XBuilderLAB GitHub avatar

cheat-on-content

7.6K Stars12 Skills987 ForksMIT11月16日更新Skill 仓库

AI 概览 · 由大模型根据 SKILL.md 与仓库数据生成 · 2026年11月3日

用预测与复盘校准内容判断

Cheat On Content 是一组面向内容创作的工作流,支持初始化项目资料、讨论选题、按评分标准评估稿件、记录拍摄与发布、查看进度并复盘结果。其核心是把可量化的内容表现纳入预测和校准循环;当前内置评分标准参考观点视频资料构建,不能据此认为所有内容形态都已适配。

包含 Skill

12

可以单独安装

GitHub Star

7,590

仓库累计 Star

近 7 天

+60

新增 Star

代码更新

2026年11月16日

最近一次推送

核心亮点

  • 1形成校准循环

    按评分标准评估内容,并在发布后复盘预测与实际表现。

  • 2支持创作流程管理

    从初始化、选题和稿件评分,到拍摄登记、发布跟踪与状态查看。

  • 3依据资料迭代

    可利用历史预测和复盘信息调整评分标准或受众画像。

能做什么

  • 通过初始化对话收集信息并建立工作所需的项目资料。
  • 围绕用户提供的主题或经历讨论选题,并可生成草稿。
  • 按照现有 rubric 为单篇稿件评分,或对选题候选进行排序推荐。
  • 登记拍摄和发布相关状态,并查看校准进度与待复盘项目。
  • 根据复盘评论等资料派生或刷新受众画像。
  • 对旧版状态文件执行 schema 迁移,并提供评分标准调整流程。

适用场景

  • 为一篇观点视频稿件打分,查看评分维度和理由。

  • 围绕一个想法讨论选题并生成草稿。

  • 从候选选题中按当前评分标准挑选待创作主题。

  • 发布后整理表现与评论,复盘预测并更新受众画像。

用之前和用之后

  • 内容判断可能主要依靠直觉。可以记录评分与预测,并在发布后对照实际表现。
  • 选题、稿件和复盘资料可能分散。工作流可围绕状态文件、候选、预测和复盘资料组织流程。
  • 评分标准可能长期不变。可依据校准资料提出调整,但调整流程有明确输入要求。

它是怎么工作的

  1. 第 1 步

    初始化并建资料

  2. 第 2 步

    选题评分与预测

  3. 第 3 步

    发布复盘再校准

快速上手

安装与复制命令见“安装方式”。

  1. 1

    首次使用先运行 /cheat-init,并按对话问题提供所需信息。

  2. 2

    准备工作区所需的状态、评分标准及草稿等资料;具体文件要求依所选子流程而定。

  3. 3

    围绕选题、稿件评分、拍摄或发布等任务调用对应工作流。

  4. 4

    内容发布后记录结果并进行复盘,再按需要查看状态或调整评分标准。

  5. 5

    使用某项功能前核对该子流程的输入文件和参数要求。

适合谁

  • 希望将内容判断转为可记录、可复盘流程的创作者。
  • 制作可量化内容,并愿意记录发布表现的个人或团队。
  • 希望整理选题、稿件评分、发布跟踪和复盘环节的内容工作者。

局限

  • 内置 rubric 针对观点视频,其他内容形式需要自行起步并调整权重。
  • 多个工作流依赖项目目录中的状态文件、评分标准、预测记录或候选资料。
  • 评分标准升级等流程有特定输入要求,资料不足时可能无法按预期执行。
  • 采集信息未提供完整安装命令或所有子流程的具体运行环境说明。

使用前注意

  • · 使用前核对各子 Skill 的输入文件、状态文件版本及参数要求。
  • · 升级 rubric 属于高风险流程,采集资料要求按规定步骤执行并进行跨模型审核。
  • · 受众画像可能包含实际表现信号,相关资料的读取边界需要按源文件要求核验。

包含的 Skills · 12

公开来源

相关 Skills

查看更多