网红作弊器 / Cheat on Content

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

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：

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

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。

---

这次（v1）做了什么

从 v0 的"一份 SKILL.md + 君子协定"重建为按 ARIS 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。

---

谁该用

• 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

---

安装

1. 把项目 clone 下来

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 install.sh

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。

可选模式：

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

ls -la ~/.claude/skills/ | grep cheat

应该看到 10 个 cheat-* 条目。

4. 卸载（如果以后想清理）

bash uninstall.sh

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）。

---

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。

# 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"

完整 adapter 文档：adapters/perf-data/douyin-session/README.md。

其他平台

YouTube / B 站 / 小红书 等 adapter 待写（路线图）。可参照 douyin-session 的实现自己加。

---

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：

• 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）

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"

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。

完整协议见 SKILL.md。子 skill 细节见 skills/cheat-*/SKILL.md。

---

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。

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。

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。

---

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

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

---

借鉴的工程思想

本项目的工程结构借鉴 ARIS（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
• shared-references 共享协议组织 — 抄 ARIS shared-references
• state file + 子 skill 共享上下文 — 抄 ARIS auto-review-loop
• 多 adapter 热点抓取 — 抄 ARIS research-lit + arxiv + 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

独立创新：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。

---

License

待定（大概率 MIT）。

---

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。