OPC 短视频复盘技能

目的

将本技能作为闭环流程使用：发布前脚本评审 → 发布假设 → 发布后数据复盘 → 可复用经验沉淀。将“爆款潜力”视为一种**方向性、可解释的判断**，而非承诺。每项建议都必须明确说明：应修改什么、为何该修改会影响某项指标、以及发布后如何验证效果。

运行时可移植性

确保本技能可在 Codex、Claude Code、OpenClaw、Hermes 等同类智能体间通用：

• 仅在必需的 frontmatter 中使用 name 和 description 字段；不得依赖平台专属元数据触发核心工作流。
• 所有支持文件路径均以本 SKILL.md 所在文件夹为基准进行解析。若运行时无法访问支持文件，则仅基于本文件内容作答，并提示用户补充提供相关参考文本。
• 调用 shell 脚本前，须确认运行时具备本地 shell 环境，且上传文件具有本地路径。否则需手动解析表格/截图内容。
• 禁止自动写入 case-library 文件或执行 git commit。须先返回建议条目，仅在用户明确要求时才持久化存储。
• 关于安装路径与打包说明，请查阅 runtime-portability.md。

模式选择

根据用户输入选择对应工作流：

1. 脚本审计（Script Audit）：适用于草稿脚本、大纲、标题、封面、分镜脚本或多个版本。
2. 版本对比（Variant Comparison）：适用于多个钩子（hook）、封面、标题、开场、脚本或行动号召（CTA）。
3. 发布后数据复盘（Post-Publish Data Review）：适用于分析数据截图、CSV 导出文件、表格或人工上报的指标。
4. 跨平台适配（Cross-Platform Adaptation）：适用于将同一脚本适配至抖音 / TikTok / Reels / Shorts / 小红书 / Bilibili / 视频号 / 快手等不同平台。
5. 经验沉淀（Experience Accumulation）：适用于归纳方法论、更新账号专属校准参数，或对大量历史视频进行横向比对。

若阶段确实不清晰，请主动询问用户：是否需要发布前评审、多版本对比，还是发布后数据复盘？否则请基于明确假设继续推进。

上下文检查清单

仅收集影响推荐结论的关键信息：

• 平台、账号/垂类、目标受众、账号发展阶段、产品/权益、期望目标、目标时长、脚本/分镜列表、封面/标题/文案、制作约束条件。
• 数据复盘专用：播放量、曝光量/触达人数、视频时长、平均观看时长、完播率、留存曲线、点赞数、评论数、转发数、收藏数、关注数、主页点击数、外链点击数、转化数、流量来源、发布时间、封面/标题，以及原始脚本。
• 若存在账号历史记录，请在打分前先阅读 case-library/calibration-notes.md；若该文件缺失或为空，则说明判断基于通用先验知识。

脚本审计

适用于新脚本及变体评审：

1. 查阅 content-platform-profiles.md，了解目标平台的内容特征。
2. 查阅 script-audit-rubric.md，掌握评审维度与改写策略。
3. 若账号/垂类已有校准笔记（calibration notes），则据此调整通用评审标准。
4. 按 review-report-template.md 格式输出评审报告。
5. 至少提供一处直接改写示例；对于薄弱脚本，优先优化前 3 秒与核心承诺，再打磨表达风格。
6. 结尾须附带一条发布假设：若建议正确，预期哪项指标将发生变动。

禁止使用虚假精确表述（如“爆款率 67%”）。应采用潜力区间、置信度等级与最大不确定性三要素描述。数值评分仅允许作为粗略内部记分卡，不得对外呈现。

版本对比

当用户提供多个钩子（hook）、标题、封面、脚本、结尾或 CTA 时启用：

1. 查阅 variant-testing.md。
2. 将各版本并列对照用户指定平台与目标进行评估。
3. 明确给出胜出版本，或融合生成一个更优版本；切勿简单取平均值形成平庸妥协方案。
4. 设计一项可测量的测试：明确主指标、抽样规则，以及后续决策逻辑。

数据复盘

适用于视频发布后的效果分析：

1. 查阅 data-review-playbook.md。
2. 若已提供 CSV 路径且运行时允许执行 shell 命令，则从本 skill 目录下运行指标分析工具：

python3 scripts/analyze_metrics.py 

3. 将原始计数归一化为比率，并优先与该账号自身基线对比。辅助工具可提供批量中位数与初步信号，但最终归因仍需结合脚本与平台语境。
4. 将指标表现精准映射回具体脚本选择：钩子（hook）、承诺（promise）、节奏（pacing）、佐证（proof）、情绪（emotion）、交互设计（interaction design）、行动号召（CTA）、平台包装（platform packaging）等。
5. 区分脚本因素与非脚本因素（如封面、标题、剪辑、音频、发布时间、平台趋势、随机性）对指标的影响。
6. 输出下一步测试建议，而非仅解释已发生现象。

经验闭环

完成一次脚本评审后，创建一条状态为 待回收数据 的案例条目；待对应数据回传后，将同一案例条目状态更新为 已复盘。模板请参考 case-entry-template.md 与 experience-bank.md。

持久化规则：

• 若用户仅寻求建议，需在回复中包含拟议的案例条目，但不得自动写入文件。
• 若用户明确要求保存/更新经验，则追加至 case-library/cases.md，并**仅在经验具备证据支撑时**更新 case-library/calibration-notes.md。
• 单视频得出的结论标记为低置信度假设。
• 保留失败测试与矛盾结果；它们是宝贵的校准数据。

输出原则

• 开篇即给出明确结论与关键瓶颈。
• 提供具体可执行的改写示例，避免泛泛而谈（如“更抓人”）。
• 每一项建议均须绑定一项可衡量指标：留存率、完播率、点赞、评论、转发/收藏、关注、线索、转化等。
• 始终围绕用户声明的目标进行优化；销售导向视频与纯流量导向视频不可采用相同权重评判。
• 保护创作者声音。优化脚本应是锐化表达，而非将所有账号套入同一爆款模板。
• 严禁承诺病毒传播、营收增长、流量分发或算法结果。

资源索引

• runtime-portability.md：Codex、Claude Code、OpenClaw、Hermes 的安装与兼容性说明。
• content-platform-profiles.md：各内容平台特性差异与跨平台发布规范。
• script-audit-rubric.md：脚本评分维度与改写策略。
• variant-testing.md：钩子/标题/脚本对比方法与 A/B 测试设计指南。
• data-review-playbook.md：指标诊断逻辑与下一步测试推演。
• experience-bank.md：基于实证的经验沉淀格式。
• review-report-template.md：发布前评审报告模板。
• case-entry-template.md：案例库条目模板。
• analyze_metrics.py：CSV 指标归一化辅助脚本。