容校準閉環(huán)實戰(zhàn))
人工智能AI Agent大模型AI 應(yīng)用媒體生成【免費下載鏈接】xiaobei為OPC/中小微企業(yè)量身打造的自媒體獲客智能體項目地址https://gitcode.com/gh_mirrors/wi/xiaobei點擊查看免費下載導讀本文圍繞 xiaobei 開源倉庫中微信公眾號平臺的 benchmark.md對標賬號基準文件完整講解這套對標賬號 → Pattern 提煉 → rubric 信號 → 內(nèi)容校準閉環(huán)的運作機制它由 content-calibrator 內(nèi)容校準技能 的 LearnFrom 操作維護是外源校準的核心入口。讀完本文你將掌握對標數(shù)據(jù)的落盤結(jié)構(gòu)、導入對標賬號的完整操作鏈路init.sh→ viral-chaser 追爆 →import-viral-chaser.sh、對標信號如何反哺統(tǒng)一的 7 維評分公式以及它在打分盲預測 → 發(fā)布 → 記錄 → T3d 復盤 → 進化 rubric閉環(huán)中的位置與讀寫權(quán)限邊界。一、Benchmark 文件在校準體系中的定位1.1 三個平臺級數(shù)據(jù)文件的職責分工在 xiaobei 的 calibration 目錄中每個平臺如wx_mp、xhs擁有三個專屬數(shù)據(jù)文件它們不包含 rubric 公式、不包含預測、不包含閾值只承載平臺側(cè)的事實輸入文件職責讀寫權(quán)限.platform-state.jsonbaseline / enabled / content_form 等平臺狀態(tài)腳本讀寫audience.md受眾畫像從復盤評論聚類派生blind sub-agent 不可讀benchmark.md對標賬號列表 Pattern 提煉blind sub-agent 不可讀從 SKILL.md 的文件結(jié)構(gòu) 可以看到完整的歸集原則workspace/calibration/ ├── rubric_notes.md # 統(tǒng)一評分公式blind sub-agent 可讀 ├── rubric-memo.md # 統(tǒng)一觀察記錄blind 不可讀 ├── .cheat-state.json # 統(tǒng)一 rubric 循環(huán)狀態(tài)mode/samples/bump/score_threshold ├── wx_mp/ # 平臺專屬*數(shù)據(jù)*無 rubric、無 predictions、無 threshold │ ├── .platform-state.json # baseline / enabled / content_form │ ├── audience.md # 受眾畫像 │ └── benchmark.md # 對標賬號核心設(shè)計理念一個作品 一個打分 一個預測 一個復盤。作品的內(nèi)在內(nèi)容質(zhì)量與發(fā)布平臺無關(guān)因此 rubric 公式全平臺統(tǒng)一平臺差異baseline 量級、受眾、對標賬號只作為預測的輸入數(shù)據(jù)按平臺保留。這就是 benchmark.md 為什么放在calibration/platform/下而不是根級的原因。1.2 benchmark.md 的具體結(jié)構(gòu)當前倉庫中 wx_mp 的 benchmark.md 是初始化模板xhs 版本 同構(gòu)包含兩個核心小節(jié)對標賬號列表記錄導入的對標賬號本身初始為暫無運行導入對標添加Pattern 提煉從對標內(nèi)容中提取的結(jié)構(gòu) pattern如開頭方式、轉(zhuǎn)折技巧、金句模式等公眾號側(cè)還可擴展封面風格、標題寫法、話題標簽策略等。這份文件由 content-calibrator 的LearnFrom操作維護——用戶說導入對標 --platform xxx或learn from即觸發(fā)。二、對標賬號從哪來LearnFrom 的三個數(shù)據(jù)源根據(jù) SKILL.md 的 LearnFrom 章節(jié)對標數(shù)據(jù)有三個來源viral-chaser 追爆報告已下載的爆款視頻/文章分析 → 提取結(jié)構(gòu) pattern用戶提供的數(shù)據(jù)手動粘貼對標賬號數(shù)據(jù)published-track DB 中的歷史數(shù)據(jù)該平臺已發(fā)布內(nèi)容的互動數(shù)據(jù)。導入對標后對標數(shù)據(jù)按平臺寫入calibration/platform/benchmark.md提煉出的 rubric 信號則進入統(tǒng)一的 rubric-memo.md。需要特別強調(diào)的是內(nèi)源校準與外源校準的互補關(guān)系SKILL.md 原文復盤是拿實際數(shù)據(jù)驗證預測提煉觀察可能觸發(fā) rubric 升級導入對標是從外部信號校準 rubric 的初始假設(shè)。復盤是內(nèi)源校準對標是外源校準。三、操作鏈路從初始化到導入對標3.1 第一步初始化平臺校準目錄init.sh是冪等的初始化腳本已存在則跳過首次調(diào)用會同時創(chuàng)建根級統(tǒng)一 rubric./skills/content-calibrator/scripts/init.sh --platform wx_mp從 init.sh 源碼 可以看到它做了四件事若根級calibration/rubric_notes.md不存在 → 創(chuàng)建統(tǒng)一 rubric v07 維公式模板創(chuàng)建calibration/rubric-memo.md與calibration/.cheat-state.json含mode: cold-start、calibration_samples: 0、score_threshold: 0等字段創(chuàng)建calibration/wx_mp/平臺目錄并生成.platform-state.jsonenabled: true、baseline_plays: null等關(guān)鍵細節(jié)在平臺目錄內(nèi)創(chuàng)建rubric_notes.md軟鏈指向根級統(tǒng)一 rubric——這是為了保證 blind sub-agent 無論從根級還是平臺路徑都能讀到同一份公式單一事實源始終是根級文件ln -s ../rubric_notes.md $CAL_DIR/rubric_notes.md生成 audience.md 與 benchmark.md 兩個空模板。注意Agent 不得自主初始化校準必須用戶明確要求初始化校準或我要做 XX 平臺。3.2 第二步導入對標賬號兩種觸發(fā)路徑用戶主動提供對標數(shù)據(jù)→ 交互式問答后寫入 benchmark.md有 viral-chaser 追爆報告→ 調(diào)用 import-viral-chaser.sh./skills/content-calibrator/scripts/import-viral-chaser.sh --platform douyin output_videos/douyin-7389abc/追爆報告.md從腳本源碼看它做了完整的參數(shù)校驗平臺必須已 init、報告文件必須存在隨后從報告中正則提取平臺、標題、播放量等關(guān)鍵信息以追加方式寫入calibration/platform/benchmark.md每條記錄包含來源viral-chaser 追爆報告、導入平臺、導入時間、播放量、報告路徑Pattern 提煉占位結(jié)構(gòu) pattern / 開頭方式 / 轉(zhuǎn)折技巧 / 金句模式 / 互動鉤子由 agent 從報告中分析填充Rubric 信號占位對當前 rubric 維度的啟示如高 ER 高 HP → 高流量。腳本本身只負責落盤結(jié)構(gòu)真正的 Pattern 分析與 rubric 信號提煉由 agent 結(jié)合報告內(nèi)容完成。3.3 對標信號如何反哺 rubric對標分析提煉出的信號最終匯入統(tǒng)一calibration/rubric-memo.md作為未來 Rubric 升級Bump的依據(jù)。升級必須走完整驗證流程# 1. blind sub-agent 用新公式對最新 10 篇作品盲重打 # 2. 腳本驗證降幅 ≥30% 才算通過 ./skills/content-calibrator/scripts/validate-rubric.sh --new-scores /tmp/new-scores.json且維度和權(quán)重變更必須滿足用戶主動要求或 Agent 提議 用戶明確確認——Agent 不得自動升級 rubric 或修改閾值。四、7 維評分公式對標信號作用的落點對標賬號提煉出的 Pattern開頭方式、金句模式等最終要落到 統(tǒng)一 rubric_notes.md 的 7 個維度上打分。當前 v0 公式維度代號0 分5 分權(quán)重情感共鳴ER純信息羅列無情感觸點讀者強烈代入說的就是我有具象畫面或經(jīng)歷×1.5鉤子強度HP標題平庸開頭無懸念標題/開頭一句話鎖定注意力制造信息差或反差×1.5社會議題共振SR純個人/產(chǎn)品向無社會討論觸及當下社會討論有立場可議×1.5金句密度QL全文無獨立可傳播的表達≥3 句可脫離上下文獨立傳播的金句×1.0敘事性NA純觀點堆砌無故事弧線清晰的起承轉(zhuǎn)合讀者被故事牽引×1.0受眾廣度AB極窄垂直僅特定人群關(guān)心跨人群普適如搞錢、職場、AI焦慮×1.0實用價值PV純情緒/觀點無可操作信息讀者可獲得具體方法/工具/步驟×1.0綜合分公式composite (ER×1.5 HP×1.5 SR×1.5 QL NA AB PV) / 8.5 × 2.0歸一化常數(shù) 8.5、縮放因子 2.0理論范圍 0–10整數(shù)維度分composite 保留兩位小數(shù)。打分腳本 score-only.sh 只做算術(shù)、門禁與落盤不做 LLM 打分——打分和預測由 agentinline 或 blind sub-agent完成./skills/content-calibrator/scripts/score-only.sh \ --platform wx_mp \ --content-path output_articles/xxx/article.md \ --cal-er 3 --cal-hp 4 --cal-sr 3 --cal-ql 4 --cal-na 3 --cal-ab 4 --cal-pv 2返回 JSON 含passed與failing_dims閾值取根級.cheat-state.json的score_threshold全局默認 0不攔截每維需 閾值才算通過。五、對標/受眾信息的隔離紀律為什么 benchmark.md 不可讀在打分盲預測流程中隔離規(guī)則 是保證預測可信度的生命線白名單只讀稿件script.md/article.md/post.mdcalibration/rubric_notes.md硬禁讀rubric-memo.md、.cheat-state.json、各work/calibration/、audience.md、benchmark.md、對話歷史。原因很直接如果打分者已經(jīng)看過對標賬號的爆款 Patternbenchmark.md和受眾畫像audience.md打分就會事后諸葛喪失盲預測的校準價值。預測必須是真正的事前賭——blind sub-agent 沒看 actuals/history/audience 時產(chǎn)出的 bucket/probability/counterfactual/assumptions 才有統(tǒng)計意義。派發(fā)策略按會話場景區(qū)分SKILL.md會話場景打分方式理由交互式會話主 agent 有對話/復盤上下文sessions_spawnblind sub-agent主對話被污染需 spawn 硬隔離定時 / isolatedSession發(fā)布 cron、heartbeat主 agent inline 打分不派 subagent全新對話無上下文發(fā)布前無實際數(shù)據(jù)天然滿足盲條件六、校準閉環(huán)全景benchmark 在循環(huán)中的位置把以上內(nèi)容串起來就是 xiaobei content-calibrator 的完整閉環(huán)SKILL.md 核心閉環(huán) 打分盲預測 → 發(fā)布 → 記錄(1B) → T3d 復盤 → 進化 rubric │ ├─ 3a: 單篇復盤批量retro.md rubric-memo.md └─ 3b: 綜合評估detect-bump-signals.sh 混雜因素 建議各階段的對標/基準數(shù)據(jù)介入點Init / LearnFrom對標賬號寫入calibration/wx_mp/benchmark.md外源校準 rubric 初始假設(shè)打分盲預測1A基準/受眾文件對打分者不可見保證盲預測純凈發(fā)布前經(jīng)score-only.sh閾值門最多 2 輪改稿仍不達標暫停發(fā)布上報用戶發(fā)布記錄1B由 published-track 承接record.sh直接從work/calibration/score.json讀分T3d 復盤3a/3b對比預測 vs 實績觀察寫入統(tǒng)一rubric-memo.mddetect-bump-signals.sh做純 DB 偏差檢測維度分≥3 但 actual≤2高估≤2 但≥3低估同向 ≥3 觸發(fā) bump 信號Agent 需評估混雜因素同賬號/同平臺/跨平臺后才可建議升級Bump用戶發(fā)起新公式 → blind 盲重打 10 篇 →validate-rubric.sh驗證降幅≥30%→ 落地歸檔。Agent 不得自動升級。復盤階段的數(shù)據(jù)全部來自 published-track DBquery-retro-pending.sh已帶出待復盤作品的互動數(shù)據(jù)不另行抓取。七、實操清單與 FAQ7.1 快速上手四步# 1. 初始化冪等首次同時創(chuàng)建統(tǒng)一 rubric ./skills/content-calibrator/scripts/init.sh --platform wx_mp # 2. 查看/啟用平臺校準開關(guān) ./skills/content-calibrator/scripts/cal-toggle.sh --list ./skills/content-calibrator/scripts/cal-toggle.sh --platform wx_mp --enable # 3. 導入對標viral-chaser 追爆報告 ./skills/content-calibrator/scripts/import-viral-chaser.sh --platform wx_mp report-path # 4. 打分落盤預測cold-start 期只給 7 維分 一句話 bet ./skills/content-calibrator/scripts/commit-prediction.sh \ --work-dir output_articles/xxx --platform wx_mp \ --cal-er 3 --cal-hp 4 --cal-sr 3 --cal-ql 4 --cal-na 3 --cal-ab 4 --cal-pv 2 \ --prediction-file /tmp/prediction-draft.md7.2 常見問題Qcold-start 期前 5 個作品預測要出 bucket 嗎不需要——只給 7 維分 一句話 betbucket 數(shù)字是 false precision第 5 個作品復盤后按實績數(shù)據(jù)派生 bucket 邊界。Q對標賬號能讀我的打分記錄嗎不能。benchmark.md 與 audience.md 一樣對 blind sub-agent 不可讀二者與 rubric-memo、.cheat-state同屬隔離清單。Q平臺未啟用 calibration 怎么辦calibration/platform/.platform-state.json不存在或enabledfalse時跳過打分直接發(fā)布是否啟用必須由用戶決定Agent 不得自動啟用。Q對標數(shù)據(jù)應(yīng)該放根級還是平臺目錄平臺目錄。對標是平臺側(cè)輸入各平臺對標賬號量級/風格不同rubric 公式才是全局統(tǒng)一——兩者不可混放。八、總結(jié)xiaobei 的 benchmark.md 看似只是一個對標賬號記錄文件實則是內(nèi)容校準閉環(huán)中外源校準的關(guān)鍵節(jié)點它以calibration/platform/benchmark.md承載對標賬號與 Pattern 提煉由 content-calibrator 的 LearnFrom 操作維護信號最終匯入統(tǒng)一 rubric-memo.md 反哺 7 維評分公式。它嚴格遵循三條不可妥協(xié)原則——盲預測寫完即 immutable、升級需盲重打驗證10 篇 validate-rubric.sh 降幅達標才落地、rubric 是工作臺不是博物館被推翻的觀察刪除git history 是檔案——從而保證打分、預測、復盤的可信閉環(huán)讓對標賬號真正成為校準而非作弊的數(shù)據(jù)源。贊分享人工智能AI Agent大模型AI 應(yīng)用媒體生成【免費下載鏈接】xiaobei為OPC/中小微企業(yè)量身打造的自媒體獲客智能體項目地址https://gitcode.com/gh_mirrors/wi/xiaobei點擊查看免費下載相關(guān)推薦小紅書對標賬號庫Benchmark實戰(zhàn)xiaobei 內(nèi)容校準閉環(huán)中的對標信號與 Pattern 提煉小紅書對標賬號庫Benchmark實戰(zhàn)xiaobei 內(nèi)容校準閉環(huán)中的對標信號與 Pattern 提煉 本文聚焦 xiaobei小貝開源倉庫中內(nèi)容校準人工智能AI Agent大模型AI 應(yīng)用媒體生成xiaobei Content Calibrator 內(nèi)容校準預測循環(huán)打分、盲預測、復盤與 Rubric 自進化的完整實戰(zhàn)指南xiaobei Content Calibrator 內(nèi)容校準預測循環(huán)打分、盲預測、復盤與 Rubric 自進化的完整實戰(zhàn)指南 本文圍繞 xiaobei為人工智能AI Agent大模型AI 應(yīng)用媒體生成EasyWeChat 多公眾號多賬號接入實戰(zhàn)指南基于 id 路由的賬號隔離方案EasyWeChat 多公眾號多賬號接入實戰(zhàn)指南基于 id 路由的賬號隔離方案 本指南以 EasyWeChat 4.x 官方文檔「多賬號接入」為核心講解后端即時通訊上一篇Visual C運行庫一鍵修復工具如何快速解決Windows軟件兼容性問題下一篇3步修復VisualCppRedist AIO一鍵解決Windows運行庫缺失問題創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 xiaobei 公眾號對標賬號基準（Benchmark）機制：基于 content-calibrator 的內(nèi)容校準閉環(huán)實戰(zhàn)
人工智能AI Agent大模型AI 應(yīng)用媒體生成【免費下載鏈接】xiaobei為OPC/中小微企業(yè)量身打造的自媒體獲客智能體項目地址https://gitcode.com/gh_mirrors/wi/xiaobei點擊查看免費下載導讀本文圍繞 xiaobei 開源倉庫中微信公眾號平臺的 benchmark.md對標賬號基準文件完整講解這套對標賬號 → Pattern 提煉 → rubric 信號 → 內(nèi)容校準閉環(huán)的運作機制它由 content-calibrator 內(nèi)容校準技能 的 LearnFrom 操作維護是外源校準的核心入口。讀完本文你將掌握對標數(shù)據(jù)的落盤結(jié)構(gòu)、導入對標賬號的完整操作鏈路init.sh→ viral-chaser 追爆 →import-viral-chaser.sh、對標信號如何反哺統(tǒng)一的 7 維評分公式以及它在打分盲預測 → 發(fā)布 → 記錄 → T3d 復盤 → 進化 rubric閉環(huán)中的位置與讀寫權(quán)限邊界。一、Benchmark 文件在校準體系中的定位1.1 三個平臺級數(shù)據(jù)文件的職責分工在 xiaobei 的 calibration 目錄中每個平臺如wx_mp、xhs擁有三個專屬數(shù)據(jù)文件它們不包含 rubric 公式、不包含預測、不包含閾值只承載平臺側(cè)的事實輸入文件職責讀寫權(quán)限.platform-state.jsonbaseline / enabled / content_form 等平臺狀態(tài)腳本讀寫audience.md受眾畫像從復盤評論聚類派生blind sub-agent 不可讀benchmark.md對標賬號列表 Pattern 提煉blind sub-agent 不可讀從 SKILL.md 的文件結(jié)構(gòu) 可以看到完整的歸集原則workspace/calibration/ ├── rubric_notes.md # 統(tǒng)一評分公式blind sub-agent 可讀 ├── rubric-memo.md # 統(tǒng)一觀察記錄blind 不可讀 ├── .cheat-state.json # 統(tǒng)一 rubric 循環(huán)狀態(tài)mode/samples/bump/score_threshold ├── wx_mp/ # 平臺專屬*數(shù)據(jù)*無 rubric、無 predictions、無 threshold │ ├── .platform-state.json # baseline / enabled / content_form │ ├── audience.md # 受眾畫像 │ └── benchmark.md # 對標賬號核心設(shè)計理念一個作品 一個打分 一個預測 一個復盤。作品的內(nèi)在內(nèi)容質(zhì)量與發(fā)布平臺無關(guān)因此 rubric 公式全平臺統(tǒng)一平臺差異baseline 量級、受眾、對標賬號只作為預測的輸入數(shù)據(jù)按平臺保留。這就是 benchmark.md 為什么放在calibration/platform/下而不是根級的原因。1.2 benchmark.md 的具體結(jié)構(gòu)當前倉庫中 wx_mp 的 benchmark.md 是初始化模板xhs 版本 同構(gòu)包含兩個核心小節(jié)對標賬號列表記錄導入的對標賬號本身初始為暫無運行導入對標添加Pattern 提煉從對標內(nèi)容中提取的結(jié)構(gòu) pattern如開頭方式、轉(zhuǎn)折技巧、金句模式等公眾號側(cè)還可擴展封面風格、標題寫法、話題標簽策略等。這份文件由 content-calibrator 的LearnFrom操作維護——用戶說導入對標 --platform xxx或learn from即觸發(fā)。二、對標賬號從哪來LearnFrom 的三個數(shù)據(jù)源根據(jù) SKILL.md 的 LearnFrom 章節(jié)對標數(shù)據(jù)有三個來源viral-chaser 追爆報告已下載的爆款視頻/文章分析 → 提取結(jié)構(gòu) pattern用戶提供的數(shù)據(jù)手動粘貼對標賬號數(shù)據(jù)published-track DB 中的歷史數(shù)據(jù)該平臺已發(fā)布內(nèi)容的互動數(shù)據(jù)。導入對標后對標數(shù)據(jù)按平臺寫入calibration/platform/benchmark.md提煉出的 rubric 信號則進入統(tǒng)一的 rubric-memo.md。需要特別強調(diào)的是內(nèi)源校準與外源校準的互補關(guān)系SKILL.md 原文復盤是拿實際數(shù)據(jù)驗證預測提煉觀察可能觸發(fā) rubric 升級導入對標是從外部信號校準 rubric 的初始假設(shè)。復盤是內(nèi)源校準對標是外源校準。三、操作鏈路從初始化到導入對標3.1 第一步初始化平臺校準目錄init.sh是冪等的初始化腳本已存在則跳過首次調(diào)用會同時創(chuàng)建根級統(tǒng)一 rubric./skills/content-calibrator/scripts/init.sh --platform wx_mp從 init.sh 源碼 可以看到它做了四件事若根級calibration/rubric_notes.md不存在 → 創(chuàng)建統(tǒng)一 rubric v07 維公式模板創(chuàng)建calibration/rubric-memo.md與calibration/.cheat-state.json含mode: cold-start、calibration_samples: 0、score_threshold: 0等字段創(chuàng)建calibration/wx_mp/平臺目錄并生成.platform-state.jsonenabled: true、baseline_plays: null等關(guān)鍵細節(jié)在平臺目錄內(nèi)創(chuàng)建rubric_notes.md軟鏈指向根級統(tǒng)一 rubric——這是為了保證 blind sub-agent 無論從根級還是平臺路徑都能讀到同一份公式單一事實源始終是根級文件ln -s ../rubric_notes.md $CAL_DIR/rubric_notes.md生成 audience.md 與 benchmark.md 兩個空模板。注意Agent 不得自主初始化校準必須用戶明確要求初始化校準或我要做 XX 平臺。3.2 第二步導入對標賬號兩種觸發(fā)路徑用戶主動提供對標數(shù)據(jù)→ 交互式問答后寫入 benchmark.md有 viral-chaser 追爆報告→ 調(diào)用 import-viral-chaser.sh./skills/content-calibrator/scripts/import-viral-chaser.sh --platform douyin output_videos/douyin-7389abc/追爆報告.md從腳本源碼看它做了完整的參數(shù)校驗平臺必須已 init、報告文件必須存在隨后從報告中正則提取平臺、標題、播放量等關(guān)鍵信息以追加方式寫入calibration/platform/benchmark.md每條記錄包含來源viral-chaser 追爆報告、導入平臺、導入時間、播放量、報告路徑Pattern 提煉占位結(jié)構(gòu) pattern / 開頭方式 / 轉(zhuǎn)折技巧 / 金句模式 / 互動鉤子由 agent 從報告中分析填充Rubric 信號占位對當前 rubric 維度的啟示如高 ER 高 HP → 高流量。腳本本身只負責落盤結(jié)構(gòu)真正的 Pattern 分析與 rubric 信號提煉由 agent 結(jié)合報告內(nèi)容完成。3.3 對標信號如何反哺 rubric對標分析提煉出的信號最終匯入統(tǒng)一calibration/rubric-memo.md作為未來 Rubric 升級Bump的依據(jù)。升級必須走完整驗證流程# 1. blind sub-agent 用新公式對最新 10 篇作品盲重打 # 2. 腳本驗證降幅 ≥30% 才算通過 ./skills/content-calibrator/scripts/validate-rubric.sh --new-scores /tmp/new-scores.json且維度和權(quán)重變更必須滿足用戶主動要求或 Agent 提議 用戶明確確認——Agent 不得自動升級 rubric 或修改閾值。四、7 維評分公式對標信號作用的落點對標賬號提煉出的 Pattern開頭方式、金句模式等最終要落到 統(tǒng)一 rubric_notes.md 的 7 個維度上打分。當前 v0 公式維度代號0 分5 分權(quán)重情感共鳴ER純信息羅列無情感觸點讀者強烈代入說的就是我有具象畫面或經(jīng)歷×1.5鉤子強度HP標題平庸開頭無懸念標題/開頭一句話鎖定注意力制造信息差或反差×1.5社會議題共振SR純個人/產(chǎn)品向無社會討論觸及當下社會討論有立場可議×1.5金句密度QL全文無獨立可傳播的表達≥3 句可脫離上下文獨立傳播的金句×1.0敘事性NA純觀點堆砌無故事弧線清晰的起承轉(zhuǎn)合讀者被故事牽引×1.0受眾廣度AB極窄垂直僅特定人群關(guān)心跨人群普適如搞錢、職場、AI焦慮×1.0實用價值PV純情緒/觀點無可操作信息讀者可獲得具體方法/工具/步驟×1.0綜合分公式composite (ER×1.5 HP×1.5 SR×1.5 QL NA AB PV) / 8.5 × 2.0歸一化常數(shù) 8.5、縮放因子 2.0理論范圍 0–10整數(shù)維度分composite 保留兩位小數(shù)。打分腳本 score-only.sh 只做算術(shù)、門禁與落盤不做 LLM 打分——打分和預測由 agentinline 或 blind sub-agent完成./skills/content-calibrator/scripts/score-only.sh \ --platform wx_mp \ --content-path output_articles/xxx/article.md \ --cal-er 3 --cal-hp 4 --cal-sr 3 --cal-ql 4 --cal-na 3 --cal-ab 4 --cal-pv 2返回 JSON 含passed與failing_dims閾值取根級.cheat-state.json的score_threshold全局默認 0不攔截每維需 閾值才算通過。五、對標/受眾信息的隔離紀律為什么 benchmark.md 不可讀在打分盲預測流程中隔離規(guī)則 是保證預測可信度的生命線白名單只讀稿件script.md/article.md/post.mdcalibration/rubric_notes.md硬禁讀rubric-memo.md、.cheat-state.json、各work/calibration/、audience.md、benchmark.md、對話歷史。原因很直接如果打分者已經(jīng)看過對標賬號的爆款 Patternbenchmark.md和受眾畫像audience.md打分就會事后諸葛喪失盲預測的校準價值。預測必須是真正的事前賭——blind sub-agent 沒看 actuals/history/audience 時產(chǎn)出的 bucket/probability/counterfactual/assumptions 才有統(tǒng)計意義。派發(fā)策略按會話場景區(qū)分SKILL.md會話場景打分方式理由交互式會話主 agent 有對話/復盤上下文sessions_spawnblind sub-agent主對話被污染需 spawn 硬隔離定時 / isolatedSession發(fā)布 cron、heartbeat主 agent inline 打分不派 subagent全新對話無上下文發(fā)布前無實際數(shù)據(jù)天然滿足盲條件六、校準閉環(huán)全景benchmark 在循環(huán)中的位置把以上內(nèi)容串起來就是 xiaobei content-calibrator 的完整閉環(huán)SKILL.md 核心閉環(huán) 打分盲預測 → 發(fā)布 → 記錄(1B) → T3d 復盤 → 進化 rubric │ ├─ 3a: 單篇復盤批量retro.md rubric-memo.md └─ 3b: 綜合評估detect-bump-signals.sh 混雜因素 建議各階段的對標/基準數(shù)據(jù)介入點Init / LearnFrom對標賬號寫入calibration/wx_mp/benchmark.md外源校準 rubric 初始假設(shè)打分盲預測1A基準/受眾文件對打分者不可見保證盲預測純凈發(fā)布前經(jīng)score-only.sh閾值門最多 2 輪改稿仍不達標暫停發(fā)布上報用戶發(fā)布記錄1B由 published-track 承接record.sh直接從work/calibration/score.json讀分T3d 復盤3a/3b對比預測 vs 實績觀察寫入統(tǒng)一rubric-memo.mddetect-bump-signals.sh做純 DB 偏差檢測維度分≥3 但 actual≤2高估≤2 但≥3低估同向 ≥3 觸發(fā) bump 信號Agent 需評估混雜因素同賬號/同平臺/跨平臺后才可建議升級Bump用戶發(fā)起新公式 → blind 盲重打 10 篇 →validate-rubric.sh驗證降幅≥30%→ 落地歸檔。Agent 不得自動升級。復盤階段的數(shù)據(jù)全部來自 published-track DBquery-retro-pending.sh已帶出待復盤作品的互動數(shù)據(jù)不另行抓取。七、實操清單與 FAQ7.1 快速上手四步# 1. 初始化冪等首次同時創(chuàng)建統(tǒng)一 rubric ./skills/content-calibrator/scripts/init.sh --platform wx_mp # 2. 查看/啟用平臺校準開關(guān) ./skills/content-calibrator/scripts/cal-toggle.sh --list ./skills/content-calibrator/scripts/cal-toggle.sh --platform wx_mp --enable # 3. 導入對標viral-chaser 追爆報告 ./skills/content-calibrator/scripts/import-viral-chaser.sh --platform wx_mp report-path # 4. 打分落盤預測cold-start 期只給 7 維分 一句話 bet ./skills/content-calibrator/scripts/commit-prediction.sh \ --work-dir output_articles/xxx --platform wx_mp \ --cal-er 3 --cal-hp 4 --cal-sr 3 --cal-ql 4 --cal-na 3 --cal-ab 4 --cal-pv 2 \ --prediction-file /tmp/prediction-draft.md7.2 常見問題Qcold-start 期前 5 個作品預測要出 bucket 嗎不需要——只給 7 維分 一句話 betbucket 數(shù)字是 false precision第 5 個作品復盤后按實績數(shù)據(jù)派生 bucket 邊界。Q對標賬號能讀我的打分記錄嗎不能。benchmark.md 與 audience.md 一樣對 blind sub-agent 不可讀二者與 rubric-memo、.cheat-state同屬隔離清單。Q平臺未啟用 calibration 怎么辦calibration/platform/.platform-state.json不存在或enabledfalse時跳過打分直接發(fā)布是否啟用必須由用戶決定Agent 不得自動啟用。Q對標數(shù)據(jù)應(yīng)該放根級還是平臺目錄平臺目錄。對標是平臺側(cè)輸入各平臺對標賬號量級/風格不同rubric 公式才是全局統(tǒng)一——兩者不可混放。八、總結(jié)xiaobei 的 benchmark.md 看似只是一個對標賬號記錄文件實則是內(nèi)容校準閉環(huán)中外源校準的關(guān)鍵節(jié)點它以calibration/platform/benchmark.md承載對標賬號與 Pattern 提煉由 content-calibrator 的 LearnFrom 操作維護信號最終匯入統(tǒng)一 rubric-memo.md 反哺 7 維評分公式。它嚴格遵循三條不可妥協(xié)原則——盲預測寫完即 immutable、升級需盲重打驗證10 篇 validate-rubric.sh 降幅達標才落地、rubric 是工作臺不是博物館被推翻的觀察刪除git history 是檔案——從而保證打分、預測、復盤的可信閉環(huán)讓對標賬號真正成為校準而非作弊的數(shù)據(jù)源。贊分享人工智能AI Agent大模型AI 應(yīng)用媒體生成【免費下載鏈接】xiaobei為OPC/中小微企業(yè)量身打造的自媒體獲客智能體項目地址https://gitcode.com/gh_mirrors/wi/xiaobei點擊查看免費下載相關(guān)推薦小紅書對標賬號庫Benchmark實戰(zhàn)xiaobei 內(nèi)容校準閉環(huán)中的對標信號與 Pattern 提煉小紅書對標賬號庫Benchmark實戰(zhàn)xiaobei 內(nèi)容校準閉環(huán)中的對標信號與 Pattern 提煉 本文聚焦 xiaobei小貝開源倉庫中內(nèi)容校準人工智能AI Agent大模型AI 應(yīng)用媒體生成xiaobei Content Calibrator 內(nèi)容校準預測循環(huán)打分、盲預測、復盤與 Rubric 自進化的完整實戰(zhàn)指南xiaobei Content Calibrator 內(nèi)容校準預測循環(huán)打分、盲預測、復盤與 Rubric 自進化的完整實戰(zhàn)指南 本文圍繞 xiaobei為人工智能AI Agent大模型AI 應(yīng)用媒體生成EasyWeChat 多公眾號多賬號接入實戰(zhàn)指南基于 id 路由的賬號隔離方案EasyWeChat 多公眾號多賬號接入實戰(zhàn)指南基于 id 路由的賬號隔離方案 本指南以 EasyWeChat 4.x 官方文檔「多賬號接入」為核心講解后端即時通訊上一篇Visual C運行庫一鍵修復工具如何快速解決Windows軟件兼容性問題下一篇3步修復VisualCppRedist AIO一鍵解決Windows運行庫缺失問題創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考