writing-dna-skill

name writing-dna-skill description 从至少 20 篇完整文章中蒸馏可复用的写作 DNA，分析语言、文章结构、选题逻辑、素材策略、认知框架和视觉风格，并生成 Writing-DNA.md；按该 DNA 写作时会读取全部蒸馏产物和 5 篇相关原文。用于中英文作者、账号、品牌或出版物的风格分析与一致性写作。 Distill reusable Writing DNA from at least 20 complete articles for Chinese or English authors, publications, brands, and accounts; use for language, structure, topic logic, source strategy, cognitive-frame, and visual-style analysis. 写作蒸馏器.skill 英文名： writing-dna-skill 使用语言与模板 将“对话语言”和“产物语言”分开处理： 使用用户的对话语言进行交互，除非用户明确指定其他语言。 用户明确指定产物语言时，以用户选择为准。 未指定时，使用原始语料的主要语言。 语料混合且无法判断时，使用对话语言。 中文产物使用 templates/author-corpus/zh/ 。英文产物使用 templates/author-corpus/en/ ，并按需读取 references/workflow.en.md 以获取英文文件名和表达规范。 分析产物 中文文件名 英文文件名 L1 语言 DNA 语言DNA.md language-dna.md L2 文章结构 文章结构模板.md structure-patterns.md L3-L5 认知框架 写作视角与认知框架.md cognitive-framework.md L6 视觉风格 视觉风格指南.md visual-style-guide.md 最终整合文档 Writing-DNA.md Writing-DNA.md 下文中出现产物文件名时，始终根据已选定的产物语言使用上表对应的文件名。 一、目标 从某个账号/作者的历史文章中，提炼出可复用的 写作 DNA ——不是摘要，而是可操作的规则集，用于： 理解 该账号/作者的写作视角、选题逻辑、语言风格 复刻 该账号/作者的写作风格（输出近似风格的文章） 对比 不同账号/作者在同一议题上的表达差异 二、蒸馏的六个层次 层次 分析对象 提取方法 输出形式 L1 表层语言 词频、句长、标点、修辞 脚本统计 词频表 + 句式清单 L2 文章结构 开头 hook、正文架构、结尾收束 人工标注 结构模板（按类型分类） L3 选题逻辑 发布时机、切入角度、话题优先级 归纳分类 选题判断树 L4 素材策略 引用来源类型、权威对象选取标准、数据使用方式 阅读归纳 素材偏好清单 L5 认知框架 作者的世界观、价值判断、对主题的核心假设 深度阅读 核心命题列表 L6 视觉风格 配图策略、排版格式、字体层级、色彩使用 图文统计 + 截图采样 视觉风格指南 原则 ：L1-L2 是"怎么写"，L3-L5 是"怎么想"，L6 是"怎么呈现"。完整的风格复刻需要三者结合。 跨层原则：图片内容必须纳入分析 许多文章的图片不是装饰——截图、对话记录、数据表格、用户评论中的文字是论证链的一部分。分析时必须 打开图片查看内容 ，否则会遗漏： L2 文章结构 ：截图在叙事中的承重角色（转折点在截图里、证据链由截图构成） L4 素材策略 ：截图是核心素材形式，精确数据往往只存在于图片中 L6 视觉风格 ：图片的功能分类（证据型/演示型/数据型/叙事推进型/情绪型）和图文协作模式 执行要求 ：Step 3-6 的分析中，至少抽样 5-10 篇文章逐张查看图片内容，评估图片携带的实质性信息比例。 三、工作流程 Step 1：原始素材收集 目标 ：建立该账号/作者的文章语料库 收集渠道：公众号、博客、Newsletter、官网、社交平台等历史文章 数量建议：至少 20 篇完整文章 文件格式： .md 或 .txt ，存入对应目录的 raw/ 或 raw-corpus/ 文件夹 覆盖范围：尽量包含不同时期、不同类型的文章（访谈 / 深度 / 短评） 文件命名规范 ： YYYY-MM-DD 内容类型 文章标题-来源.md Step 2：元数据标注（ _meta/ 目录） 为每篇文章创建元数据记录，字段如下： { "title" : "文章标题" , "date" : "YYYY-MM-DD" , "author" : "作者姓名" , "column" : "内容系列名称" , "article_type" : "访谈 | 深度分析 | 短评 | 观察 | 综述" , "topic_tags" : [ "AI" , "创业" , "商业模式" ] , "hook_type" : "问题式 | 场景式 | 数据式 | 观点式 | 悬念式" , "structure_pattern" : "总-分-总 | 时间线 | 对比式 | Q&A" , "source_types" : [ "一手素材" , "公开资料" , "案例对比" ] , "word_count" : 3200 , "notable" : "值得标注的特殊之处（可留空）" } 元数据是后续统计分析和规律归纳的基础，不可跳过。 Step 3：脚本分析（L1 表层语言） 运行以下分析，提取表层语言特征： 词频分析 高频名词（100 个） 高频动词（50 个） 高频副词（过度使用的副词 = 需要过滤的噪声） 句式分析 平均句长（字符数） 短句（≤15字）占比 长句（≥50字）占比 段落平均句数 标点与格式 破折号 vs 括号的使用比 引号使用场景 小标题平均字数 中英文混用模式 输出 ：中文产物写入 语言DNA.md ；英文产物写入 language-dna.md 。内容包含词频表和句式规律总结。 Step 4：结构标注（L2 文章结构） 对每篇文章人工标注结构骨架，记录： [开头 hook 类型] + [字数] → [第一转折点/核心问题引入] → [正文结构：总-分 / 对比 / 时间线 / Q&A] → [结尾处理方式：收束 / 悬念 / 呼吁 / 自然结束] 归纳后，按 内容类型 整理为可复用的结构模板，例如： 访谈类模板 ： 引题段（150-300字） → 为什么此时此人值得聊（1句） → 关键背景（2-3句） → 本篇核心问题（1-2句） 正文 Q&A → 每个大话题前有小标题（4-8字） → 每小节 3-6 轮对话 结尾 → 多为自然收束，无刻意升华 输出 ：中文产物写入 文章结构模板.md ；英文产物写入 structure-patterns.md 。按内容类型分类。 Step 5：选题与认知框架归纳（L3-L5） 这是最需要深度阅读的部分，无法用脚本替代。 选题逻辑归纳 （L3） 他们倾向于在什么时机切入？（早期判断 / 跟进分析 / 事后复盘） 同一话题，他们的切入角度是什么？（当事人视角 / 读者视角 / 系统视角） 什么类型的话题他们不写？ 素材策略 （L4） 主要依赖哪类素材？（一手观察 / 二手整理 / 数据引用） 权威对象选取标准是什么？ 如何处理敏感或争议性信息？ 图片作为素材 ：截图在论证中承担什么角色？（纯配图 vs 承重结构）精确数据是否只存在于截图中？图文之间的协作模式是什么？ 认知框架 （L5） 该账号/作者对主题的核心假设是什么？ 反复出现的核心命题（3-5 条） 他们认为什么是"好对象"、"好作品"？ 输出 ：中文产物写入 写作视角与认知框架.md ；英文产物写入 cognitive-framework.md 。 Step 6：视觉风格与排版分析（L6） 这一层分析文章的视觉呈现——读者看到的不只是文字，还有图片节奏、字体层级、排版密度。风格复刻如果只复刻文字而忽略视觉，出来的东西"读着像但看着不像"。 配图策略 图文比：每篇文章平均配图数量、图片间距（每隔多少段落出现一张图） 图片类型分布：界面截图 / 数据图表 / 人物照 / 概念示意图 / meme / 纯装饰 首图风格：是否有封面图？风格是实拍、插画还是纯文字排版？ 图片来源模式：原创拍摄 / 官方素材 / 网络素材 / AI 生成 图片功能分类 （需逐张查看图片内容）：证据型（社交截图/对话/评论）/ 演示型（界面/过程/代码输出）/ 数据型（排行榜/图表）/ 叙事推进型（故事转折在图中）/ 情绪型（meme）/ 权威型（论文/人物照） 图文协作模式 ：文字和图片如何分工？（引导语→截图→解读？截图即论证？文字概括+截图精确？） 排版格式 字号层级：正文字号、标题字号、引用/注释字号（从 HTML font-size 提取） 加粗使用频率：每千字加粗次数、加粗用于强调关键词还是整句 段落长度：平均段落字数、是否有刻意的短段落节奏（如一句一段） 分隔方式：用小标题分段 / 用分隔线 / 用空行 / 用加粗句作为"隐性标题" 色彩与强调 是否使用彩色文字？用于什么场景？（重点标注 / 链接 / 引用） 背景色块的使用：灰底引用框 / 高亮色块 / 代码块样式 整体色调倾向：素净黑白 / 彩色活泼 / 深色主题 提取方法 如有原始 HTML：统计 font-size 、 font-weight 、 color 、 background 属性分布 如仅有 Markdown：从 ** （加粗）、 ## （标题）、 > （引用）、 ![]() （图片）等标记提取排版规律 必做 ：抽样 5-10 篇文章逐张打开图片，分析图片功能类型和图文协作模式 统计图片数量、位置分布、功能分类占比 输出 ：中文产物写入 视觉风格指南.md ；英文产物写入 visual-style-guide.md 。内容包含配图策略、排版规律和色彩使用总结。 Step 7：蒸馏产物整合 将以上分析整合为一份可直接用于 AI 复刻的文档： 写作 DNA 文档（Writing-DNA.md） ├── 语言特征（来自 L1） ├── 结构模板（来自 L2，按类型分类） ├── 选题判断标准（来自 L3） ├── 素材使用规范（来自 L4） ├── 核心认知框架（来自 L5） └── 视觉风格指南（来自 L6：配图策略 + 排版 + 色彩） 这份文档应满足：​ 给任何一个没读过该账号/作者的人，他读完下笔能写出 70 分的近似风格文章——不仅文字像，视觉呈现也像。 四、目录结构规范 （本节说明蒸馏产物的存放位置，写作阶段的使用方式见第六节。） 每个账号或作者目录建议采用以下结构。中文产物使用左侧文件名，英文产物使用括号中的英文文件名： 账号或作者名称/ ├── raw/ # 原始文章语料（.md 格式） ├── _meta/ # 元数据标注（JSON 或 .md） ├── 语言DNA.md # English: language-dna.md ├── 文章结构模板.md # English: structure-patterns.md ├── 写作视角与认知框架.md # English: cognitive-framework.md ├── 视觉风格指南.md # English: visual-style-guide.md ├── Writing-DNA.md # 最终整合文档（可直接嵌入 skill） └── index.html # 可选：可视化展示页面 五、质量标准 蒸馏产物完成后，用以下标准自检： 给 AI 喂入 Writing-DNA.md，能否写出该账号/作者风格的文章（评分 ≥7/10） L2 结构模板覆盖了该账号/作者至少 3 种内容类型 L5 认知框架提炼出至少 3 条非显而易见的核心命题 元数据覆盖至少 80% 的语料文章 L6 视觉分析覆盖配图策略、排版格式、色彩使用三个维度 Writing-DNA.md 单文档字数控制在 4000 字以内（过长 = 没蒸馏干净） 六、使用蒸馏产物写作 蒸馏完成后，每次按该 DNA 写作前， 必须先完成下面的读取步骤 。不允许只凭 Writing-DNA.md 或凭上一轮对话的记忆下笔——整合文档是压缩后的结论，具体的语感、句子长短、过渡方式和标点习惯只存在于分层产物和原文里。 6.1 每次写作前必读 第一步：读完全部蒸馏产物 （四份分层产物 + 整合文档，一份都不能跳过） 读什么 中文文件名 英文文件名 提取什么 L1 语言 语言DNA.md language-dna.md 高频词、句长分布、标点习惯、中英混用方式 L2 结构 文章结构模板.md structure-patterns.md 匹配本次体裁的结构模板 L3-L5 认知 写作视角与认知框架.md cognitive-framework.md 切入角度、素材偏好、核心命题 L6 视觉 视觉风格指南.md visual-style-guide.md 配图位置与类型、加粗密度、段落节奏、分隔方式 整合 Writing-DNA.md Writing-DNA.md 总体约束与优先级 第二步：读 5 篇相关的 raw 原文 从 raw/ 中选 5 篇与本次写作 体裁和题材最接近 的文章通读。选取方式： 优先用 _meta/ 的 article_type 和 topic_tags 筛选匹配项 匹配项超过 5 篇时，取时间最近的 5 篇（近期文章更代表当前风格） 匹配项不足 5 篇时，用同体裁不同题材的文章补齐到 5 篇 _meta/ 不完整或缺失时，直接按文件名中的日期和标题判断 读 raw 的目的不是找素材，而是校准分层产物里描述不出来的东西：句子的实际呼吸感、段落之间怎么接、什么时候突然用一个短句、口语和书面语怎么混。 读完要能说出这 5 篇的共同语感 ，再开始写。 6.2 写作时的优先级 规则冲突时按此顺序取舍： 用户的明确指令（本次要求的题材、长度、平台、语言） L2 结构模板中匹配当前体裁的那一套 L1 语言特征与 L6 视觉风格 L3-L5 认知框架（决定观点立场和素材选择，不决定句式） 原文里的具体观点和事实 不能直接搬进新文章 ——复刻的是写法，不是内容。 6.3 写完之后：清理 AI 痕迹 写作完成后，用 skills/lieflat-less-ai-tone/ 的规则清理成稿中的 AI 痕迹。它采用白名单式改写，只处理规则清单内的问题，不改文章框架，也不覆盖本次写作已遵循的 DNA 特征。 蒸馏产物与去 AI 味规则冲突时，以蒸馏产物为准 ——那是目标作者的真实写法，不是 AI 痕迹。