cheat-retro

name	cheat-retro
description	T+N 天数据回收 + 复盘 + 把实绩观察写入 rubric-memo.md。这是校准循环的反馈环节——不复盘的预测等于占星。触发词："复盘 [path]"/"retro this"/"T+3d 数据来了"/"抓数据 [path]"/"把这篇复盘了"。

/cheat-retro — 数据回收与复盘

抓 T+N 天的实际表现 → 对比预测 → 提炼新观察 → 写入 rubric-memo.md。只追加 ## 复盘 段，绝不改预测段。rubric_notes.md 是 blind 白名单，只能保存通用公式、维度定义和抽象规则，不能写入样本名、实绩、评论、链接或播放/阅读数。

Overview

[用户：复盘 predictions/2026-05-04_...]
  ↓
[Phase 0: 校验 immutability + 校验时间窗口]
  ↓
[Phase 1: 抓数据（manual paste 或 adapter）]
  ↓
[Phase 2: 写实绩段 + top 评论关键词]
  ↓
[Phase 3: 验证/推翻预测的各假设]
  ↓
[Phase 4: 提炼新观察]
  ↓
[Phase 5: 落盘（追加到 ## 复盘 段）]
  ↓
[Phase 6: 写入 rubric-memo.md 的"观察记录"段]
  ↓
[Phase 7: 检测是否触发 bump 候选 → 提示用户跑 /cheat-bump]

Constants

• RETRO_WINDOW_DAYS = 3 — 默认 T+3d。短视频快平台可设 1，长文设 7
• DATA_SOURCE = manual — manual: 用户粘数字；adapter: 调对应平台 adapter（需配置）
• AUTO_PROPOSE_BUMP = true — Claude 判断是否系统性偏差时自动提议 /cheat-bump
  • 默认参考：连续 ≥3 次同向偏差（high/low）→ 提议
  • 但 Claude 可以更早提议：1 次极端偏差（如中枢 50w 实绩 5w 这种 ≥10x），即使没有"连续"也提议
  • 也可以更晚：3 次同向但每次偏差都很小（<25%），可能只是噪声不是系统性
• TOP_COMMENTS_N = 20 — 抓 / 粘 top N 高赞评论

💡 调用时覆盖：/cheat-retro <file> — window: 7 — source: adapter

Inputs

必填	来源
<prediction-file> 或 <video-folder>	用户参数；缺失则从 .cheat-state.json 的 pending_retros[0]
rubric_notes.md	用户项目根（只读，用于当前规则上下文；不得写入实绩观察）
rubric-memo.md	用户项目根（写入复盘观察、实绩证据、样本名与评论信号）
.cheat-state.json	状态文件

入参解析（同 cheat-predict 双形态接受）

用户给的可能是：

• predictions/2026-05-04_<id>_<short>.md → 直接用这个 prediction 文件
• videos/2026-05-04_<id>_<short>/ → 找对应的 prediction 文件（按 id 匹配）+ 把 report.md 写到该 video folder 里
• 缺省 → 从 pending_retros[0] 取最早的

Workflow

Phase 0: 校验

1. 读 <prediction-file>，确认存在
2. 识别有效预测段：扫所有 ## 预测... 段（可能含 ## 预测、## 预测 v1、## 预测 v2 等）：
   • 取最后一个## 预测 vN 作为本次校准的依据（v2 存在则用 v2；只有 v1 则用 v1；legacy 单段 ## 预测 直接用）
   • state.shoots 对应项的 v2_prediction_written 应与"是否存在 v2 段"一致——不一致则警告（state 与文件脱节）
3. 校验 immutability：在内存 cache 住所有 ## 预测... 段的内容（用于 Phase 5 后核对——全部段不可改，不只是有效段）
4. 校验文件 header 有 Published at → 没登记的不能复盘，提示用户先 /cheat-publish
5. 校验时间窗口：今天 - published_at >= RETRO_WINDOW_DAYS。不够 → 提示"还差 X 天"，询问用户是否仍坚持复盘（标 early_retro: true）
6. 校验已有复盘段是否已填——已填则询问"是补充还是修正？"
   • 补充 → 在已有复盘段下追加新子段，标日期
   • 修正预测段（用户错觉）→ 拒绝

Phase 1: 抓数据

按 state.data_collection 字段分两条路径——抓回数据后写到 video folder 的 report.md（如果 prediction 关联 video folder），同时解析摘要 inline 到 prediction 的复盘段。

Path A：DATA_SOURCE=manual（候补方案）

• 询问用户："粘贴这条作品的当前数据：播放 / 点赞 / 评论 / 转发 / 收藏（顺序无所谓，能识别就行）"
• 用户粘 → 解析提取数字
• 强制要求 top 评论：让用户从平台后台或直接打开评论区贴 TOP_COMMENTS_N 条到对话里（每条带赞数）
  • 用户拒绝 / 给少于 5 条 → 拒绝继续："评论才是真信号——'她不一样'这种模因爆发只能从评论看出。 没评论的复盘 = 看体温计判断病情。粘 top 20 给我。如果实在拿不到，告诉我原因（比如评论被关了），我帮你标 comments_unavailable，但这次复盘价值打折。"
• 把粘的原始数据写到 videos/<...>/report.md（如有 video folder）

Path B：DATA_SOURCE=adapter

按 prediction header 的 Platform 字段 + state 的 enabled_perf_adapters 决定调哪个：

Platform	Adapter	调用方式
douyin	adapters/perf-data/douyin-session/	bash <adapters-dir>/douyin-session/run.sh <aweme_id> <video_folder>
xhs	adapters/perf-data/xhs-explore/	bash <adapters-dir>/xhs-explore/run.sh <note_id> <video_folder>
linkedin	adapters/perf-data/linkedin-session/	bash <adapters-dir>/linkedin-session/run.sh <activity_id> <video_folder>
wechat_channels	adapters/perf-data/wechat-channels/	bash <adapters-dir>/wechat-channels/run.sh <post_id> <video_folder>
youtube	adapters/perf-data/youtube-data-api/（planned — batch 3, not yet available）	调 YouTube Data API（需 API key）
bilibili	adapters/perf-data/bilibili-stat/	bash <adapters-dir>/bilibili-stat/run.sh <bvid> <video_folder>
其他	无 adapter	优雅降级到 Path A

<adapters-dir> = 克隆源码处的 cheat-on-content/adapters/perf-data/（install.sh 不复制 adapter 到 ~/.claude/skills，只复制 15 个 skill）。定位：find ~ -path '*/cheat-on-content/adapters/perf-data' -type d | head -1。

douyin-session 的特殊处理：

• 视频 URL（如 https://v.douyin.com/abc123）→ 短链解析 → 提取 aweme_id
• 调用前确认 cookie 文件存在（adapter 会找 .auth/）；不存在则提示用户先跑 python <adapter>/crawler.py login
• adapter 输出在 <video_folder>/report.md（adapter 的 renderer.py 已经按这个格式写）
• cheat-retro 读这个 report.md 解析关键数据 → 摘要写入 prediction 的复盘段

xhs-explore 的特殊处理：

• 笔记 URL（https://www.xiaohongshu.com/explore/<note_id>?xsec_token=... 或 https://xhslink.com/xxx）→ 提取 note_id
• 调用前确认 cookie 存在（adapter 找 .auth-xhs/）；不存在则提示先跑 python <adapter>/crawler.py login
• 字段已校准（观看 view_count 等已写死）；万一接口改版导致某项为 0，看 report.md 末尾 galaxy 原始 JSON，把新 key 加进 crawler.py 的 _normalize_note
• 评论可能抓不到（xsec_token 缺失 / 评论关闭）→ report.md 标"未抓到评论" → 此时降级要求用户 manual 粘 top 20 评论（评论是真信号，不能省）

linkedin-session 的特殊处理：

• 帖子 URL（https://www.linkedin.com/feed/update/urn:li:activity:<id>/）或裸 activity_id → adapter 自动提取 activity_id
• 调用前确认 cookie 存在（adapter 找 .auth-linkedin/）；不存在则提示先跑 python <adapter>/crawler.py login
• 只能抓你本人发的帖子（LinkedIn 单帖分析仅作者可见）；LinkedIn 界面 日/英 随机切换，extract.py 的 POST_METRICS 已存双语标签，万一某项为 None 看 .cheat-cache/linkedin-session-debug/post_<id>.txt 把新标签补进去
• 评论只给数、不给正文（分析页限制）→ report.md 标注 → 降级要求用户 manual 粘 top 评论（评论是真信号，不能省）

wechat-channels 的特殊处理：

• 仅抓用户自己登录后可见的视频号助手后台数据；调用前确认内容项目存在 .auth-wechat-channels/
• 不存在登录态时，提示先运行 python <adapter>/review.py login 并扫码；登录态只保存在内容项目本地
• adapter 输出 report.md，但不落盘原始响应、请求体、完整后台 URL、后台截图、页面文本、评论者昵称或内部用户 ID
• 找不到目标作品或 adapter 失败时，非 0 退出并降级 manual；不得把旧 report.md 当作本次成功

bilibili-stat 的特殊处理：

• 视频 URL（https://www.bilibili.com/video/<BV号> 或 b23.tv 短链）或直接给 BV 号 → adapter 自动提取 BV 号
• 无需登录：B站视频数据(view)与评论(reply)都是公开接口、免 wbi 签名，adapter 是纯 httpx，没有 crawler.py login 步骤、不碰 .auth/
• 依赖 httpx：首次用 pip install -r <adapter>/requirements.txt
• 评论按热度（sort=2）抓取；B站老接口主楼评论可能偏少，不足时降级 manual 粘

任何 adapter 失败（cookie 过期 / 接口变化 / 网络）→ 优雅降级到 manual，提示用户："adapter 调用失败，原因 [X]。改用 manual 模式——粘下面的数据"。不阻塞流程。

共同输出

不管 Path A 还是 B，最终：

• videos/<...>/report.md 含完整原始数据（数字 + top 评论）
• prediction 文件复盘段含摘要（关键比率 + 评论关键词聚类 + 验证/推翻判定）
• report.md 是数据真相，prediction 复盘段是判断真相

Phase 2: 写实绩段 + top 评论分析

实绩数据格式（参考 prediction-anatomy.md 的复盘段格式）：

### 实绩数据
- 播放：71.1w（落在 `30-100w` 桶内偏高，相对中枢 50w **+42%**）
- 点赞：2.4w（赞播比 3.38%）
- 评论：899（评播比 0.126%）
- 收藏：5251
- 分享：1.8w（分播比 2.53%，强）

数据点之间的派生比率（赞播比、评播比、分播比）必须算出来——它们是单纯播放数无法暴露的信号。

top 评论关键词聚类：

• 把粘进来的 N 条评论分 3-5 类（高赞模因 / 概念引用 / 离题噪声 / 转发暴露暗示 / @朋友传播 等）
• 每类列代表性评论（带赞数）
• 报告比例（"22% 是模因复用、35% 是概念引用、5% 是离题"）

Phase 3: 验证/推翻

对 prediction 文件里的每一项（推理因素表、关键校准假设、反事实场景），逐项判定：

### 哪些预测被验证 ✅ / 推翻 ❌

**验证 ✅**:
- 关键校准假设完全成立：本篇 71.1w / 谁问你了 11.7w = 6.07x，远超我押的 1.5-2x
- ER=5 主导情感传播力 → H1 强证据
- HP=5 验证：分播比 2.53% 与"金句被高频引用"匹配

**推翻 ❌**:
- 中枢 50w 被超出 +42%
- 反事实推理里"必须搭配强社会议题才能破 30w" 完全错误
- SR 押注（"H2 SR 应上调"）反向被推翻：SR 在情感向场景几乎不贡献

关键纪律：

• 每条验证 / 推翻必须引用具体数据（"分播比 2.53%"），不许写"基本符合"这种含糊措辞
• 反事实的"如果落在 X bucket 意味着什么"——实际落在的那个 bucket 直接告诉你哪个 rubric 假设被测试了，明确写出来

Phase 4: 提炼新观察（两类，分别写入两个文件）

4a. Rubric 观察（写入 rubric-memo.md）

打分维度 / 公式 / bucket 边界相关的观察：

### 需要写进 rubric-memo.md 的新观察

1. **ER 在情感向场景的真实权重应 ≥ ×2.0**：与谁问你了 6x 流量比是 v2 rubric 最强的反事实证据
2. **议题分享冲动 (TS) 是隐藏维度**：joker / "她不一样" / 滤镜重构提供了安全的自嘲身份，转发不暴露处境，TS=5 的样本
3. ……

每条观察必须可追溯到具体数据点（不写"情感很重要"——写"ER5/SR2 vs ER3/SR4 同 composite 下流量差 6x"）。

4b. 写作 Pattern 观察（写入 script_patterns.md）

Diff scripts/<id>.md（pre-shoot 草稿，可能是 cheat-seed 写或用户写）vs videos/<id>/script.md（实际拍摄稿——cheat-shoot 时用户提供的版本），找出改动且对流量有明显影响的部分：

用户做了什么	流量影响	是否提议追加 pattern
砍掉某段	实绩 ≥ 中枢 → "砍掉没伤流量"——验证那段冗余	是，加到 script_patterns.md "用户改稿历史观察"表
加了某句 / 互动钩子	实绩超中枢 → 可能是新 pattern	是，候选 Pattern N，标 ≥1 样本待验证
改了风格（如开头软化）	高于同类样本 → 风格改动有效	是，候选 Pattern N
没动结构 / 改动与流量无关	—	不追加

输出格式：

### 需要写进 script_patterns.md 的新 pattern 候选

1. **用户改稿模式**: 砍掉 [X 段] / 加了 [Y]
   - 流量影响：实绩 [N] vs 中枢 [M]，[偏差 / 命中]
   - 建议：追加到 script_patterns.md 的"用户改稿历史观察"表

2. **新 pattern 候选 N**：[一句话描述]
   - 单样本支持
   - 触发条件：[何时该用]
   - 建议：追加到 script_patterns.md 末尾的"新发现的 Pattern"段，标 ≥1 样本待验证

询问用户："要把这些追加到 script_patterns.md 吗？(yes / no / 选择哪几条)"。用户确认后才追加——避免把单点观察直接写成正式 pattern。

rubric 进化 ≠ 写作进化——两者解耦：

• rubric_notes.md 学的是"哪些维度真的预测流量"
• script_patterns.md 学的是"什么写法真的能起作用" 可能有交叉（如 MS 维度与"互动钩子" pattern），但记录在两个文件里是因为作用域不同——rubric 改了影响所有未来打分，pattern 改了影响所有未来 draft。

如果 videos/<id>/script.md 缺失（cheat-shoot 时用户标 script_lost） → 跳过 4b，没法 diff。 如果 script_consistency = "consistent"（用户拍时没改稿）→ 4b 仍然有意义（diff 也许是空），但可以快速跳过细查。 如果 script_consistency = "modified"（用户拍时改了）→ 4b 是核心，重点学这次改动 → 流量影响。

Phase 5: 落盘到 ## 复盘 段

用 Edit 工具，仅追加到现有 ## 复盘 段（如有占位 （待填） 行先删除）：

## 复盘

**复盘时间**: 2026-05-07（发布 T+3d）
**抓取时间**: 2026-05-07 09:30
**数据来源**: manual paste

### 实绩数据
[Phase 2 内容]

### Top 评论关键词
[Phase 2 内容]

### 哪些预测被验证 / 推翻
[Phase 3 内容]

### 需要写进 rubric-memo.md 的新观察
[Phase 4 内容]

写完后再次校验：读取保存后的文件，对比所有 ## 预测... 段（v1 / v2 / legacy）的合并哈希应等于 Phase 0 cache 的合并哈希。任一段被改 → 报错并回滚。

Phase 6: 写入 rubric-memo.md + script_patterns.md

6a. rubric-memo.md（Phase 4a 的输出）

按 observation-lifecycle.md 的 blind leak guard，追加到 rubric-memo.md 的 ## 观察记录 段。这里可以包含真实样本名、实绩数据、评论关键词和链接；这些内容绝不写入 rubric_notes.md：

### YYYY-MM-DD [标题简称] (id) — [一句话定性]
- 预测：composite=X.XX，bucket=Y
- 实绩：播放 / 点赞 / 评论 / 转发（带 T+Nd 标注）
- Top 评论关键词：[简短摘录 + 赞数]
- 判断：哪个维度被验证/推翻？为什么？
- Rubric 调整：[如果有，写明 "下次打 XX 类文章时改 YY"]
- 详见：[predictions/<file>.md]

检测跨样本 pattern：扫描 rubric-memo.md 已有"观察记录"，看新观察是否与某条已有观察形成 ≥2 样本支持。命中则在 rubric-memo.md 升级到"重大跨样本观察"段。只有在后续 /cheat-bump 落地时，才把已验证的规律抽象成通用语言写入 rubric_notes.md。

6b. script_patterns.md（Phase 4b 的输出，用户确认后才写）

如 Phase 4b 用户回 "yes" 或选择性确认了某几条：

• "用户改稿模式" → 追加到 script_patterns.md 的"用户改稿历史观察"表
• "新 pattern 候选 N" → 追加到末尾"新发现的 Pattern"段，显式标 ≥1 样本待验证

新 pattern 候选的格式（同 script_patterns.template.md 的 Pattern 11/12 示例）：

### Pattern N（来自 [视频简称]，单样本待验证）

**现象**：[Phase 4b 描述]

**原理**：[为什么有效——基于这一次观察的猜测]

**触发条件**：[何时该用]

**待验证**：需要 ≥2 样本支持才能升正式 pattern。

跨样本 pattern 升正式：扫描"新发现的 Pattern"段，看是否有 ≥2 样本支持同一现象 → 升到核心 pattern 库 + 删 "待验证" 标记。

如用户在 Phase 4b 全否（"no"）→ 跳过 6b，rubric-memo.md 仍照写。

Phase 7: 检测 bump 触发

读 .cheat-state.json 的 consecutive_directional_errors 字段，按本次复盘判定向更新：

• 本次预测高估（实绩 < 中枢 -25%） → push ["high"] + 记录 deviation_magnitude（如 0.5x / 0.3x）
• 本次预测低估（实绩 > 中枢 +25%） → push ["low"] + 记录 deviation_magnitude
• 在 ±25% 内 → 不 push

Claude 判断是否提议 bump（不是固定门槛）：

判断维度：
1. 连续同向次数（参考默认：≥3）
2. 单次偏差幅度（参考默认：>2x 或 <0.5x 算极端）
3. 偏差是否能解释为单一维度漏判（如 ER 或 SR 一致偏离）
4. 用户是否在复盘里反复提到同一现象

任一足够强 → 提议 bump：
- 3 次连续同向，每次都中等偏差 → 提议
- 1 次极端偏差（如 ≥10x），即使没连续 → 提议（"一次性强信号"）
- 2 次同向 + 评论区出现一致的反向证据 → 提议（"评论 + 数据双信号"）

不提议的情况：
- 3 次同向但每次都很小（<25%）→ 可能只是噪声
- 偏差跨多个维度无清晰方向 → bump 不知道改什么

提议时输出：

🚨 检测到 [系统性偏差信号] / [极端单点偏差] 。

[简短描述：连续 N 次 / 1 次极端 / 评论双信号 等]

这可能是 rubric 系统性偏差的信号。建议：
- 跑 /cheat-bump 看是否需要升级公式
- 或先看 /cheat-status 详细分析

注：本次提议是 [default-aligned: 满足 ≥3 同向] / [judgment-driven: 1 次 10x 强偏差]

更新 state file：

{
  "calibration_samples": <+1>,
  "pending_retros": [<剔除本次>],
  "last_retro_at": "<ISO>",
  "consecutive_directional_errors": [...]
}

Key Rules

1. 预测段 immutable。Phase 0 cache + Phase 5 校验是双保险。任何 hash 不一致 → 报错回滚
2. 数据来源必须标注。数据来源: manual paste 或 数据来源: adapter:douyin-session 写进复盘段
3. 观察可追溯。每条新观察引用具体数据点
4. 不在复盘里 bump。Phase 7 只提议 bump，实际升级走 /cheat-bump——避免一次操作做两件事
5. 早复盘标记。RETRO_WINDOW_DAYS 不到就复盘 → state file 记 early_retro: true，bump 时这种样本权重降级

Refusals

• 「这条数据已经看过了，但你假装没看，按预测时的盲度做复盘」 → 复盘本来就是看完数据再做的；这个表述本身没有违规，但要确认用户没在 prediction 写之前透露过数据
• 「把预测段的概率分布改一下，让复盘看起来更准」 → 拒绝。原则 #1
• 「跳过观察提炼，直接结束」 → 拒绝。新观察是 rubric 进化的唯一燃料；缺它复盘退化为"看一眼"
• 「直接 bump，不要单独走 /cheat-bump」 → 拒绝。bump 流程有完整的跨模型审 + cleanup pass，retro 是触发器不是执行器

Integration

• 前置：/cheat-publish 已登记 + 时间窗口达到
• 下游：累计 consecutive_directional_errors 满 3 → 触发 /cheat-bump 提议
• 状态字段更新：calibration_samples +1（这是 cheat-status 显示进度的关键）
• pending_retros：剔除本条
• 与 observation-lifecycle.md 紧耦合：每次复盘是观察新增的入口