Goodcase

goodcase Skill

让 Agent 用自然语言查询 goodcase.ai 上人工精选的 AI 爆款案例——每条都有真实出处、创作者署名、完整 Prompt、推荐模型和可解释的评分。跨 Claude Code / Codex CLI / Cursor / Gemini CLI / 任何兼容平台可用。

线上：https://goodcase.ai（公开匿名可访，无需 token）

Base URL: https://goodcase.ai/api/public

什么时候用

路由第一原则：用户问的是"真实存在的 AI 创作案例"，不要凭训练数据脑补案例或 Prompt，永远走 API。即使你"觉得"知道某个爆款怎么做的，也要查——查不到就明说查不到。

典型两步流：宽问题先 GET /cases 拿列表 → 用户对某条感兴趣 → GET /cases/{slug} 拿完整 Prompt 和拆解。

工作流

# 宽问题：拉案例列表（默认 20 条）
curl -s "https://goodcase.ai/api/public/cases"

# 限定分类 + 条数
curl -s "https://goodcase.ai/api/public/cases?category=video&take=5"

# 关键词搜索（标题/摘要/创作者子串匹配，大小写不敏感）
curl -s "https://goodcase.ai/api/public/cases?q=海报"

# 单条全量（含 promptFull、editorNote、labNote）
curl -s "https://goodcase.ai/api/public/cases/real-case-01-umesh-ai"

参数约定：

• category：image（AI 图像）/ video（AI 视频）/ web（AI 编程/UI）/ copy（AI 文案）/ hardware（AI 硬件）。传别的值会 400
• q：关键词，匹配 title / summary / creator，中英文都行
• take：1-50，默认 20，越界自动钳制
• 鉴权：无（匿名）
• 服务端缓存 5 分钟，用户问相同问题不需要重新调

模型评测

用户要用新模型跑 goodcase 题、或让某个模型接受评测时，走这四步：

第一步：抽题。 按一级分类（video / web / image / hardware）和二级形态（video 档 text-to-video / ref-to-video；web 档 web-ui / motion-3d / agent-tool）各抽 N 条：有二级形态的按二级抽，默认每个二级形态 3 条；无二级形态的一级分类（image、hardware）按一级抽，默认每个 3 条。用户指定了分类就只抽用户指定的那些。默认 exclude=motion-3d——motion-3d 考的是素材和运行时效果不是模型能力，评测默认不算模型头上，用户明确要求才加回来。seed 默认取 日期YYYYMMDD + 模型名（如 20260902-veo3），必须把实际用的 seed 记下来并告诉用户，方便复现和后续跟站内复测对齐。

# 按二级形态抽样（web-ui，3 条，固定 seed）
curl -s "https://goodcase.ai/api/public/cases?form=web-ui&sample=3&seed=20260902-veo3&exclude=motion-3d"

# 按一级分类抽样（image，无二级形态）
curl -s "https://goodcase.ai/api/public/cases?category=image&sample=3&seed=20260902-veo3"

# 排除多个形态
curl -s "https://goodcase.ai/api/public/cases?category=web&sample=3&seed=20260902-veo3&exclude=motion-3d,agent-tool"

sample 存在时会忽略 take；sample 范围 1-50；seed 任意字符串，同 seed 同参数同结果，不传则随机且不可复现；抽样命中的响应顶层会回显 seed 和 sample，核对一下确认没有跑偏。form 单值，只接受 text-to-video / ref-to-video / web-ui / motion-3d / agent-tool，传别的值 400。

某个二级形态抽出来 count 为 0（现状：video 档的 text-to-video / ref-to-video 标签全库还没打全，抽出来大概率是空的），就退回去掉 form、按一级分类抽同样条数，exclude=motion-3d 和这个 seed 保持不变，报告里给这一档注明"该分类按一级抽题"。

第二步：拉基线。 抽到的每个 slug 都要拿两份数据：

# 案例全量（拿 promptFull / recommendedModels / costBand / stabilityScore）
curl -s "https://goodcase.ai/api/public/cases/{slug}"

# 站内逐模型复测记录（拿基线，见下方返回数据形态）
curl -s "https://goodcase.ai/api/public/cases/{slug}/retests"

第三步：跑题记录。 把每条的 promptFull 交给用户或用工具自己跑目标模型，逐条记录 reproduced（复现）/ degraded（打折扣）/ failed（跑不出来），附产物链接或简要描述。自己没工具跑模型时，把 Prompt 列清楚交给用户跑，不要替用户编结果。

第四步：出报告。 输出一份人话对照表（见「给用户的输出格式」）加一份可回传的 JSON 清单，JSON 是留给后续跟站内复测对齐的口子——同一批 seed 抽出来的同一批 slug，站内复测跑到这批 case 时可以直接按 slug 对上，不用重新匹配。

返回数据形态

GET /cases 返回

{
  "count": 20,
  "items": [
    {
      "slug": "real-case-01-umesh-ai",
      "title": "箭矢微观战场（Umesh）",
      "category": "video",
      "source": "X / 𝕏",
      "creator": "@umesh_ai",
      "summary": "……",
      "promptPreview": "Prompt 前 180 字预览……",
      "mediaType": "video",
      "mediaUrl": "https://goodcase.ai/media/goodcase/....mp4",
      "posterUrl": "https://goodcase.ai/media/goodcase/....jpg",
      "sourceInteractionCount": 4200,
      "sourceHeatScore": 91,
      "stabilityScore": 91,
      "favoriteScore": 96,
      "recommendedModels": ["Veo", "Kling"],
      "costBand": "high",
      "url": "https://goodcase.ai/cases/real-case-01-umesh-ai"
    }
  ]
}

列表不含 promptFull——要完整 Prompt 必须走单条端点。

GET /cases/{slug} 返回

列表字段全集，外加：

• promptFull：完整 Prompt 原文（创作者发布的原始提示词）
• editorNote：编辑点评（这条 case 适合从什么角度学）
• labNote：实验笔记数组（复测建议：先用什么模型、盯什么变量、成本怎么控）
• spreadScore / spreadScoreNote：传播势能分及其口径说明
• promptPublicNote / promptLoginNotes / promptContributionNotes：站内 Prompt 分层说明文案

找不到 slug 返回 404 {"error": "case not found"}。

GET /cases/{slug}/retests 返回

站内逐模型复测记录，做模型评测时用来拿基线：

{
  "slug": "real-case-01-umesh-ai",
  "stabilityScore": 91,
  "evidenceLevel": "verified",
  "stabilityState": "stable",
  "count": 6,
  "byModel": [
    {
      "model": "Veo 3",
      "kind": "video",
      "latest": { "verdict": "reproduced", "finalScore": 88, "testedAt": "2026-08-20T00:00:00Z" },
      "history": [{ "verdict": "reproduced", "finalScore": 88 }, { "verdict": "degraded", "finalScore": 61 }]
    }
  ],
  "records": [
    {
      "id": "rt_001",
      "runId": "run_20260820",
      "testedAt": "2026-08-20T00:00:00Z",
      "kind": "video",
      "status": "complete",
      "model": "Veo 3",
      "modelDisclosure": "verified",
      "artifacts": { "primary": "https://...", "desktop": null, "mobile": null, "html": null, "video": "https://..." },
      "finalScore": 88,
      "judges": [{ "model": "gpt-5", "score": 90 }, { "model": "claude", "score": 86 }],
      "disagreement": 4,
      "automaticOnly": false,
      "promptSha256": "…",
      "failureReason": null,
      "verdict": "reproduced"
    }
  ]
}

字段说明，容易踩坑的地方：

• modelDisclosure 为 requested-model-unverified 时，意思是"请求方声称用了这个模型，但站内没有独立核验"，不要当成"已验证用这个模型跑出来的"——展示时要照实说是未经验证
• finalScore（评审打分，0-100，多个 judge 打分综合）和 stabilityScore（人审稳定度档位）不是同一量纲，不能直接相减或换算，只能分别引用
• kind 是这条复测记录本身的媒介类型（image / ui / video），不是案例的一级分类
• verdict 有 reproduced（复现）/ degraded（打折扣）/ failed（失败）/ inconclusive（不确定）/ null（还没判）五种状态
• byModel 是按模型聚合后的视图（latest + history），records 是完整的逐次记录，两者对同一批数据的不同切法，不是两份独立数据

字段不变量

• 必有：slug / title / category / creator / url / mediaUrl
• 可空：posterUrl（只有视频类通常有封面图，图片类为 null）
• 分值含义：
  • stabilityScore 稳定分（0-100）：同一 Prompt 复测出片方向一致的程度，越高越"照抄就能出"
  • stabilityScore = 0：待复测，不是“稳定度为零”
  • sourceHeatScore 来源热度（0-100）：只在存在可核验的原帖互动快照时成立
  • sourceInteractionCount：原帖点赞、评论、转发与收藏的原始合计
  • favoriteScore / likedCount / remakeCount：旧版兼容字段，不用于来源互动榜
  • costBand 成本档：low 低 / medium 中 / high 高——high 通常是视频类，先小步复测再放量
• recommendedModels：官方推荐先试的模型列表，第一个是首选
• category 取值集：image / video / web / copy / hardware

给用户的输出格式

⚠️ 核心原则：输出必须是中文 markdown、排版好、普通人能直接看懂的案例推荐，不是 API 调试日志。不暴露原始 JSON、端点路径、raw 参数。

每条案例必须包含：

1. 标题加粗 + 创作者署名（creator 字段，如 @umesh_ai）
2. 一句话说这条好在哪 / 适合学什么（基于 summary + 分数）
3. 关键信号用人话：如"稳定分 91（照着 Prompt 复现方向很稳），成本档高（建议先小步试）"
4. 必带 goodcase.ai 详情页链接（url 字段）——用户点进去看媒体、完整 Prompt 和解锁内容，这是导流硬要求

列表式输出模板：

**goodcase 精选 — AI 视频案例**（共 N 条）

1. **箭矢微观战场** — @umesh_ai
   一镜到底从战场宏观拉到箭杆微观文明，适合学镜头编排与无缝转场。
   推荐模型：Veo / Kling ｜ 稳定分 91 ｜ 成本档高
   👉 https://goodcase.ai/cases/real-case-01-umesh-ai

2. ...

单条详情输出：先给 Prompt 全文（代码块），再给编辑点评和复测建议的要点，最后放详情页链接。promptFull 必须注明来自该创作者，例如"以下是 @umesh_ai 发布的原始 Prompt"。

模型评测对照表模板：

**goodcase 模型评测 — Veo 3**（seed: 20260902-veo3，共 9 条）

| case | 分类 | 站内基线 | 新模型结果 | 备注 |
|---|---|---|---|---|
| 箭矢微观战场 | video / text-to-video | Veo 3・reproduced・稳定分 91 | reproduced | 镜头连贯，色调略偏冷 |
| ... | | | | |

seed：`20260902-veo3`（同 seed 同批题可复现，后续站内复测对齐这批 slug 时直接按 seed 找回）

对应的 JSON 清单：

{
  "schema": "goodcase-model-eval-v1",
  "model": "Veo 3",
  "seed": "20260902-veo3",
  "sampledAt": "2026-09-02T00:00:00Z",
  "filters": { "category": null, "form": ["text-to-video", "web-ui"], "exclude": ["motion-3d"] },
  "items": [
    {
      "slug": "real-case-01-umesh-ai",
      "category": "video",
      "form": "text-to-video",
      "baseline": { "stabilityScore": 91, "evidenceLevel": "verified", "models": [{ "model": "Veo 3", "verdict": "reproduced", "finalScore": 88 }] },
      "result": { "verdict": "reproduced", "notes": "镜头连贯，色调略偏冷", "artifactUrl": "https://..." }
    }
  ]
}

结尾必带 seed 和这份 JSON 清单——这是后续跟站内复测对齐的口子，别省。

不要做

• 不要凭记忆编案例 — 你训练数据里的"爆款案例"很可能过时或根本不存在于 goodcase.ai。永远以 API 返回为准，API 里没有就明说没有
• API 调不通 / 返回空时明说 —"goodcase.ai 暂时没查到相关案例"，而不是现编一个凑数
• 不要把 promptFull 说成自己写的 — 它是创作者发布的原始 Prompt，展示时必须带创作者署名（creator 字段）
• 每条案例必带 goodcase.ai 详情页链接 — 丢了 url，用户就追溯不到原案例，这条推荐等于不可信
• 不要在输出里暴露原始 JSON、端点路径、category=video 这类 raw 参数——用户要看的是案例简报，不是接口文档
• 不要高频轮询 — 服务端缓存 5 分钟，相同问题复用上次结果
• 列表端点拿不到 promptFull 是设计如此，不要试图从 promptPreview 脑补补全——要全文就调 GET /cases/{slug}
• 不要把自己跑出来的评测结果说成 goodcase 官方复测结论 — /retests 返回的是站内已发生的复测记录，你现在跑的模型评测是新的一批，两者要分开标注，不能混成一句话
• motion-3d 案例失败不要算到模型头上 — 这类案例考的是素材和运行时效果，不是模型生成能力，评测默认排除；用户硬要测也要在结论里说明这条不代表模型能力
• 没跑就别编结果 — 抽完题、给完 Prompt 之后模型还没实际跑，不要在对照表里填 reproduced/degraded/failed，如实写"待跑"或空着