视频选题预测与复盘 Skill
面向内容创作者的 Claude Code skill——盲预测播放量、T+3d 复盘对账、评分公式自动进化，把直觉变成可校准的预测循环。
项目地址：https://github.com/XBuilderLAB/cheat-on-content ｜ MIT 开源协议 ｜ ⭐ 3K+ Stars
这是什么
大多数创作者的工作方式是：
发布 → 看数据 → "感觉还行/不太行" → 凭感觉写下一条 → 循环
发了 200 条内容，判断力几乎没长进——因为从未把"我觉得"和"实际结果"做过系统对比。
Cheat on Content 是一套 Claude Code / Codex skill 套件，把内容创作变成可校准的预测循环：
📊 打分 → 🎯 盲预测 → 🚀 发布 → 📈 T+3d 复盘 → 🧬 进化评分公式
它不帮你写脚本、不帮你剪视频、不帮你发布。它只做一件事：当你的内容决策教练。 你写完稿子，它告诉你"这条大概率 10-30w，理由是这些"，3 天后你们一起对账。对得多了，它的判断和你的直觉都会越来越准。
作者声称用这套工具一个月内从零做到 100 万粉丝——核心不是运气，是每次判断都被记录、校准、进化。
"不是谁打的字重要，重要的是什么东西被验证了。"
核心理念：三条不可妥协原则
整个系统建立在三条原则之上，任何一条被违反，校准循环就退化为"凭直觉的自我安慰"：
原则一：盲预测（Blind Prediction）
预测必须在看到任何实际数据之前写完。写入后由 hook 强制不可修改——防止事后合理化污染校准。
判断标准很简单：只要这条信息只能在作品发布后才能获得，就算"数据"。播放量、点赞数、评论内容、推荐位——看到了就不能再写预测。
原则二：升级 = 全量重打（Bump = Full Re-score）
改评分公式时，所有有实绩数据的样本必须用新公式重打分。新排序与实际表现在 ≥4/5 样本上必须一致才能通过，且必须经跨模型独立审核。
原则三：Rubric 是工作台，不是博物馆
被数据推翻的观察直接删除，被吸收为评分维度的观察也删除。Git history 才是档案，文件里只保存当前最有用的认知。
适用人群
- 短视频创作者（抖音、小红书、B 站、YouTube Shorts）—— 当前内置 rubric 直接覆盖观点类视频
- 长文写作者（公众号、Substack、Medium）—— 可借视频 rubric 起步，通过 bump 调整权重
- 播客和长内容创作者 —— 工作流通用，rubric 维度需自行适配
- 任何想把"感觉"变成"数据"的内容人 —— 方法论适用任何能被量化（播放/阅读/收听/点击）的内容形态
15 个子技能一览
技能按 5 个阶段组织，覆盖从初始化到公式进化的完整循环：
初始化与配置
| 命令 | 说明 |
|---|---|
初始化 cheat-on-content | 首次 onboarding，6 个问题完成项目配置，创建完整目录结构 |
/cheat-learn-from | 导入对标账号视频，拆解 pattern、提取评分信号（强烈建议） |
/cheat-seed | 冷启动选题 brainstorm + 生成初稿（含 humanizer 去 AI 味） |
/cheat-migrate | Schema 升级，老用户 git pull 后迁移文件结构 |
打分与预测
| 命令 | 说明 |
|---|---|
/cheat-score | 按 7 维 rubric 给稿子评分（纯看，不写文件） |
/cheat-score-blind | 隔离 sub-agent 盲打分，防止实绩信号泄漏（内部调用，不直接用） |
/cheat-predict | 盲预测 + immutable 日志，写入 predictions/ 后由 hook 锁定不可改 |
拍摄与发布
| 命令 | 说明 |
|---|---|
/cheat-shoot | 登记拍摄状态，buffer +1 |
/cheat-publish | 登记发布链接，buffer -1 |
复盘与进化
| 命令 | 说明 |
|---|---|
/cheat-retro | T+3d 数据回收 + 自动复盘，对比预测 vs 实际，提炼新观察 |
/cheat-persona | 从复盘评论聚类受众画像——"谁在看你的内容" |
/cheat-bump | Rubric 升级，全量重打 + 跨模型审核，通过才落地 |
日常辅助
| 命令 | 说明 |
|---|---|
/cheat-status | 状态看板：buffer、待复盘列表、候选选题池 |
/cheat-trends | 多数据源热点抓取（微博、知乎、AI 热点），补充候选选题池 |
/cheat-recommend | 从候选池排序推荐选题，按 buffer 颜色 + 稳定/实验配比 |
安装（2 分钟）
前置条件
- Claude Code（默认支持）或 Codex CLI
- Git
- Python 3（部分工具脚本需要）
安装步骤
# 克隆仓库
git clone https://github.com/XBuilderLAB/cheat-on-content.git
cd cheat-on-content
# Claude Code 安装（默认，symlink 模式）
bash install.sh
# 或 Codex 安装
bash install.sh --codex
# 或两个都装
bash install.sh --all
安装脚本会把 15 个子 skill 通过 symlink 注册到 Claude Code 的 skill 目录。之后在任何内容项目里都能用。
卸载
bash uninstall.sh # Claude Code
bash uninstall.sh --codex # Codex
# 你的内容数据不会被删除
快速开始：5 步走通第一个循环
第一步：创建内容项目
# 新建一个专门做内容的文件夹
mkdir ~/my-content && cd ~/my-content
第二步：初始化
在 Claude Code 中说：
初始化 cheat-on-content
系统会问你 6 个问题（都是选择题，一问一答）：
- 内容形态 —— 观点视频 / 长文 / 短文 / 播客 / 其他
- 发过作品没 —— 没发过走冷启动，发过可以导入历史数据
- 发布频率 —— 日更 / 隔日 / 每周 / 灵活
- 数据回收方式 —— 手动粘数据 或 adapter 自动抓（抖音/小红书等）
- 有无候选选题 —— 没有的话后面帮你 brainstorm
- 对标账号（强烈建议导入）—— 5-10 条对标样本能让工具立刻有锚点
回答完后自动创建项目目录：
my-content/
├── .cheat-state.json # 状态文件，子 skill 共享
├── rubric_notes.md # 评分规则（真实来源）
├── rubric-memo.md # 复盘观察积累
├── WORKFLOW.md # 5 阶段流程文档
├── STATUS.md # 状态看板
├── scripts/ # 所有草稿
├── predictions/ # 预测日志（不可修改）
├── videos/ # 拍摄后才建
├── samples/ # 对标账号样本
├── benchmark.md # 对标账号信息
├── audience.md # 受众画像
└── candidates.md # 候选选题池
第三步：写稿 + 打分
写好稿子放到 scripts/ 目录，然后说：
打分这篇 scripts/2026-05-25_abc123_房价.md
AI 按 7 维评分体系给你的稿子打分：
- ER（Emotional Resonance） —— 情感共鸣力
- SR（Social Relevance） —— 社会议题关联度
- HP（Hook Power） —— 开头钩子强度
- AB（Audience Breadth） —— 受众宽度
- MS（Memetic Shareability） —— 模因传播力
- 其他维度 —— 根据内容形态动态调整
打分只是看，不写文件，让你对稿子心里有数。
第四步：盲预测
启动预测 scripts/2026-05-25_abc123_房价.md
AI 在不知道任何数据的情况下，写一份完整的预测日志：
- 7 维盲打分（由隔离 sub-agent 完成，防止污染）
- 播放量 bucket（如 10-30w）+ 概率分布
- 2-3 个锚点对比（和历史已发作品比）
- 反事实场景（"如果 ER 低一档会怎样"）
- 关键校准假设
展示完整草稿后等你确认——你说 ok 才落盘。落盘后文件由 hook 锁定，永久不可修改。
第五步：发布 + 复盘
# 拍完
拍了 abc123
# 发布后
已发布 https://v.douyin.com/xxx
# 3 天后复盘
复盘 predictions/2026-05-25_abc123_房价.md
复盘时你需要粘贴实际数据（播放、点赞、top 20 高赞评论），AI 会：
- 对比预测 vs 实际，逐项判定验证/推翻
- 聚类评论关键词（模因复用 22%、概念引用 35%、离题 5%...）
- 提炼新观察写入
rubric-memo.md - 如果连续 3 次同向偏差，提议升级评分公式
日常使用场景
场景一：不知道拍什么
你：推荐选题
AI：[从候选池排序推荐，按 buffer 状态 + 稳定/实验配比]
你：抓热点
AI：[从微博/知乎/AI 热点抓取，补充到候选池]
场景二：导入对标账号
你：learn from https://www.douyin.com/user/xxx
AI：[抓取对标账号 10-20 条视频，拆解 pattern，提取评分信号]
导入对标账号后，工具的预测精度会显著提升——从"占星"级别跃升到有锚点的校准。
场景三：查看整体状态
你：状态
AI：[显示看板]
- Buffer：已拍 2 条待发布
- 待复盘：3 条已过 T+3d
- 候选池：8 个选题待选
- Rubric 版本：v2.1，上次 bump 后校准了 12 个样本
场景四：受众画像
你：构造受众画像
AI：[从复盘评论聚类，输出 audience.md]
- 核心受众：25-35 岁，关注房价和政策
- 高频评论模式：政策引用 > 个人经历 > 情绪宣泄
- 反画像：不在意数据、纯看热闹的围观者
数据适配器
复盘时的数据抓取支持两种方式：
手动粘贴（默认）
直接把平台后台数据和评论粘到对话里。适合所有平台，但需要你手动操作。
自动抓取（需配置 adapter）
| 平台 | Adapter | 说明 |
|---|---|---|
| 抖音 | douyin-session | Playwright + 扫码登录抖音创作者中心 |
| 小红书 | xhs-explore | Playwright + 扫码登录小红书创作者中心 |
| YouTube | youtube-data-api | 需要 API Key（路线图中） |
| B 站 | bilibili-stat | 官方 stat 接口（路线图中） |
Adapter 安装指引在仓库的 adapters/perf-data/<平台>/README.md。任何 adapter 失败都会优雅降级到手动模式，不阻塞流程。
评分公式的进化机制
这是整个系统最有价值的部分——评分公式不是静态的，它从你的真实数据里学习：
进化路径
第 1 条：内置 rubric，7 维等权，精度 ±50%（正常）
↓
第 5 条：首次 bump，定性调整维度定义（如收紧 SR=5 的门槛）
↓
第 10 条：微调权重（如 ER ×1.5 → ×1.7）
↓
第 20 条：用回归反推权重，数据驱动替代直觉
↓
第 30 条+：公式已高度个性化，精度显著提升
升级的安全阀
每次 bump 都有三重保护：
- 全量重打 —— 所有有实绩的样本必须用新公式重打分，排序必须更准
- 阈值验证 —— ≥4/5 样本排序一致才通过
- 跨模型审核 —— 用另一个 AI 模型独立审计升级逻辑
不能通过的升级会被拒绝，防止过拟合。
Confidence 等级
工具用颜色标签告诉你每次预测有多可信：
| 标签 | 含义 | 校准样本数 |
|---|---|---|
| 🔴 | 无数据，纯占星 | 0 |
| 🟠 | 对标账号 seed，未验证 | 导入对标，未发布 |
| 🟡 | 有少量实绩 | 1-2 条 |
| 🟢 | 初步成型 | 3-5 条 |
| 🔵 | 成熟校准 | 6+ 条 |
污染隔离：为什么盲打分要独立 sub-agent
系统有一个精巧的设计：盲打分由一个隔离的 sub-agent 完成，它只能看到两个文件——你的稿子和评分规则。它不能看：
- 预测历史（防止"上次打高了这次也打高"的锚定）
- 受众画像（防止"观众喜欢 X 所以 X 维度打高"的循环论证）
- 复盘数据（最致命的污染源）
主 AI 会同时内心估一份分，和 sub-agent 的结果对比。单维度差异 ≥ 2 分时，会弹给你裁定谁更准。
这个机制确保了每次打分都是干净的判断，而不是"看过答案后的合理化"。
Hooks：工程保证，不是文档约束
整个系统的可靠性不靠"AI 应该遵守规则"，而是靠 hook 在工程层强制：
| Hook | 作用 |
|---|---|
prediction-immutability.sh | 拦截对 predictions/ 文件预测段的任何编辑，exit 1 阻塞 |
session-start.sh | 每次会话自动报告 buffer 状态、待复盘列表、候选池 |
log-event.sh | 被动记录使用日志（只记 prompt 长度，不记内容） |
当前局限
- 内置 rubric 仅覆盖观点类视频，其他形态需自行调整维度权重
- 冷启动精度有限——没导对标账号时，前 5 条预测精度约 ±50%
- 受众画像基于评论数据，偏向活跃评论的少数派，且可能被水军污染
- 需要 Python 环境（部分工具依赖 rapidfuzz、yt-dlp 等）
- 复盘是核心环节但需要手动参与——至少要粘贴数据和评论，adapter 自动化还在扩展中
常见问题
| 问题 | 解决 |
|---|---|
| 安装后看不到技能 | 确认在 Claude Code 中运行了 bash install.sh，检查 ~/.claude/skills/ 目录 |
| 初始化时不知道选什么 | 选"观点视频"起步最稳，后续 bump 可以调 |
| 前几次预测不准 | 正常，这是数学事实。看 confidence 等级判断能不能信 |
| 没有对标账号怎么办 | 可以先不导入，但前 5 条预测基本是占星。强烈建议先花 10 分钟导入 |
| 复盘时 adapter 抓不到数据 | 会自动降级到手动粘贴模式，不阻塞流程 |
| 预测写错了想改 | 不可以。这是设计决定——预测是 immutable 的。如需重做，创建 _redo.md 文件，原版保留 |
| 评分公式升级失败 | 说明新公式排序不如旧的。这是安全阀在起作用，不是 bug |
参考资源
- 完整 SKILL.md —— 总协议 + 路由表
- 盲预测协议 —— 原则一的完整规范
- Bump 验证协议 —— 原则二的完整规范
- 观察生命周期 —— 原则三的完整规范
- CHANGELOG —— 版本演进和迁移说明