Factual Evidence

Community

kangarooking

factual-evidence

当用户需要用客观数据或直观实验来证明产品性能时调用此 skill。适用场景：产品有可量化的性能优势（如更强、更轻、更持久）、需要视觉化展示产品实力、消费者对产品功效有理性疑虑。不适用于：纯情感型产品（如礼品）、无法量化的体验（如口感）。关键 trigger 信号：用户提到"数据证明""实验对比""性能参数""效果演示""直观展示"。核心方法分两路：直接证明（精确数据 + 链接到熟悉事物）和间接证明（设计实验创造视觉对比）。

Overview

Publisher	kangarooking
Repository	`viral-copywriting-skill`
Skill name	`factual-evidence`
Stars	80
Forks	12
Bundled files	1
License	MIT
Links	Skill source Repository

Markdown instructions
A SKILL.md file the model loads on demand, so it only costs tokens when a request actually matches.
Works with any LLM
AI skills are plain Markdown, not provider-specific code, so this works with GPT, Claude, Gemini, Grok, or a local model.
1 bundled files
Scripts, templates, and references the model can read while it works. Files are read-only and never executed.
Open source
Published by kangarooking on GitHub. Read the source before you install it.

Installation

Install the Factual Evidence AI skill in TypingMind to use it with any LLM, or drop it into another agent that reads SKILL.md.

Install in TypingMind

TypingMind installs a skill straight from its GitHub folder — it reads SKILL.md, bundles the resource files, and stores the result locally.

Open the app and go to Plugins → Skills.
Choose "Install from GitHub".
Paste the skill folder URL below and confirm.
https://github.com/kangarooking/viral-copywriting-skill/tree/main/factual-evidence
Enable the skill in any chat where you want it available.

Plugins → Skills → Add skill → From GitHub URL, then paste the folder URL and press Continue.

Install in another agent

Any agent that reads the Agent Skills format can use this skill — copy the folder into that agent's skills directory.

Claude Code — .claude/skills

git clone --depth 1 https://github.com/kangarooking/viral-copywriting-skill.git /tmp/viral-copywriting-skill
mkdir -p .claude/skills
cp -r /tmp/viral-copywriting-skill/factual-evidence .claude/skills/factual-evidence

Restart Claude Code after copying so it picks up the new skill.

Use it in TypingMind

Enable Factual Evidence in any TypingMind chat and the model takes it from there. Its name and description sit in the system prompt, and the moment a request matches, the model loads the full instructions itself — you never invoke it by hand, and it costs no tokens until it is actually used.

The model loads Factual Evidence on its own as soon as a request matches it.

Works with any AI model

AI skills are plain Markdown instructions rather than provider-specific code, so Factual Evidence is not tied to the model it was written for. Install it once in TypingMind and use it with GPT-5, Claude, Gemini, Grok, DeepSeek, Mistral, Llama, or a local model you run yourself — all on your own API keys.

Loaded only when it is needed
The system prompt carries just the name and description. The instructions are fetched on the first matching request, so an idle skill costs nothing.
Switch models mid-chat
Because the skill is instructions rather than code, changing model does not break it — the next model reads the same SKILL.md.

Skill instructions

This is the SKILL.md content the model loads. Read it before installing — a skill is instructions your model will follow.

事实证明写作法

R — 原文 (Reading)

当顾客认为你卖的产品很好，但不是很相信的时候，你可以用事实证明来打消他的疑虑。事实证明分两步：第一步，收集产品的性能数据；第二步，把数据链接到读者熟悉的事物上。如果产品性能不方便量化，那就设计一个实验，创造强烈的视觉对比。

— 关健明, 第二章 2.2

I — 方法论骨架 (Interpretation)

事实证明的核心逻辑：用看得见、摸得着的事实替代空洞的自夸。

直接证明路线（两步法）：

收集精确数据: 挖掘产品的可量化性能指标——不是"很好"，而是"高出行业平均37%"。
链接到熟悉事物: 精确数据本身没有意义，只有链接到消费者熟悉的事物才有感知力。不是"噪音低于30分贝"，而是"比翻书的声音还轻"。

间接证明路线（实验法）： 3. 设计视觉实验: 当性能不便量化时，设计一个消费者能直接看到结果的实验。 4. 创造极端对比: 实验的关键不是展示产品多好，而是展示"用了"和"没用"之间的巨大反差。

常见实验类型：燃烧（材质纯度）、浸泡（防水/溶解性）、冷冻（耐寒性）、化学试剂（成分真实性）。

A1 — 书中的应用 (Past Application)

案例 1: 奥格威的劳斯莱斯广告

问题: 如何用一句话证明劳斯莱车的安静程度？
方法论的使用: 第一步收集数据——车速60英里/小时时车内最大噪音来自电子钟；第二步链接到熟悉事物——消费者对"电子钟的滴答声"有直观感知。
结论: 不是说"非常安静"，而是用一个消费者能想象的具体声音来定义"安静"的程度。
结果: 这条广告被公认为史上最伟大的汽车广告之一。

案例 2: 手工洁面皂泡沫实验

问题: 手工洁面皂主打"泡沫丰富"，但"丰富"是主观描述，消费者无感。
方法论的使用: 设计实验——将手工洁面皂和市售工业洁面皂分别搓揉等量时间，对比泡沫体积。手工皂的泡沫是对方的3倍高。
结论: 视觉对比让"泡沫丰富"从抽象形容词变成可感知的具体事实。
结果: 消费者看到对比图后对产品性能有了直观认知，转化率提升。

案例 3: 床垫鸡蛋实验

问题: 床垫"贴合人体、分散压力"是技术语言，消费者无法理解。
方法论的使用: 在床垫上放鸡蛋，人躺上去后鸡蛋不碎。这个极端实验将"分散压力"这个抽象概念转化为"连鸡蛋都不会碎"的直观画面。
结论: 用脆弱的鸡蛋作为"压力传感器"，比任何数据都直观。
结果: 实验视频在社交媒体上获得大量传播，远超常规产品介绍。

案例 4: 纯棉卫生巾燃烧实验

问题: 消费者怀疑卫生巾材质不是纯棉。
方法论的使用: 同时燃烧纯棉卫生巾和化纤卫生巾——纯棉燃烧后成灰（一吹即散），化纤燃烧后结成硬块（有刺鼻气味）。
结论: 燃烧实验直接暴露材质差异，比任何成分表都有说服力。
结果: 消费者通过实验亲眼看到材质区别，信任度大幅提升。

案例 5: 牙膏菌斑指示剂实验

问题: 牙膏"深层清洁"难以被消费者感知。
方法论的使用: 刷牙前用菌斑指示剂染色（牙菌斑显红色），刷牙后再检测——红色大幅减少。前后对比一目了然。
结论: 用指示剂将"看不见的清洁效果"变成"看得见的颜色变化"。
结果: 实验前后对比图成为产品最有力的卖点证明。

A2 — 触发场景 (Future Trigger) ★

用户会在什么情境下需要这个 skill?

产品有明确的性能参数，但不知道怎么让消费者"感受到"数据的分量。
消费者对产品功效半信半疑，需要用直观事实打消疑虑。
产品优势是"材质好""成分纯"等消费者无法直接判断的维度，需要通过实验间接证明。
竞品也在自夸，需要用客观数据和实验拉开差距。
准备拍摄产品演示视频或制作对比图。

语言信号

"产品性能数据很好，但怎么让消费者感受到？"
"怎么证明我们的产品真的更好？"
"需要做一个产品对比实验"
"怎么把技术参数翻译成消费者能懂的语言？"
"想做一个直观的产品演示"
"怎么让消费者亲眼看到效果？"

与相邻 skill 的区分

与 authority-transfer 的区别: authority-transfer 借第三方权威的认可来证明，factual-evidence 直接用产品自身的性能数据和实验来证明。前者是"谁说的"，后者是"事实是什么"。
与 price-anchor 的区别: price-anchor 用价格对比来凸显性价比，factual-evidence 用性能对比来凸显产品实力。前者针对价格认知，后者针对产品认知。

E — 可执行步骤 (Execution)

判断证明路线
- 完成标准: 确认产品的性能优势是否可量化。如果可以（如噪音值、重量、强度），走直接证明路线；如果不方便量化（如材质纯度、清洁深度），走间接证明（实验）路线。
直接证明——收集精确数据
- 完成标准: 写出产品性能的具体数字，不能是"更好""更强"这种模糊描述，必须是"高出37%""只有2.3克"这样的精确数据。
直接证明——链接到熟悉事物
- 完成标准: 为每个精确数据找到消费者日常生活中的对应物。公式："[数据]，相当于[熟悉事物]"。如"30分贝，比翻书的声音还轻"。
间接证明——设计实验
- 完成标准: 设计一个消费者能直接看到结果的实验。实验必须满足：(1) 条件公平（同量、同时、同环境）；(2) 结果直观（肉眼可判断）；(3) 对比强烈（实验组和对照组差异明显）。
拍摄/记录实验过程
- 完成标准: 保留实验全过程，展示"实验前—实验中—实验后"三个阶段，增强可信度。
最终检查
- 完成标准: 确认：(1) 数据精确且来源可靠；(2) 熟悉事物的类比恰当不夸张；(3) 实验条件公平透明；(4) 消费者看完能直接得出"这产品确实好"的结论。

B — 边界 (Boundary) ★

不要在以下情况使用此 skill

产品性能没有明显优势时（数据对比反而暴露短板）。
产品优势在于情感价值而非功能性能时（如礼品、纪念品）。
实验设计可能产生安全隐患时（涉及明火、化学品等，需专业人员操作）。
性能差距太小，数据和实验都无法制造足够强烈的对比时。

作者在书中警告的失败模式

数据不精确: 用"大幅提升""显著改善"等模糊词，消费者不信。必须用精确数字。
类比不恰当: 链接到消费者不熟悉的事物。"噪音低于30分贝"链接到"比图书馆还安静"可以，链接到"比消音室高3分贝"就不行。
实验条件不公平: 对比实验中给竞品设置不利条件（如少用材料、缩短时间），被识破后信誉全毁。
只展示数据不链接: 贴出一堆技术参数表格，没有转化为消费者能理解的语言。

作者的盲点 / 时代局限

书中未讨论视频/短视频平台的实验展示策略——在抖音/快手上，实验的节奏、悬念设计和BGM配合都会影响传播效果。
未涉及"用户参与实验"的互动策略——让消费者自己动手实验，比观看实验更有说服力。
未讨论第三方检测报告的整合使用——在跨境电商、天猫国际等平台，第三方检测数据已成为标配。

审计信息

验证通过: V1 ✓ / V2 ✓ / V3 ✓
测试通过率: 待测
蒸馏时间: 2026-05-02

Bundled files

The model reads these on demand while the skill is loaded. They are exposed as readable files and are never executed.

test-prompts.json3 KB

Frequently asked questions

What does the Factual Evidence AI skill do?

Why use Factual Evidence on TypingMind?

Because you install it once and use it with any model. Factual Evidence is plain Markdown rather than provider-specific code, so the same skill runs on GPT-5, Claude, Gemini, Grok, or a local model — and you can switch model mid-chat without it breaking. TypingMind runs on your own API keys, so you pay providers directly instead of a per-seat subscription, and your skills and chats stay in your own storage.

How do I install Factual Evidence in TypingMind?

Open Plugins → Skills → Install from GitHub in TypingMind and paste https://github.com/kangarooking/viral-copywriting-skill/tree/main/factual-evidence. TypingMind reads its SKILL.md and bundles its files and installs it as a skill you can enable per chat.

Which AI models can use Factual Evidence?

Any model you connect in TypingMind. AI skills are plain Markdown instructions rather than provider-specific code, so GPT, Claude, Gemini, Grok, and local models can all load this skill when a request matches it.

How many AI models can I use with Factual Evidence?

As many as you like. As long as a model supports skills, you can use Factual Evidence with it — GPT, Claude, Gemini, Grok, DeepSeek, Mistral, Llama and more — all on TypingMind with your own API keys.

Is the Factual Evidence AI skill free?

Yes. It is published on GitHub by kangarooking under the MIT license. You only pay your own AI provider for the tokens you use.

What are AI skills?

An AI skill is a reusable instruction bundle that teaches an AI model how to do one specific task. It follows the open Agent Skills format: a SKILL.md file with a name and description, plus any scripts, templates or reference files the model may need. The model reads the instructions only when your request matches the skill, so an installed skill costs nothing until it is used.

How are AI skills different from plugins or MCP servers?

A plugin or MCP server gives a model new tools to call — code that runs somewhere and returns a result. An AI skill gives the model knowledge and process instead: how to approach a task, which steps to follow, what good output looks like. Skills are plain Markdown, so they need no server, no API key and no runtime, and they work with any model.

View all

Karpathy Guidelines

multica-ai

OrganizationPopular

Behavioral guidelines to reduce common LLM coding mistakes. Use when writing, reviewing, or refactoring code to avoid overcomplication, make surgical changes, surface assumptions, and define…

Create Agent

Create a custom agent (.agent.md) for a specific job.

Create Hook

Create a hook (.json) to enforce policy or automate agent lifecycle events.

Generate Run Commands

microsoft

OrganizationPopular

Generate or modify run commands for the current session. Use when the user wants to set up or update run commands that appear in the session's Run button.

Factual Evidence

Overview