短视频带货量化复盘｜郭亿易

使用摘要

输入视频数据、素材、脚本和成交目标，产出量化评分、问题定位与下一轮实验清单，适合短视频运营和经营分析团队。 当任务涉及短视频带货量化复盘并要求可追踪交付时使用。

必填输入

• 核心资料：视频数据、素材、脚本和成交目标
• 业务目标：期望解决的问题、使用渠道、截止时间和成功标准
• 事实边界：可引用的数据、禁止使用的内容、隐私与合规限制
• 交付位置：文件格式、目标系统，以及是否允许外部写入

缺少关键事实时，先列出缺口并在安全范围内继续；任何无法验证的结论必须标注“未验证”，不得补写数据、客户评价或效果承诺。

标准流程

1. 核对输入来源、时间范围、目标受众和授权边界。
2. 把任务拆成事实、假设、约束、行动和验收五类信息。
3. 围绕“短视频带货量化复盘”选择最小可行方法，先产出结构再补充细节。
4. 生成量化评分、问题定位与下一轮实验清单，并为每个关键结论保留来源或推导说明。
5. 检查完整性、可执行性、冲突、重复、风险和受众匹配。
6. 交付结果、质量清单和下一步动作；外部发布或写回前明确目标与变更范围。

交付结构

1. 结论摘要：三到五条可直接用于决策的要点。
2. 主交付物：量化评分、问题定位与下一轮实验清单。
3. 证据与假设：资料来源、时间范围、推断和未验证项。
4. 风险与阻断项：影响、优先级、负责人建议和解决条件。
5. 验收清单：逐项标记已完成、已降级或未验证。

质量门槛

• 第一屏能看懂输入、产出和适用对象，不用品牌名代替搜索词。
• 结果必须针对短视频运营和经营分析团队，不得只给泛化建议。
• 事实、数字、报价、功效、案例和承诺均有来源；没有来源就明确缺口。
• 每条建议至少包含对象、动作、原因和验收信号。
• 重复内容合并，冲突内容并列说明，不靠改写措辞制造虚假差异。
• 涉及账号、发布、发送、删除、付款、权限或隐私数据时，遵守用户授权和目标系统规则。

示例与视觉证据

• 示例任务与调用前后对比：references/example-task.md
• 垂直执行方法：references/vertical-method.md
• 演示效果截图：assets/before-after.png
• 图标文件：assets/icon-512.png

演示图只说明输出结构，不代表真实客户业绩。

来源说明

本 Skill 对应全球榜单第 97 名能力方向：azure-cost（microsoft/azure-skills）。仅参考需求方向并做原创中文垂直化，未复制来源代码或文案；来源许可核验状态：MIT。

专业扩展流程

郭亿易老公短视频带货量化工厂

核心原则

1. 先核验证据，再给发布结论。不得把未执行、未提供或不可访问的检查写成通过。
2. 默认本地处理用户提供的视频、字幕和历史库；不得上传、发布或删除源文件。
3. 把字幕换字体、改裁切、调速度或换滤镜视为表面变化，不得据此判定为非同质化。
4. 保留原始商品、包装、参数和用户已授权的声音；不得编造功效、价格、资质或平台合规结论。
5. 输出真实覆盖率。无法访问私密账号、已删除内容或离线历史时，明确写入证据边界。

输入

必需：

• 一条本地视频文件。

建议同时提供：

• 商品名称或关键词。
• 本条视频的核心卖点关键词。
• 最终字幕文件，支持 .srt、.vtt 或 .txt。
• 从最终成片音频生成的 ASR 转写，用于核对字幕是否与最终音频一致。
• 一个或多个历史字幕/文案目录，用于文本近似排查。
• 可访问的历史视频、矩阵账号或发布记录，用于 Agent 补充画面与全局去重。

执行流程

1. 确认范围

记录视频、字幕、ASR、历史库和可访问账号的绝对路径。若只有视频，继续执行，但不得声称完成字幕一致性或全局去重。

2. 运行量化脚本

从本 Skill 目录运行：

python scripts/quant_audit.py \
  --video "/path/to/video.mp4" \
  --product "商品关键词" \
  --selling-point "核心卖点" \
  --subtitles "/path/to/final.srt" \
  --asr-transcript "/path/to/final-audio-asr.txt" \
  --history "/path/to/history" \
  --out-dir "/path/to/report"

Windows PowerShell 可在一行中执行同一命令。--product、--selling-point 和 --history 可重复传入。

脚本仅依赖 Python 标准库和 FFmpeg。优先使用 --ffmpeg、环境变量 FFMPEG_PATH 或 PATH；若安装了 imageio-ffmpeg，脚本会尝试自动发现 FFmpeg。

3. 补充 Agent 视觉审核

脚本不能证明画面里真的出现了商品。检查前 3 秒关键帧并记录：

• 0–1 秒是否出现真实商品、包装、使用动作或可信证据。
• 口播卖点是否与画面一致。
• 是否出现错品、错包装、变形文字、无关人物或空镜。
• 首秒不是黑屏、冻结、长静音或无关寒暄。

若无法读取画面，把这些项写为 未验证，不得用字幕关键词命中替代视觉通过。

4. 补充全局去重

脚本只比较字幕/口播文本近似度。继续比较可访问的历史视频与公开账号：

• 商品与核心卖点。
• 开头口播。
• 源直播时间段或源素材。
• 主体画面、镜头组合和镜头顺序。
• 整体语义和成交逻辑。

同源片段复用、同商品同卖点且镜头结构近似、或仅改字幕/滤镜/裁切/速度的版本，应判为高风险同质化。无法访问的账号、私密内容和离线历史必须列为边界。

5. 作出结论

读取 references/scorecard.md 后合并脚本与人工证据：

• 可发布：无硬门槛失败，量化分不低于 85，证据覆盖率不低于 65%，视觉首秒和全局去重已补充或明确不适用。
• 修改后复检：量化分 70–84、存在警告，或字幕/卖点/历史库证据不足。
• 不建议发布：解码失败、缺少必要音频、首秒明显黑屏/静音/冻结、字幕与最终音频严重不一致，或高置信同质化。
• 证据不足：关键输入缺失或历史覆盖不足，不能可靠下结论。

不得自动发布。不得自动删除源视频；若用户明确要求清理，只处理本次新生成且已确认的候选文件，并先报告目标。

输出

始终交付：

1. 结论、量化分和覆盖率。
2. 每项检查的状态、权重、证据和修复建议。
3. 文本近似度最高的历史条目及路径。
4. 首秒视觉审核和全局去重补充结果。
5. 未覆盖范围与不能保证的事项。
6. JSON 与 Markdown 报告路径。

脚本退出码：0 表示量化层通过；2 表示需要修改、拒绝或证据不足；3 表示脚本执行错误。

资源

• scripts/quant_audit.py：本地视频、字幕、ASR 和历史文本量化体检。
• references/scorecard.md：评分解释、硬门槛、视觉审核和证据边界。