菜单
从配置的热点源（HN / Reddit / YouTube trending / B 站热门 / 等）抓今天的热门话题，去重 + 粗打分 + 写入 candidates.md。**绝大部分人没有候选池——这是让"我没素材"问题在 onboarding 第二步就消失的钥匙**。触发词："抓热点"/"fetch trends"/"今天有什么可做的"/"trending now"/"找选题"。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
给所有想把"感觉"变成可校准预测的内容创作者。**方法论通用**——打分 → 盲预测 → T+3d 复盘 → 进化 rubric 的循环适用任何能被量化（播放 / 阅读 / 收听 / 点击）的内容。**rubric 是循环的内容，不是循环本身**——当前内置一份观点视频 rubric（参考博主 25+ 视频拟合），其他形态可借这套起步并 bump 调权重。**强烈建议导入对标账号**作为初始信号源（/cheat-learn-from）。触发词："初始化"/"打分这篇"/"启动预测"/"已发布"/"复盘"/"升级 rubric"/"推荐选题"/"抓热点"/"状态"/"找对标"/"learn from"。**首次使用必须先跑 /cheat-init。**
cheat-on-content 的首次 onboarding 与脚手架创建器。统一流程——所有用户都走相同 5 阶段闭环，唯一区别是"发过视频的人"会在 init 时多一步：抓取已有视频建立历史 context（用于后续 cheat-seed 给更贴合的选题、更准的 baseline）。触发词："初始化"/"init"/"首次使用"/"我是新用户"/"setup cheat-on-content"。**必须在用户第一次会话执行；其他子 skill 在 .cheat-state.json 不存在时自动路由到此。**
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"。
INTERNAL sub-agent for blind 7-dim rubric scoring. **NOT a user-facing skill — do NOT invoke from main conversation.** Called via Task tool by cheat-score / cheat-predict / cheat-bump to get a context-isolated score on a script. Receives ONLY script_path + rubric_notes_path; refuses any other input. Outputs strict JSON: 9 dimensions × {score 0-5, confidence enum, one-line reason}. **Hard refuses to Read** .cheat-state.json, predictions/*, retro 段, or anything that could leak post-publish data. This is channel B in the 3-channel calibration model (A=main, B=blind sub, C=cross-model).
cheat-on-content 的状态看板。显示当前模式 / rubric 版本 / 校准进度 / 待复盘 / pool 状态 / 是否该升级 SQLite / 是否该 bump rubric。**任何时候都可调，无副作用**。触发词："状态"/"看板"/"status"/"我现在该做什么"/"进度怎么样"。
从复盘评论数据派生 / 刷新账号的受众画像，写入 audience.md。这是和 rubric 平行的第二个派生物——rubric 答"怎么打分"，persona 答"谁在看"。cheat-seed 选题 / 写稿时读它。**audience.md 含实绩信号，cheat-score-blind 硬禁读**。触发词："构造受众画像"/"更新 persona"/"我的观众是谁"/"build persona"/"刷新受众画像"/"看看我的受众画像"。
| name | cheat-trends |
| description | 从配置的热点源（HN / Reddit / YouTube trending / B 站热门 / 等）抓今天的热门话题，去重 + 粗打分 + 写入 candidates.md。**绝大部分人没有候选池——这是让"我没素材"问题在 onboarding 第二步就消失的钥匙**。触发词："抓热点"/"fetch trends"/"今天有什么可做的"/"trending now"/"找选题"。 |
多 adapter 模式：读各 trend-sources adapter 的输出 → 去重 → 粗打分 → 写入 candidates.md。
[用户：抓热点]
↓
[Phase 0: 读 .cheat-state.json 拿 enabled adapters]
↓
[Phase 1: 对每个 adapter 调 fetch]
↓
[Phase 2: normalize 到 candidate-schema]
↓
[Phase 3: 去重（vs candidates / predictions / trends-history）]
↓
[Phase 4: 对每个新 item 粗打分（调 cheat-score 内联逻辑）]
↓
[Phase 5: 排序 + 询问用户哪些加入 candidates.md]
↓
[Phase 6: 写入 + 更新 trends-history.jsonl 缓存]
💡 调用时覆盖：
/cheat-trends — sources: manual-paste,aihot,weibo-hot — max-per: 10
| 必填 | 来源 |
|---|---|
.cheat-state.json | 默认 sources |
adapters/trend-sources/<name>.md | 各 adapter 的实现描述 |
candidates.md | 去重对照 |
predictions/*.md | 去重对照（已发的不再推） |
.cheat-cache/trends-history.jsonl | 历史抓取去重缓存 |
# 伪代码
state = read('.cheat-state.json')
enabled_adapters = args.sources or state.get('enabled_trend_sources', ['manual-paste'])
如 enabled_adapters 为空 → 输出引导：
你目前没有启用任何热点源。
最快配法：
- 临时跑：/cheat-trends — sources: manual-paste,aihot
- 永久启用：编辑 .cheat-state.json 的 enabled_trend_sources 数组
可用 adapter（详见 adapters/trend-sources/）：
- manual-paste（默认，永远能用）
- aihot（AI 热点聚合，无需 key）
- weibo-hot（微博热搜，无需 key）
- zhihu-hot（知乎热榜，无需 key）
- trendradar-mcp（TrendRadar MCP 服务，需配置）
对每个 adapter，读其 adapters/trend-sources/<name>.md 中描述的 fetch 接口（实际是 Bash 调底层 Python / shell / WebFetch）：
| Adapter | 实现机制 |
|---|---|
manual-paste | 询问用户："粘贴你今天的候选 URL/标题列表（每行一条）" → 解析每行，对 URL 做 WebFetch 拓展 snippet |
aihot | 读 adapters/trend-sources/aihot.md 描述的 fetch 接口 |
weibo-hot | 读 adapters/trend-sources/weibo-hot.md 描述的 fetch 接口 |
zhihu-hot | 读 adapters/trend-sources/zhihu-hot.md 描述的 fetch 接口 |
trendradar-mcp | 读 adapters/trend-sources/trendradar-mcp.md 描述的 fetch 接口 |
每个 adapter 输出符合 candidate-schema.md 的 items。
优雅降级：单 adapter 失败（API key 缺失 / 端点 503 / cookie 失效）→ skip 该 adapter，不抛异常，在汇总里说明：
✅ aihot: 拉到 18 条
✅ weibo-hot: 拉到 15 条
✅ zhihu-hot: 拉到 12 条
⚠️ trendradar-mcp: 跳过（MCP 服务未配置——配置见 adapters/trend-sources/trendradar-mcp.md）
按 candidate-schema.md 的"去重协议"：
sha256(source_type + normalized_title + url_path)[:12]）candidates.md 已含此 id → 跳过predictions/*.md 已含此 id → 跳过.cheat-cache/trends-history.jsonl 已含此 id 且 rejected_at != null → 跳过去重统计写到汇总报告里。
AUTO_SCORE=true 时，对每条新 item：
snapshot_text 作为输入/cheat-score 子 skill 走 IO；inline 复用打分逻辑）注意：粗打分 ≠ 正式预测。预测必须基于最终稿（用户改过的），这里的打分只是"是否值得展开写"的粗筛。
AUTO_SCORE=false 时，items 写入 candidates.md 时 composite=null，需要后续手动 /cheat-score。
按 composite 降序，过滤掉 composite < MIN_COMPOSITE_TO_SUGGEST 的：
🔥 抓热点完成。各源拉取统计：
- manual-paste: 5 条（用户输入）
- aihot: 18 条
- weibo-hot: 15 条
跳过 trendradar-mcp（MCP 服务未配置）
去重后剩 27 条新 item。
粗打分后 12 条 composite ≥ 6.0：
| # | 标题 | source | composite | bucket | rationale |
|---|---|---|---|---|---|
| 1 | 为什么我们都讨厌主动联系朋友 | aihot | 8.4 | 30-100w | ER+QL 双 5，AB 普适 |
| 2 | "她不一样"的一千种变体 | weibo-hot | 8.1 | 30-100w | MS 候选维度高 |
| 3 | ...... |
哪些加入 candidates.md？
- 全部加 → 回 "all"
- 选几个 → 回 "1, 3, 5"
- 都不要 → 回 "none"（这些会被记到 trends-history 避免下次重复推）
用户响应后：
candidates.md.cheat-cache/trends-history.jsonl：
{"id": "...", "title": "...", "source": "...", "snapshot_at": "...", "rejected_at": null|"<ISO>", "fetched_at": "<ISO>"}
{
"last_trends_run_at": "<ISO>",
"last_trends_added_count": 5
}
composite (rough, snapshot-based)，避免与 prediction 的精打分混淆AUTO_SCORE=false），但提示用户后续需要 /cheat-score 才能进 recommend 池.cheat-state.json 的 enabled_trend_sources 数组/cheat-recommend 直接读 candidates.md 排序——trends 写完，recommend 立刻看到/cheat-init：onboarding Q4 选"没有候选池"的用户被引导到这里/cheat-status：status 看板显示"上次抓热点：X 天前 / 待清理候选池：Y 条"每个 adapters/trend-sources/<name>.md 必须文档化以下：
详见 adapters/HOWTO.md（待批次 3 实现）。