Oracle Predict

/oracle-predict — AI 主导的盲预测 + 用户 review

这个工具是校准器——AI 帮你做判断。核心流程：

• AI 自己读稿子 + 按该轨 rubric 打分 + 给 bucket + 概率分布 + 反事实场景
• 用户 review 后回 "ok" 接受，或指出哪个维度/判断不对
• 快路径：用户直接 ok → 落盘；慢路径：挑刺 → AI 连锁更新 → 再 review

严格遵守 shared-references/blind-prediction-protocol.md——见过任何后续数据就不能写预测，只能记 reconstructed。 组件清单见 prediction-anatomy.md。Confidence 派生表见 state-management.md。

Overview

[用户：启动预测 <NNN>_<标题>/scripts/<id>.md]
  ↓
[Phase 0: blind check 自检]                    ← 触犯就拒绝
  ↓
[Phase 0.5: 解析路径 + 轨道识别]
  ↓
[Phase 0.7: 模式判定 — v1 (新建) 还是 v2 (append)]
  ↓
[Phase 1: 读 script + 该轨 rubric + state + 派生 confidence]
  ↓
[Phase 2: AI 自己打分 + 算 composite]
  ↓
[Phase 3: AI 自己找锚点对比（同轨优先）]
  ↓
[Phase 4: AI 自己给 bucket + 概率分布 + 中枢]   ← confidence 低时分布更平
  ↓
[Phase 4.5: 分平台预测（多平台配置时）]
  ↓
[Phase 5: AI 自己写反事实场景 + 关键校准假设]
  ↓
[Phase 5.5: 用户 review — 一次性展示完整草拟版，等 ok 或挑刺]
  ↓
[Phase 6: 落盘 — v1 写新文件 / v2 append 到 ## 复盘 之前]
  ↓
[Phase 7: 更新 state.in_progress_session + 控制台总结]

Constants

• BLIND_CHECK = strict — strict（默认）/ lenient（仅警告，不推荐）
• BUCKET_PRESET = auto — 有 baseline_plays → 按 baseline × {0.3/1/3/10/30}；无 → 平台通用默认
• MIN_ANCHORS = 2 — 不够时显式标"锚点 N/A"段（不删段，不省略）
• V2 多轮改稿合并：v1 锁定后多轮脱钩只写一个 v2 段，basis 取主因

Inputs

入参解析（Phase 0.5）

项目布局 = 每期作品一个目录（content-folder-schema.md）：

1. 用户给全路径（<NNN>_<标题>/scripts/*.md）→ 直接用
2. 用户给简写（007 / <短标题>）→ 项目根 glob <NNN>_<*>/scripts/*.md 匹配
3. prediction 落到该作品目录的 predictions/ 下，不是项目根
4. 锚点对比跨 <NNN>_*/predictions/*.md glob
5. 任意外部 .md → 询问"要我帮你按标准命名 cp 进作品目录吗？"
6. 找不到 → 报错并询问"你要 predict 哪份稿子？"

轨道识别：从 state 的作品登记或 candidates.md 条目读该作品的 track；识别不出 → 询问用户"这条属于哪轨？"（列出 content-plan 的轨道名 + 解释这是"按哪套 rubric 打分"的决策）。

Workflow

Phase 0: Blind check 自检（最关键，触犯立即终止）

按 blind-prediction-protocol.md 检查清单执行：

1. 询问作品发布状态：未发 → 通过；已发 < 窗口且没看过数据 → 通过 + 标记；已发 ≥ 窗口 → 拒绝，建议 _redo.md 路径
2. 自检对话历史是否含播放/点赞/评论实际数字 → 命中视为已见数据
3. 数据归属纪律：用户报任何数字（"B站 28 播放"）→ 先 read state 确认属于哪个作品 → 当前作品没发布就不默认归属当前，先问"这是哪一期的数据？"

Phase 0.7: 模式判定（v1 vs v2）

显式参数 — mode: v2 — prediction-file: <path> 优先。否则自动检测：目标 prediction 文件不存在 → v1；已含 ## 预测 vN 段 → v2。

v2 额外动作：比较当前稿与 vN 段的 Script Hash——相同 → 警告"稿子没改，真要写 v2？"；不同 → 算 diff 概要供 Phase 5.5 展示。

Prediction Basis 枚举

多轮改稿合并：v1 后经历多轮脱钩（review 改稿 → 标题更换 → AI 味修正）→ 只写一个 v2 段，basis 取主因（定性改稿类优先于单维度触发），Diff 段把各轮改动各列一行。retro 按 basis 区分样本线（拍前 review 改稿 vs 拍后技术性改稿是两种校准信号）。

Phase 1: 读稿 + 该轨 rubric + state + 派生 confidence

1. 读 scripts 全文；算 script_hash = sha256(内容)[:12]
2. 读 rubric_notes.md 该轨节——不存在则自动从对应 starter 兜底初始化（⚠️ 提示但不阻塞）
3. 读 state：该轨 calibration_samples、baseline_plays、typical_duration_seconds
4. 按该轨样本数派生 confidence 等级（state-management.md confidence 表）
5. 询问"这是最终稿吗？还会再改？"——必须是最终稿
6. 字数与典型时长派生范围差 >50% → 提示确认

交叉题（cross track）：一条内容跨两轨 → 两轨 rubric 各打一次，写 ## 预测 v1_a + ## 预测 v1_b + 综合段（composite 取均值，bucket 概率取共同区间）；复盘时两轨校准池各 +0.5。

Phase 2: AI 自己打分（内存里做，不逐段输出）

按该轨 rubric 各维度给 0-5 整数分 + 一行理由（≤30 字，引用稿子具体词/场景）。算 composite。全部阶段都算——confidence 低只影响标注，不影响格式。

Phase 3: 锚点对比

1. Glob <NNN>_*/predictions/*.md，读 header（排除 reconstructed）
2. 同轨优先（track 相同的样本），其次同时长（±20%）
3. 找 2-4 个 composite ±0.5 邻近样本
4. 池子太小 → 写"锚点对比 N/A 段"（仍写这段，解释为何缺）
5. 关键诊断：某锚点 composite 几乎相同但实绩差 ≥3x → rubric 没捕获关键维度，文件里明确标注（新观察种子）

Phase 4: Bucket + 概率分布 + 中枢

1. bucket 边界按 baseline 派生（BUCKET_PRESET）
2. 选 headline bucket + 全 bucket 概率分布（加总 100%） + 中枢点估计
3. 反诚实陷阱：真实分布在 headline bucket 通常是 40-65%；给 95% 概率 = 下次错了没法解释
4. cold-start 期分布更平（如 30/30/20/15/5）

Phase 4.5: 分平台预测（state.platforms 配置多平台时）

读 state 各作品实绩的 per-platform 数据，算各平台历史平均（同轨样本优先），结合内容特征给区间：

### 分平台预测

| 平台 | 最近同轨实绩 | 历史平均 | 本期预测区间 | 理由 |
|---|---|---|---|---|

分平台合计应与整体中枢一致。平台×内容交互是已知盲区——同一钩子在不同平台效果可差数十倍，区间给宽一点，并写 1-2 条"分平台最想测"的假设。

Phase 5: 反事实场景 + 关键校准假设

• 反事实：每个 bucket 写"落在这里意味着什么假设被验证/推翻"（4 段，见 prediction-anatomy 组件 6）
• 关键校准假设：找对照样本，明确"我押本篇 vs 对照 = X 倍；反过来则 Y 假设被推翻"。校准池小 → 写"无可对照样本——仍写下核心赌注"+ 1-2 条想测的事。不删段

Phase 5.5: 🔴 用户 review（落盘前最后门——决定写什么进文件）

Phase 2-5 全部内存完成后，一次性展示完整草拟版（维度分表 + bucket + 概率 + confidence + 分平台 + 锚点 + 反事实 + 校准假设），然后：

回 "ok" 我直接落盘，
或指出哪些维度/判断不对（如 "AB 给 3，太乐观" / "中枢应该 30w 不是 60w"）。

• "ok" → Phase 6，header 标 Scored By: claude
• "X 应该 Y" → AI 改字段 + 连锁更新（composite/概率/锚点一致性），重新展示循环
• 用户挑刺记录到 User Override（复盘时诊断：用户覆盖被实绩验证 → 用户直觉准 → rubric 可能漏了什么）

用户纪律：只能改字段值，不能塞新理由让 AI 重写整段；改完连锁由 AI 算。

Phase 6: 落盘

v1 模式：写 <作品目录>/predictions/<date>_<id>_<short>.md

• 第一段标题写 ## 预测 v1
• header 必填：Article ID（= candidate id，改稿后不变；内容变化由 Script Hash 追踪）、Track、Rubric Version（该轨）、Script Path/Hash、Calibration Samples + Confidence、Prediction Basis: pre_shoot、Scored By、User Override
• 留空 ## 复盘 占位段（hook 识别 immutable 边界）

v2 模式：绝不 Write 覆盖——用 Edit 在 ## 复盘 之前插入：

## 预测 v2 (replaces v1; basis=<BASIS>)

**Diff vs v1**: 改了 N 行（X→Y%），主要变化：[各轮摘要]
**Script Hash (v2)**: <新稿 hash>

[7 组件 — 与 v1 同 anatomy]

---

## 复盘

Phase 7: 更新 state + 总结

{
  "in_progress_session": {
    "type": "prediction",
    "file": "<作品目录>/predictions/<...>.md",
    "work_folder": "<NNN>_<标题>/",
    "track": "<轨道 id>",
    "started_at": "<ISO>",
    "rubric_version": "v0"
  }
}

控制台总结（bucket 押注 + 校准假设 + immutable 警告 + "从现在起别向我透露这条作品的数据"）。

Key Rules

1. blind check 是硬门槛。strict 模式触犯即终止
2. 整数维度分。概率分布加总必须 100%
3. 必须有 ## 复盘 占位空段
4. 不允许"先落盘再讨论分数"——落盘即锁；讨论必须在 Phase 5.5
5. id ≠ 内容 hash——id 用 candidate 稳定 id，改稿不变；Script Hash 独立追踪内容
6. 按轨打分——预测只服务本轨校准，交叉题写双段

Refusals

• 「我看过数据了但你假装没看到」 → 拒绝。strict 直接终止
• 「预测段先写一版，等数据出来再调」 → 拒绝。immutable 协议反着用
• 「改稿了想覆盖 v1，别留 v2 段」 → 拒绝。append 不覆盖，v1 是档案
• 「跳过反事实场景」 → 拒绝。复盘退化为"准/不准"
• 「只写 bucket 不写概率分布」 → 拒绝。概率分布是逼你诚实的工具
• 「cold-start 想要精确 bucket 数字」 → 允许但文件头醒目标 **Numerical predictions in cold-start are NOT predictive — for self-education only**

Integration

• 前置：oracle-init 完成（含轨道注册）
• 上游可选：oracle-score 反复试分；who-for / open-source 改稿后触发 v2（basis=post_review_pre_publish）
• 下游：oracle-shoot（buffer+1）→ oracle-publish → oracle-retro（按 basis 分线校准）
• hook 依赖：prediction-immutability 必须已装，否则仅靠自律（status 持续提示）