GzhWrite — 公众号文章全流程

行为声明

角色：用户的公众号内容编辑 Agent。

模式：

• 默认全自动——一口气跑完 Step 1-8，不中途停下。只在出错时停。
• 交互模式——用户说"交互模式"/"我要自己选"时，在选题/框架/配图处暂停。
• 写作模式：读取 style.yaml 的 mode 字段。wechat（默认，公众号写作）或 tech（技术科普）。在 Step 1.3 显示当前模式。

降级原则：每一步都有降级方案。Step 1 检测到的降级标记（skip_publish、skip_image_gen）在后续 Step 自动生效，不重复报错。

进度追踪：主管道启动时，用 todowrite 为 8 个 Step 创建任务列表。每开始一个 Step 标记 in_progress，完成后标记 completed。用户可随时看到当前进度。

完成协议：

• DONE — 全流程完成，文章已保存/推送
• DONE_WITH_CONCERNS — 完成但部分步骤降级，列出降级项
• BLOCKED — 关键步骤无法继续（如 Python 依赖缺失且用户拒绝安装）
• NEEDS_CONTEXT — 需要用户提供信息才能继续（如首次设置需要公众号名称）

路径约定：本文档中 {skill_dir} 指本 SKILL.md 所在的目录（即 GzhWrite 的根目录）。

Onboard 例外：Onboard 是交互式的（需要问用户问题），不受"全自动"约束。Onboard 完成后回到全自动管道。

辅助功能（按需加载，不在主管道内）：

• 用户说"重新设置风格" → 读取: {skill_dir}/references/onboard.md

• 用户说"学习我的修改" → 读取: {skill_dir}/references/learn-edits.md。支持两种来源：

  • 本地修改（默认）：用户在 output/ 的 markdown 文件中修改
  • 微信草稿箱同步：python3 {skill_dir}/scripts/learn_edits.py --from-wechat，自动从草稿箱拉回最新内容，与本地原文做纯文本 diff

• 用户说"学习排版"/"学排版" → python3 {skill_dir}/scripts/learn_theme.py <url> --name <name>，用户需提供一个公众号文章 URL 和主题名称。提取完成后提示用户设置 style.yaml 的 theme 字段。

• 用户说"学习这篇文章"/"导入范文" + URL → python3 {skill_dir}/scripts/fetch_article.py <url> -o /tmp/article.md && python3 {skill_dir}/scripts/extract_exemplar.py /tmp/article.md -s <账号名>，从公众号文章 URL 提取正文并导入范文库。支持三级降级（requests → Playwright → 手动 HTML）。

• 用户说"看看文章数据" → 读取: {skill_dir}/references/effect-review.md

• 用户说"检查一下"/"自检"/"这篇文章怎么样" → 对最近一篇生成的文章（或用户指定的文章）执行四层自检金字塔，输出标准质检报告：

  第一部分：生成档案（告诉用户这篇文章是怎么来的）

  1. 读取 history.yaml 最近一条记录，提取：
     • 使用的框架类型 + 写作人格
     • 激活的维度随机化组合
     • 素材采集来源（web 搜索还是降级到 LLM）
     • 内容增强策略（角度发现/密度强化/细节锚定/真实体感）
     • 范文风格库是否命中（用了哪几篇 exemplar，还是 fallback 到种子）
     • playbook 中生效的规则条数
  2. 如果 history.yaml 无记录或用户指定了外部文章 → 跳过此部分，提示"这篇文章不是 GzhWrite 生成的，只做四层质量检查"

  第二部分：四层质检（按 self-check-pyramid.md 标准执行 L1-L4）

  1. L1 硬性规则：运行 python3 {skill_dir}/scripts/l1_hard_rules.py {article_path} --json，逐项修复命中项
  2. L2 风格一致性：按清单检查开头/节奏/口语化/断裂句/标点二次确认
  3. L3 内容质量：按清单检查观点支撑/知识输出/文化升维/对立面同理心/类型专项/逐一展示
  4. L4 活人感终审：通读回答核心问题，4维度打分
  5. python3 {skill_dir}/scripts/humanness_score.py {article_path} --json 作为补充参考

  输出格式：标准四层质检报告（见 self-check-pyramid.md 末尾模板），自然语言，不输出 JSON

• 用户说"更新"/"更新 GzhWrite"/"升级" → 在 {skill_dir} 执行 git pull origin main，完成后告知版本变化

• 用户说"切换到技术科普模式"/"写技术文章" → 修改 {skill_dir}/style.yaml 的 mode 为 tech，告知用户"已切换到技术科普模式"

• 用户说"切回公众号模式"/"写公众号文章" → 修改 {skill_dir}/style.yaml 的 mode 为 wechat，告知用户"已切换回公众号模式"

• 用户说"当前模式" → 读取 style.yaml 的 mode 字段，告知用户当前模式

---

主管道（Step 1-8）

主管道启动时，创建以下 8 个任务用于进度追踪：

todowrite:
  - content: "Step 1: 环境 + 配置"
    status: pending
  - content: "Step 2: 选题"
    status: pending
  - content: "Step 3: 框架 + 素材"
    status: pending
  - content: "Step 4: 写作"
    status: pending
  - content: "Step 5: SEO + 验证"
    status: pending
  - content: "Step 6: 视觉 AI"
    status: pending
  - content: "Step 7: 排版 + 发布"
    status: pending
  - content: "Step 8: 收尾"
    status: pending

每开始一个 Step → todowrite 将对应项 status 改为 in_progress。完成 → 改为 completed。

---

Step 1: 环境 + 配置

1.1 环境检查（静默通过或引导修复）：

python3 -c "import markdown, bs4, cssutils, requests, yaml, pygments, PIL" 2>&1

检查项	通过	不通过
config.yaml 存在	静默	引导创建，或设 skip_publish = true
Python 依赖	静默	提供 pip install -r requirements.txt
wechat.appid + secret	静默	设 skip_publish = true
image.api_key 或 image.providers 至少一项有效	静默	设 skip_image_gen = true
references/exemplars/index.yaml	静默	提示："范文库为空。如果你有已发布的文章（markdown），可以说**'导入范文'**建立风格库，写出来的文章会更像你。没有也不影响使用。"

1.2 版本检查（静默通过或提醒）：

cd {skill_dir} && git fetch origin main --quiet 2>/dev/null

比对本地 {skill_dir}/VERSION 与远程 git show origin/main:VERSION：

• 相同 → 静默通过
• 不同 → 提示用户："GzhWrite 有新版本可用（当前 X → 最新 Y），说「更新」即可升级。"不阻断流程，继续 1.3
• git 不可用（无 .git 目录或 fetch 失败）→ 静默跳过

1.3 加载风格：

检查: {skill_dir}/style.yaml

• 存在 → 提取 name、topics、tone、voice、blacklist、theme、cover_style、author、content_style，检查 mode 字段：
  • mode == tech → 额外加载 {skill_dir}/style-tech.yaml，覆盖 name/tone/voice/topics/core_principles；writing_persona 强制设为 tech-explainer；告知用户"当前模式：技术科普（OS/AI/嵌入式）"
  • mode == wechat 或其他 → 保持原逻辑；告知用户"当前模式：公众号写作"
• 不存在 → 读取: {skill_dir}/references/onboard.md，完成后回到 Step 1

如果用户直接给了选题 → 跳到 Step 3（仍需框架选择和素材采集，不可跳过）。

---

Step 2: 选题

2.1 热点抓取：

python3 {skill_dir}/scripts/fetch_hotspots.py --limit 30

降级：脚本报错 → 用 webfetch 访问热搜站点（微博热搜、今日头条、百度热搜）抓取热点

2.2 历史分析 + SEO：

读取: {skill_dir}/history.yaml（不存在则跳过）

python3 {skill_dir}/scripts/seo_keywords.py --json {关键词}

历史分析（有 stats 数据时）：

• 统计哪种 framework 的文章表现最好（阅读量/分享率）→ 推荐框架时加权
• 统计哪种 enhance_strategy 的文章表现最好 → 增强策略选择时参考
• 近 7 天已写的关键词降分（去重）

降级：SEO 脚本报错 → LLM 判断；history 无 stats → 跳过效果分析，仅做去重

2.3 生成选题：

读取: {skill_dir}/references/topic-selection.md

生成 10 个选题，其中：

• 7-8 个热点选题：基于 2.1 的热点，按 topic-selection.md 规则评分
• 2-3 个常青选题：不依赖热点，从用户的 topics 领域生成长尾内容（教程/方法论/经验总结/工具推荐），标注为"常青"。适合 content_style 为干货型/测评型的用户

每个选题含标题、评分、点击率潜力、SEO 友好度、推荐框架。

选题通过 HKR 质检：对最高分选题做快速 HKR（Happy/Knowledge/Resonance）评审：

• S 级（三项兼备）→ 直接进入 Step 3

• 及格（至少两项）→ 通过

• 不足两项 → 换下一个选题或调整切入角度

• 附加角色代入法（"一个很忙的普通用户"/"一个爱玩的朋友"/"一个焦虑的学习者"）验证——至少两个角色回答"是"才值得写

• tech 模式（mode=tech）：HKR 权重调整为 H=10%/K=60%/R=30%，pass 条件改为 Knowledge ≥ 4/5 AND Accuracy ≥ 4/5。角色代入法角色不变但问题改为："一个入门开发者"→能帮我建立正确的心智模型吗？"一个进阶开发者"→有我不知道的信息增量吗？"一个深度从业者"→实践部分可操作吗？

• 自动模式 → 选最高分

• 交互模式 → 展示全部，等用户选

---

Step 3: 框架 + 素材

3.1 框架选择：

读取: {skill_dir}/references/frameworks.md

7 套框架（痛点/故事/清单/对比/热点解读/纯观点/复盘），自动选推荐指数最高的。

如果 mode=tech，额外加载 {skill_dir}/references/tech-frameworks.md，合并到框架选择列表中（新增 5 套：原理演进/技术对比/实践指南/源码拆解/全景架构型）。全景架构型用于多层技术全景主题（如 AI Infra 全栈），叙事逻辑为"定位→扫描→锁定→深挖→验证"。

选定框架后，记住框架名称（如"全景架构型"），后续 Step 4.5 和 Step 5 调用 l1_hard_rules.py 时需追加 --framework <所选框架> 以激活框架级代码块数量下限和 P0 四象限覆盖检查。

3.2 素材采集 + 内容增强（合并执行，共用搜索结果）：

读取: {skill_dir}/references/content-enhance.md

如果 mode=tech，使用 content-enhance.md 中 tech 模式行的增强策略（角度发现→认知缺口、密度强化→知识密度、细节锚定→代码锚/实验锚、真实体感→业界案例）。

根据 3.1 选定的框架类型，一次搜索同时完成素材采集和内容增强：

框架	webfetch 目标站点	从结果中提取
热点解读 / 纯观点	webfetch 访问 36kr / 微信公众号文章 + 搜索引擎结果页	真实素材（数据/引述）+ 已有文章的主流观点（供角度发现）
痛点 / 清单	webfetch 访问教程/工具/实操类文章 + 数据报告页	真实素材 + 具体工具名/步骤/参数（供密度强化）
故事 / 复盘	webfetch 访问采访/专访/细节类文章 + 数据报告页	真实素材 + 时间锚/数字锚/对话锚/感官锚（供细节锚定）
对比	webfetch 访问评测/体验类文章 + V2EX/知乎用户帖子	真实素材 + 真实用户评价和踩坑信息（供真实体感）

每次搜索 2 轮，从结果中同时提取：

1. 素材：5-8 条真实素材（具名来源 + 具体数据/引述/案例）。禁止编造。
2. 增强材料：按 content-enhance.md 对应策略的要求提取（角度/密度要点/细节/用户声音）。

两者并入框架大纲，一起传入 Step 4 写作。

降级：webfetch 不可用 → 用 LLM 训练数据中可验证的公开信息。但需告知用户："素材采集未能使用 web 搜索，建议在编辑锚点处多加入你自己的内容。"密度强化不依赖搜索，始终执行。

---

Step 4: 写作

Tech 模式（mode=tech）走以下分支，wechat 模式保持原逻辑：

if mode == tech:
  读取: {skill_dir}/references/tech-writing-guide.md（替换 writing-guide.md，含开头层/行文层/内容层/结尾层完整规范）
  读取: {skill_dir}/references/headline_templates.md（标题生成 SOP + 质检规则）
  读取: {skill_dir}/references/ending_templates.md（结尾模板库，写作 SOP 最后一步强制执行）
  读取: {skill_dir}/references/tech-common-pitfalls.md（领域常见踩坑库，问题驱动写作法配套使用）
否则:
  读取: {skill_dir}/references/writing-guide.md

读取: {skill_dir}/references/ai-patterns.md（AI 刻板模式三层扫描：短语层/句式层/节奏层 + 自然度评分体系）
读取: {skill_dir}/references/content-enhance.md（含四个共性高分动作：人话转译/横向对比/技术商业双视角/信息密度节奏）
读取: {skill_dir}/playbook.md（如果存在，按 confidence 分级执行）
读取: {skill_dir}/history.yaml（最近 3 篇的 dimensions + closing_type 字段）
读取: {skill_dir}/references/exemplars/index.yaml（如果存在）

4.1 维度随机化：

从以下维度池随机激活 2-3 个维度，让每篇文章的表达方式不同。如果 history.yaml 有最近 3 篇的 dimensions 字段，避免使用相同组合。

维度	选项
叙事视角	第一人称亲历 / 旁观者分析 / 对话体 / 自问自答
时间线	正序 / 倒叙 / 插叙
类比域	体育 / 做饭 / 军事 / 恋爱 / 游戏 / 电影 / 建筑 / 医学
情绪基调	克制冷静 / 热血激动 / 讽刺吐槽 / 温暖治愈 / 焦虑警示
节奏	短句密集 / 长叙述慢推 / 长短急切交替 / 慢开头快收尾

4.2 加载写作人格：

读取: {skill_dir}/personas/{style.yaml 的 writing_persona 字段}.yaml
如果 style.yaml 没有 writing_persona 字段 → 默认 midnight-friend

tech 模式强制使用 tech-explainer 人格。

人格文件定义了：语气浓度、数据呈现方式、情绪弧线、段落节奏、不确定性表达模板等。作为写作的硬性约束执行。

优先级：playbook.md（confidence ≥ 5 的规则）> persona > 范文风格 > tech-writing-guide.md / writing-guide.md。writing-guide/tech-writing-guide 是底线（基础写作规范），范文提供风格示范（句长节奏、情绪表达方式），persona 在此基础上特化风格参数（语气浓度、数据呈现），playbook 中高置信度规则是用户个性化的最终覆盖。playbook 中 confidence < 5 的规则作为软性参考。

4.3 范文风格注入（有 references/exemplars/index.yaml 时执行）：

从 index.yaml 筛选 category 匹配当前框架类型的范文，取 top 3。读取对应 .md 文件的片段内容。

在写作 prompt 中注入：

以下是该公众号风格的真实段落示例，模仿其句长节奏、情绪强度和口语化程度：

【开头风格】
{exemplar_1 的开头钩子段}

【情绪段风格】
{exemplar_2 的情绪高峰段}

【转折风格】
{exemplar_2 或 exemplar_3 的转折/自纠段（如有）}

【收尾风格】
{exemplar_3 的收尾段}

Category 映射规则：

框架类型	exemplar category
痛点型	tech-opinion
故事型 / 复盘型	story-emotional
清单型 / 对比型	list-practical
热点解读型 / 纯观点型	hot-take
其他	general
原理演进型 / 源码拆解型（tech）	tech-deep
实践指南型（tech）	tech-practical
技术对比型（tech）	tech-comparison

如果匹配到的范文不足 3 篇，用 general category 补足。

Fallback（范文库为空时）：读取 {skill_dir}/references/exemplar-seeds.yaml，从每个段落类型中随机选 1 个注入 prompt。种子段落只示范人类写作的结构模式（句长方差、情绪锐度、自我纠正、非总结式收尾），不携带特定风格。注入时使用：

以下是人类写作的结构模式示例，注意模仿其句长节奏和情绪表达方式（不要模仿具体内容或风格）：

【开头模式】{seeds.opening_hooks 随机 1 个}

【情绪段模式】{seeds.emotional_peaks 随机 1 个}

【转折模式】{seeds.transitions 随机 1 个}

【收尾模式】{seeds.closings 随机 1 个}

【反翻译腔模式】{seeds.anti_translation_seeds 随机 1 个}：注意何为主语省略、短句并置、意合句法

【不自标深度模式】{seeds.anti_depth_proclaim_seeds 随机 1 个}：直接写出深层内容，不加"再深入一层"的宣告

建库命令：python3 {skill_dir}/scripts/extract_exemplar.py article.md

4.4 写文章：

读取: {skill_dir}/references/article-archetypes.md
读取: {skill_dir}/references/style-examples.md
读取: {skill_dir}/references/tech-narrative-architecture.md（技术叙事驱动法——将散点知识转化为"背景→问题→演进→方案"叙事线，配合 tech-frameworks.md 使用，决定了整篇文章的叙事弧线）
读取: {skill_dir}/references/tech-writing-persuasion.md（技术写作说服力——Cialdini七原则+RISE段落节奏+注意力引导系统，与叙事架构配合：叙事线决定讲什么，说服力决定为什么继续读）
读取: {skill_dir}/references/ai-patterns.md（AI 刻板模式三层扫描 + 自然度评分体系，写完初稿后做风格自检）
读取: {skill_dir}/references/ai-patterns-examples.md（AI 模式反面示例 + 正向改写对照，用于改稿阶段参考）
if mode == tech:
  读取: {skill_dir}/references/tech-writing-guide.md（写作规范，含开头层/行文层/内容层/结尾层）
  读取: {skill_dir}/references/tech-frameworks.md（框架扩展）
  读取: {skill_dir}/references/headline_templates.md（标题生成 SOP——强制使用三类模板之一，标题必须通过三项质检）
  读取: {skill_dir}/references/ending_templates.md（结尾模板库——写作 SOP 最后一步，不可跳过）
  读取: {skill_dir}/references/tech-common-pitfalls.md（问题驱动写作法的踩坑库配套）

先判断文章属于哪种写作原型：wechat 模式使用 article-archetypes.md 的 5 种原型（调查实验/产品体验/现象解读/工具分享/方法论）；tech 模式使用 tech-frameworks.md 的 4 种框架（原理演进/技术对比/实践指南/源码拆解）。

标题生成 SOP（tech 模式强制）：

1. 按 headline_templates.md 的三类模板（痛点共鸣型/好奇揭秘型/对比选型型）生成 3 个备选标题
2. 对每个标题执行三项质检：有明确受众、有具体痛点/价值、无夸大噱头
3. 三项全部通过 → 选最佳；任一不通过 → 自动重写，最多 3 轮
4. 仍不通过 → 标记编辑锚点，提示用户手动调整

• H1 标题（20-28 字，禁止纯名词式标题） + H2 结构
• 骨架：wechat 模式用五段式骨架（见 frameworks.md）；tech 模式用七段式骨架（见 tech-writing-guide.md 章节结构规范表）
• 开头钩子：wechat 模式使用 writing-guide.md 开头钩子技法三法之一；tech 模式强制使用 tech-writing-guide.md 的三段式开头结构（痛点场景 + 问题定义 + 阅读钩子），禁止"近年来""随着发展""众所周知"等禁句
• 段三变体：按文章类型选——测评类→横向对比表+实测结论；趋势类→3 点配案例/数据；实操类→1. 2. 3. 步骤+模板
• 素材 + 增强约束：Step 3.2 的素材和增强材料分散嵌入各 H2 段落。增强策略的核心输出（角度/密度要点/细节/用户声音）必须贯穿全文，不只装饰性出现一次
• 写作规范：wechat 模式用 writing-guide.md 的基础规则（禁用词、句长方差、词汇混用、翻译腔免疫、句式不重复、不自标深度、最高法则等）；tech 模式用 tech-writing-guide.md 的五层规范（开头层/行文层/内容层/结尾层/术语规范）

三层约束优先级（tech 模式写作时的裁决规则）：
当叙事架构（tech-narrative-architecture.md）、问题驱动法（tech-writing-guide.md 内容层）、说服力原则（tech-writing-persuasion.md）三者之间出现冲突时，按以下顺序裁决：

第一优先：叙事架构
  → 决定"讲什么"和"以什么顺序讲"
  → 任何知识点如果不在叙事线上（不服务于背景/问题/演进/方案四要素），即使有信息增量也砍掉
  → 裁决：当说服力的 RISE 结构与叙事张力冲突时，保留叙事张力，调整 RISE 段落配比

第二优先：问题驱动法
  → 决定"每个知识点怎么展开"（why→what→pain→verify）
  → 每个 P0 知识点必须覆盖问题驱动四象限，不可跳过
  → 裁决：当说服力的 Social Proof/Unity 原则与问题驱动法冲突时（比如先讲案例还是先讲痛点的选择），优先问题驱动法的"痛点先行"顺序

第三优先：说服力原则
  → 决定"为什么读者要继续读"（承诺链/证据交付/认知节奏）
  → 在前两层确定的框架内优化表达方式，不改变内容和顺序
  → 裁决：说服力只在叙事架构和问题驱动法已确定的内容和结构上做修辞优化，不能为追求吸引力而修改叙事顺序或跳过问题驱动环节

冲突自检：每次遇到约束冲突时，问自己两个问题：(1) 这个改动会破坏叙事线的背景→问题→演进→方案顺序吗？(2) 这个知识点有没有完整回答"为什么需要→不用会怎样→解决什么"？如果(1)或(2)任一违反，说服力原则让步。

非tech模式的三层约束按对应模式下的写作指南和叙事结构执行，不适用此规则。

• 排版纪律：重点加粗≤全文 5%；每 200-300 字一个 H2；复杂信息用表/标号；配图锚点 ≥3 张（架构图/对比表/实测截图）；超 3500 字分 Part 加目录锚点
• 收尾方式：wechat 模式按 persona closing_tendency；tech 模式强制使用 ending_templates.md 的三类模板（金句总结型/互动提问型/延伸预告型），不强制 CTA
• 2-3 个编辑锚点

保存到 {skill_dir}/output/{date}-{slug}.md。tech 模式文件名使用 -tech- 前缀。

4.5 快速自检（写完后立即执行，减少 Step 5 重写概率）：

自检分两层执行：先跑脚本（可量化检查）→ 再跑 LLM 检查（主观判断）。脚本失败的项直接修复，不进入 LLM 环节。

第一层：脚本自动扫描（先执行，命中即定向修复）：

python3 {skill_dir}/scripts/l1_hard_rules.py {article_path} --json --mode {mode} {tech_framework_flag}

• tech 模式自动追加 --framework {tech_framework}，激活代码块数量下限和 P0 四象限覆盖检查

输出包含以下可量化指标——这些指标不再由 LLM 自行判断，而是以脚本输出为准：

脚本检查项	标准	通过条件	修复方式
禁用词扫描	writing-guide.md 2.1 禁用词列表 + 自标深度/宣传腔/机械冗长	命中数 = 0	自动替换为 l1_hard_rules.py 建议用词
句长方差	最短与最长句相差 ≥ 30 字	L1 报告中的 sentence_length_range 通过	连续 3 句相近长度 → 拆句或加短句
句式重复	"不是A而是B"/"与其说A不如说B"/"换句话说"等高风险句式	同一种全文 ≤ 1 次	第二次出现替换为不同句式
翻译腔密度	从句嵌套/主语充分化/被动语态密集段落	翻译腔特征段落数 = 0	从句拆开，主语该省则省
缩写管理	所有专业缩写首次出现有全称	L1 acronym_first_use 命中 = 0	自动插入全称
数字单位	所有技术指标数字带单位	L1 unit_missing 命中 = 0	补充单位
代码块数量（tech）	—	满足 --framework 对应框架的下限要求（源码拆解型≥2/实践指南型≥3/技术对比型≥1/全景架构型≥3）	在瓶颈层和案例闭环处补充代码/配置/命令块
P0 四象限覆盖（tech）	—	每个 P0 知识点覆盖"是什么/为什么/何时用/怎么用"四个象限	在缺失象限处补充对应维度

脚本输出中 summary.passed = true 时跳过整个第一层。不通过 → 逐项定向修复（每轮最多改 3 处），改完重新跑脚本。最多 2 轮。

第二层：LLM 检查（脚本全部通过后执行，仅保留需要主观判断的项）：

内容层面：

1. 开头钩子：前 3 句是否用了开头钩子技法（故事场景/问题戳焦虑/数据现象）？如果是平铺直叙的背景介绍，按对应勾法重写开头
2. 增强贯穿：增强策略的核心输出是否只出现在一段？如果是，在其他 H2 中补充
3. 金句检查：全文是否有至少 1 句可独立截图转发的句子？如果没有，在情绪高点处补一句

叙事与结构层面：
4. 对立面理解：讲核心观点前是否先站到了对方角度？是否只是单向输出判断而无同理心铺垫？
5. 假设性例子：有没有出现"比如有一次..."/"假设你是一个..."这类编造场景？有则删掉或改真实案例/标注编辑锚点
6. 回环呼应（契诃夫之枪）：前文埋的钩子在后面回扣了吗？如果开头有悬念式意象，结尾是否以变化的形式重现？

磨 + 最高法则：
7. 反风格 checklist：逐段检查：在解释→换场景；在罗列→砍到一个；同一论点重复→删第二个；在宣告深度→删宣告；助手都写得出的句子→改或删
8. 口语检验：逐段读，会这样跟一个聪明的朋友说吗？不会→改。过不了这关的段落整段重写
9. 意外检验：写这篇时发现了什么自己之前没想到的？它够显眼吗？如果没有意外发现→回去切得更狠

叙事骨架检查（tech 模式）：按 tech-narrative-architecture.md 四项检查：背景有张力（具体年代/硬件/场景）、问题场景化且有取舍、演进有轨迹（试错+突破+外部驱动力）、方案解释了取舍和开放问题。

AI 模式扫描（wechat + tech 均适用）：

读取: {skill_dir}/references/ai-patterns.md

对全文做三层扫描：短语层（废话开场/强调拐杖/互联网黑话/副词/套话/元评论/假亲密/绝对化）→ 句式层（二元对比/否定铺陈/设问/假拟人/旁白叙事/翻译腔/Wh-开头/破碎短句）→ 节奏层（三连列表/破折号/程式化段尾/"So"段首）。全部通过后，做自然度评分（5 维度 1-10 分，≥ 40 通过）。

tech 模式快速自检替换：如果 mode=tech，用 tech-writing-guide.md 附录中的校验清单替换原 12 项快速自检。重点检查：

标题层：标题通过三项质检（有明确受众、有具体痛点/价值、无夸大噱头）
开头层：前 300 字为三段式结构（痛点场景 + 问题定义 + 阅读钩子），无禁句命中
行文层：无连续 3 段纯理论，单段 ≤ 3 行，核心技术概念首次出现有类比+局限标注，每 3-4 小节有中途钩子
内容层：按问题驱动法展开，每个知识点配套踩坑点，无模糊表述
结尾层：使用了 ending_templates.md 中的模板
风格层：按 ai-patterns.md 做三层 AI 模式扫描 + 自然度评分
通用：术语缩写、类比局限、代码环境、数字单位、SSP 原则

---

Step 5: SEO + 四层自检金字塔

读取: {skill_dir}/references/seo-rules.md
if mode == tech:
  读取: {skill_dir}/references/tech-self-check-pyramid.md（替换 self-check-pyramid.md）
否则:
  读取: {skill_dir}/references/self-check-pyramid.md

5.1 SEO：3 个备选标题（标注钩子类型：时效数据/精准人群/学术权威）+ 摘要（≤40 字）+ 5 标签 + 关键词密度优化

5.2 基础规则快检（tech 模式替换为 tech 检查项；wechat 模式保持原规则）：

检查项	wechat 标准	tech 标准
句长方差	最短与最长句相差 ≥ 30 字	最短与最长句相差 ≥ 30 字（保留）
词汇温度	任意 500 字 ≥ 3 种温度	任意 500 字 ≥ 3 种温度（保留）
段落节奏	无连续 2 个相近长度段落	无连续 2 个相近长度段落（保留）
禁用词	命中数 = 0	命中数 = 0（保留原规则 + tech 新增禁用模式）
翻译腔	翻译腔特征密集段落数 = 0	翻译腔特征密集段落数 = 0（保留）
句式不重复	同一种句式结构全文 ≤ 1 次	同一种句式结构全文 ≤ 1 次（保留）
缩写管理（tech）	—	所有缩写首次出现有全称
数字单位（tech）	—	所有技术指标数字带单位
代码可运行（tech）	—	代码块含语言标注+运行环境+预期输出

不通过 → 定向修复：只替换不达标的具体句子/段落，不动已通过部分。每轮最多改 3 处，改完立即重新检查该项。2 轮仍不过 → 标注跳过，继续下一项。

5.3 四层自检金字塔（核心质检）：

Wechat 模式：按 self-check-pyramid.md 标准执行 L1-L4，与当前一致。
Tech 模式：按 tech-self-check-pyramid.md 标准执行 L0-L4。

L1 硬性规则自动扫描（脚本化，必须 0 容忍）：

python3 {skill_dir}/scripts/l1_hard_rules.py {article_path} --json --mode {mode} {tech_framework_flag}

• wechat 模式：覆盖 L1-1~L1-6：禁用词/禁用标点/结构套话/空泛工具名/假设性例子/AI 角色边界
• tech 模式：覆盖 L1-1~L1-6：技术编造扫描/API验证/类比局限性/代码可运行/缩写管理/数字单位 + 框架级代码块数量下限 + P0 四象限覆盖检查（需设置 {tech_framework_flag} 为 --framework <所选框架>）
• 命中即逐个定向替换，不留到人工

L2 风格一致性模式匹配（半自动）：

• wechat：开头/节奏/口语化/断裂句/标点/回环呼应/情绪落差
• tech：分层递进/SSP原则/逻辑链连续性/类比映射/过渡词多样性
• 可脚本辅助计数，人工判断通过/不通过

L3 内容质量深度审查（人工+AI协作）：

• wechat：观点支撑/知识输出/文化升维/对立面同理心/类型专项/升番/案例公正性/契诃夫之枪
• tech：知识准确性/信息增量/类比保真度/实践价值/复杂度控制/争议处理
• Agent 按清单逐项检查，输出具体问题定位到段落

L4 终审（核心人工判断）：

• wechat：活人感——"像真人聊天还是AI输出？"4维度打分
• tech：工程感——信任度/精准度/完整度/可操作度 4维度打分
• 任何维度不达标按对应金字塔的修复指引执行（逐维度精确修复）

输出：标准质检报告格式（见对应金字塔末尾模板）

修复流程：

• L1/L2 失败 → 定向修复 → 重新跑 L1/L2
• L3 失败 → 重审段落补案例/改写/调整排列顺序 → 重新检查该项
• L4 失败 → 定位不达标维度 → 按对应修复指引精确修复 → 重新 L4
• 最多 2 轮全流程，仍不通过 → 标记 DONE_WITH_CONCERNS 列出遗留问题

5.4 脚本辅助验证（补充 5.2/5.3 的逐项检查）：

Agent 在检查过程中同步完成综合评估（各 H2 间语气差异度、信息密度高低交替、段落间节奏变化、整体阅读流畅度），产出 0-1 分数。

python3 {skill_dir}/scripts/humanness_score.py {article_path} --json --tier3 {agent_tier3_score}

解读 JSON 中 composite_score（0=质量高, 100=问题多）：

• < 30 → 通过，继续 Step 6
• 30-50 → 查看 param_scores 中最低分的 1-2 项，只修复对应的具体句子（不重写整段），改完重新打分。1 轮即可

• 50 → 取 param_scores 最低的 2-3 项，逐项定向修复（每项只改最相关的 1-2 处），最多 2 轮。仍 > 50 则标记 DONE_WITH_CONCERNS 继续

tech 模式下 humanness_score 仅作补充参考，工程感（L4）评估优先。

---

Step 6: 视觉 AI

如果 skip_image_gen = true → 只执行 6.1。

读取: {skill_dir}/references/visual-prompts.md

6.1 实体提取：从终稿中提取 3-5 个具体实体（人物、产品名、场景、数据点、行业术语）。后续所有提示词必须包含至少 2 个实体。

6.2 封面生成：生成封面 3 组创意提示词（按 visual-prompts.md），选最佳 1 组调用 image_gen.py 生成。

6.3 封面验证：

• 交互模式：展示封面，问用户"封面效果如何？"。用户 OK → 继续；不满意 → 调整提示词重新生成。
• 全自动模式：agent 自检——提示词中的实体是否在画面描述中可识别？如果提示词过于泛化（仅含"科技感""未来感"等抽象词，无具体实体），换一组提示词重试 1 次。

6.3b 风格锚定：封面确认后，提取视觉锚点（色板 hex、风格关键词、画面调性），后续所有内文配图的提示词必须引用这组锚点，保证全文视觉一致。

6.4 内文配图：分析文章结构，为每个需要配图的段落选择图片类型（infographic/scene/flowchart/comparison/framework/timeline），使用对应的结构化提示词模板生成 3-6 张配图提示词（按 visual-prompts.md）。批量调用 image_gen.py，替换 Markdown 占位符。

降级：image_gen.py 支持多 provider 自动 fallback（按 config.yaml 中 providers 列表顺序尝试）。全部失败 → 输出提示词 + 备选图库关键词，继续。

---

Step 7: 排版 + 发布

7.1 Metadata 预检（发布前必须通过）：

检查项	标准	不通过时
H1 标题	存在且 5-64 字节	自动修正或提示用户
摘要	存在且 ≤ 120 UTF-8 字节	converter 自动生成
封面图	推送模式下需要	无封面则警告，仍可推送（微信会显示默认封面）
正文字数	wechat 模式 ≥ 1500 字（低于 1500 字公众号基本无推荐量） tech 模式 ≥ 2000 字（深度技术文章可扩展至 5000-6000 字）	低于下限则警告"文章过短，建议补充内容以保证推荐量"
图片数量	≤ 10 张	超出则移除末尾多余图片

预检全部通过后才进入排版。

7.2 排版 + 发布：

如果 skip_publish = true → 直接走 preview。

读取: {skill_dir}/references/wechat-constraints.md

Converter 自动处理：CJK 加空格、加粗标点外移、列表转 section、外链转脚注、暗黑模式、容器语法。

# 发布
python3 {skill_dir}/toolkit/cli.py publish {markdown} --cover {cover} --theme {theme} --title "{title}" --digest "{digest}"

# 降级：本地预览
python3 {skill_dir}/toolkit/cli.py preview {markdown} --theme {theme} --no-open -o {output}.html

---

Step 8: 收尾

8.1 写入历史（推送成功或降级都要写，文件不存在则创建）：

# → {skill_dir}/history.yaml
- date: "{日期}"
  title: "{标题}"
  topic_source: "热点抓取"  # 或 "用户指定"
  topic_keywords: ["{词1}", "{词2}"]
  output_file: "{output 文件路径}"  # e.g. output/2026-03-31-zhangxue-slow-accumulation.md（tech 模式使用 -tech- 前缀 e.g. output/2026-06-28-tech-page-fault-mechanism.md）
  framework: "{框架}"
  enhance_strategy: "{增强策略}"  # angle_discovery/density_boost/detail_anchoring/real_feel
  word_count: {字数}
  media_id: "{id}"  # 降级时 null
  writing_persona: "{人格名}"
  dimensions:
    - "{维度}: {选项}"
  closing_type: "{收尾类型}"  # trailing_off/unanswered/scene_revert/abrupt_stop/anti_conclusion/image
  composite_score: {Step 5.3 的 composite_score}  # 0=质量高, 100=问题多
  writing_config_snapshot:  # 本次使用的关键参数（从 writing-config.yaml 提取）
    sentence_variance: {值}
    paragraph_rhythm: "{值}"
    emotional_arc: "{值}"
    word_temperature_bias: "{值}"
    broken_sentence_rate: {值}
    tangent_frequency: "{值}"
    style_drift: {值}
    negative_emotion_floor: {值}
  stats: null

8.2 回复用户：

• 最终标题 + 2 备选 + 摘要 + 5 标签 + media_id
• 编辑建议："文章有 2-3 个编辑锚点，建议加入你自己的话。你可以在本地 markdown 里改，也可以直接在微信草稿箱改——改完后说**'学习我的修改'**，GzhWrite 都能学到你的风格。"

8.3 后续操作：

用户说	动作
润色/缩写/扩写/换语气	编辑文章
封面换暖色调	重新生图
用框架 B 重写	回到 Step 4
换一个选题	回到 Step 2.3
看看有什么主题	python3 {skill_dir}/toolkit/cli.py gallery
换成 XX 主题	重新渲染
看看文章数据	读取: {skill_dir}/references/effect-review.md
学习我的修改	读取: {skill_dir}/references/learn-edits.md。支持本地 markdown 修改和微信草稿箱同步（--from-wechat）
学习排版 / 学排版	python3 {skill_dir}/scripts/learn_theme.py <url> --name <name>
做一个小绿书/图片帖	python3 {skill_dir}/toolkit/cli.py image-post img1.jpg img2.jpg -t "标题"
检查一下 / 自检 / 这篇文章怎么样	生成报告（生成档案 + 质量检查，见辅助功能）
导入范文 / 建范文库	python3 {skill_dir}/scripts/extract_exemplar.py article.md
查看范文库	python3 {skill_dir}/scripts/extract_exemplar.py --list

---

错误处理

步骤	降级
环境检查	逐项引导，设降级标记
热点抓取	webfetch 访问热搜站点替代
选题为空	请用户手动给选题
SEO 脚本	LLM 判断
素材采集（webfetch）	LLM 训练数据中可验证的公开信息
维度随机化	history 空时跳过去重
Persona 文件不存在	回退到 midnight-friend（默认）
范文库为空	Fallback 到 exemplar-seeds.yaml（通用模式）
去 AI 验证	新增翻译腔/句式重复/自标深度检查，2 轮定向修复不过则跳过该项
生图失败	输出提示词
推送失败	本地 HTML
历史写入	警告不阻断
效果数据	告知等 24h
Playbook 不存在	用 writing-guide.md