You're reading this. The skill predicted it. A workflow that turns every post into a calibrated experiment—score, blind-predict, retro, evolve. The future doesn't reward effort, it rewards those who see the pattern first. 1M followers in a month — not luck, system.
Python
README: rewrite for clearer positioning
Jooonnnd09a29613e29
diff --git a/README.md b/README.mdindex 96976d9..8b47cbc 100644--- a/README.md+++ b/README.md@@ -1,334 +1,102 @@-# 网红作弊器 / Cheat on Content+# Cheat on Content++> 一个把"凭感觉发内容"换成"每条都比上条更准"的 Claude Code 工作流。+> 也叫**网红外挂**。我用这套一个月涨粉 100w —— 不是灵感,是系统。[](CHANGELOG.md)[](LICENSE)-[](#早期产品警示)--一个给内容创作者用的 Claude Code skill 包——把"我感觉这条会爆"变成可校准的预测。--> ⚠️ **早期产品(v0.1.0)警示** <a id="早期产品警示"></a>->-> 这是公开的第一个 release。**核心方法论稳定**(盲预测 + 校准循环 + immutable 日志),但**接口仍在快速迭代**:->-> - **State schema 可能 breaking**:升级前建议 backup 你的 `<your-channel>/` 整个目录-> - **Adapter fragility**:抖音 / 小红书 adapter 依赖反爬绕过,平台改版可能 break-> - **暂无自动 migration**:每次升级 if `CHANGELOG.md` 标 `BREAKING` → 照 manual steps 走,或 wipe + 重 init->-> 如果你不愿意接受这些风险,**等 v1.0 stable 再用**。->-> 用了的话——欢迎 [开 issue](#) 反馈。每条反馈都会让下个版本更好。--> 🎯 **方法论通用,rubric 是循环的"内容"**->-> **方法论**(打分 → 盲预测 → 发布 → 复盘 → 进化 rubric)适用任何能被量化的内容——视频 / 文章 / 播客 / Newsletter / 短文 / 教程 / Builder 号。->-> **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**,跑几篇后用 `/cheat-bump` 调权重 + 加减维度 → 适配你的形态。->-> **强烈建议导入对标账号**作为初始信号源(`/cheat-learn-from`)—— init 时 rubric 没数据 anchor,全靠对标。导入 5-10 条对标样本后,工具的 rubric / pattern / 选题方向感都有了起点。->-> 所有阶段统一格式预测,header 显示 confidence 等级(🔴/🟠/🟡/🟢/🔵),**不通过省略数字解决精度问题**。--一个给内容创作者用的 Claude Code skill 包——拒绝凭直觉发视频/写文章的人专用。----## 它在做什么--每个博主都知道一个事实:你发的内容大部分会扑街,少数能跑出来。但你不知道哪条是哪条——直到为时已晚。--**网红作弊器**把"我感觉这条会爆"变成可校准的预测:+## 它真正在干什么-1. **打分**:用你自己校准过的 rubric 给每篇稿子评分——不是凭空想出来的维度,是**从你过往数据反推出来**的、真正能预测你账号爆款的维度-2. **预测**:发布前给出播放量 bucket + 中枢 + 概率分布,**写下来就不许改**(hook 在 harness 层物理强制)-3. **复盘**:T+3d 抓数据,每条预测都会被判定为命中 / 高估 / 低估,每次失败都被记录-4. **进化**:当证据足够时,rubric 会被升级——从来不是凭感觉调权重,而是用整个校准池重打分**+ 跨模型独立审核**验证+90% 的创作者都活在同一个循环里:-是的,这基本就是作弊。计算器也是。Google 也是。每一个拼写检查器都是。-----+> 凭感觉发 → 数据出来发现拉了 → 不知道为什么拉 → 下一条还是凭感觉-## 这次(v1)做了什么+爆了不知道为啥爆,扑了学不到东西。一年发 200 条,"网感"长不到 10%。-从 v0 的"一份 SKILL.md + 君子协定"重建为按 [ARIS](https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep) 工程惯例组织的 skill 包:--- ✅ **9 个子 skill** — 每一步执行都有明确入口(`/cheat-init` `/cheat-score` `/cheat-predict` `/cheat-publish` `/cheat-retro` `/cheat-bump` `/cheat-recommend` `/cheat-trends` `/cheat-status`)-- ✅ **5 份 shared-references 协议** — 三条原则的完整可执行规范(盲预测 / bump 验证 / 观察生命周期)-- ✅ **prediction-immutability hook** — 把"预测段不可改"从模型自律升级为 harness 阻塞(**端到端验证通过**)-- ✅ **跨模型 bump 审核** — `cheat-bump` 强制调外部 LLM 独立判定(via mcp__llm-chat__chat),自审是 escape hatch 而非默认-- ✅ **渐进式选题库** — 默认无 pool;`/cheat-trends` 用多 adapter 让"我没素材"问题在 onboarding 第二步消失-- ✅ **`/cheat-init` 5 问 onboarding** — 给从没做过自媒体的人也能 5 分钟跑通的入口-- ✅ **score-curve.py** — 用真实预测数据画收敛曲线(既是营销也是诊断工具)--剩下的批次(templates 实例化 / SQLite 迁移 / adapters 全套 / 长文 + 短文 starter-rubrics)见 SKILL.md 里的"⬜"标记。-----+**网红外挂**把每一篇都强行变成一次校准实验:-## 谁该用+打分 → 盲预测 → 发布 → T+3 天复盘 → 进化你的评分公式-- **观点类创作者**:YouTube / B 站 / 抖音 / TikTok / Substack / 公众号 / 即刻 / X——任何单篇内容能被量化(播放 / 阅读 / 收听)的平台-- **冷启动博主**(已发布 < 5 篇):从 v0 等权 rubric 起步,前 5 篇精度 ±50% 是数学事实-- **校准模式博主**(已发布 ≥ 5 篇且有可量化数据):导入历史作品,让 skill 帮你**反推适合你账号的 rubric**+跑一个月 = 你有了一份**只属于你的爆款公式**。+跑三个月 = 你比刚开始的自己强 10 倍。----## 安装--### 1. 把项目 clone 下来--```bash-git clone https://github.com/<你或上游>/cheat-on-content.git-cd cheat-on-content-```--或者下载 zip 解压。--### 2. 跑安装脚本--```bash-bash install.sh-```+## 它和别的"创作工具"哪里不一样-这会把 10 个子 skill 软链接到 `~/.claude/skills/`,让 Claude Code 全局可用。**安装动作只做一次**——以后任何内容项目都能用。+| 别人 | 这个 |+|---|---|+| 给你"灵感" | 让你**自己的灵感被量化** |+| AI 帮你写 | AI 帮你**判**——稿子还是你的 |+| 一发发 10 个版本 A/B 测 | 一发就**赌**——把判断写下来,数据出来对账 |+| 静态数据看板 | **会进化的评分公式**——你三个月后的 rubric 已经不是初始版 |-可选模式:+一句话:别的工具帮你"产出更多",这个工具帮你"判得更准"。-```bash-bash install.sh --copy # 用复制代替软链接(frozen 版本,dev 改动不生效)-```--软链接(默认)适合 dev / 想跟新;复制适合发布到生产环境。--### 3. 验证+----```bash-ls -la ~/.claude/skills/ | grep cheat-```+## 为什么有用-应该看到 10 个 `cheat-*` 条目。+每篇内容发布前你给它打分、写预测、下 bet —— 全部留下完整决策日志(自动锁存,免得几天后被自己的后见之明覆盖)。-### 4. 卸载(如果以后想清理)+T+3 天数据出来,工具帮你算偏差、找规律。**三次同向偏差 → 自动建议升级你的评分公式**。-```bash-bash uninstall.sh-```+升级不是拍脑袋——所有历史样本必须用新公式重判,新排序与实际表现 ≥4/5 一致才放行;还要跨模型独立审核(防自欺)。-只移除全局 skill 链接,**不会删你内容项目里的数据**(predictions/ / rubric_notes.md / .cheat-state.json 等保留)。+被推翻的观察删,被吸收的也删。git history 才是档案。**rubric 永远只放当下最有用的。**----## 可选:装 perf-data adapter(自动抓取播放/评论)--默认 `/cheat-retro` 走 manual paste 路径——你粘数据,Claude 处理。如果想**自动抓取**,装对应平台的 adapter。--### 抖音(douyin-session)--抓视频播放 / 完播 / 转粉 / 评论。需要 Playwright + Chromium + 你的抖音创作者中心登录态。+## 安装```bash-# 在你的内容项目根(不是 skill 源码目录!)-cd ~/my-channel--# 建虚拟环境-python3 -m venv .venv-source .venv/bin/activate--# 装依赖-pip install -r ~/Desktop/cheat-test/cheat-on-content/adapters/perf-data/douyin-session/requirements.txt-playwright install chromium--# 首次扫码登录抖音-python ~/Desktop/cheat-test/cheat-on-content/adapters/perf-data/douyin-session/crawler.py login-# → 弹出 Chromium 窗口,扫码--# 启用 adapter-# 编辑 .cheat-state.json,把 enabled_perf_adapters 改为 ["douyin-session"]-# 把 data_collection 改为 "adapter"+git clone https://github.com/XBuilderLAB/cheat-on-content.git+cd cheat-on-content+bash install.sh```-完整 adapter 文档:[adapters/perf-data/douyin-session/README.md](adapters/perf-data/douyin-session/README.md)。--### 其他平台+13 个子 skill 软链接到 `~/.claude/skills/`。装一次,所有内容项目都能用。-YouTube / B 站 / 小红书 等 adapter 待写(路线图)。可参照 douyin-session 的实现自己加。+> 冻结版本:`bash install.sh --copy` / 卸载:`bash uninstall.sh`(不动你的内容数据)----## 快速开始--### 第 1 次会话--```-你(在你的 content 项目目录里说):- 初始化 cheat-on-content--Claude:- [问 5 个 yes/no — 内容形态 / 历史发布数 / 数据回收方式 / 候选选题 / 装钩子]- [创建 rubric_notes.md / predictions/ / .cheat-state.json / .claude/settings.json]- [测试钩子是否拦截 prediction 段编辑]- [cold-start + 没候选 → 自动询问"现在跑 /cheat-seed 找前 5 个选题?"]--如果你说 "yes, seed":- [问 3 个问题 — 兴趣关键词 / 频道调性 / 红线]- [拉公开热点 (微博热搜 + 知乎热榜) + Claude brainstorm]- [输出 15 候选让你挑 5]- [默认顺带写 5 个 draft(你必须改写后再拍)]-```--### 之后--每条视频对应**三处文件**,用同一组 `<日期>_<id>_<short>` 命名:+## 第一次跑-- `scripts/<...>.md` — 拍前草稿(cheat-seed 写 / 用户写 / 用户改写都在这里)-- `predictions/<...>.md` — immutable 预测日志(cheat-predict 写,hook 保护)-- `videos/<...>/` — 拍后才建(cheat-shoot 时建)- - `script.md` — 你提供的实际拍摄稿(cheat-shoot 时询问"和 scripts/ 一致吗")- - `report.md` — T+3d 数据(cheat-retro 写)+在你的内容项目目录里开 Claude Code,说:```-改写 draft → 直接在 scripts/<...>.md 上覆盖-打分稿子 → "打分这篇 scripts/<...>.md"-准备发布前 → "启动预测 scripts/<...>.md"(写 immutable 预测)-拍完后 → "拍了 scripts/<...>.md"(建 videos/,问稿子是否一致,buffer +1)-发布后 → "已发布 https://..." (buffer -1)-T+3 天 → "复盘 videos/<...>/"-任何时候 → "状态"-日常补充候选池 → "抓热点"-重新 brainstorm 一批选题 → "找选题" 或 "seed"+初始化 cheat-on-content```-> **没发过 vs 发过**:cheat-init 时问 "你这个频道发过视频吗?"-> - 没发过 → cheat-seed brainstorm(兴趣 × 热点)-> - 发过(不管 1 条还是 100 条)→ 装 adapter 抓回历史 + 建 video folder + reconstructed predictions,然后**也跑 cheat-seed**(带"你过去做过什么"的 context brainstorm)-> 两条路最终走同一工作流,区别只是 brainstorm 时 context 多一份。--### 节奏 + Buffer 警戒(v1 新增)--每次 Claude Code 会话开场,**SessionStart hook 自动报告 4-6 行状态**(无需主动问):--```-[cheat-on-content / SessionStart 状态报告]--📦 Buffer: 3 篇 🟢 绿 (按 cadence 1d = 3 天预备)-⏰ 待复盘: 1 篇 (最早: 2026-05-01)-🎯 候选 top 3: 标题1 / 标题2 / 标题3-📅 上次抓热点: 2 天前--(不要主动开始任何动作——等用户决定。说"状态"看完整看板。)-```--Buffer 颜色由 `target_publish_cadence_days`(cheat-init 时问的发布频率)派生:-- 🔴 红:明天可能断更,**只推稳分**-- 🟠 橙:偏低,应该拍 1-2 条-- 🟢 绿:正常-- 🔵 蓝:积压,**暂停拍摄**先发存货--详见 [shared-references/cadence-protocol.md](shared-references/cadence-protocol.md)。--完整协议见 [SKILL.md](SKILL.md)。子 skill 细节见 `skills/cheat-*/SKILL.md`。+5 个 yes/no 搞定 onboarding。**强烈建议导对标账号**——5-10 条样本 → 工具立刻有 anchor,不然前 5 篇预测精度 ±50%。----## 三条不可妥协的原则--这三条是方法论的脊柱。任何一条被违反,整个校准循环就退化成"凭直觉的自我安慰"。--1. **盲预测(Blind prediction)**:预测必须在看到任何实际数据**之前**写完。一旦写完,`## 预测` 段是不可修改的——只能往 `## 复盘` 段追加。**v1 升级:`hooks/prediction-immutability.sh` 在 PreToolUse 上物理阻塞**。完整规范:[shared-references/blind-prediction-protocol.md](shared-references/blind-prediction-protocol.md)。--2. **升级 = 全量重打(Bump = full re-score)**:当 rubric 升级(v2 → v2.1:权重变了 / 维度增减 / 公式改了),**所有有实绩数据的旧样本必须用新公式重打分**。新排序与实际表现排序若在 ≥4/5 样本上不一致 → 升级被拒。**v1 升级:跨模型独立审核(外部 LLM 重判一次)成为强制步骤**。完整规范:[shared-references/bump-validation-protocol.md](shared-references/bump-validation-protocol.md)。--3. **rubric 是工作台,不是博物馆**:被新数据推翻的观察 → **删掉**;被验证并吸收为正式维度的观察 → **也删掉**(维度本身就是新归宿)。绝不留"我曾经以为 X,但其实..."的考古层。git history 才是真正的归档。完整规范:[shared-references/observation-lifecycle.md](shared-references/observation-lifecycle.md)。-------## 项目状态--### v1 已交付(批次 1 + 2 + cold-start 增强)--- [x] **方法论**(5 阶段流程 + v0/v2 公式 + v2.1 候选)-- [x] **参考实现**:一个中文观点视频博主,已发 25+ 视频,T+3d/7d/8d 数据回收完成 → 是 v2 公式的来源-- [x] **路由器主 SKILL.md**(明确触发词 → 子 skill 表)-- [x] **11 个子 skill** — 完整 SKILL.md(新增 `/cheat-shoot`:登记拍摄 + buffer 跟踪)-- [x] **7 份 shared-references 协议**(含 state-management.md / cadence-protocol.md)-- [x] **hooks/prediction-immutability** — 端到端验证 5/5 通过-- [x] **hooks/session-start** — SessionStart 自动报告(端到端 4 场景验证通过)-- [x] **hooks/meta-logging** — 被动使用记录(异步,不阻塞)-- [x] **Buffer 警戒系统**(cadence-protocol.md + cheat-shoot + cheat-publish 配对,按 target_publish_cadence_days 派生颜色阈值)-- [x] **script_patterns.md 写作 pattern 沉淀**(cheat-seed 写 draft 前必读,cheat-retro 复盘后建议追加新 pattern)-- [x] **starter-rubrics**: opinion-video.md(v2 已校准)+ opinion-video-zero.md(v0 cold-start,含比率桶 + cold-start 战略)-- [x] **tools/score-curve.py** — 已对真实 8 篇预测验证-- [x] **9 份 templates**(含视频分析的真实示例数据 + content.db.schema.sql 已 sqlite 验证 + prediction-cold-start.template.md)-- [x] **比率桶方案**:cold-start 用相对倍数桶,N=5/10 自动建议切绝对/percentile-- [x] **cold-start 简化预测**:前 5 篇只要 7 维打分 + 一句话 bet,不强求 bucket 数字-- [x] **adapters/trend-sources stubs**: weibo-hot.md + zhihu-hot.md(schema only,过渡期由 WebFetch 实现)--### v1 余项(批次 3,按需做)--- [ ] `tools/md-to-sqlite.py` 升级脚本(schema 已就位)-- [ ] `tools/validate-bump.py`(校准池全量重打的独立 CLI)-- [ ] `adapters/trend-sources/` 完整实现(专用 fetch 脚本替代 WebFetch + 加更多源:bilibili / 即刻 / hackernews / reddit)-- [ ] `adapters/perf-data/` + `adapters/candidate-pool/` 全套-- [ ] `starter-rubrics/long-form-essay.md` + `short-form-text.md`-- [ ] `examples/reference-implementation/` 视频分析脱敏快照-- [ ] License 决定(大概率 MIT)-------## 文件树+## 日常用法```-cheat-on-content/-├── SKILL.md ← 总协议 + 路由-├── README.md ← 本文件-├── skills/-│ ├── cheat-init/SKILL.md ← 入口 onboarding-│ ├── cheat-seed/SKILL.md ← Cold-start 选题启动器(brainstorm + 可选 draft)-│ ├── cheat-score/SKILL.md ← 单稿打分(无写入)-│ ├── cheat-predict/SKILL.md ← 盲预测 + immutable 日志-│ ├── cheat-publish/SKILL.md ← 发布元数据登记-│ ├── cheat-retro/SKILL.md ← 数据回收 + 复盘-│ ├── cheat-bump/SKILL.md ← rubric 升级(含跨模型审)-│ ├── cheat-recommend/SKILL.md ← 候选池排序推荐-│ ├── cheat-trends/SKILL.md ← 日常补充候选池(多 adapter 热点抓取)-│ └── cheat-status/SKILL.md ← 状态看板-├── shared-references/-│ ├── blind-prediction-protocol.md ← 原则 #1-│ ├── bump-validation-protocol.md ← 原则 #2-│ ├── observation-lifecycle.md ← 原则 #3-│ ├── prediction-anatomy.md ← 一份合格预测的 7 个组件-│ └── candidate-schema.md ← 候选项统一 schema-├── starter-rubrics/-│ ├── opinion-video.md ← v2 已校准-│ └── opinion-video-zero.md ← v0 cold-start-├── hooks/-│ ├── prediction-immutability.json ← 阻塞型钩子(PreToolUse)-│ ├── prediction-immutability.sh ← 拦截脚本-│ ├── meta-logging.json ← 被动钩子-│ └── log-event.sh ← 日志脚本-└── tools/- └── score-curve.py ← 预测精度收敛曲线+打分这篇 scripts/<...>.md → 评分+启动预测 scripts/<...>.md → 盲预测 + 决策日志+拍了 scripts/<...>.md → 建 video folder + buffer +1+已发布 https://... → buffer -1+复盘 videos/<...>/ → T+3d 数据回收 + 复盘+状态 / 抓热点 / 找选题 / 升级 rubric / 找对标```------## 借鉴的工程思想--本项目的工程结构借鉴 **[ARIS](https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep)**(一套用 Markdown 写成的可移植研究流水线 skill 集合,由社区维护,作为 ARIS 项目的下游应用):--- **多子 skill + 路由主 SKILL.md** — 抄 [ARIS research-pipeline](https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep/tree/main/skills/research-pipeline)-- **shared-references 共享协议组织** — 抄 [ARIS shared-references](https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep/tree/main/skills/shared-references)-- **state file + 子 skill 共享上下文** — 抄 [ARIS auto-review-loop](https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep/tree/main/skills/auto-review-loop)-- **多 adapter 热点抓取** — 抄 [ARIS research-lit](https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep/tree/main/skills/research-lit) + [arxiv](https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep/tree/main/skills/arxiv) + [semantic-scholar](https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep/tree/main/skills/semantic-scholar)-- **跨模型独立审核** — ARIS 的核心 insight(执行者不能审自己),应用到我们最高风险的 bump 决策点-- **被动钩子记录** — 抄 [ARIS meta_logging.json](https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep/blob/main/templates/claude-hooks/meta_logging.json)+每次开会话 hook 自动报告 buffer + 待复盘 + top 候选——你不用主动问。-**独立创新**:[`hooks/prediction-immutability.sh`](hooks/prediction-immutability.sh) 是阻塞型钩子——ARIS 全套钩子都是异步被动记录,没有 blocking。这是把"immutable 预测"从君子协定升级为 harness 强制的关键。+完整工作流 + 子 skill 细节见 [SKILL.md](SKILL.md)。---## License-待定(大概率 MIT)。+MIT。商用、改造、闭源接入都行。----*是的,他们会说这是作弊。拼写检查也曾是。Google 也曾是。未来不奖励努力——它奖励先看见的人。*+*他们会说这是作弊。计算器也曾是。Google 也曾是。未来不奖励努力——它奖励先看见的人。*diff --git a/skills/cheat-trends/SKILL.md b/skills/cheat-trends/SKILL.mdindex d432633..6c1c38a 100644--- a/skills/cheat-trends/SKILL.md+++ b/skills/cheat-trends/SKILL.md@@ -7,7 +7,7 @@ allowed-tools: Bash(*), Read, Write, Edit, Glob, WebFetch, Skill# /cheat-trends — 热点抓取-对标 [ARIS research-lit](https://github.com/wanshuiyin/Auto-claude-code-research-in-sleep/tree/main/skills/research-lit) 的多 adapter 模式。读 `trend-sources` adapter 的输出 → 去重 → 粗打分 → 写入 `candidates.md`。+多 adapter 模式:读各 `trend-sources` adapter 的输出 → 去重 → 粗打分 → 写入 `candidates.md`。## Overview