x-four-saves

name	x-four-saves
description	发帖前自检"这条内容帮读者省了几步路"时使用;用户问"值不值得发/有没有价值/该不该发这条"时激活。不适用于:已决定要发只需检查结构完备性(用 x-five-piece-checklist)、需要分类内容原型(用 x-content-archetypes)、需要改写表达方式(用 x-three-translations)。Trigger 词:"值不值得发""省了几步""内容价值""worth posting""content value""should I post this""save steps"。
source_book	《X秘籍》 向阳乔木
source_chapter	X爆款秘籍分享.md · 四省模型
tags	["content-valuation","mental-model","reader-centric","pre-post-check"]
related_skills	[{"slug":"x-five-piece-checklist","relation":"depends-on"}]

四省模型 — 内容估值

R — 原文 (Reading)

"内容的价值,不在于你说了多少信息,而在于你帮读者少走了几步路。1.省搜索:读者不用在信息海里捞入口;2.省理解:读者不用自己啃复杂概念;3.省试错:读者不用把坑全踩一遍;4.省表达:读者可以直接把这条转给别人。"

— 向阳乔木, X爆款秘籍分享.md · 四省模型

---

I — 方法论骨架 (Interpretation)

四省模型是一个内容估值工具,不是写作模板。

它把评估视角从创作者中心("我说了多少信息")切到读者中心("读者能跳过什么")。一条内容值不值得发,不取决于信息量大小,而取决于它帮读者省了以下四步路中的至少一步:

1. 省搜索 — 读者不用自己去海量信息里找入口,你直接给了。
2. 省理解 — 读者不用啃复杂文档或概念,你已经翻译成能看懂的话。
3. 省试错 — 读者不用把坑全踩一遍,你给了步骤、路径或避坑指南。
4. 省表达 — 读者可以直接把这条转给别人,无需自己重新组织语言。

核心判断:一步都不省的内容不值得发。省的步数越多、越稀缺,内容价值越高。发帖前花30秒用它做自检,比发完等数据更高效。

---

A1 — 书中的应用 (Past Application)

案例 1: 飞书博物馆文档帖(省搜索)

• 问题: 如何把一个稀缺资源做成高传播内容?
• 方法论的使用: 向阳乔木分享了一个将全球博物馆155万份藏品整理进飞书文档的资源帖。读者拿到的是直接可用入口,不用自己去155家博物馆网站逐一搜刮——典型"省搜索"。
• 结论: 帮读者省了搜索这一步,内容就有发布价值。
• 结果: 26.3万浏览,属于资源入口型中位互动2965的代表案例。

案例 2: 猫抓Chrome插件帖(省搜索+省试错)

• 问题: 一个工具推荐帖如何做到既有人看又有人用?
• 方法论的使用: 分享60万安装量的猫抓插件,强调"自动嗅探音频视频下载"的具体场景和安装入口。读者不用自己搜索插件、不用试错哪个好用——同时省搜索和省试错。
• 结论: 省了两步(搜索+试错)的内容比只省一步的更有传播力。
• 结果: 20.7万浏览,286转发,1319收藏。

案例 3: ClaudeCode新手指南帖(省理解)

• 问题: 一个技术工具指南如何吸引非技术读者?
• 方法论的使用: 分享了一位非程序员写的Claude Code使用指南,强调"从新手视角写""不会编程的人也能看懂"。读者不用啃官方文档——省理解。
• 结论: 把复杂概念翻译成新手能懂的话,就是省理解,内容值得发。
• 结果: 21.4万浏览,254转发,1319收藏。

---

A2 — 触发场景 (Future Trigger) ★

用户会在什么情境下需要这个 skill?

1. 发帖前的价值自检 — 写完一条内容(或准备发一条),犹豫"这条值不值得发""有没有人看"。
2. 多选题比较 — 手上有几个选题,不知道哪个更值得做,需要用统一标准比较价值。
3. 复盘"为什么没人理" — 发了一条效果很差,想判断是"一步都没省"还是"省了但没传达到位"。
4. 评估他人爆款 — 看到一条爆款,想拆解它为什么火,用四省框架分析其价值来源。
5. 决定内容投入度 — 一个选题看起来可以写很长,但不确定投入产出比,先自检它省了几步路。

语言信号 (用户的话里出现这些就应激活)

• "这条值不值得发 / 该不该发"
• "有没有内容价值 / 这条有没有价值"
• "为什么没人看 / 为什么没人理"
• "省了几步路 / 帮读者省了什么"
• "worth posting / content value / should I post this / save steps"

与相邻 skill 的区分

• 与 x-five-piece-checklist 的区别: 五件套检查的是一条推文的结构完备性(价值承诺/场景/入口/证据/收藏理由是否齐全);四省模型检查的是这条内容值不值得存在(帮读者省了几步路)。前者是"齐不齐",后者是"值不值"。用户说"帮我检查齐不齐"→五件套;用户说"值不值得发"→四省。
• 与 x-content-archetypes 的区别: 四类原型按"读者拿到能做什么"分类(资源入口型/工具教程型/AI工具发现型/普通表达型),预测传播上限;四省模型是估值检验(省了几步路),决定值不值得发。前者回答"这是哪类",后者回答"该不该发"。
• 与 x-three-translations 的区别: 三次翻译是改写工具(把公告式内部语言翻译成读者能拿走的外部语言);四省模型是估值工具(不改写内容,只判断价值)。前者是"怎么改",后者是"值不值"。

---

E — 可执行步骤 (Execution)

当 skill 被激活后, agent 应按以下步骤执行:

1. 逐项自检四省

   • 对待评估内容,逐条回答: (a) 它帮读者省搜索了吗?(给了平时难搜到的入口/资源) (b) 它帮读者省理解了吗?(把复杂概念翻译成能懂的话) (c) 它帮读者省试错了吗?(给了步骤/路径/避坑指南) (d) 它帮读者省表达了吗?(读者可以直接转发给别人)
   • 完成标准: 四条都有明确的"是/否"判断,不能含糊。若"是"则标注省了什么。

2. 统计省了哪几步,判断是否值得发

   • 省0步 → 不值得发,建议放弃或重做。
   • 省1步 → 边界值,看这一步是否足够稀缺(别人也能轻易给则不值)。
   • 省2步及以上 → 值得发,且省的步数越多传播潜力越大。
   • 完成标准: 给出明确的"发/不发/改造后发"结论,并标出省了哪几步。
   • 判停条件: 若内容省0步且用户无改造意愿,直接建议不发,跳到步骤3给出放弃理由即可。

3. 给出改造建议(如需要)

   • 若判定"不发"但内容有基础,指出补哪一步可翻盘:缺省搜索→加稀缺入口;缺省理解→加新手翻译;缺省试错→加具体步骤;缺省表达→加可直接转发的金句。
   • 完成标准: 改造建议具体到"加什么内容能省第N步",不是泛泛说"写得更好"。

---

B — 边界 (Boundary) ★

不要在以下情况使用此 skill

• 已决定要发、只需检查结构完备性时 — 用 x-five-piece-checklist 检查五件套齐不齐,四省不解决结构问题。
• 需要分类内容属于哪类原型时 — 用 x-content-archetypes 做分类,四省不做分类。
• 需要改写表达方式时 — 用 x-three-translations 做内部→外部语言翻译,四省不改写。
• 复盘数据表现时 — 用 x-data-review 做80/20复盘,四省是发前估值不是发后复盘。

作者在书中警告的失败模式

• 把四省当机械指标套用(ce15): 向阳乔木自己标注"粗看有点过拟合,仅供参考"。四省是检验工具不是教条——别把"省四步"变成必须凑满四个的硬指标。一条内容只要省了稀缺的一步(如飞书博物馆只省搜索就26万浏览),就值得发。强行凑"四步都省"反而稀释内容。
• 把过拟合经验当通用公式: 四省框架本身可迁移,但作者基于个人3.4G数据的具体结论(如某类内容传播更好)是其个人样本的过拟合结果,不同赛道/受众/时期分布不同,不可直接照搬阈值。

作者的盲点 / 时代局限

• 幸存者偏差: 四省模型来自成功者的爆款归纳,缺对照组——同样"省了搜索"但没爆的帖子未被纳入。四省是必要条件参考,不是充分条件保证。
• 相关性非因果: "省了步数"与"高互动"可能只是相关,非因果。内容能否爆还受时机、算法、受众规模等不可控因素影响。

容易混淆的邻近方法论

• x-five-piece-checklist(五件套): 最易混淆。区分口诀:问"值不值"用四省,问"齐不齐"用五件套。四省是估值门槛(过不过),五件套是结构审计(全不全)。
• x-content-archetypes(四类原型): 四类原型告诉你"这条属于哪类、传播上限多少";四省告诉你"这条值不值得存在"。先四省判断值不值得发,再用原型判断发出去能走多远。

---

相关 skills

• depends-on x-five-piece-checklist: 五件套检查结构完备性依赖四省先行估值——先用四省判断"值不值得发",再用五件套查"齐不齐"。四省是估值门槛,五件套是结构审计。

---

审计信息

• 验证通过: V1 ✓ / V2 ✓ / V3 ✓
• 测试通过率: 100% (fallback 自评,建议独立盲测) (详见 test-prompts.json)
• 蒸馏时间: 2026-07-14