Stylometria

Stylometria – analiza stylu i ekstrakcja głosu

Cel: wyciągnąć z korpusu tekstów (lub transkryptów) charakterystyczny styl konkretnej osoby/marki i przepakować go w 3 użyteczne artefakty — raport analityczny, styleguide do ręcznej pracy i system prompt do automatyzacji.

Skill jest celowo agnostyczny względem domeny — działa tak samo dla twórcy YouTube, autora bloga, klienta Daniela, jak i dla samego Daniela. Wszystko zależy od korpusu, który dostanie na wejściu.

Workflow

Krok 0 — pytanie startowe (OBOWIĄZKOWE, ZAWSZE jako pierwsza akcja)

Zanim cokolwiek zaczniesz, zadaj jedno pytanie przez AskUserQuestion:

Masz tekst, czy mam znaleźć?

Dwie opcje:

1. Mam tekst — użytkownik wskaże plik, folder, URL albo wklei treść.
2. Znajdź — użytkownik poda osobę/markę, Ty znajdziesz źródła.

Nie zakładaj odpowiedzi. Nie zaczynaj research'u zanim user nie wybierze. Jedyny wyjątek: jeśli w komendzie startowej użytkownik wyraźnie podał już ścieżkę/URL/tekst (np. „zrób stylometrię z pliku C:\X\Y.txt") — pomijasz Krok 0 i lecisz dalej.

Krok 1A — branch „Mam tekst"

Dopytaj o lokalizację jeśli nie podana. Akceptowane wejścia:

• Pojedynczy plik (.txt, .md, .docx, .pdf, .json3, .vtt). Dla .docx użyj skilla docx, dla .pdf — pdf. Dla json3/vtt (napisy YT) — zekstrahuj plaintext z eventów.
• Folder z plikami tekstowymi — załaduj wszystkie pliki tekstowe rekurencyjnie.
• URL — bloga (lista postów), kanału YT (transkrypty filmów), profilu Instagram/Threads/LinkedIn (eksport postów), strony autorskiej. Dla YT skorzystaj z procesu opisanego w „Pozyskiwanie z YouTube" niżej.
• Wklejony tekst w wiadomości — zapisz do tymczasowego pliku, idź dalej.

Sprawdź rozmiar:

• < 10 000 słów: ostrzeż użytkownika, że to mało, zapytaj czy idziesz dalej czy dorzuca.
• 10 000-30 000: OK, ostrzeż że n-gramy mogą być zaszumione.
• 30 000+: OK, leć.
• 100 000+: dział, ale powiedz że analiza zajmie chwilę dłużej.

Krok 1B — branch „Znajdź"

Dopytaj o:

• Imię i nazwisko / nazwę marki.
• Preferowane źródło (kanał YT, blog, social media, e-book, książka).
• Jeśli wiadomo — handle/URL (oszczędza search).

Pipeline znajdowania:

1. WebSearch — zlokalizuj profile/kanały tej osoby (YouTube, LinkedIn, blog, Twitter/X, Threads).
2. Spytaj o preferencję źródła (jeśli jest wybór).
3. Dla YouTube użyj sekcji „Pozyskiwanie z YouTube" niżej.
4. Dla bloga/strony autorskiej użyj WebFetch na listingu + iteracyjnie pobierz top 20-30 artykułów.
5. Dla social — jeśli user ma eksport (CSV/JSON), poproś o ścieżkę. Bez eksportu social to ślepa uliczka, bo platformy nie dają lekkiego dostępu.

Krok 2 — pozyskiwanie z YouTube (subrutyna)

Daniel ma lokalną aplikację Next.js do batch-pobierania transkryptów: C:\Users\danie\Documents\Firmowe\DanielProgramista\YT mass transcript (port 3000). Apka ma 2 znane bugi (sortuje języki alfabetycznie → trafia w ab/abchaski; przerywa pobieranie URL na 429 z jednego języka, gubiąc plik z innego). Pomijaj apkę, idź yt-dlp bezpośrednio według wzorca:

1. Scan kanału:

   yt-dlp --flat-playlist --dump-json --no-warnings --playlist-end 50 "https://www.youtube.com/channel/UC..."
   

   Jeśli handle ma kropkę (np. @geekwork.pl) — używa channel ID, nie handle (handle z kropką rzuca 404).
2. Wybierz N najnowszych dłuższych niż 5 min (shorty się nie nadają — za krótki sygnał stylu).
3. Pobierz transkrypty sekwencyjnie z opóźnieniem (3-5 s między requestami):

   yt-dlp --quiet --skip-download --write-subs --write-auto-subs --sub-format json3 --sub-langs pl,pl-PL,en,en-US -o "tmp/%(id)s.%(ext)s" "URL"
   

4. Retry na 429 (Too Many Requests) z backoffem 20-60 s, max 3 próby na język.
5. Parsuj json3 — wyciągnij events[].segs[].utf8, zlej w plaintext.
6. Zapisz do transkrypcje-yt/01_VIDEOID.txt z nagłówkiem (tytuł, URL, ID, długość, język) + separator --- + treść.

Wzorzec skryptu PowerShell — w references/fetch_youtube.ps1.template (sąsiednie pliki skilla).

Krok 3 — przygotowanie korpusu

1. Zlicz wszystkie pliki i znajdź ich łączną długość w słowach.
2. Stwórz folder roboczy stylometria/ — w folderze klienta jeśli kontekst sugeruje konkretnego klienta, inaczej w folderze, z którego pochodzi korpus.
3. Skopiuj skrypt analizujący jako _stylometry.py (template w references/stylometry.py.template) i dostosuj ścieżki:
   • ROOT = folder roboczy
   • CORPUS_DIR = folder z surowymi tekstami (transkrypty / posty / artykuły)
   • OUT_JSON = _stats.json
   • OUT_MD = _stats-raw.md

Krok 4 — analiza Pythonem

Uruchom skrypt. Skrypt liczy:

• Summary: liczba tekstów, tokenów, types, TTR, zdań, średnia/mediana długości zdań, % pytań, dystrybucja długości słów, zdania krótkie/długie.
• Warstwy mikro/mezo/makro (blok layers w JSON i sekcja w raw MD):
  • MIKRO — strona bierna (heurystyka, na 1000 słów) + rozkład interpunkcji na 1000 słów (przecinek, średnik, dwukropek, półpauza, em-dash, wielokropek, wykrzyknik, nawias, dywiz).
  • MEZO — % zdań złożonych vs prostych, liczba akapitów, ile plików ma >1 akapit, średni akapit (słowa i zdania), markery porównań.
  • MAKRO — słowa-przejścia (kohezja): łączna liczba, na 1000 słów, top 15.
• Top content words (50) — bez stopwordów.
• Top n-gramy: bigramy (60), trigramy (60), 4-gramy (40), 5-gramy (30).
• Top sentence openers (40) — pierwsze 2 słowa zdania.
• Top sentence enders (30) — ostatnie 2 słowa zdania.
• Próbki: 30 bardzo krótkich zdań (≤5 słów), 10 otwarć filmów/postów (pierwsze 3 zdania), 10 zamknięć.
• Signature phrases — szukaj zdefiniowanych przez Ciebie fraz (możesz dostosować listę po obejrzeniu top n-gramów).

Skrypt zapisuje stats JSON i markdown z próbkami.

Uwaga o akapitach. Metryki mezo/makro (akapity, kohezja) mają sens tylko na korpusie z całymi tekstami. Auto-caption YT to jeden ciąg bez akapitów — skrypt to wykryje (files_with_multiple_paragraphs: 0) i wypisze ostrzeżenie. Wtedy warstwę mezo/makro czytaj per materiał w Kroku 5, nie ze zbiorczych liczb, bo zlepek transkryptów zafałszuje strukturę akapitu i łuk całości.

Krok 5 — analiza jakościowa w trzech warstwach (czytaj próbki)

Framework: mikro → mezo → makro (za StylMaster AI Workbook). Mikro klonuje głos na poziomie słowa, mezo — budowę zdania i akapitu, makro — architekturę całego tekstu. Generowanie „w stylu X" najczęściej sypie się na mezo i makro, więc nie odpuszczaj tych warstw, nawet gdy mikro wygląda mocno.

Otwórz _stats-raw.md i wyciągnij, warstwa po warstwie:

MIKRO — słowo, gramatyka, interpunkcja

• Słownictwo i dobór słów — unikalne/powtarzalne słowa i zwroty, żargon vs potoczność, słowa proste vs złożone, poziom zaawansowania. (top content words + n-gramy)
• Wzorce gramatyczne — strona czynna vs bierna (metryka MIKRO), dominujące czasy, osoba (ja/my/on/ty), świadome odejścia od normy. Podaj jako instrukcję dla modelu (np. „pisz stroną czynną: «pomalował dom», nie «dom został pomalowany»").
• Interpunkcja — które znaki autor lubi, jak buduje nimi rytm i akcent (metryka MIKRO na 1000 słów). Wychwyć manierę (np. wielokropek, myślnik-cios, brak przecinków przed „że").

MEZO — zdanie, środki stylistyczne, akapit

• Struktura i długość zdań — proste/złożone (metryka MEZO), % krótkich (≤5–10) i długich (≥30), różnorodność otwarć, czy tnie na dynamikę czy rozbudowuje.
• Środki stylistyczne — metafory, porównania, analogie, powtórzenia, pytania retoryczne, ironia, hiperbola, anegdota. Wskaż powtarzalne (np. „analogia z życia fizycznego przy każdym trudnym pojęciu").
• Struktura akapitu — jak buduje pojedynczy blok: dedukcja (teza→dowód) czy indukcja (obraz→wniosek), długość akapitu, zdania wprowadzające, przejścia między akapitami (czym łączy, czy tnie na sucho). Na mowie: rób to per materiał.

MAKRO — tekst jako całość

• Ton i nastrój — formalny/luźny/sarkastyczny/poważny, gdzie zmienia rejestr i czym (dobór słów, składnia, obraz).
• Spójność i kohezja — jak spina myśli w całość (metryka MAKRO: słowa-przejścia), struktura równoległa, powtórzenie jako spoiwo, czy trzyma jedną myśl czy skacze.
• Architektura materiału — szkielet całości: wzorzec hooka (2–4 typy), rozwinięcie, wzorzec outra, ile „ruchów" ma typowy tekst, gdzie kulminacja, proporcje setup/mięso/CTA.
• Idiosynkrazje — niekonwencjonalna pisownia, wymyślone słowa, charakterystyczne frazy-manie, które są podpisem autora.
• Język figuratywny — personifikacja, metonimia, synekdocha; częstotliwość i skuteczność.
• Dialog (jeśli dotyczy) — jak podaje mowę, interpunkcja dialogu, spójność głosów postaci.

Warstwy wspólne (niezależne od poziomu)

• Czego NIE robi — które AI-izmy/korpożargon/kotwice marketingowe są nieobecne (dowód z korpusu: 0 lub prawie 0 wystąpień).
• Sponsoring / wewnętrzny CTA — jak buduje mid-roll, jak CTA.

Jeśli korpus pokrywa wiele rejestrów (np. YT + LinkedIn + landing), dodatkowo:

• Tabela różnic per kanał — gdzie luźniejszy, gdzie twardszy, co adaptujesz na każdej z trzech warstw.

Zasada z Workbooka: każdą obserwację zapisuj jako instrukcję dla modelu z przykładem dobrym i złym z korpusu, nie jako opis akademicki. „Zaczynaj akapit od sceny, potem wniosek: «Klient dzwoni o 23. Dlatego mam wyłączony telefon po 20»" bije „autor stosuje indukcję" za każdym razem.

Lesson learned — code-switching i wtręty obcojęzyczne. Polskie auto-caption YT (i większość ASR) zżera krótkie wtręty obcojęzyczne — transkrybuje je fonetycznie po polsku albo gubi. Jeśli korpus pochodzi z auto-caption, a osoba żyje w branży tech / IT / startup, zapytaj usera off-corpus, czy autor wtrąca anglicyzmy („what can I say?", „who cares", „doesn't matter", „come on", „by the way", „game changer", „trust me", „big deal", „end of story"). Jeśli tak — dodaj to do styleguide jako sygnaturę rytmiczną z konkretną częstotliwością (typowo 1 wtręt na 100-200 słów mowy, 1 na 300-400 słów pisma LinkedIn, 0-1 na całą formalną formę). Auto-caption NIE jest tu wiarygodnym źródłem — wprost ostrzegaj o tym w raporcie.

Krok 6 — wygenerowanie 3 artefaktów

Stwórz w stylometria/:

6.1 01-raport-analityczny.md

Struktura (wzorzec — patrz references/01-raport.template.md). Raport jest pogrupowany w trzy warstwy (mikro/mezo/makro), żeby wynik dało się wprost przełożyć na styleguide i system prompt:

1. Rozmiar próby i tabela summary (+ tabela metryk warstwowych).
2. MIKRO — słownictwo i frazy-kotwice (n-gramy + content words), wzorce gramatyczne (strona czynna/bierna, osoba, czasy), interpunkcja.
3. MEZO — struktura i długość zdań (proste/złożone), środki stylistyczne, struktura akapitu i przejścia.
4. MAKRO — ton i nastrój, kohezja (słowa-przejścia), architektura materiału (hook → rozwinięcie → outro, proporcje), idiosynkrazje, język figuratywny.
5. Otwarcia i zakończenia zdań — co mówią o stylu.
6. N sygnatur stylu (każda 2-3 zdania z konkretem liczbowym z korpusu).
7. Czego NIE robi w piśmie/mowie.
8. Charakterystyczne pary stylistyczne (robi / nie robi).
9. Mid-roll / sponsoring (jeśli dotyczy).
10. Adaptacja per kanał (jeśli korpus to pokrywa).
11. Pliki źródłowe analizy.

6.2 02-styleguide.md

Działający styleguide do ręcznej pracy (wzorzec — references/02-styleguide.template.md):

1. 5 reguł rdzennych (niepodlegających dyskusji).
2. MIKRO — frazy-kotwice z dawkowaniem (ile na 500 słów, żeby nie brzmieć parodyjnie), gramatyka (strona czynna, osoba), maniery interpunkcyjne.
3. MEZO — rytm (długie/krótkie zdania), struktura akapitu (jak buduje blok + przejścia), środki stylistyczne (analogie, powtórzenia, pytania retoryczne).
4. MAKRO — architektura tekstu (hook → rozwinięcie → outro z proporcjami), ton i jego zmiany, kohezja.
5. Hook — wzorce z konkretami.
6. Struktura wniosków / list.
7. Storytelling mikroskali (scenka → wniosek).
8. CTA — wzorce per kanał.
9. Sponsoring / mid-roll (jeśli dotyczy).
10. Lista do/don't — szybka ściąga.
11. Obowiązkowe sygnatury w dłuższych formach.
12. Co naprawiać w draftach AI „uciekających" w korpo (tabela typowych błędów + fixów).
13. Adaptacja per kanał.
14. Test końcowy — checklist „czy to brzmi jak X?" (pozycje z każdej z trzech warstw).

6.3 03-system-prompt.md

Execution-ready prompty (wzorzec — references/03-system-prompt.template.md):

• Wersja A — uniwersalna (główny ton bazy).
• Wersja B — adaptacja per kanał (jeśli korpus to obejmuje, np. „LinkedIn vs YT" albo „landing vs newsletter").
• Każda wersja pokrywa trzy warstwy: mikro (reguły rdzenne, frazy-kotwice, gramatyka, interpunkcja), mezo (rytm zdań, budowa akapitu/argumentu, środki stylistyczne), makro (architektura tekstu: hook → rozwinięcie → outro, ton, kohezja), plus CTA i test końcowy. Bez bloku makro agent pisze poprawne zdania w złej kompozycji.
• Few-shot examples — 2 realne mini-przykłady user→assistant w stylu osoby.
• Sekcja „Jak używać tych promptów" + sekcja „Aktualizacja stylu" (kiedy odświeżyć).

Krok 7 — surowe dane razem z artefaktami

Skopiuj do stylometria/:

• _stats.json (output Pythona)
• _stats-raw.md (output Pythona)
• _stylometry.py (dostosowany skrypt — do reuse'u przy aktualizacji)

Surowy korpus (transkrypcje-yt/ lub odpowiednik) — zostaw w nadrzędnym folderze (nie kopiuj, żeby nie duplikować).

Krok 8 — zapis do pamięci projektu (jeśli kontekst)

Jeśli stylometria była robiona dla konkretnego klienta / projektu z istniejącą pamięcią (~/.claude/projects/.../memory/MEMORY.md):

1. Stwórz wpis <nazwa>-stylometria.md z opisem co jest, gdzie i kluczowymi sygnaturami stylu (3-5 punktów).
2. Dodaj linię do MEMORY.md.

Spytaj usera czy dodajesz (krótko, bez naciskania). Jeśli stylometria była dla samego Daniela / DBest Content — domyślnie tak.

Krok 9 — raport podsumowujący

Na koniec zwróć Danielowi (lub użytkownikowi):

• Lista plików ze ścieżkami.
• Skrócone summary — rozmiar korpusu, najmocniejsza obserwacja (np. „275× «po prostu»").
• Top 3 sygnatury stylu — najsilniejsze odkrycia.
• Kiedy odświeżyć — propozycja kadencji (zwykle 6 miesięcy).

Zasady i ograniczenia

• Minimum korpusu: 10 000 słów to próg sensowności. Poniżej rezultaty są zaszumione przez przypadkowe powtórzenia.
• Jeden styl = jeden rejestr. Nie mieszaj różnych rejestrów (np. e-mail prywatny + sales letter) bez tablicy adaptacji.
• Transkrypty YT auto-caption mają artefakty (np. „cloud" zamiast „Claude" jeśli ktoś mówi „kloud"). Zaznacz to w raporcie żeby agenci nie powielali pomyłki.
• Nie zmyślaj liczb własnych osoby. W styleguide i system promptach możesz dawać slot „LICZBA TUTAJ" / [LICZBA Z FIRMY] — agent generujący treści dostanie liczby od użytkownika.
• Zero przedstawiania się — jeśli korpus pochodzi z YouTuba, styleguide MA opisywać kiedy i jak osoba się przedstawia, ale system prompt powinien dawać slot „[INTRO/SKIP — decyzja zależy od formatu]".
• Anti-em-dash: w wynikowych dokumentach Daniela zawsze używaj półpauzy (–) ze spacjami, nigdy em-dasha (—).

Output finalny

Folder stylometria/ zawiera:

stylometria/
├── 01-raport-analityczny.md
├── 02-styleguide.md
├── 03-system-prompt.md
├── _stats.json
├── _stats-raw.md
└── _stylometry.py

Korpus (transkrypcje-yt/ lub równoważnik) — w folderze nadrzędnym.

Pamięć projektu — opcjonalnie zaktualizowana.

References

Pliki szablonowe leżą w references/ obok SKILL.md:

• stylometry.py.template — skrypt analizujący (Python 3.10+, stdlib only).
• fetch_youtube.ps1.template — skrypt pobierający transkrypty YT z yt-dlp.
• 01-raport.template.md — szablon raportu analitycznego.
• 02-styleguide.template.md — szablon styleguide'u.
• 03-system-prompt.template.md — szablon system prompta.

Czytaj te szablony przed pisaniem artefaktów — utrzymują spójność dokumentów między różnymi przebiegami skilla.