Content Factory

Step 0.5：自动检查待拉取数据（每次调用自动运行）

每次 skill 被调用时（无论什么任务），自动在后台检查是否有待拉取的文章数据。

时机：Skill 每次调用时自动执行，在用户主要任务之前静默运行
目的：用户不需要记住，数据自然积累

触发条件（同时满足）：
  1. history.yaml 中有文章的 media_id 非空（已发布）
  2. 该文章的 views/likes/completion_rate 全为 null（还没拉过数据）
  3. 发布至今已超过 24 小时

执行方式：
  python3 "$HOME/.claude/skills/content-factory/scripts/fetch_stats.py" \
    --client aijerrs --days 7 2>/dev/null
  （fetch_stats.py 内部会判断哪些文章需要拉取，自动跳过已拉过的）

提示语（运行前）：
  "🔄 检测到 N 篇待拉取数据的文章，正在后台更新..."

提示语（完成后）：
  "✅ 已更新 N 篇文章的数据"
  （如果全部已更新，则不显示）

路由：判断用户要做什么

优先顺序（从上到下匹配第一个）：

1. 用户说"写一篇..."、"帮我写公众号文章" → 走 Step 0 → Step 9（完整流程）
2. 用户提供了 URL（含抖音/小红书链接）→ 走 Flow 0（素材输入）
3. 用户说"记录选题" → 走 Flow 1
4. 用户说"深化选题" → 走 Flow 2
5. 用户说"生成标题" → 走 Flow 3
6. 不明确 → 用 AskUserQuestion 询问

AskUserQuestion Format

每次提问前：

1. 说明当前要做什么（一句话）
2. 用大白话解释选项
3. 给出推荐

完整流程：Step 0 → Step 9

当用户说"写一篇关于XXX的公众号文章"时，执行以下流程。

Step 0：触发 & 确定客户

读取客户配置：

cat "$HOME/.claude/skills/content-factory/clients/aijerrys/style.yaml"
cat "$HOME/.claude/skills/content-factory/clients/aijerrys/history.yaml" 2>/dev/null || echo "history: {}"

从 history.yaml 检查 7 天内是否写过相关主题（如有则降权）。

目标：确认客户风格、定位、人设。

Step 1：理解用户意图（全自动）

用户说"写一篇..."时，自动提取核心主题词，判断是否涉及 GEO/AI。

不需要问用户任何问题，直接进入 Step 2 自动抓热点 + 选题。

Step 1.5：读取 References（写作规范预热）

在正式开始写作前，先读取以下参考资料，确保全流程自动执行：

# 读取写作规范（Step 4 会用到）
cat "$HOME/.claude/skills/content-factory/references/writing-guide.md"

# 读取 SEO 规则（Step 5 会用到）
cat "$HOME/.claude/skills/content-factory/references/seo-rules.md"

# 读取视觉提示词规范（Step 6 会用到）
cat "$HOME/.claude/skills/content-factory/references/visual-prompts.md"

# 读取框架库（Step 3/4 会用到）
cat "$HOME/.claude/skills/content-factory/references/frameworks.md"

# 读取 playbook（如果存在，优先级最高）
if [ -f "$HOME/.claude/skills/content-factory/references/playbook.md" ]; then
  cat "$HOME/.claude/skills/content-factory/references/playbook.md"
fi

规则优先级：playbook.md > writing-guide.md（playbook 是客户个性化风格，writing-guide 是通用底线）

Step 2：自动抓热点 + SEO评分 + 完整选题评估（全自动）

完全自动化，不需要用户选择。

步骤 2.1：抓取多平台热点

python3 "$HOME/.claude/skills/content-factory/scripts/fetch_hotspots.py" --limit 20 2>/dev/null

输出：微博/头条/百度热点列表（JSON格式），取前20条。

步骤 2.2：SEO关键词评分

对每条热点运行seo_keywords.py评分：

python3 "$HOME/.claude/skills/content-factory/scripts/seo_keywords.py" "热点标题" 2>/dev/null

筛选标准：

• SEO评分高（搜索量大）
• 与AI/商业/创业/企业提效相关
• 7天内history.yaml无重复

步骤 2.3：匹配素材库

读取TOPIC_SELECTION + GOLD_QUOTES + CORE_CONCEPTS，对候选热点做三重匹配：

1. 热点词 → 选题-变现对照表痛点方向
2. 热点词 → 金句库相关金句
3. 热点词 → 核心概念库相关概念

步骤 2.4：完整执行 topic-selection.md 评分体系

对每个候选热点，执行 references/topic-selection.md 中的 10选题×3维度评分：

评分维度（按 references/topic-selection.md 规则）：

• 热度分（30%）：热搜前10→8-10分，10-30→5-7分，30后→1-4分；多平台同时出现+2分（封顶10）
• 相关度分（40%）：直接命中 topics→8-10分，间接相关→5-7分，勉强相关→3-4分，命中 blacklist→0分（淘汰）
• 切入价值分（30%）：有反直觉/信息差→8-10分，有争议/正反→6-7分，纯资讯→3-4分，太复杂/太浅→1-2分

content_style 加成（来自 style.yaml）：

• 干货型：选题含方法论/工具/教程 → +2
• 故事型：选题有人物/情节/转折 → +2
• 情绪型：选题引发共鸣/愤怒/感动 → +2
• 热点型：选题在热搜前10 → +2
• 测评型：选题含产品/工具/方案对比 → +2

历史去重（来自 topic-selection.md）：

• 7天内 history.yaml 有相同关键词 → 综合评分扣3分
• 7-30天内有相关文章 → 综合评分扣1分
• 超过30天 → 不扣分

综合评分公式：

总分 = 热度分×0.3 + 相关度分×0.4 + 切入价值分(含加成)×0.3

输出：Top 10 选题（按总分降序），每个包含：

• 标题（20-28字）
• 切入角度（1-2句话）
• 三维度分数 + 综合评分
• 推荐框架类型（痛点型/故事型/清单型/对比型/热点解读型）
• 历史标记（7天内重复标注⚠️）

步骤 2.5：自动选定最优选题

不需要问用户。 直接取 Top 1（综合评分最高）为最优选题。

输出最优选题，直接进入 Step 3（框架选择）。

Step 3：选题 + 框架选择

自动评分逻辑：

• 痛点匹配度（1-5分）
• 素材丰富度（1-5分）
• 爆款公式契合度（1-5分）
• 历史重复度（7天内写过扣分）

推荐最优，同时提供交互模式让用户选。

框架类型（从 references/frameworks.md 选取）：

• 痛点型：问题 → 原因 → 解决方案
• 案例型：XX公司怎么做 → 我怎么做
• 认知型：反常识 → 论证 → 行动
• GEO型：门店痛点 → GEO逻辑 → 实施步骤

Step 4：文章写作

输入：

• 选题方向（用户选定的）
• style.yaml（客户风格）
• 素材库弹药（金句 + 核心概念）
• references/writing-guide.md（已读）

流程：

1. 按选定框架 + style.yaml 风格写作
2. 引用金句库弹药（每篇至少嵌入 2 条金句）
3. 引用核心概念理论支撑
4. 热点作为标题钩子，不做为主体

执行 writing-guide.md 规则：

去AI痕迹（必须执行）

删除 AI 惯用词汇：

• 连接词：首先、其次、再者、最后、总之、综上所述、总而言之、此外、另外、与此同时
• AI惯用语：作为一个、让我们、值得注意的是、需要指出的是、不可否认、毋庸置疑、众所周知
• 空洞形容：非常重要、至关重要、不言而喻、具有重要意义、发挥着重要作用

必须添加的元素：

• 口语化表达：说实话、讲真、你猜怎么着、我跟你说、坦白讲、怎么说呢
• 个人观点标记：我觉得、我的看法是、以我的经验、据我观察
• 不完美感：偶尔自嘲、开小玩笑、用反问句打断节奏

打破段落匀称节奏：

• 穿插1句话的短段落（语气强调、转折、吐槽）
• 偶尔2-3个短句连续排列
• 长段落不超过150字
• 短段落和长段落交替出现

字数控制

• 目标：1500-2500字
• 最少1200字，最多3000字

框架选择（来自 frameworks.md）

根据 content_style 自动选择：

• 干货型 → 痛点型或清单型
• 故事型 → 故事型
• 情绪型 → 故事型或痛点型
• 热点型 → 热点解读型
• 测评型 → 对比型或清单型

输出：

• ${SKILL_OUTPUT}/{article-slug}/article.md
  • ⚠️ H1 标题即为微信推送标题，必须经过 Step 4.5 DBS 验证（封面/标题 ≥18）
  • 如果 DBS 封面/标题 <18，必须重新生成标题并替换 H1，禁止跳过
• 封面标题建议（3组差异化创意，用于 Step 6 生成封面图）

Step 4.5：dbs 五维诊断 ◀ 必须执行

⚠️ 强制门槛：封面/标题维度必须 ≥18/20，否则禁止推送

执行说明

Step 4.5 是 AI 在当前对话中执行的诊断（不是脚本调用）。 执行方式是：AI 读取 article.md 内容，用下方诊断 prompt 进行评估，然后根据结果决定是否要改稿。

诊断执行

AI 读取后，执行以下诊断评估：

输入：读取 references/dbs_diagnosis_prompt.md + references/visual-prompts.md（封面创意A的提示词）+ article.md（正文）

评估 prompt（AI 在当前对话中运行）：

你是一个爆款内容诊断师。请对以下公众号文章进行五维诊断。

## 文章内容
{article_text}

## 诊断框架（百分制）

| 维度 | 满分 | 得分 | 具体问题 |
|------|------|------|---------|
| 文字洁癖 | 20 | ? | |
| 封面/标题 | 20 | ? | |
| 表达效率 | 20 | ? | |
| 认知落差 | 20 | ? | |
| AI辅助 | 20 | ? | |

## 诊断标准

**封面/标题（20分）** ← 必须 ≥18
- 扣分项：平铺直叙，没有数字/效果承诺/反差感/好奇心
- 加分项：标题有钩子，能引发好奇或共鸣，数字明确/反直觉/痛点戳人

**文字洁癖（20分）**
- 扣分项：AI套话（"值得注意的是"、"毋庸置疑"）、术语不解释、强行励志
- 加分项：大白话、有温度、像朋友说话

**表达效率（20分）**
- 扣分项：一段话说不清核心、段落冗余
- 加分项：一句话能概括核心、段落清晰不长

**认知落差（20分）**
- 扣分项：读者看完觉得"我早知道了"、没有新认知冲击
- 加分项：反常识/颠覆认知、有独特见解

**AI辅助（20分）**
- 扣分项：只有理论没有操作指引、AI工具没说具体名字
- 加分项：有具体工具名、有操作步骤、有案例

## 输出格式

**总分**：/100

**各维度得分**：
- 封面/标题：{分}/20
- 文字洁癖：{分}/20
- 表达效率：{分}/20
- 认知落差：{分}/20
- AI辅助：{分}/20

**封面/标题专项建议**（如果<18分）：
{{ 具体指出标题哪里不够吸引人，给出3个优化方向 }}

**修改建议**（如果任何其他维度<18分）：
{{ 针对每个<18分的维度给出具体改稿方向 }}

决策规则

⚠️ 封面/标题 <18 是硬性阻断——不允许跳过，不允许绕过

Step 5：SEO优化 + 去AI痕迹（完整执行 seo-rules.md）

执行 references/seo-rules.md 中的全部规则：

标题优化

• 长度检查：20-28个中文字（微信标题限制64字符）
• 有效套路检查（至少满足1项）：
  • 数字型：「3个方法」「90%的人不知道」「5分钟搞定」
  • 信息差：「你以为...其实...」「被忽略的...」
  • 反直觉：「为什么X反而更好」「别再...了」
  • 痛点型：直接戳目标读者的具体问题
• 避免：标题党（震惊！必看！）、太学术、太模糊
• 生成 3 个备选标题，标注每个的策略

摘要优化

• 包含核心关键词
• 制造悬念（「...结果出乎意料」）或给出价值承诺（「读完你会知道...」）
• 不重复标题

正文关键词

• 核心关键词在前200字内出现（微信搜一搜权重最高区域）
• 全文自然出现3-5次
• 用同义词/近义词替换，避免堆砌感
• 关键词出现在H2标题中加分

标签推荐

生成 5 个精准标签：

• 2个行业大词（如：人工智能、产品设计）
• 2个热点词（如：GPT-5、Sora）
• 1个长尾词（如：AI产品经理转型）

完读率优化

• 每段不超过150字
• 每3-4段设置一个钩子（悬念、反转、金句），防止读者中途退出
• 每400-500字插入一张配图（由 Step 6 生成）
• H2标题要有信息量（不要写"一、背景"，要写"为什么90%的人都选错了"）
• 结尾不要太长（≤100字）
• CTA要具体（不要"欢迎留言"，要"你觉得哪个方案更靠谱？评论区聊聊"）

年份智能检查（AI生成内容必做）

AI生成的文章常出现"2025年的某天"等过去年份，必须更新为当前年份：

from toolkit.xiaohu_wrapper import check_and_fix_years

# 检查并修正绝对年份（叙述性当前时间才改，历史引用不改）
article_md_path = f"{OUTPUT_DIR}/article.md"
with open(article_md_path, 'r') as f:
    article_text = f.read()

updated_text, year_changes = check_and_fix_years(article_text)
if year_changes:
    with open(article_md_path, 'w') as f:
        f.write(updated_text)
    print(f"年份修正: {year_changes}")

判断规则：

• 叙述性当前时间（「2025年的某天」「在2025年已经...」「现在2025年...」）→ 更新为2026年
• 历史引用（「1998年」「1970年代」「过去...1998年」）→ 不修改
• 相对时间（「去年」「今年」「上个月」）→ 不修改

Step 6：视觉AI生图（完整执行 visual-prompts.md）

封面：2.35:1，主题相关。不允许跳过，不允许失败。

封面图（3组差异化创意）

完整执行 references/visual-prompts.md 中的一、封面图规则：

生成 3 组封面创意（确保差异化）：

创意 A: 直觉冲击型

• 策略：用一个视觉隐喻直接表达文章核心观点
• 适合：热点类、观点类文章
• 风格：大胆、对比强烈、第一眼抓眼球

创意 B: 氛围渲染型

• 策略：营造一种情绪或场景氛围，引发好奇
• 适合：故事类、情绪类文章
• 风格：细腻、有质感、让人想点进去看

创意 C: 信息图表型

• 策略：用简洁的图形/图标/数据可视化传递信息
• 适合：干货类、清单类、测评类文章
• 风格：简洁、专业、一眼看懂文章主题

AI 绘图提示词格式（每组输出）：

### 封面创意 A: {创意名称}
- 视觉描述：{详细的画面描述，100-150字}
- 色调：{主色+辅色}
- 构图：{横版 16:9，主体位置、留白位置}
- 文字区域：{标题放在什么位置，需要留多大空间}
- AI 绘图提示词：
  "{英文提示词，适配主流 AI 绘图工具，包含风格、构图、色调，光影}"
- 适配工具建议：{即梦/文心一格/Midjourney/DALL-E 中哪个最适合}

提示词撰写要点：

• 始终指定 16:9 aspect ratio, horizontal composition
• 避免生成文字（AI 绘图工具生成的文字通常是乱码）
• 指定 no text, no letters, no words 防止出现乱码文字
• 为标题留出干净的空间：clean space on the left/right/bottom for text overlay

内文配图（3-6张）

完整执行 references/visual-prompts.md 中的二、内文配图规则：

第一步：提取结构

• 列出所有 H2 标题及其下属段落
• 统计每个论点段落的字数和核心内容

第二步：逐个论点判断是否需要配图

第三步：确定位置（精确段落索引）

⚠️ 必须使用精确段落索引，禁止使用 i * 6 等估算值。

AI 必须对 article.md 做完整段落统计，再决定每张配图的插入位置：

统计 article.md 中的：
1. 全部 <p> 段落数量（N）
2. 每个 H2 标题下辖的段落数
3. 每个配图应插入在哪个段落索引之后

配图位置决策规则：
- 配图插入在对应段落**之后**（不是之前）
- 每个 H2 段落内最多 1 张配图
- 优先：有数据/统计的段落 > 有场景描写的段落 > 长段落（>400字无图）
- 间隔检查：相邻两张配图之间至少间隔 300 字（约3-4段）
- 总数规则：1500字→3张，2000字→4张，2500字→5-6张

img_map 输出格式（JSON）：
{
  "article_img_1.png": <段落索引(0-based)>,
  "article_img_2.png": <段落索引(0-based)>,
  ...
}
例：{"article_img_1.png": 6, "article_img_2.png": 14, "article_img_3.png": 22}
含义：article_img_1.png 插在第6段后，article_img_2.png 插在第14段后...

配图提示词格式（每张输出）：

### 配图 {序号}: 位于「{H2标题}」第{N}段后
- 配图目的：{信息强化/场景还原/节奏调节}
- 段落索引：{N}（0-based，用于 img_map）
- 对应内容：{这段讲了什么，1句话概括}
- 画面描述：{具体的画面内容，80-120字}
- AI 绘图提示词：
  "{中文提示词，给 doubao-seedream 用}"
- 备选方案：{Unsplash/Pexels 搜索关键词}

封面图生成（使用创意 A 作为默认）

封面生成命令：

ARTICLE_TITLE="<文章标题>"
SLUG="<slug>"
COVER_PROMPT="<使用封面创意 A 的 AI 绘图提示词>"
OUTPUT_DIR="${SKILL_OUTPUT}/${SLUG}"
mkdir -p "$OUTPUT_DIR"

python3 "$HOME/.claude/skills/content-factory/toolkit/image_gen.py" \
  --prompt "$COVER_PROMPT" \
  --output "${OUTPUT_DIR}/cover.png" \
  --size cover 2>&1

封面生成后必须验证文件存在：

if [ ! -f "${OUTPUT_DIR}/cover.png" ]; then
  echo "ERROR: 封面生成失败，尝试备选prompt（创意B）"
  # 换备选prompt重试一次
fi

禁止在封面生成失败时继续流程。必须解决后才能推送。

内文配图生成（调用 image_gen.py --size article）

完整执行 references/visual-prompts.md 规则，生成 3-6 张内文配图并调用 image_gen.py：

第一步：提取结构并生成提示词（已在上面完成，输出格式如下）

第二步：将提示词写入临时脚本，再执行生成：

# AI 已生成 img_map.json（格式：{"article_img_1.png": 6, ...}）
# 读取 img_map（Step 7.2 需要）
if [ -f "${OUTPUT_DIR}/img_map.json" ]; then
  echo "找到 img_map.json"
else
  echo "ERROR: img_map.json 不存在，请确保 AI 在生成配图提示词时已输出该文件"
  exit 1
fi

# 将 AI 生成的配图提示词写入临时脚本
cat > /tmp/article_img_prompts.sh << 'IMGSCRIPT'
# 格式：ARTICLE_IMG_1_PROMPT="..."
# 格式：ARTICLE_IMG_2_PROMPT="..."
# ...
IMGSCRIPT

# 加载提示词变量
source /tmp/article_img_prompts.sh

# 确定配图数量
ARTICLE_IMG_COUNT=$(grep -c 'ARTICLE_IMG_[0-9]*_PROMPT=' /tmp/article_img_prompts.sh || echo 0)
echo "将生成 ${ARTICLE_IMG_COUNT} 张内文配图"

# 逐张生成内文配图
for i in $(seq 1 $ARTICLE_IMG_COUNT); do
  # 动态获取变量值
  IMG_PROMPT=$(eval echo \$$(printf "ARTICLE_IMG_%d_PROMPT" $i))
  IMG_OUTPUT="${OUTPUT_DIR}/article_img_${i}.png"

  if [ -z "$IMG_PROMPT" ]; then
    echo "WARNING: 配图 ${i} 无有效提示词，跳过"
    continue
  fi

  echo "生成内文配图 ${i}/${ARTICLE_IMG_COUNT}..."
  python3 "$HOME/.claude/skills/content-factory/toolkit/image_gen.py" \
    --prompt "$IMG_PROMPT" \
    --output "$IMG_OUTPUT" \
    --size article 2>&1

  if [ -f "$IMG_OUTPUT" ]; then
    echo "  ✓ 内文配图 ${i} 生成完成"
  else
    echo "  ✗ 内文配图 ${i} 生成失败（文件未生成）"
  fi
done

echo "内文配图生成完毕，共 ${ARTICLE_IMG_COUNT} 张"

配图生成顺序：

• 按 H2 段落顺序插入
• 总数：1500字→3张，2000字→4张，2500字→5-6张
• 相邻两张配图之间至少间隔 300 字

注意：内文配图生成失败不影响继续流程（封面必须成功，配图建议生成）。如失败，在最终报告中标注。

Step 7：排版（xiaohu-wechat-format ◀ 优先 | WeWrite ◀ 备选）

优先使用 xiaohu-wechat-format（31套主题），如 xiaohu 未安装则降级到 WeWrite 内置主题。

步骤 7.1：AI 自动选择 xiaohu 主题

调用 xiaohu_wrapper.py 的 auto_theme_selection() 函数，根据文章内容自动选择最佳主题：

from toolkit.xiaohu_wrapper import auto_theme_selection, is_available

# 读取文章内容
article_md_path = f"{OUTPUT_DIR}/article.md"
with open(article_md_path, 'r') as f:
    article_content = f.read()

# AI 自动选主题
if is_available():
    selected_theme = auto_theme_selection(article_content, ARTICLE_TITLE)
    print(f"AI 自动选择主题: {selected_theme}")