🌐 中文 · English
「你的下一条内容已经在改写3个月后的你——规律是客观存在的，区别是你看见还是没看见」
把内容创作变成可校准的预测循环——打分、预测、发布、复盘、进化，每一轮都比上一轮准。
你做了 20 条视频，能说清楚哪条为什么爆、哪条为什么凉吗？
大多数人说不清。不是不努力，是每次发完内容就翻篇了，没有留下任何可回溯的判断记录。三个月后，你还在凭感觉选题、凭感觉写稿、凭感觉定标题——和第一天没有任何区别。
普通做法是"发完看数据，感觉好就继续，感觉不好就换方向"。问题在于：感觉不可校准。你永远不知道自己的判断偏高了还是偏低了，因为没有对照——发布前你根本没写下预期。
Yang.skills 换了一个思路：在发布之前先写预测。把"我觉得这条能跑 5 万播放"变成白纸黑字。3 天后真实数据回来，偏差一目了然。每一轮预测-复盘都在修正你的判断模型，就像机器学习的训练循环——样本越多，预测越准。
## 预测（发布前写入，不可修改）
- 预期播放量：3w-8w
- 流量档次：B+（稳定推荐池）
- 置信度：medium（校准样本 7 条）
- 核心判断：钩子冲击力强，但情绪曲线后半段平
## 复盘（T+3d 真实数据回来后追加）
- 实际播放量：4.2w
- 偏差：+5%，落在预测区间内
- 偏差归因：情绪后半段平的判断正确，完播率 38% 低于对标均值 45%
- 校准信号：情绪曲线后半段衰减对完播率的影响权重可能被低估# 润色前（AI 味）
在当今社会中，短视频已经成为了一种非常重要的信息传播方式。
据统计，每天有超过数亿用户在各大平台上观看短视频内容。
# 润色后（活人感）
你刷到的每条视频都在抢你的三秒钟。不是内容不够好，
是开头那三秒没让你停下来。我拍了 30 条才搞明白这件事。# yang-score 输出
| 维度 | 分数 | 锚点对比 |
|------------|------|-----------------------|
| 钩子冲击力 | 7.2 | 高于对标均值 6.5 |
| 情绪曲线 | 5.8 | 低于对标均值 6.8 ⚠️ |
| 信息密度 | 6.5 | 与对标持平 |
| 文案力 | 7.0 | 高于对标均值 6.2 |
| composite | 6.6 | 建议补强情绪曲线 |输入：「帮我找一些搜索量高但竞争低的选题」
输出：
🔍 搜索意图选题报告 · 种子词: AI工具
📊 信号分布:
搜索建议: 18条 | 相关搜索: 12条 | 问题型需求: 8条 | 长尾词: 25条 | 内容空白: 3条
🅰 高优先（内容空白检测命中）:
1. "AI工具怎么选不踩坑" — 内容空白评分:0.82
信号: content_gap · 搜索结果同质化87%，无视频内容
机会: 做对比测评视频，搜索意图强但内容差
🅱 中优先（搜索建议+问题型）:
2. "免费AI写作工具推荐" — 百度搜索建议第3位
3. "AI工具哪个好 知乎" — 知乎问题 2.3k关注/387回答
📚 知识依据：E-搜索意图 | A-选题
输入：「润色这段脚本，然后告诉我改了多少」
输出：
🧪 Humanness Score 变化:
Before: 32 🔴 → After: 78 🟢 (+46)
维度变化:
H-OPEN: 15 → 85 (+70) "在当今社会中" → 直接场景切入
H-FLOW: 25 → 72 (+47) 三段式 → 自然过渡
H-SPEC: 40 → 82 (+42) "极大地" → "3天涨了200粉"
H-STRUCT: 30 → 75 (+45) 全文排比 → 长短句交替
H-EMOT: 20 → 68 (+48) "令人震惊" → "说实话我没想到"
H-PERSONA: 10 → 82 (+72) 无痕迹 → 人设自然融入
npx skills add yang/Yang.skills装完对 Agent 说：
/yang-init "我的垂直领域"
这会创建人设档案、数据湖和评分规则。初始化完成后，建议先执行 /yang-learn-from 导入对标账号，再用 /yang-seed 生成选题。
手动安装（三档可选）
pip install -r requirements-core.txt # 最小：选题/评分/打分闭环
pip install -r requirements-media.txt # 进阶：抓帧/转录/图卡渲染
pip install -r requirements-full.txt # 完整：图谱/贝叶斯/向量库
playwright install chromium # 浏览器自动化（可选）搜索意图适配器：零API Key，开箱即用。如需增强，可安装
pip install requests（已包含在requirements.txt中）。
Windows 用户：
.\install.ps1 -Tier core # 最小推理环境
.\install.ps1 -Tier media # 推理 + 视频分析
.\install.ps1 -Tier full # 完整运营工作台- "帮我初始化" / "第一次用" / "setup"
- "打分这篇稿子" / "这稿子能打几分"
- "预测一下效果" / "盲预测"
- "润色一下" / "去 AI 味" / "改得像人写的"
- "复盘" / "数据回来了" / "T+3 数据来了"
- "找选题" / "不知道拍什么" / "下一篇做什么"
- "抓热点" / "现在什么火"
- "找对标" / "拆这个账号" / "学他的手法"
完整路由表见 SKILL.md。
| 阶段 | 技能 | 交付物 |
|---|---|---|
| 启动 | yang-init |
人设档案 + 数据湖 + 评分规则 |
| 选题 | yang-seed |
四通道选题（自发酵 + 竞品驱动 + 热点注入 + 高赞评论金句） |
| 评分 | yang-score |
7 维度评分 + 改进建议 + 锚点对比 |
| 润色 | yang-polish |
活人感终稿（三层漏斗 + 四层自检） |
| 预测 | yang-predict |
immutable 预测日志（预期播放量 + 流量档次 + 置信度） |
| 发布 | yang-publish |
发布时机建议 + 发布检查清单 |
| 复盘 | yang-retro |
偏差归因 + 校准样本 + 收敛曲线 |
| 技能 | 交付物 |
|---|---|
yang-competitor-search |
多平台竞品账号列表（API → Playwright → 搜索引擎三层兜底） |
yang-benchmark |
全量回测报告（视觉模式 + 话术 DNA + 高赞评论 + 策略变化检测） |
yang-learn-from |
可复用 pattern + rubric 锚点信号 |
| 技能 | 交付物 |
|---|---|
yang-hook-factory |
多原型 × 风格矩阵的钩子变体 |
yang-emotion-curve |
ER-Curve 情绪曲线 + 对标对比 |
yang-trends |
零配置多源热点聚合（微博/知乎/B站/百度/抖音/头条，无需 token） |
yang-graphic |
小红书图卡 PNG / 知乎语义排版 / 公众号内联样式 HTML |
yang-persona |
创作人设档案管理 |
yang-status |
系统看板（buffer 警戒线 + 功能解锁进度） |
yang-doctor |
健康诊断（8 项指标 + --fix 自动修复） |
yang-bump |
校准驱动的 rubric 升级（含跨模型审计） |
| 维度 | 通用 AI 写作工具 | humanizer | Yang.skills |
|---|---|---|---|
| 判断校准 | 无——每次从零开始 | 不涉及 | 盲预测 → 复盘 → 进化，每轮修正判断 |
| AI 味处理 | 模板替换或无 | 29 条英文 Before/After 规则 + 二遍审计 | 25 条中文 Before/After + 三层漏斗 + 四层自检 + 人设驱动 |
| 评分体系 | 通用质量分 | 不涉及 | 7 维度评分 + 对标锚点 + 可进化 rubric |
| 知识来源 | 通用写作知识 | 维基百科 AI 写作特征 | 三套运营知识库（91 节课 + 262 案例 + 起号/开篇方法论） |
| 竞品分析 | 无 | 不涉及 | 全量回测（下载 → 抽帧 → 转录 → 话术 DNA → 评论挖掘） |
| 图文覆盖 | 仅文本 | 仅文本 | 小红书图卡 / 知乎排版 / 公众号 HTML，共用知识库 |
| 外部依赖 | API Key 必需 | 零依赖单文件 | 零 Key 开箱，Playwright 可选降级 |
| 搜索意图研究 | 不涉及 | 不涉及 | 6种搜索意图信号（搜索建议/相关搜索/问题型/长尾词/趋势查询/内容空白检测） |
| 语言 | 英文为主 | 仅英文 | 中文优先，覆盖中文 AI 写作特征 |
不会做什么：
- 不帮你下载对标视频（引导用 yt-dlp / BBDown 等工具，避免 TOS + 反爬风险）
- 不编造复盘数据——校准池必须由真实发布数据填充，不足就等
- 不在已知结果后修改原始预测——预测段 immutable，hook 强制执行
- 不凭感觉推荐选题——每条推荐都有评分和锚点对比
- 不逐字复制对标文案——学 pattern，不抄文本
- 不在 T+3d 之前复盘——数据未稳定，过早复盘会误判
什么时候会停下来问你：
- buffer 溢出（≥ 4 条未发布内容）时提醒先消化再生产
- 校准样本不足时标注"低置信度"，建议方向性参考
- rubric 升级需跨模型审计通过才执行，不会自动改公式
- 产线模式需满足前置条件（校准池 > 30 + 至少 1 次成功 bump）
不碰什么数据：
- 不上传你的内容或数据到任何外部服务
- 所有数据存储在本地（SQLite + Markdown 文件）
- 热点抓取使用公开端点，无需 cookie 或 token
Yang.skills/
├── SKILL.md # 总协议 + 路由器（26 个子 skill 的入口）
├── skills/ # 26 个子 skill（yang-init、yang-score、yang-predict...）
├── knowledge/ # 三大运营知识库
│ ├── ansir/ # 知识库A：短视频创作方法论 + 导演级视听语言
│ ├── xuehui/ # 知识库B：粉丝经济→商业定位→内容定位
│ └── shekong/ # 知识库C：起号36计 + 开篇36计
├── adapters/ # 数据源适配（零配置开箱）
│ ├── trend-sources/ # 热点抓取（微博/知乎/B站/百度/抖音/头条）
│ ├── benchmark-analysis/ # 对标分析管线（下载→抽帧→转录→评论挖掘）
│ ├── competitor-search/ # 多平台竞品搜索
│ ├── graphic-suite/ # 图文渲染（小红书图卡/知乎/公众号）
│ └── data_pipeline/ # 数据湖与竞品数据库
├── shared-protocols/ # 跨 skill 共享协议（盲预测/升级验证/节奏协议...）
├── hooks/ # harness 强制层（prediction-immutability/session-start）
├── evolution-bus/ # 进化总线（产线模式三阶段同步）
├── starter-rubrics/ # 各内容形态的先验 rubric
├── templates/ # 写进用户 repo 的文件骨架
├── migrations/ # Schema 演进记录
├── research/ # 技术调研（可选参考，不参与路由）
└── tools/ # 独立 CLI 脚本（贝叶斯/DSPy/GraphRAG/看板）
装完后对 Agent 说：
/yang-init "观点类短视频"
合格表现：系统创建 .yang-state.json、rubric_notes.md、candidates.md 等脚手架文件，输出初始化摘要，提示下一步执行 /yang-learn-from。
深度验证（20 条测试 prompt）：
/yang-doctor
合格表现：输出 8 项健康指标检查报告，新初始化项目应显示"校准样本数：0（cold-start）"，其余项为绿色。
完整测试集见 test-prompts.json，覆盖 15 个核心子 skill + 5 个边界场景。
选题 → 评分 → 活人感润色 → 盲预测 → 发布 → 数据回收 → 复盘 → 进化评分规则 → 回到选题
"盲预测" 是这个系统的心脏：在发布内容之前，先写下你认为这条内容能跑多少播放量、会落在哪个流量档次。3 天后真实数据回来，对比偏差，修正判断模型。循环往复，判断力会像机器学习模型一样持续进化。
通过三层漏斗系统性清除 AI 味：
| 层级 | 功能 | 核心机制 |
|---|---|---|
| 人设层 | 加载创作人设档案作为人格基准 | 12 字段人设：身份/价值观/个人故事/口癖/情绪表达 |
| 方法论层 | 应用活人感写作技术 | 悬念递进/数字锚定/句式断裂/人物画像法/文化升维/反向论证 |
| 规则层 | 四层硬件自检 | L1 禁用词扫描 → L2 风格一致性 → L3 内容质量 → L4 活人感终审 |
润色强度根据评分自动判定：文案力或情绪力 ≥ 6 分只做 L1+L2，< 5 分加做 L3，< 4 分全量 L1-L4。
视频之外，同样覆盖小红书、知乎、微信公众号的图文闭环：
| 平台 | 产出 | 关键适配 |
|---|---|---|
| 小红书 | 封面图 + 内容图卡（PNG） | 首图=人群印记+速判性、配色=情绪、超长自动分页 |
| 知乎 | 粘贴友好的语义排版 | 结论先行、论据分层、表格转列表 |
| 微信公众号 | 内联样式 HTML（粘贴即保留排版） | 开头 100 字内钩子、左竖条小标题、金句引用块 |
所有竞品数据持久化到 SQLite：
| 表 | 用途 |
|---|---|
competitors |
竞品档案：平台、账号ID、粉丝数 |
competitor_snapshots |
数据快照：定期记录粉丝变化、视频列表 |
competitor_strategy_changes |
8 维度策略变化检测 |
landscape_snapshots |
赛道格局快照 |
运行 yang-init "你的垂直领域" 进行初始化。这会创建人设档案、数据湖和评分规则。初始化完成后，建议先执行 yang-learn-from 导入对标账号，再使用 yang-seed 生成选题。
不可靠。当 calibration_samples = 0 时，所有预测完全基于对标数据推断，系统会标注 ⚠️ speculative（低置信度）。建议至少发布 3-5 条视频建立自有校准池后再重度依赖预测结果。在此期间，预测仅作方向性参考。
不可以。预测一旦写入 predictions/ 目录的 ## 预测 段落，即被 hook 锁定为不可变。这是盲预测机制的核心原则——确保预测-实际对标不被事后修正污染。如果发现事实性错误，应在 ## 复盘 段落记录偏差说明。纯格式修正可通过 CHEAT_BYPASS_IMMUTABILITY=1 绕过，但会记录在 stderr 和 git 历史中。
置信度由 calibration_samples 决定。提升方式：
- 发布更多视频并完成 T+3 复盘（每条 +1.0）
- 执行对标爆款深度分析（每条 +0.5，上限 3 条）
- 确认历史视频为"代表作"（每条 +1.0）
- 注意：对标数据占比超过 50% 会触发降档，因此自有发布数据是提升置信度的最可靠途径
Bump 评估需要同时满足以下条件：
- 连续 ≥3 个样本出现同向偏差（持续高估或持续低估）
calibration_samples ≥ 5- 置信度至少为 medium
触发后需通过五步验证（Re-Score → Cross-Validation → Anomaly Detection → Wall-Clock Stability → Cross-Agent Audit），全部 PASS 才会执行 rubric 升级。
Solo 模式下 Agent 引擎不激活（C-001~C-007 全部休眠），仅闭环校准系统独立运行。适用于只想做脚本评测、复盘、对标学习、状态查询等单一操作的场景。完整产线模式会启动全部 Agent，执行选题→脚本→拍摄→发布→复盘的完整闭环。
对标数据按时间折价：
- ≤ 30 天：全额贡献
- 31-60 天：×0.7 折价
- 61-90 天：×0.4 折价
- > 90 天：贡献归零
建议每 60 天更新一次对标分析，可通过 yang-learn-from 或 Stage1 Hook 自动对标发现触发。
视频侧：抖音（主要平台）。图文侧：小红书（yang-graphic --platform xhs）、知乎（--platform zhihu）、微信公众号（--platform wechat）。竞品发现支持抖音和 B 站。
Playwright 需要 Chromium 浏览器用于自动化采集。如果 playwright install chromium 失败：
- 检查网络连接（Chromium 下载约 150MB）
- 尝试设置镜像：
PLAYWRIGHT_DOWNLOAD_HOST=https://npmmirror.com/mirrors/playwright playwright install chromium - 如果不需要浏览器采集功能，可跳过此步骤，系统会自动降级为无浏览器模式
运行 yang-status 可查看：校准样本数、置信度等级、rubric 版本、候选池状态、待复盘预测队列、死信队列状态等。运行 yang-doctor 可进行更深入的健康诊断，支持 --fix 自动修复常见问题。
| 平台 | 兼容性 | 说明 |
|---|---|---|
| Claude Code | ✅ 完整支持 | 原生平台。所有 hooks 完整运行 |
| Codex CLI | 核心路由兼容，hooks 需手动配置 | |
| 其他 Agent 平台 | skill 文件可加载，hooks/adapter 层需适配 |
进化反馈总线（Evolution Feedback Bus）
- 新增三元协同架构（Agent 引擎 + 闭环校准系统 + 进化反馈总线）
- 新增总线消息格式规范（消息头/消息体/消息尾三层结构）
- 新增消息优先级定义（URGENT/NORMAL/LOW）及动态升级规则
- 新增消息重试与死信队列机制
- 新增信号翻译精度标准（EXACT/APPROXIMATE/LOST）
闭环校准系统增强
- 新增对标数据时间折价规则（30/60/90 天衰减系数）
- 新增零校准警告和降级策略
- 新增 C-006 乖离率审计与 Bump 信号联动机制
Hook 系统
- 新增 prediction-immutability hook 的降级方案（Level 0-3）
- 新增 immutable 段范围自定义指南
| 贡献类型 | 说明 | 示例 |
|---|---|---|
| 新子 Skill | 新增独立功能模块 | 新增 yang-subtitle 字幕生成 skill |
| 知识库扩展 | 新增或改进知识库内容 | 新增行业术语库、补充钩子模板 |
| 适配器 | 新增外部工具的适配器 | 新增某 ASR 引擎适配器 |
| Bug 修复 | 修复现有功能缺陷 | 修复评分计算错误 |
| 文档改进 | 完善文档和注释 | 补充 FAQ、改进 API 说明 |
- 在
skills/下创建yang-{name}/目录 - 编写
SKILL.md（含 YAML frontmatter：name/description/author） - 遵循核心原则：不修改其他 skill 内部逻辑，通过
.yang-state.json共享状态 - 确保新 skill 在 Solo 模式下可独立运行
- 提交 PR：包含 SKILL.md + 实现代码 + 使用示例
- Python：遵循 PEP 8，类型注解推荐但非强制
- Shell：遵循 Google Shell Style Guide，MUST 包含
set -uo pipefail - Markdown：YAML frontmatter MUST 包含 name/description/author
格式：{type}({scope}): {description}
- type: feat / fix / docs / refactor / test / chore
- scope: skill 名 / bus / hook / knowledge / adapter
- 示例：
feat(yang-trends): 新增多平台热点聚合功能
- ansir 知识库 — 短视频创作方法论（91 节课 + 262 案例 + 导演级视听语言）
- xuehui 知识库 — 短视频运营教学体系（粉丝经济→商业定位→内容定位）
- shekong 知识库 — 起号与开篇方法论（起号 36 计 + 开篇 36 计）
- 盲预测方法论灵感来源于机器学习中的训练-验证循环和预测市场机制
- 活人感润色技术体系参考了叙事心理学和修辞学的核心框架
选题 → 预测 → 发布 → 复盘 → 进化。每一轮都比上一轮准。