shield_lock
JinDaGe
← Back to skills
extension
Category: Data & AnalyticsNo API key required

君启-视频流量预测

口播发布前11维质检+双平台播放预测+分层整改报告

personAuthor: user_d68814aehubcommunity
downloadDownload package

君启-视频流量预测（v1.10.1）

定位：创作链路「审校收工」之后的发布前质检闸刀。替代 content-studio.html 的双击评分入口（解决 file:// 导致模型不加载的根因），在 WorkBuddy 内直接读取真实模型，产出可执行的整改路由。报告自动含 🛡 合规检测节（引擎扫描 references/compliance.json 房产违禁词库）与 🎬 视觉层自查节。

📌 已知局限与应对（阅读前必读）

本 SKILL 的 11 维评分是关键词启发式代理（regex 命中计分），不是语义理解模型。它能被"花哨文案 / 水词"骗过，某些维度分数可能虚高。本节说明哪些维有此风险、本 SKILL 已做了什么应对、以及你作为使用者该怎么做——这不是甩锅给人工，而是机制化的复核路径。

1. 哪些维容易被"水词"骗过

| 维度 | 风险 | 为什么会被骗 | |------|------|-------------| | emotion 情绪峰值 | 🔴 高 | 堆"扎心/绝望/崩溃"等词即可加分，但无真实场景支撑 | | resonance 传播共鸣 | 🔴 高 | 结尾喊"转发给朋友"即可加分，但无实质可转内容 | | scarcity 内容稀缺度 | 🟡 中 | 自说"这个角度第一次讲"即可加分，但实为常识翻新 |

其余 8 维（hook/scene/relate/insight/structure/match/risk/opening）依赖结构性信号（编号/地点/字数/人称密度），被水词骗过的概率较低，但仍建议结合下方自检结果判断。

2. 本 SKILL 已内置的应对机制

  • I-7 稳定度自检：对脚本施加 3 种扰动（删填充词 / 删连接词 / 删每第 5 句）重算各维分数，标出「脆维」（分数随非实义线索大幅漂移 → 可能虚高）。报告 🧪 稳定度自检 节可见。
  • rubric §5 锚点自白：在维度定义文件中明确写出三个易骗维的「真信号」与「误判 caveat」，供你人工复核时校准，不改引擎结构。
  • 盲预测 immutable 纪律：预测必须在看到真实数据前写完并锁定，复盘只追加偏差不篡改，避免"马后炮式"自我美化。
  • 置信度五档 + bucket 分布：预测输出区间与概率分布而非单点，且样本越少区间越宽，避免小样本虚高误导。
  • B 语义交叉（v1.10.0 已落地 · 编排者层）：编排者层 LLM 按 rubric §5 锚点补判 emotion/resonance/scarcity，与引擎 regex 分交叉，直接呼应本自白；纯 CLI/自动化模式跳过并标注。

3. 你该怎么做（机制化复核，非免责）

发布前请重点看三处，不要只看综合分：

  1. 报告中 🔴脆 维（I-7 标出）→ 按 rubric §5 锚点人工判断是真强还是水词虚高；
  2. emotion/resonance/scarcity 三维度分数 → 若有 B 节，看 LLM 交叉结论；若无，自行按 §5 锚点核对；
  3. 置信度档位 → 🔴🟠 时预测仅供参考，勿当精确播放量。

⛔ 核心铁律（强制执行，无协商）

  1. 评分/预测只读 studio-data/model_weights.json，绝不依赖浏览器 fetch；模型缺失则终止并报错，不回退弱预设。
  2. 分层不可混淆：🟢语言层（开场钩子/人物场景/情绪峰值/受众代入/账号匹配/传播共鸣/低赞风险）→ 交 @君启-改人话；🔧内容层（观点压缩/结构清晰/内容稀缺度）→ 回炉 @创作-选题结构 + @创作-脚本生成。禁止把内容层指令丢给改人话。
  3. 路由顺序铁律：内容层弱项 → 先回炉内容层，后改人话。顺序不可反（先改人话再回炉 = 改人话白做）。
  4. 诚实声明：报告头部必须标注「启发式评分仅供参考，非 AI 终审；预测为基于历史基线的方向性估算」。
  5. 本 SKILL 只产出报告与路由，不代写整改内容——整改由各下游 SKILL 负责。
  6. 启发式代理非终审：11 维评分为关键词启发式代理（非语义理解），rubric §5 已自白 emotion/resonance/scarcity 易被水词骗过；I-7 标出的 🔴脆 维或任意低分维，必须人工按 rubric §5 锚点复核，不得把高分当质量担保直接发布。
  7. 合规独立于评分：🛡 合规检测 是独立 regex 通道，不影响 11 维分数；命中"绝对化用语/收益承诺"时路由建议追加 ⛔「先过合规再发」，预测侧标注限流折扣但不修改 pv 中枢（保基线可比性）。合规词库独立维护，不由 F6 刷新。
  8. 视觉层诚实声明：本 SKILL 只评估文本，评估不了画面、剪辑、口播表现力。报告头部与视觉清单节均须明示此局限，不自称"全链路预测"。

🔧 引擎与文件

| 文件 | 用途 | |------|------| | scripts/predict_score.py | 评分引擎（移植 content-studio.html 的 11 维 + 预测算法，Python 忠实实现） | | references/rubric.md | 11 维 rubrics 定义 + 语言层/内容层归属映射 + 兜底修改提示 | | <workspace>/studio-data\model_weights.json | 预测模型（版本号与样本量由「发布后复盘 F6」闭环自动刷新，最新值见 model_weights.json 的 version/trained_on 字段，本 SKILL 不写死） |

🚦 触发条件

  1. 用户自然语言：说「质检」「发布前预测」「预测一下这篇」「校验脚本」「这篇能发吗」之一。
  2. 用户在创作链路「审校收工」完成后要求发布前质检。

⚙️ 执行流程

步骤 0：取脚本

  • 用户提供路径（如 scripts/20260712-1.md）→ 直接用。
  • 用户粘贴正文 → 写入临时 .md 再跑。
  • 用户给脚本 ID（如 20260712-1）→ 在 scripts/ 下查找 ${id}.md 或 ${id}-oral.md。

步骤 0.5：发布状态自检（盲预测纪律 · 借鉴 cheat-on-content 原则 #1）

跑引擎前先确认作品发布状态，严守「盲预测 immutable」原则：

  • 未发布 / 已发<3天无数据 → 正常跑预测；若带 --write-back，落 meta.pred_qa（标 snapshot_type=blind_prediction，写后锁定不再改）。
  • 已发 ≥3天 且用户提及真实数据 → 拒绝产出"预测"。改为输出「复盘回顾（Reconstructed retrospective）」：只回看已落盘的 meta.pred_qa 与实际表现偏差（见发布后复盘 F5.7），不重新打分、不计入校准池。
  • 已发但无数据 → 提示用户先走「视频数据追踪」回填数据，暂不预测。

原则：预测必须在看到真实数据之前写完；一旦写回即锁定，复盘只能追加偏差，不得篡改当初预测（对应发布后复盘 F5.7 的 immutable 对账 + pred_bias 趋势扫描）。

步骤 1：跑评分引擎（强制执行）

引擎路径使用 workspace 相对路径（自动发现，不硬编码）：

# 引擎自动解析当前 workspace 根目录 → 定位 scripts/predict_score.py
# 等价于：<WORKSPACE>/.workbuddy/skills/君启-视频流量预测/scripts/predict_score.py
python "<SKILL_DIR>/scripts/predict_score.py" \
  --script "<脚本绝对路径>" [--out "<报告输出路径>"]
  • 引擎输出完整 Markdown 报告到 stdout；建议 --out 落盘到 scripts/ 或 reports/（命名 ${id}-qa.md）。
  • 引擎自动发现 workspace：从当前目录向上查找含 .workbuddy/ 的根目录 → 定位 studio-data/model_weights.json。
  • v1.6 路径容错：若自动发现失败 → 检查环境变量 SKILLHUB_WORKSPACE → 仍失败则提示用户手动指定。

步骤 2：呈现报告 + 路由裁决

  • 把引擎产出的报告完整呈现给用户（综合评分 / 双平台预测 / 置信度五档(🔴🟠🟡🟢🔵) + 为什么这个信度的说明 / 十一维 / TOP3 / 分层修改指令 / 整改路由建议 / 🧪 稳定度自检(I-7) · 📐 对标基准(I-8，若有) · 🔮 反事实推演+校准假设(I-9)）。
  • I-7 稳定度自检若标出 🔴脆 维，明确提示用户「该维可能虚高，按 rubric §5 锚点人工复核」。
  • I-8 未指定对标账号时，报告显示跳过提示（#12 竞品对标落地后自动激活），不伪造对标数据。
  • 路由裁决（明确告知用户）：
    • 若报告含 🔧内容层弱项 → 建议先回炉 @创作-选题结构/@创作-脚本生成，再 @君启-改人话。
    • 若仅 🟢语言层弱项 → 直接 @君启-改人话。
  • 用户可把报告交给我（编排者）按分层自动派发下游 SKILL，仅做确认——这是出错概率最低的用法。

步骤 2.5：语义交叉验证（B 最小版 · 编排者层 LLM 通道 · 不进引擎）

⚠️ 边界铁律：本步骤由【编排者/我】在引擎跑完（Python 确定性）后执行，是 LLM 调用，不是 predict_score.py 功能。 纯 CLI 跑 predict_score.py 不会触发本步骤；自动化/定时任务模式下跳过本步骤，报告标注「语义交叉未执行（需编排者层）」。 目的：治 rubric §5 自白的脆维（emotion/resonance/scarcity 易被水词骗过），与 I-7 扰动式标脆合并呈现（缝隙二）。

执行（编排者）：读本报告 + 原始脚本，调 LLM 一次性产出结构化两子任务：

  • 任务A（三维语义交叉）：对 emotion/resonance/scarcity 各给 {regex分, LLM语义分, 是否脆(🔴/🟢), 一句理由}
  • 任务B（人群反应 · B二期，本次可选）：4类人群(刚需首套/置换改善/投资客/本地吃瓜)各给 {对号入座度, 是否收藏/转发, 评论原声}

由编排者合成「🔴 脆维汇总（I-7 扰动 + B 语义交叉）」节，合并两方结论：

  • 两方都标脆 → 双重确认，必须人工复核
  • 仅一方标脆 → 以 B（语义）为准标注，并说明 I-7 未捕获 / 或 I-7 标脆但 B 稳定
  • 两方都稳定 → 通过 该节仅作参考，不进评分/路由硬逻辑（保确定性引擎纯净）。

步骤 3（可选）：刷新预测模型

当用户要求「刷新模型」「重新校准」「用新数据更新预测」时，运行：

python "<SKILL_DIR>/scripts/predict_score.py" --calibrate
  • 该命令调用 <workspace>/.workbuddy\recompute_model.py，从 publish_log.json 真实表现重算 model_weights.json，输出新版本号。
  • 正常闭环由「发布后复盘」F6 自动完成（见下），无需每次手动触发。

🔗 联动架构（治本闭环）

[创作五关] → 审校收工 → 【君启-视频流量预测】(本SKILL)
                ├─ 11维评分 + 双平台预测（可见）
                ├─ 分层整改报告（🟢语言层 / 🔧内容层，逐项指令）
                └─ 路由建议
                     ↓（编排者自动派发 / 用户确认）
       🔧 内容层 → @创作-选题结构 / @创作-脚本生成（回炉，先）
       🟢 语言层 → @君启-改人话（去AI味，后）
                     ↓ 定稿发布
       发后 48h →【视频数据追踪】→【复盘向导】→【发布后复盘 F6】→ recompute → model_weights v(N+1)
                     ↓（回流）
              【君启-视频流量预测】下次更准

⚠️ 与其他 SKILL 的边界

| SKILL | 关系 | |-------|------| | 君启-改人话 | 下游。本 SKILL 的 🟢语言层指令交它执行；它只改语言层，不重写内容 | | 创作-选题结构 / 创作-脚本生成 | 上游/下游。内容层弱项回炉至此；它们重做"说什么" | | 发布后复盘 | 闭环供给方。其 F6 自动刷新本 SKILL 依赖的 model_weights.json | | content-studio.html | 历史可视化看板（历史浏览/批量录入）。评分逻辑以本 SKILL 为准；HTML 须经 http 打开才能加载真实模型 |

版本记录

| 版本 | 日期 | 核心变更 | |------|------|----------| | v1.11.0 | 2026-07-30 | ✨ Layer 0 重构：①合规扫描域限定为 spokenText（假阳清零·中枢回正 421→1404）②序数"第一"白名单（枚举豁免）③I-7 脆度改为非实义扰动（删填充/连接词·去删句误判）④Outlier 检测 Tukey fence ⑤K型 emotion 降权+屏蔽"加扎心词"。配套规格书 v1.11-spec.md 含 Layer0/1/2 分层设计+六指标诊断方案+核准三道关+待定项。与元宝交叉验证·5/5 补丁回归通过 | | v1.0 | 2026-07-13 | 新建。移植 content-studio.html 10维+预测算法为 WorkBuddy 内 Python 引擎，直接读 model_weights.json，产出分层整改报告+路由建议，含 --calibrate 刷新模型 | | v1.1 | 2026-07-13 | 修 Bug：口播正文提取正则误抓 -oral.md 诊断/对照表中的"纯改后版"裸词（仅得 17 字碎片），导致 10 维评分与综合分严重偏低。改为优先按 ## 章节标题锚定（兼容「（可直接录）」等后缀），再回退裸词/逐行。修复后同文件综合分 50→70 | | v1.2 | 2026-07-16 | 🆕 第11维「开头抓力」(opening)：补"前5秒"维度（独立性/Hook/悬念/可信度/口播友好/匹配度），评分<6 时播放预测 ×0.90；rubric 与引擎同步 10→11 维；顺手校正模型版本标注 v5→v7 | | v1.3 | 2026-07-16 | 🆕 P0 迭代（借 cheat-on-content 对标）：① I-3 置信度五档(🔴🟠🟡🟢🔵)替代单一百分比+报告头"为什么这个信度"；② I-1 --write-back 升级为完整盲预测快照(含 predicted_mid/conf_band/dim_scores/pred_reasons，标 snapshot_type=blind_prediction)；③ I-2 rubric 增 emotion/resonance/scarcity 三维度锚点+误判 caveat 自白 | | v1.4 | 2026-07-16 | 🆕 P1 迭代：① I-5 播放概率分布 bucket（绝对桶5档·加总100%替代单点区间）；② I-6 cold-start 分化（样本<5→切换比率桶并标注）；③ I-4 盲预测纪律声明（步骤0.5 发布状态自检：已发≥3d有数据→拒绝预测改记 retrospective，预测写回即锁定不可篡改） | | v1.5 | 2026-07-16 | 🆕 P2 迭代（借 cheat-on-content）：① I-7 稳定度自检（确定性引擎同稿跑两次方差恒0→改用3种扰动式敏感检测，每维 stable/sensitive/brittle 分级，脆维提示人工复核）；② I-8 对标账号校准（--benchmark CLI + model_weights.benchmark_baselines 检测，无数据→跳过不伪造，待 #12 激活）；③ I-9 反事实推演+校准假设（作 rubric 演化种子） | | v1.6–v1.9 | 2026-07-17~ | （历史变更记录缺失；frontmatter 已至 1.9.0、模型版本已至 v10，此处补 catch-up 占位，真实说明待补登） | | v1.10.0 | 2026-07-25 | 🆕 A+B 增强：① A1 合规检测（references/compliance.json 五类词库+精确/模糊双字段，引擎 regex 扫描；命中绝对化/收益承诺→播放预测×penalty_factor(默认0.3·estimated未校准)打折且写回打折值，护 F6 闭环诚信防违规词污染 recompute）；② A2 视觉层自查（部分机器化：扫[画面]/[BGM]等标记）；③ B 最小版语义交叉验证（编排者层 LLM 通道，治 rubric §5 脆维，与 I-7 合并脆维汇总；非引擎功能，CLI 不触发，自动化模式跳过标注）。注：B 为流程层增补，不碰引擎确定性。 | | v1.10.1 | 2026-07-26 | 📝 文档层 + 词库扩充（引擎零改动）：① SKILL.md 顶部新增「📌 已知局限与应对」首屏区块，将 I-7 稳定度自检 / rubric §5 锚点自白 / B 编排者层语义交叉串成一条线，正面回应 skillhub 评论"内外温差"（作者已知局限且有机制化应对）；② compliance.json 词库扩充（新增模糊短语：全国第[一1] / 翻了X倍 / 一定能上 / 保证能上 / 错过…买不到 / 招财），保留 penalty_factor/auto_penalty_categories/visual_markers/categories 包裹等引擎必需键，确定性根基（盲预测 + I-7 + compliance_check）纹丝不动。 |