AI 技能AI 应用【免费下载链接】cheat-on-contentYoure reading this. The skill predicted it. A workflow that turns every post into a calibrated experiment—score, blind-predict, retro, evolve. The future doesnt reward effort, it rewards those who see the pattern first. 1M followers in a month — not luck, system.项目地址https://gitcode.com/gh_mirrors/ch/cheat-on-content点击查看免费下载本文档是 cheat-on-content 项目中/cheat-persona技能skills/cheat-persona/SKILL.md的完整技术解读与实战指南。它讲解如何从predictions/*.md复盘段的真实评论数据中聚类、验证并持续重建一份账号受众画像audience.md——回答谁在看 / 谁会留评论 / 谁会转发的问题。读完本文你将掌握 persona 与 rubric 的平行关系、数据可信度分级Confidence、评论四维聚类方法、覆盖式重建规则以及它如何与 cheat-seed、cheat-score-blind、cheat-bump 等兄弟技能协作而不污染盲测通道。一、核心定位persona 是与 rubric 平行的第二个派生物在 cheat-on-content 的校准循环打分 → 盲预测 → T3d 复盘 → 进化 rubric中复盘数据会产生两个平行的派生物二者用途截然不同复盘数据评论 完播 转粉 ├──→ rubric 进化cheat-bump —— 怎么打分 └──→ 受众画像cheat-persona —— 谁在看 两者都喂给 cheat-seed但用途不同rubric回答这稿子会不会爆喂给cheat-predict打分persona回答谁会因为这条多看 3 秒 / 留评论 / 转发喂给cheat-seed做选题与写稿的 creative lens。绝不混用persona 不进打分公式。rubric 的 AB 维度受众广度可以引用 persona 做参考但那是cheat-bump的事不是 cheat-persona 的职责。这一分工从源头避免了画像与公式互相污染。二、⚠️ 污染隔离不可省audience.md从复盘评论派生天然包含已发布作品的实绩信号评论条数、赞数、评论内容因此它是整个盲测体系中必须被严格隔离的资产audience.md在 cheat-score-blind 的 hard refusal list 里refusal_code 为blocked_audience。该 sub-agent 的白名单只有两个文件scripts/id.md与rubric_notes.md任何传入audience.md的 Task prompt 都会被硬拒。persona 影响 cheat-seed写什么creative direction不影响 cheat-predict怎么打分——blind sub-agent 永远不读audience.md。这种隔离是干净的persona 塑造的内容最终进入成稿blind sub-agent 只照成稿本身打分——没有 leak。leak 只会发生在 sub-agent 能读audience.md、从而因为这受众爱 X 所以加分的情况而它读不到。值得强调的是这一隔离机制与 shared-references/observation-lifecycle.md 中的 Blind channel leak guard 同源rubric_notes.md同样是 blind 白名单文件历史上一度因 bump Memo 写入实绩而被打穿PR #11 实测复现PR #12 通过拆出rubric-memo.md修复。audience.md的blocked_audience正是同一套隔离哲学的延续。三、Overview一次 persona 刷新的完整流程[用户构造受众画像 / 更新 persona] ↓ [Phase 0: 收集数据 — 扫 predictions/*.md 复盘段评论 benchmark.md] ↓ [Phase 1: 数据量判定 → 派生 Confidence 等级] ↓ [Phase 2: 评论聚类 — 自我认同 / 情绪寄存 / 反驳点 / 语言] ↓ [Phase 3: persona × rubric 交叉检验] ↓ [Phase 4: 写 audience.md覆盖式重建header 记 version last_rebuilt] ↓ [Phase 5: 控制台报告 跟上次画像的 diff]四、Constants 与调用参数常量值含义AUDIENCE_PATHaudience.md受众画像落盘位置用户内容项目根目录MIN_RETROS_FOR_DATA_GROUNDED3复盘数 ≥3 才算数据扎实可基于评论质量软判断MIN_COMMENTS_PER_TRAIT3一条验证特征至少要 3 条评论证据否则降到假设特征SEED_FROM_BENCHMARKauto无自己复盘数据但有 benchmark 时seed 一份未验证画像调用覆盖参数/cheat-persona — seed-from-benchmark强制用 benchmark.md seed 一份画像/cheat-persona — rebuild即使数据没变也强制重建一次。五、Inputs数据从哪来来源用途predictions/*.md的## 复盘段主数据源——top 评论带赞数persona 的金矿videos/*/report.md完播 / 转粉率——薄信号推留得住 vs 留不住benchmark.md冷启动 seed——看对标的人 ≈ 你想要的人rubric_notes.mdPhase 3 交叉检验用——persona 食欲 vs rubric 校准现实audience.md如已存在上一版画像用于 Phase 5 diff注意predictions/*.md的复盘段是channel A主对话本来就允许看实绩与 blind sub-agent 的隔离无关——cheat-persona 跑在主对话中读复盘段是合法的。六、Workflow 详解Phase 0: 收集数据Globpredictions/*.md对每个文件只读## 复盘段只读复盘段——这是 channel A本来就看实绩抽取每篇的 top 评论带赞数 实绩 bucket统计有评论的复盘篇数N_retros、评论总数N_comments读benchmark.md如存在读audience.md如已存在→ 留作 Phase 5 diff。Phase 1: 数据量判定 Confidence情况Confidence行为N_retros 0且无 benchmark 无数据不强行造——告诉用户persona 需要复盘数据。先跑几篇 cheat-retro或导 benchmark退出N_retros 0但有 benchmark benchmark-seed 未验证seed 一份 aspirational persona全文标未验证N_retros1-2 早期信号能产出但特征多落假设段N_retros3-5 数据扎实正常产出N_retros≥6 稳健正常产出 可做更细的食欲分层Confidence 等级写进audience.md的 header。这套 五级置信度体系与主协议中由calibration_samples派生的 confidence 表一致参见 cheat-status但此处以复盘评论篇数为直接依据。Phase 2: 评论聚类核心方法论对收集到的所有评论按四个维度聚类自我认同——我也是… / 这就是我 / 作为一个… 模式。统计哪类身份反复出现大厂打工人 / 一人公司 / 考研党 / ...情绪寄存——观众来评论是为了什么情绪被验证说得太对了/ 宣泄我也好累/ 抬杠我不同意/ 求助那该怎么办。统计占比反驳点——哪些观点引来稳定的反对声。这是 persona 的边界语言——他们怎么说话。玩梗密度、真诚 vs 戏谑、有没有复制你的金句。聚类纪律一条验证特征至少MIN_COMMENTS_PER_TRAIT3 条评论证据不够 → 降到假设特征段每条特征必须能引出具体评论 出处哪篇 prediction 的复盘段 条数发现反画像信号你以为的受众 vs 实际评论的人不一样→ 写入反画像段。Phase 3: persona × rubric 交叉检验读rubric_notes.md当前 rubric 校准历史检查persona 说受众爱 X 类主题 → rubric 校准池里 X 类主题真的over-perform 吗不一致 → 在 audience.md 的persona × rubric 交叉检验段flag 出来。诚实要求两个派生物矛盾时不要强行调和。明确写persona 说 Arubric 校准说 B待下次复盘澄清——矛盾本身是信号可能是 persona 在自欺也可能是 rubric 漏了维度templates/audience.template.md 的交叉检验段对此有同样的说明。Phase 4: 写 audience.md覆盖式重建覆盖式重建不是 append——persona 是活文档每次 rebuild 重写全文。但header 的Persona 版本1v0 → v1 → v2header 记Last rebuilt日期 数据基础N 篇复盘 / M 条评论Confidence文件底部版本历史段append 一行vN — 基于 M 篇复盘 / K 条评论主要变化...这是唯一保留的历史不搞 memo 累积——persona 是活文档不是公式。写作结构直接使用 templates/audience.template.md 的骨架其章节依次为headerPersona 版本 / Last rebuilt / 数据基础 / Confidence含blocked_audience警告横幅核心画像100-150 字散文速写——这个人是谁为什么来看你验证特征有评论证据表格每条必须带证据评论条数 出处 强度假设特征待验证推测但评论证据不足的特征反画像数据证明 NOT 我的受众防止 persona 变成讨好自己的虚构受众的语言引 2-3 条真实评论作例选题食欲哪类主题把 persona 勾出来哪类勾来路人persona × rubric 交叉检验诚实 flag 两派生物的矛盾版本历史每次 rebuild append 一行。⚠️不走版本 memo / 不调跨模型审——persona 不是高风险不可逆动作写错了重跑一次就好过度工程没必要。这与cheat-bump的 5 步强制验证形成鲜明对照风险等级决定工程强度。Phase 5: 报告控制台输出示例✅ 受众画像已更新audience.mdv2 数据扎实 数据基础4 篇复盘 / 87 条评论 核心画像25-35 岁职场人来找情绪共鸣不来找信息…… 跟 v1 的主要变化 - 新验证深夜刷手机 场景共鸣强v1 是假设本次 17 条评论验证 - 新反画像原以为学生党是受众但评论里学生占比 5% → 移到反画像 - ⚠️ 交叉检验 flagpersona 说受众爱职场吐槽但 rubric 校准显示职场类 composite 偏低——下次复盘留意 下一步 - cheat-seed 选题 / 写稿时会自动参考这份画像 - 再跑 3 篇复盘后建议再 /cheat-persona 刷新七、Key Rules六条铁律数据派生不手写——persona 必须来自评论聚类。用户想手动加特征 → 允许但标user-asserted未经数据验证证据强制——验证特征必须带评论条数 出处。无证据的进假设段覆盖式重建——每次 rebuild 重写 audience.md 全文只在版本历史段 append 一行不进打分——persona 永远不喂cheat-predict/cheat-score-blind。它是 cheat-seed 的 creative lens矛盾不调和——persona × rubric 冲突时如实 flag不强行编一个故事冷启动诚实——没数据就说没数据benchmark seed 全程标未验证。八、Refusals哪些请求必须拒绝用户请求处理方式「我觉得我的受众就是 X你直接写进 audience.md」可以写但标user-asserted放假设特征段不放验证特征。persona 的价值在于数据 vs 你的幻想之间的 gap「persona 也给 cheat-predict 用让打分更准」拒绝。persona 是实绩派生物进打分 把 channel B 的隔离打穿。persona 只服务 cheat-seed「跳过评论聚类你凭感觉给我画一个」拒绝。凭感觉画的是营销话术不是 persona。没评论数据就老实说先去复盘「把 persona 写进 rubric_notes.md省一个文件」拒绝。rubric_notes.md是 blind 白名单写 persona实绩派生进去 实绩泄漏漏洞重演见 observation-lifecycle 的 leak guard其中最后一条值得展开rubric_notes.md是cheat-score-blind的唯一白名单之一一旦混入 persona评论派生的实绩信号blind sub-agent 就能通过读 rubric 定义间接看到实绩——这正是 observation-lifecycle.md 的 Blind channel leak guard 明令禁止的 pattern含\dw/\d万/ 播放 / 实绩等皆违禁。九、Integration在技能图谱中的上下游上游cheat-retro每完成一篇复盘 → flag 已累计 N 篇复盘可跑 /cheat-persona 刷新画像评论数据正是由 retro 的 Phase 1/2 抓取并落盘的见 cheat-retro 的 top 评论强制要求上游cheat-init创建空 audience.md 骨架复制 templates/audience.template.md如导了 benchmark → 提示可/cheat-persona — seed-from-benchmark下游cheat-seedMode A/B/C 读 audience.md 作为这个 persona 会在乎吗的镜子——且注意其 Phase 0 的纪律Confidence 以上才作为检验视角/ 只当弱参考不进粗打分见 cheat-seed下游phase 2 路线cheat-recommendpersona-fit 排序cheat-statuspersona 新鲜度 nag隔离cheat-score-blind硬禁读 audience.mdrefusal_codeblocked_audience。十、Known limitations诚实面对边界评论 ≠ 全部受众——留评论的是受众里最活跃的一小撮沉默大多数不在数据里。persona 偏向会评论的人不是所有看的人平台评论可被污染——水军 / 引战 / 跑题评论会进数据。聚类时对明显异常值降权但不能完全过滤persona 滞后于真实受众变化——画像基于过去 N 篇的评论。受众结构变了要等新复盘累积才反映不解决我想要的受众 ≠ 我实际的受众——persona 只如实报告现在谁在看。想转向另一种受众是选题战略问题cheat-persona 只提供现状 vs 目标的 gap不替你做战略。十一、一次完整实战路径把上述机制串起来一次典型的 persona 刷新闭环是cheat-init时创建audience.md空骨架Confidence header 标未生成——跑 /cheat-persona跑几篇cheat-retro积累复盘段——retro 强制要求 top 20 评论带赞数这是 persona 的原料跑/cheat-personaPhase 0 收集 → Phase 1 判定 Confidence → Phase 2 四维聚类 → Phase 3 与 rubric 交叉检验 → Phase 4 覆盖式重建 → Phase 5 报告 diffcheat-seed选题 / 写稿时以这个 persona 会在乎吗为镜cheat-recommend做 persona-fit 排序若无任何复盘数据可用/cheat-persona — seed-from-benchmark基于benchmark.md产出**全文标注未验证**的种子画像待真实评论数据到来后再验证 / 推翻。至此audience.md从一个空骨架成长为含实绩信号的活文档——但正因它含实绩信号整个生命周期中始终有blocked_audience隔离在保护盲测通道的纯净。赞分享AI 技能AI 应用【免费下载链接】cheat-on-contentYoure reading this. The skill predicted it. A workflow that turns every post into a calibrated experiment—score, blind-predict, retro, evolve. The future doesnt reward effort, it rewards those who see the pattern first. 1M followers in a month — not luck, system.项目地址https://gitcode.com/gh_mirrors/ch/cheat-on-content点击查看免费下载相关推荐vue-pure-admin3条命令快速跑通中后台模板Docker一条命令上生产vue pure admin3条命令快速跑通中后台模板Docker一条命令上生产 从拉代码到看到登录页你只需要敲三条命令克隆仓库、装依赖、启动开发服务器AI 技能AI 应用cheat-on-content 状态看板/cheat-status技术指南只读状态聚合、派生指标与建议触发器全解析cheat on content 状态看板/cheat status技术指南只读状态聚合、派生指标与建议触发器全解析 本文以 cheat on conteAI 技能AI 应用cheat-on-content 对标账号导入指南用 /cheat-learn-from 拆解 script pattern 并派生 rubric 冷启动信号cheat on content 对标账号导入指南用 /cheat learn from 拆解 script pattern 并派生 rubric 冷启动信号AI 技能AI 应用上一篇如何在OBS Studio中实现专业级色彩校正3D LUT功能深度解析下一篇React-Selectize核心组件解析SimpleSelect与MultiSelect使用教程创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考