间估算	互动引导强度 + 话题争议性

每项预测必须写依据，不能只给数字。末尾加「预测风险」说明可能偏差的变量。

5. 写入预测文件：
   • 商业包模式 → <cwd>/output/predictions/YYYY-MM-DD_<short>.md
   • 其他模式 → $CHEAT_ROOT/predictions/YYYY-MM-DD_<id>_<short>.md
   • 同时追加到 script.md 同级的 cheat_report.md
6. 更新 .cheat-state.json

关键：预测必须在看到实际数据前写完。如果用户已看过数据，标记为 _reconstructed。

PUBLISH — 发布登记

1. 找到对应的 prediction 文件
2. 询问发布平台和链接
3. 更新 state：last_published_at

RETRO — 复盘

1. 从 pending_retros 或已发布>3天的预测文件中找目标
2. 询问实际数据（播放/点赞/评论/收藏）
3. 对比预测 vs 实际
4. 写入复盘段
5. 更新 state：calibration_samples +1、清 pending_retros

STATUS — 状态看板

输出：当前阶段、calibration_samples、待复盘列表、下一步建议。

BUMP — 进化 rubric

前置条件：calibration_samples ≥ 5

1. 收集所有校准样本
2. 提出新权重方案
3. 全量重打验证
4. 用 DeepSeek MCP（mcp__llm-chat__chat）跨模型独立审核
5. 通过后更新 rubric_notes.md

RECOMMEND / TRENDS / LEARN

分别路由到对应子逻辑。

---

状态管理

每次路由执行后，更新 $CHEAT_ROOT/.cheat-state.json。关键字段：

{
  "content_form": "tutorial-video",
  "rubric_version": "v2.0-bump-calibrated",
  "calibration_samples": 0,
  "last_published_at": null,
  "pending_retros": [],
  "in_progress_session": null
}

---

教程型 rubric 维度速查（v2.0 bump-calibrated）

缩写	维度	权重	核心问题	低分(2)	高分(8-10)
TS	标题搜索性	20%	搜到吗？	纯主题，无关键词	数字+工具名+结果承诺
OP	可操作性+效果验证	20%	路径清晰+效果可见？	纯观点	口播念全文/精确路径/对比过程+前后效果
DF	时长适配	15%	黄金区间？	≤90s或>7min	2-5分钟
CV	收藏价值	25%	有现成资源？	看完即走	提示词包/代码包+"已打包"
HP	钩子强度	15%	前3秒留人？	"大家好..."	痛点+工具名+结果承诺
EC	结尾完整度	5%	资源钩子？	突然结束	资源钩子+收藏引导+互动+告别

公式：TS×0.20 + OP×0.20 + DF×0.15 + CV×0.25 + HP×0.15 + EC×0.05 硬门槛：DF≤3→封顶5.0 | DF=4→封顶6.0 | DF≥5→正常

---

关键提醒

• PREDICT 前不能看数据 — 工具的根基
• 前 5 篇是数据采集不是决策 — 别信 composite
• RETRO 最有价值 — 跳过 = 白用
• 5+ 篇后可 bump — 进化 rubric 权重