Skill Content Postmortem

内容复盘与爆款规律提炼

拆解单条内容的成败原因，或从多条内容中提炼可复制的爆款公式。

输入

模式 A — 单条复盘

模式 B — 规律提炼

若用户未提供数据指标，基于内容本身做定性分析，明确标注"无数据支撑，仅为结构性判断"。

输出

模式 A — 单条复盘报告

markdownCopy code
# 内容复盘：[标题摘要]

## 结论速览
- 判定：爆款 / 中等 / 扑街（附判定依据）
- 核心成因：一句话总结

## 多维拆解

### 1. Hook 分析
- 开头类型（提问 / 冲突 / 数字 / 故事 / 悬念）
- 前 3 秒 / 前 2 行吸引力评分（1-10）
- 改进建议

### 2. 内容结构
- 结构类型（总分总 / 递进 / 并列 / 故事弧）
- 信息密度与节奏
- 高光点与断裂点

### 3. 选题评估
- 选题热度（趋势型 / 常青型 / 冷门型）
- 受众痛点匹配度
- 差异化角度

### 4. 平台适配
- 是否符合平台内容偏好
- 格式适配（图文 / 视频 / 长度 / 标签策略）
- 分发机制利用程度

### 5. 时间与节奏
- 发布时间是否为活跃时段
- 是否踩中热点窗口
- 互动节奏（评论区运营）

### 6. 视觉 / 封面（如适用）
- 封面吸引力
- 视觉风格与平台调性匹配

## 改进处方
- 3 条具体可执行的优化建议（按优先级排序）

## 数据备注
- 数据来源与置信度说明

维度评分标尺

references/postmortem-dimensions.md 提供 Hook力 / 内容结构 / 信息密度 / 互动引导 / 视觉排版 / 平台适配 六维的 1-10 打分标尺；选题、时间节奏为定性分析维度（不打分）。

模式 B — 规律提炼报告

markdownCopy code
# 爆款规律提炼：[账号/主题]

## 数据概览
- 分析范围：X 条内容，时间 Y-Z
- 爆款标准：[用户定义或系统推断的阈值]
- 爆款率：X%

## 爆款共同特征
| 维度 | 爆款共性 | 扑街共性 | 差异显著性 |
|------|----------|----------|------------|
| Hook 类型 | | | |
| 选题方向 | | | |
| 内容结构 | | | |
| 发布时间 | | | |
| 内容长度 | | | |
| 标签策略 | | | |
| 视觉风格 | | | |

## 爆款公式
- 公式 1：[选题类型] + [Hook 模式] + [结构] = 高概率爆款
- 公式 2：...
- 反面公式：[避免的组合]

## 可复制行动清单
1. 下一条内容立即可用的 3 个策略
2. 中期优化方向（1-2 周内调整）

## 数据局限
- 样本量、数据完整性、平台算法变化等局限说明

爆款公式模板

[标题公式] 情绪词 + 数字 + 悬念/反差 [结构公式] Hook(前3秒) → 痛点共鸣 → 解决方案 → 行动号召 [选题公式] 热点事件 × 垂直领域 × 反常识角度

每个拆解输出：

• 公式名称（≤8字，便于复用）
• 公式结构（用 → 连接各环节）
• 可迁移条件（什么类型的内容可以套用）
• 套用示例（用创作者自己的领域举一个例子）

执行步骤

模式 A — 单条复盘

1. 确认模式：根据用户输入判断是单条复盘还是规律提炼。若用户只提供一条内容，进入模式 A。
2. 采集上下文：确认平台、发布时间、数据指标。缺失数据主动询问一次，用户不补充则继续。
3. 基线建立：若有同期对照数据，计算偏离度；若无，使用平台通用基线（参考 references/ 中的平台特征数据）。
4. 多维拆解：可打分维度（Hook力/内容结构/信息密度/互动引导/视觉排版/平台适配）用 references/postmortem-dimensions.md 的 1-10 标尺；选题、时间节奏做定性判断。每个维度给出判断和证据。
5. 归因排序：识别最关键的 1-2 个成败因素，区分"内容因素"和"运气因素"（如平台推荐、热点窗口）。
6. 生成处方：输出 3 条具体、可执行、有优先级的改进建议。
7. 输出报告：按输出模板生成完整报告，保存到 outputs/。

模式 B — 规律提炼

聚合统计交给脚本，LLM 只做规律提炼。 阈值划分 top20%、爆款组 vs 普通组分组对比、多维交叉、标签共现全部由 scripts/aggregate.py 完成（复用 ../../shared/scripts/social_stats.py 的 engagement_score/engagement_rate/cooccurrence/pct_change/sample_warning）。

1. 数据摄入：接收多条内容数据，标准化为统一 JSON 数组（每条含标题、平台、数值指标 likes/collects/comments/shares/views，及维度字段 hook_type/topic/structure/length_bucket/time_bucket/tags 等），写入临时文件。
2. 调用脚本聚合：

   bashCopy code
   python3 skills/openclaw/skill-content-postmortem/scripts/aggregate.py --input contents.json
   python3 skills/openclaw/skill-content-postmortem/scripts/aggregate.py --input contents.json \
     --metric collects --threshold 500 --cross "hook_type,topic"  # 指定排名字段/绝对阈值/两维交叉
   

   脚本自动完成：阈值划分（--threshold 优先，否则 --top-pct 百分位）、爆款组/普通组分组对比（每维度 count/top_count/top_rate_pct/avg_score/lift_vs_global）、两维交叉、标签共现、样本量警告。
3. 模式识别 + 公式生成（LLM 解读）：从 by_dimension/cross 读出爆款组高频、高 lift 的取值组合，总结为可复制的"爆款公式"（选题 + Hook + 结构）。
4. 反面总结 + 行动清单（LLM 解读）：从低 top_rate / 负 lift 取值总结"避坑清单"，输出分层建议（立即可用 / 中期调整），转达脚本样本量 warning。
5. 输出报告：按模板生成，保存到 outputs/。

Profile 感知

有 Profile 时：

• 读取 identity.md（账号定位、内容风格、赛道信息）
• 读取 audience.md（目标受众画像、痛点偏好）
• 读取 platforms.md（各平台运营策略与历史表现）
• 复盘时结合账号定位判断选题适配度（"这个选题对你的受众来说太泛了"）
• 规律提炼时按账号阶段给出针对性建议（冷启动期 vs 增长期 vs 变现期）
• 对照 Profile 中的"表现好的内容"做历史比较

无 Profile 时：

• 退到通用模式，基于平台通用规律分析
• 不做账号定位相关的适配度判断
• 提示用户补充 Profile（identity.md / audience.md / platforms.md）可获得更精准复盘

自研溯源与参考项目见同目录 EASEL-META.md。