公众号运营分析 · qianjin-wechat-analyzer

深度公众号运营诊断系统：后台真实数据 × 全量语料量化 × 爆款差分 × 分层对标 × 证据化建议。

为什么是 v2.0

v1.x 的问题不是分析得不够细，而是输入 2-3 篇截图就能生成一份看起来很专业的报告，但结论经常是错的。

根因：单篇样本无法区分「这是账号的稳定特征」和「这一篇恰好是爆款」——而这两者导向的运营动作完全相反。

v2.0 用四道闸门拦截：

| 闸门 | 拦截什么 | |------|---------| | 证据分级（<5篇拒绝出结论） | 3 篇截图生成"账号特征" | | 全量差分（20特征 × 真实阅读量） | "看几篇觉得" | | 分层对标（5号4角色） | 选错对标 → 方向全错 | | 建议绑定证据（五要素） | "正确的废话" |

核心能力

| 模块 | 关键能力 | |------|---------| | 📊 语料量化 | 20 个内容特征自动提取：标题句式/字数、开头结尾类型、段落节奏、金句密度、口语化程度 | | 📈 爆款差分 | 把每篇内容特征与真实阅读量对齐，找出爆款组与平庸组的差异特征 | | 🔐 后台接入 | 阅读/在看/收藏/完读率/读后涨粉/用户画像——第三方永远拿不到的真实数据 | | 🎯 分层对标 | 5 个号覆盖同量级/头部标杆/错位竞争/分母校准四类角色 | | 📋 证据化建议 | 每条建议带：证据 / 推理链 / 反证 / 置信度 / 资源前提 |

快速开始

# 1) 接入后台真实数据（需先 agent-browser install）
python scripts/fetch_backend.py --login --session wx --headed
python scripts/fetch_backend.py --session wx --days 90 --out ./backend.json

# 2) 量化分析
python scripts/analyze_corpus.py --input ./backend.json --md

三条不可违反的规则

① 样本量决定结论硬度

A 级 ≥30篇  稳定特征 + 方向建议
B 级 ≥12篇  倾向（须标注）
C 级 ≥5篇   仅观察，不可作为行动依据
D 级 <5篇   拒绝输出特征性结论

② 中位数不是均值 公众号阅读量右偏严重，均值会被少数爆文拉高数倍。只报均值的分析不可采信。

③ 相关不是因果 "标题含数字的文章阅读高"可能是因为写数字标题的人本身在发更重的选题。 要确认因果，得自己在同一选题上做标题 A/B（公众号支持改标题）。

触发方式

• "分析一下这个公众号：XX"
• "给我深度分析一下 XX 公众号，要真实数据"
• "帮我对比 XX 和 YY 两个号"
• "我这个号爆的那篇到底是因为标题还是选题？"
• "帮我找 5 个对标账号"

目录结构

qianjin-wechat-analyzer/
├── SKILL.md                      # 主文件（流程 + 报告规范 + 铁律）
├── scripts/
│   ├── analyze_corpus.py         # 核心引擎：特征提取 + 爆款差分 + 证据分级
│   ├── fetch_backend.py          # 后台真实数据采集
│   ├── browse_metrics.py         # 公开文章页截图
│   └── fetch_metrics.py          # cookie 抓单篇指标
└── references/
    ├── methodology.md            # 方法论地基：证据分级 + 六个统计陷阱
    ├── benchmark-selection.md    # 对标账号六维漏斗 + 三赛道候选池
    └── backend-api.md            # 后台接口技术细节（含 8 个坑）

License

MIT