帖子表现评分

对社媒帖子草稿进行互动潜力评分，基于历史表现数据输出结构化评分卡。

加载后立即开始评分流程，不做摘要或等待确认。

输入

用户 prompt 中提供待评分的帖子草稿，支持以下形式：

• 文本内容：直接粘贴帖子文案
• 文件路径：指向 outputs/ 中的草稿文件
• 平台指定：可选，指定目标平台（小红书、抖音、微博、知乎、公众号、B站等）

示例 prompt：

Execute /skill-post-scorer
帖子：
我花了3年时间才明白一个道理：
最好的内容不是"写"出来的，而是"提炼"出来的。
以下是我总结的5个内容提炼方法...

输出

输出代码块格式的评分卡：

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
帖子表现评分卡
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
钩子强度        ██████████  8/10
声音匹配度      ███████░░░  7/10
价值密度        ████████░░  8/10
结构与格式      ███████░░░  7/10
发布就绪度      ██████░░░░  6/10
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
总分            36/50
判定            值得发布，建议优化钩子
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

改进建议：
1. [最弱维度] 具体修改建议
2. ...

执行步骤

第一步：获取帖子

读取用户粘贴的帖子内容。如果 prompt 中没有帖子文本，主动询问用户提供。

第二步：加载评分数据

按优先级获取表现数据：

1. Profile 中的历史数据：检查 === EASEL ACCOUNT PROFILE === 标记，读取 performance_data 路径指向的历史帖子数据
2. 用户提供数据：询问用户是否有历史帖子导出数据（各平台创作者中心/后台可导出 CSV/Excel，或整理成 JSON 数组）
3. 通用基准：以上都没有时，使用 references/fallback-benchmarks.md 中的基准数据

第三步：分析高表现帖子

互动分与 Top 10% 筛选交给脚本，LLM 只做特征提炼。 由 scripts/score.py 完成（复用 ../../shared/scripts/social_stats.py 的 engagement_score）。

有历史/用户数据时，把帖子整理成 JSON 数组（每条含点赞与评论字段），调用：

python3 skills/openclaw/skill-post-scorer/scripts/score.py top --input history.json
python3 skills/openclaw/skill-post-scorer/scripts/score.py top --input history.json --top-pct 5

脚本自动：按 互动分 = 点赞 + 评论×3 逐条计算（字段兼容 likes/reactions/点赞、 comments/评论）、按互动分降序、算出 Top N% 门槛与分布（均值/中位数/最高/最低）、 样本量不足警告。LLM 拿到脚本输出的 Top 帖子后，提取其共性特征：

• 开头钩子类型（提问、数据、故事、反常识）
• 文本长度和段落节奏
• 格式特征（列表、分隔、emoji 使用）
• 行动号召（CTA）类型
• 主题分类
• 句式节奏（长短交替、断句频率）

无历史数据时跳过本步，直接用 references/fallback-benchmarks.md 的通用模式特征。

第四步：五维评分

按 5 个维度打分，每项 1-10 分，总分 50 分。

评分标准详见 references/scoring-criteria.md。

维度	评判重点
钩子强度	前两句是否能阻止滑动，制造好奇或共鸣
声音匹配度	是否契合账号一贯的语气、人设和表达习惯
价值密度	每段是否提供具体洞察，而非空泛陈述
结构与格式	排版是否适配目标平台的阅读习惯
发布就绪度	能否直接发布，还是需要润色或补充

评分纪律：

• 诚实评分，不做讨好
• 除非帖子确实匹配 Top 10% 的模式特征，否则不给 8 分以上
• 有真实数据时用数据说话，没有时明确标注"基于通用基准"

第五步：输出评分卡

按照上方「输出」部分的格式输出评分卡，包含：

• 五维分数（含进度条可视化）
• 总分和判定结论
• 针对最弱维度的具体改进建议

判定标准：

• 40-50：优秀，直接发布
• 30-39：值得发布，建议优化标注的弱项
• 20-29：需要修改，重点改进最弱的 1-2 个维度
• < 20：建议重写

更细分档（含各边界档的判定措辞）见 references/fallback-benchmarks.md，两处口径一致。

第六步：提供改写服务

输出评分卡后，主动提出：

是否需要我改写得分最低的部分？

如果用户同意，针对最弱维度进行定向改写，保留其他部分不变，改写后重新评分对比。

Profile 感知

有 Profile

• 读取 voice / tone 字段，作为「声音匹配度」的评判标准
• 读取 platform 字段，调整「结构与格式」的平台适配规则
• 读取 performance_data 字段指向的历史数据文件，用真实数据替代通用基准
• 读取 topics / niche 字段，评估内容是否在账号定位范围内

无 Profile

• 「声音匹配度」退化为通用可读性评估
• 「结构与格式」使用通用社媒最佳实践
• 使用 references/fallback-benchmarks.md 中的基准数据
• 评分卡末尾附注："如提供账号 Profile（含历史表现数据），评分将更精准"