cheat-init

name cheat-init description cheat-on-content 的首次 onboarding 与脚手架创建器。统一流程——所有用户都走相同 5 阶段闭环，唯一区别是"发过视频的人"会在 init 时多一步：抓取已有视频建立历史 context（用于后续 cheat-seed 给更贴合的选题、更准的 baseline）。触发词："初始化"/"init"/"首次使用"/"我是新用户"/"setup cheat-on-content"。**必须在用户第一次会话执行；其他子 skill 在 .cheat-state.json 不存在时自动路由到此。** argument-hint [— form: opinion-video|long-essay|short-text|podcast] allowed-tools Bash(*), Read, Write, Edit, Glob, WebFetch, Skill /cheat-init — 首次 onboarding 让用户从零到能跑第一篇预测，全程 ≤ 5 分钟（没发过历史的）或 ≤ 10 分钟（已发过、要 import 历史的）。 Overview [用户首次说"初始化"] ↓ [Phase 0: 检测当前状态] ↓ [Phase 1: 首屏文案 — 适用性 + 期望管理] ↓ [Phase 2: 6 个问题（Q1-Q5 都问；Q2 决定是否走 user-history import）] ↓ [Phase 2.5: 对标账号 — 强烈建议（cold-start 必须问，已发用户可选）] ↓ [Phase 3: 创建脚手架（含 scripts/ + videos/ + samples/ 空目录 + 模板文件含 benchmark.md）] ↓ [Phase 3.5: user-history import 流程（仅 Q2=有发过历史 + 用户同意）] ↓ [Phase 4: 测试 hook 是否生效] ↓ [Phase 5: 给"下一步该说什么"清单] Constants DEFAULT_RETRO_WINDOW_DAYS = 3 INSTALL_HOOKS = ask — 默认询问；用户选 auto 直接装； skip 不装 TREND_DEFAULT_SOURCES = ["manual-paste"] Inputs 无。所有信息从 6 个对话问题里收集。 Workflow Phase 0: 检测当前状态 读用户当前工作目录（ 用户的 content project，不是 cheat-on-content 自己 ） 检查是否已存在 .cheat-state.json ： 存在 → 提示"项目似乎已初始化（state file 存在）。要重新初始化会覆盖现有配置——确认？" 等用户明确确认才继续 不存在 → 进入 Phase 1 检查是否已存在 rubric_notes.md / predictions/ 等核心文件——存在但 state file 不存在 → 是"半初始化"状态，提示用户并询问"要从现有文件推断状态还是重置？" Phase 1: 首屏直白告知期望（含适用性验证） 向用户输出（一字不漏，不要软化）： 🎯 Cheat on Content / 网红外挂 — 初始化 你的下一条内容已经在改写 3 个月后的你。 规律是客观存在的，区别是你**看见**还是**没看见**。 这套让你看见。 接下来 5-10 分钟我会问你 5-6 个问题搞清楚你做什么、有什么、怎么用。 两件事先说在前面： 1. **早期预测会不准**——前 5 篇精度大概 ±50%，这是数学事实。 工具用 🔴🟠🟡🟢🔵 标 confidence 等级，不藏数字—— 你自己判断这次能不能信。 2. **强烈建议导对标账号**——5-10 条对标视频，工具立刻有 anchor。 不然第一批预测基本是占星。后面 Q5 会再问一次。 准备好开始吗？ 如果用户答"继续"或类似肯定回应 → Phase 2。 不再因为 content_form 拒绝继续——任何形态都允许，只是 rubric_form_mismatch 字段标真，cheat-status 后续会持续提示用户"你的形态需要 bump 调权重"。 Phase 2: 6 个问题（一问一答， 不 批量提问） Q1: 内容形态 "你的内容更接近哪一种？ a) 观点视频 （评论 / 时评 / 论说 / 议题讨论 / 个人观点）— 直接匹配内置 rubric b) 长文 essay （公众号 / Substack / Medium）— 可借观点视频 rubric 起步，bump 时调权重 c) 短文 / thread （X / 微博 / 即刻）— 同上 d) 播客 / 视频长内容 （YouTube 长片 / 播客）— 同上 e) 教程 / 工具教学 / Builder （教别人怎么用 X 工具 / 怎么做 Y 项目）— 同上 f) 其他 （游戏 / 美食 / 妆教 / 新闻 / 剧情）— 工作流通用，但 rubric 维度需要调 （ER / SR / HP 这套对你形态可能不太预测，需要自己拆出适合的维度） g) 混合 " 记录到 content_form + rubric_form_mismatch 。 Q1 → content_form enum 映射 （ 必须存 enum 值，不是字母 ）： 用户答 content_form 写入值 a "opinion-video" b "long-essay" c "short-text" d "podcast" e "tutorial-builder" f "other" g "mixed" rubric_form_mismatch 派生： 选 a → false 选 b/c/d/e/f/g → true ，cheat-status 持续提示"你的形态可能需要 bump 调权重" 不再有"严重不匹配"档 ——所有形态都能跑工作流，只是有的 rubric 需要更激进的 bump Q1.5: 典型时长 （仅 Q1=a/d/f 时问） "你的视频典型时长？ a) 30秒-1分钟 b) 1-3分钟 c) 3-5分钟（推荐起步） d) 5-10分钟 e) 10分钟以上" 记录到 typical_duration_seconds （30 / 90 / 240 / 450 / 900）。 Q1.6: 发布频率 "你打算多久发一篇？ a) 日更 b) 隔日 c) 每周 d) 灵活 / 不固定（关闭 buffer 监控）" 记录到 target_publish_cadence_days （1 / 2 / 7 / null）。 Q2: 你这个频道发过视频吗？ "a) 没发过 — 我会帮你从兴趣 + 热点 brainstorm 5 个候选 + 写 5 份初稿 b) 发过 — 不管 1 条还是 100 条，我会帮你抓历史让后续 brainstorm 更贴合你做过什么" 如选 a → state 写 calibration_samples: 0 ， Phase 3.5 跳过 ，直接进入 Phase 4。 如选 b → 进入 Q2.1 。 Q2.1: 平台 + 抓取计划 （仅 Q2=b） "你内容主要在哪个平台？ a) 抖音 — 装 douyin-session adapter（Playwright + 扫码登录抖音创作者中心） b) 小红书 — 装 xhs-explore adapter（Playwright + 扫码登录小红书创作者中心） c) YouTube — 装 youtube-data-api adapter（需 API key） d) B 站 — bilibili-stat adapter e) LinkedIn — 装 linkedin-session adapter（Playwright + 登录 LinkedIn，抓单帖分析） f) 微信视频号 — 装 wechat-channels adapter（Playwright + 扫码登录视频号助手，仅抓自己账号后台数据） g) 其他 / 多平台 — 走 manual paste 模式" 如选 a/b/c/d/e/f → 询问 Q2.2；如选 g → 跳到 Q2.3 manual。 Q2.2: adapter 安装时机 （仅 Q2.1=a/b/c/d/e/f） "现在装 adapter 自动抓取，还是先手动告诉我？ 现在装 — 引导你装 Playwright + 扫码 → 抓回最近 N 条数据 等下再装 — 先 manual 模式，state 标 'pending_adapter_setup'， cheat-status 持续提示装" 如选"现在装"→ 走 adapter install 引导（详见各 adapter README）→ 验证抓取可用 → Q2.3。 如选"等下"→ 跳到 Q2.3 manual。 Q2.3: 抓取范围 / 历史规模 如 adapter 已装并验证可用： "我可以抓你最近多少条作为基础？ （建议 10-25 条；样本越多 baseline 越准。最多到你账号实际数量）" → 用户给数字 N，Phase 3.5 抓取 N 条 如 manual 模式： "你大概发过多少条？给个范围就行（比如 '5-10 条' / '20+ 条'）， 这只用来标 calibration_samples 估值，不用准确。" → 用户给一个估值，Phase 3.5 跳过抓取，calibration_samples 写估值 Q3: 数据回收方式 "T+3 天复盘怎么拿数据？ a) 手动粘 — 候补方案。 你必须粘 top 20+ 评论（带赞数） ，不是只粘播放数。 评论才是真信号——'她不一样'这种模因爆发只能从评论看出， 播放数永远告诉不了你什么内容真的击中了观众。 b) [推荐默认] adapter 自动抓 — 评论 + 数据全要。 如果你现在没装 adapter，没关系，state 标 'pending_adapter_setup'， 第一次 publish 之前装上就行（cheat-status 会持续提醒装）。 装的指引在 adapters/perf-data/ /README.md。" Q3 → data_collection enum 映射 ： 用户答 data_collection 写入值 a "manual" b（默认） "adapter" 默认推荐 b——除非用户明确说 "a 我就要手动"。 Q4: 候选选题 "你现在有候选选题列表吗？（如有外部 markdown / Notion 维护的） a) 没有（默认）— 一会儿我帮你 brainstorm，或日常用 /cheat-trends 抓 b) 有，markdown 列表 c) 有，Notion / 其他" Q4 → pool_status enum 映射 ： 用户答 pool_status 写入值 a（默认） "none" b "markdown" c "notion" Q5: 装几个 hook（默认装，不需要你决定） "Q5：我顺便装几个 hook，回 'yes' 或 'enter' 就装： 预测锁 — 我们一起做完预测后，文件被锁。你或我都不能改预测段。 复盘只能往同一文件下半段追加，不污染上半段判断。 （没这个锁，事后看到数据想"修一下当时的预测"几乎是必然的——你或我都会犯） SessionStart 自动报告 — 每次开新会话顶部显示 buffer / 待复盘 / 候选 top 静默使用日志 — 异步记录使用频率，不阻塞，给将来诊断用 三个一起装。 不装也可以 （回 'no'）但你失去预测锁，校准价值会下降。 回 yes / no。" Q5 → hooks_installed 映射 ： 用户答 hooks_installed 写入值 yes / enter / 默认 true （bool， 不是字符串 "yes" ） no false 默认 yes——除非用户明确说 no。 Phase 2.5: 对标账号（ 所有用户都问 ，cold-start 强烈建议） 工具早期最重要的信号源是 对标账号 ——你 init 完没数据，rubric 等权 v0 等于占星。 但如果你能找一个你想做成那样的账号，导入 5-10 条它的高 / 中 / 低样本，工具就有了 anchor。 询问： 🎯 对标账号 你能找一个对标账号吗？至少 3 条该账号的视频。 - 你**完全没发过历史**（Q2=a）→ **强烈建议**——rubric 没 anchor 全靠对标。 不找的话用通用 v0 等权 rubric，前 5 篇精度更差更久 - 你**已发历史**（Q2=b）→ **可选**——你也可以只用自己历史 calibrate； 但建议至少导 1 个对标做 sanity check（看你账号是否真的偏离对标方向） a) 现在找 → 立刻进入 /cheat-learn-from（5-15 分钟，看你材料准备程度） b) 等下找 → state 标 `benchmark_status: pending`，cheat-status 持续提醒 c) 不找 → state 标 `benchmark_status: none`，用通用 v0 起步 回 a / b / c。 行为： 选 a → Phase 3 创建脚手架完毕后， 自动 dispatch 到 /cheat-learn-from （不让用户手动跑——已经在 init 流程里了）。完成后回 init Phase 4 选 b → state 标 benchmark_status: pending + benchmark_name: null 选 c → state 标 benchmark_status: none 记录到 benchmark_status / benchmark_name （如 a 选则在 cheat-learn-from 里写入）。 Phase 3: 创建脚手架（逐项解释） 按顺序创建并 解释每一项的作用 ： .gitignore （安全 — 必须第一步创建） "先创建 .gitignore，把账号凭证挡在版本控制外——这是第一件事。 .auth/ / .auth-xhs/ / .auth-linkedin/ / .auth-wechat-channels/ 存的是各平台登录态（等同账号密码）， .cheat-secrets.json 存 API key / cookie——一旦被 commit 或云同步就等于泄露账号。 注意：predictions/ videos/ scripts/ 这些**不**忽略——原则 #1/#3 依赖 git history 作为预测的不可变档案，必须入库。" 复制 cheat-on-content/templates/gitignore.template → <user-repo>/.gitignore 如 <user-repo>/.gitignore 已存在 → 不覆盖；逐行检查并 追加缺失行 ，至少确保 .auth/ 、 .auth-xhs/ 、 .auth-linkedin/ 、 .auth-wechat-channels/ 、 .cheat-secrets.json 五行存在 即使用户项目当前 还不是 git 仓库 也照常创建——它会在用户 git init 的那一刻立即生效 创建后提醒一句：如果项目已经 git init 过且可能误加过 .auth/ ，让用户跑 git rm -r --cached .auth .auth-xhs .auth-linkedin .auth-wechat-channels .cheat-secrets.json 把已暂存的凭证移出 .cheat-state.json "正在创建 .cheat-state.json — 各子 skill 共享上下文的地方。 这次 init 收集的所有答案都会写在这里。" 写入（ 所有 <...> 占位必须查上面 Q 的映射表换成具体 enum 值，绝不直接存字母 ）： { "schema_version" : "1.4" , "skill_version" : "1.0.0" , "rubric_version" : "v0" , "content_form" : "<查 Q1 映射表，写 enum 字符串如 \"opinion-video\">" , "typical_duration_seconds" : <Q1 .5 派生： 30 / 90 / 240 / 450 / 900 > , "target_publish_cadence_days" : <Q1 .6 派生： 1 / 2 / 7 / null > , "rubric_form_mismatch" : <Q1=a→ false ；其他→ true > , "benchmark_status" : "<Phase 2.5 派生：a→\"imported\"/b→\"pending\"/c→\"none\">" , "benchmark_name" : <imported 则字符串名，否则 null > , "benchmark_sample_count" : <imported 则数字，否则 0 > , "baseline_plays" : null , "calibration_samples" : <Q2=a→ 0 ；Q2=b→Phase 3.5 import 回填或 Q2 .3 估值> , "data_collection" : "<查 Q3 映射表，写 \"manual\" 或 \"adapter\">" , "pool_status" : "<查 Q4 映射表，写 \"none\"/\"markdown\"/\"notion\">" , "data_layer" : "markdown" , "hooks_installed" : <查 Q5 映射表，写 bool true / false > , "enabled_trend_sources" : [ "manual-paste" ] , "enabled_perf_adapters" : <Q2 .1 =a→ [ \ "douyin-session\"]；b→[\"xhs-explore\"]；c→[\"youtube-data-api\"]；d→[\"bilibili-stat\"]；e→[\"linkedin-session\"]；f→[\"wechat-channels\"]；其他→[]>, " last_bump_at ": null, " last_bump_self_audited ": false, " last_published_at ": null, " last_published_file ": null, " last_retro_at ": null, " last_trends_run_at ": null, " last_trends_added_count ": 0, " last_prediction_self_scored ": false, " last_self_scored_at ": null, " consecutive_directional_errors ": [], " pending_retros ": [], " shoots ": [], " in_progress_session ": null, " initialized_at ": " <本地 ISO 8601 含时区，如 \ "2026-05-05T20:11:13+08:00\"，**不要用 UTC 的 Z 后缀**>" } rubric_notes.md "正在创建 rubric_notes.md — 你的评分维度的真实来源。 用的是 v0 占位 rubric——等权 7 维（每个维度同等重要）。 为什么叫 v0：v0 是没校准前的占位。你的账号自己的真权重要从你 的数据反推，不是预设。跑完 5 篇有数据的内容后，会自动提议 升级到「校准 v1」（你的第一个真正校准过的 rubric）。 ⚠️ rubric_notes.md 是 blind sub-agent (channel B) 的白名单文件—— 只能含通用语言（公式 / 维度定义 / bucket 边界），不能含真实视频名 / 实绩。 每次 bump 升级时的 Memo（含证据数据 + 派生证据）写到 rubric-memo.md（下一步创建）。" 复制 cheat-on-content/starter-rubrics/<form>-zero.md （cold-start）或 <form>.md （已有数据时仍可参考） 2.5. rubric-memo.md （ 新 ——配合 cheat-score-blind 隔离协议） "正在创建 rubric-memo.md — bump 升级 Memo 累积档案。 这是 cheat-bump Phase 5 写入 Memo 全文（含真实视频名 + 实绩 + 派生证据）的位置。 为什么单独一个文件：blind sub-agent 的白名单是 rubric_notes.md， 历史上 bump Memo 写进 rubric_notes.md 会让 blind sub-agent 通过白名单 拿到本该看不到的实绩数据——本文件是隔离修复，sub-agent 硬禁读本文件。 现在是空的，等第一次 cheat-bump 升级后 append 第一段 Memo。" 复制 cheat-on-content/templates/rubric-memo.template.md → <user-repo>/rubric-memo.md script_patterns.md "正在创建 script_patterns.md — 你的写作 pattern 沉淀（与 rubric 解耦）。 rubric_notes.md 教 Claude 怎么打分； script_patterns.md 教 Claude 怎么写。" 复制 cheat-on-content/templates/script_patterns.template.md 四个目录 ： scripts/ + predictions/ + videos/ + samples/ （都加 .gitkeep ） "正在创建四个目录： scripts/ — 拍前的草稿（cheat-seed 写或你写） predictions/ — immutable 预测日志（hook 保护） videos/ — 拍后的工作目录（cheat-shoot 创建子目录） samples/ — 对标账号视频 / 转录（cheat-learn-from 创建子目录） 前三处用同一组 <date>_<id>_<short> 命名相互关联。 samples/ 按对标账号名分组：samples/<账号名>/<video-id>/。" 4.5. benchmark.md （仅 Phase 2.5 选 a/b 时） "正在复制 benchmark.md 占位模板（实际内容由 cheat-learn-from 填）—— 这是你的对标账号的中央 reference。