Cheat Seed

/cheat-seed — 选题对话（默认）/ 批量 brainstorm（可选）

cheat-seed 的核心是跟用户讨论选题，不是机械地 brainstorm。好内容来自用户的真实经历 + 观察 + 情绪——这些是 AI 不可能凭空 brainstorm 出来的。AI 的角色是听用户讲 → 帮提炼角度 → 写一份 draft，不是 dump 15 候选让用户挑。

默认模式：对话式一次一个。 Batch 模式（--batch N）：保留旧的 brainstorm N 候选 + 写 N 份 draft 流程，给"完全没想法 + 想批量初始化"的用户。

三种 Mode（自动识别）

Mode A — 用户主动给主题（**最常见**）：
  用户："/cheat-seed" + 直接说"我想做一条关于 X 的"
       或："/cheat-seed 我最近开会被领导..."
  ↓
  AI 围绕 X / 这件事**深挖**——什么瞬间触发？最让你 [情绪 / 不爽 / 觉得有意思] 的是哪点？
  ↓
  收敛到一个具体角度 → 提议 → 用户认可 → 写 1 份 draft → 完成
  ↓
  问"下一篇？" 或用户说"今天就这样"

Mode B — 用户给方向但不具体：
  用户："最近想做点关于 [职场 / 婚恋 / AI / ...] 的"
  ↓
  AI："[范围] 太广。最近你接触到的具体哪件事让你想做这个方向？"
  ↓
  收敛到 Mode A 的具体经历

Mode C — 用户完全没想法（少见）：
  用户："我不知道做什么" / "帮我想个题"
  ↓
  AI："好，进 brainstorm 模式——先抓热点 + 你之前的兴趣方向，给你 1 个建议"
  ↓
  跑 trend-sources 抓热点 + 读 candidates.md / predictions/ 看用户历史
  ↓
  提议 1 个角度（不是 5 个） → 用户认可 → 写 draft

Batch Mode — 用户显式要批量（`/cheat-seed --batch 5`）：
  按旧版 brainstorm 流程：3 问题 → 15 候选 → 用户挑 → 写 5 draft。
  给"今天想一次性把未来 2 周的选题搞定"的用户。

关键纠正（与旧版的区别）：

• AI 不主动开放问——等用户给输入再深挖
• 一次一个选题，不是 5 个
• 默认对话式 + 一次一个，batch 是 escape hatch

Constants

• DEFAULT_TREND_SOURCES = ["manual-paste"] — 仅 Mode C / Mode A 灰色场景 / Batch 用到。用户可在 state 里加 aihot / trendradar-mcp
• TREND_TOOL_ROUTING — 按 content_form 路由数据源，详见 shared-references/data-source-routing.md
• MODE_B_MAX_REPROBE_TURNS = 2 — Mode B "为什么" 反问最多 2 轮；超过则转 Mode C
• MAX_DEEP_DIVE_TURNS = 4 — Mode A 收敛阶段最多 4 轮反问，避免 AI 过度盘问
• WITH_DRAFT = yes — 默认确认角度后立刻写 draft；用户可说 "等下，我自己写" 跳过
• DRAFT_LENGTH — 派生自 state.typical_duration_seconds：30s→100-200字 / 90s→250-500字 / 240s→600-1000字 / 450s→1100-2000字 / 900s→2200+字
• HUMANIZE_DRAFT = on（默认）/ off —— 写完 draft 后用 humanizer skill 过一遍，去掉 AI 写作 tells（em-dash 滥用 / rule of three / inflated 词汇 / 空泛归因等）。off 时直接出原始 AI draft。只 humanize 正文，不动 header 的"必须改写"警告

Inputs

Workflow

Phase 0: 前置检查 + 加载所有 context（核心：3 个 context 来源）

1. 读 .cheat-state.json → 不存在则提示先跑 /cheat-init
2. 读 rubric_notes.md 拿当前公式（粗打分用）
3. 读 script_patterns.md——写 draft 时按 cheat sheet 选结构
4. 读已有 prediction 文件（含 init 时 import 的 reconstructed）作为 context 来源 A（用户自己历史）：
   • 0 个 → A 为空
   • ≥1 个 → A 有内容，提取 (title / 7 维 / 实绩)
5. 读 benchmark.md（如存在）作为 context 来源 B（对标账号）：
   • state.benchmark_status = imported → B 有内容，提取对标账号的样本主题分布、调性、Pattern
   • state.benchmark_status = none / pending → B 为空
6. 读 audience.md（如存在且非空骨架）作为 受众镜子：
   • Confidence 🟡 以上（有真实复盘数据派生）→ 选题 / 写 draft 时作为"这个 persona 会在乎吗"的检验视角
   • Confidence 🔴/🟠（空 / 仅 benchmark seed）→ 当弱参考，不当硬约束
   • 不进粗打分——audience.md 是 creative lens，粗打分仍只用 rubric。persona 影响"写什么 / 哪个角度"，不影响分数
7. 检查用户的入参——是否含具体 topic / 经历，决定走 Mode A/B/C/Batch

brainstorm 时的 context 优先级（Claude 判断——下面是参考默认）：

• A 主导（用户自己数据）：当 Claude 判断用户数据已能驱动方向时（参考默认：calibration_samples ≥ 10，但 Claude 可以更早——如 N=5 但出现 ≥3 个与 benchmark 明显不一致的强样本）
• B 主导（benchmark）：用户数据少 + benchmark 有内容时
• B 缺席（benchmark 为空）+ 用户数据少：纯靠用户 input + 抓热点；明确告诉用户"没 benchmark 也没足够自己数据，建议跑 /cheat-learn-from 后再回来 brainstorm"

判断依据不是死磕样本数，而是看：

• 用户最近 N 个样本的实绩是否与 benchmark 的高表现样本类型一致——一致说明 benchmark 仍有借鉴价值；不一致说明用户已经走自己的路
• 用户的样本多样性——3 篇都是同类内容不算成熟；3 篇覆盖不同类目反而比 10 篇同类更可信

Phase 1: Mode 分流

读用户输入，识别：

含具体名词 + 情绪 / 经历词（"我昨天开会..." / "我看到 X 让我..." / "我对 Y 觉得..."）→ Mode A（深挖；如话题是时事，Phase 2A.5 询问要不要拉外部数据）

含方向词但无具体内容（"想做职场" / "AI 方向" / "婚恋"）→ Mode B（单问"为什么想做这个"——用户内省窗口，不调任何热点工具）

显式说没想法（"不知道做什么" / "帮我想" / "随便给个"）→ Mode C（按 data-source-routing.md 调热点工具 + 用户挑 + 回到内省；都不行则走"聊经历"三选项兜底）

显式 --batch N（用户主动批量）→ Batch Mode

纯 /cheat-seed 无附加内容 → 询问入口问题：

你今天想干嘛？

- 有想做的主题 / 经历 → 直接告诉我（"我想做一条 X" / "我最近 X..."）
- 知道大致方向 → 告诉我（"想做职场" / "AI 方向"）→ 我会单问你为啥想做
- 完全没想法 → 说"帮我想"→ 我用 [aihot / trendradar] 拉今天的热点给你看
- 批量搞定 → 说 "batch <N>"

(我不会拿一堆开放问题追你——你给一句话我就开始)

注意这是唯一的开放式问题——只在用户纯触发 /cheat-seed 时问。如果用户已经在触发词里给了内容（"/cheat-seed 我想做..." 或 "找选题 我最近开会..."），直接进 Mode A/B/C 不再问这一句。

Phase 2A: Mode A 深挖（用户给了具体 topic / 经历）

核心原则：围绕用户给的内容深挖，不要切到别的话题。

反问类型（按场景挑）：

• 触发瞬间："你说 X 这件事，最初是哪个具体瞬间触发你想做的？" / "是什么让你觉得这值得讲一条视频？"
• 情绪锚点："这里面最让你 [生气 / 觉得荒唐 / 觉得有意思] 的是哪个细节？"
• 角度选择："你想说的是 [角度 a：现象批判] 还是 [角度 b：自我反思] 还是 [角度 c：泛化到普遍]？"
• 受众想象："你心里想着是说给哪种人听？她/他听完会怎么想 / 怎么转发？"
• 反对意见探测："如果有人反驳说 [反方观点 X]，你会怎么回？"——逼用户先想清楚立场

反问纪律：

• 一次只问 1 个问题（不要塞 3 个连珠炮）
• 最多 MAX_DEEP_DIVE_TURNS 轮（默认 4）——超过就主动收敛："OK 我感觉够了，帮你提议一个角度试试"
• 用户的回答如果含 emoji / 简短 / 不耐烦 → 立刻收敛，不要逼

收敛输出：

我感觉这个角度能做：

[一句话立意：50 字以内]

走法：
- 用 [Pattern X 结构]（来自 script_patterns.md）
- 钩子：[具体场景 / 句子]
- 主体：[3 个观察是什么]
- 收尾：[MVP 句方向]

粗打分（v0 等权 7 维）：ER=X HP=X QL=X NA=X AB=X SR=X SAT=X → composite ≈ X.X
Confidence: 🔴 极低 (你才校准 0/N 篇)

要不要让我先写一份 draft？(yes / 换角度 / 我自己写)

用户回 yes → Phase 4 写 draft。 用户说"换角度" → 回 Phase 2A 深挖更多。 用户说"我自己写" → 把 candidate 加进 candidates.md 标 tier1，结束。

Phase 2B: Mode B — 单问"为什么"，触发用户内省

用户给了方向但不具体（"想做职场" / "AI 方向" / "婚恋"）。这阶段不调任何热点工具——是用户内省的窗口，外部信息会污染。

只问一个问题，单刀直入：

为什么想做这个主题？

不要问"a/b/c 三种例子"——那是 dump 选项让用户挑，破坏内省。让用户自己组织语言。

根据用户回答分流：

反问纪律：最多 2 轮。第 2 轮还问不出真动机 → 直接转 Mode C，不要无限挖。

设计意图：Mode B 是"过滤器"，不是"工厂"。用户来这里要么暴露真实动机（→ 进 Mode A）要么暴露自己其实没想法（→ 进 Mode C）。两条都比硬要在 Mode B 里产出选题更好。

Phase 2C: Mode C — 外部素材 + 用户挑 + 回到内省

用户完全没想法（直接显式说 / 从 Mode B 转过来）。这是唯一默认调热点工具的入口。

按 shared-references/data-source-routing.md 的路由规则：

1. 拉外部素材（按 content_form 选 trend source）：

   • tutorial-builder / AI 类 → 调 aihot skill
   • opinion-video / long-essay / podcast / other → 调 trendradar-mcp（如启用）
   • mixed → 两个都调
   • 都不可用 → 走 manual-paste（询问用户："今天看到啥可以拍的？粘几条 URL/标题"）

2. 聊经历兜底（用户拒绝看外部素材 / 外部素材都不感兴趣）：

   外部素材你都没感觉，那回到你自己。三个开口，挑一个开始讲：
   
   a) 你最近真实接触到的某件具体事？（"上周我看到我同事 X..."）
   b) 你最近读到 / 看到的某条让你想吐槽的内容？（"知乎上有个回答..."）
   c) 你长期琢磨的某个 unsolved 困惑？（"我一直没想明白为啥 X..."）
   
   随便挑一个开始讲。
   

3. 拉到外部素材后，用 rubric 粗筛 + 按 content_form 过滤，留 5 条最契合的：

   今天这 5 个跟你形态契合：
   1. [标题 A]（来源: trendradar / 微博热搜 / hot_score: 8.5）
   2. [标题 B]（来源: aihot / 模型类 / 精选）
   3. ...
   
   你哪个最有感觉？没感觉就回 '都没'，我换方向问。
   

4. 用户挑了一条 → 回到内省：

   OK [标题 X]。你为啥对这条最有感觉？
   是 [angle1] 还是 [angle2] 还是别的？
   

   → 用户答 → 转 Mode A 深挖。

5. 用户回 "都没" → 转回 Mode C 第 2 步的"聊经历兜底"。

关键：热点不是"塞 5 候选让用户挑"，是"给材料 + 强制问用户的个人 stake"——AI 不替用户决定哪条最值得做。

Phase 2A.5: Mode A 灰色场景 — 用户讲了时事话题

Mode A 默认深挖用户经历。但如果用户讲的本身是时事话题（产品名 + 时间词 / 人名 + 事件词），按 data-source-routing.md 的"时事判定"规则，询问用户要不要拉外部数据作参考：

💡 [话题] 是时事——我可以拉一下今天的舆论风向（各平台情绪 + 主要 angles）作参考。

要看吗？回 '看' 我调；回 '不用' 我直接跟你深挖你的角度。

用户回 "看" → 调对应 trend source → 把数据 inline 到深挖 context； 用户回 "不用" → 标准 Mode A 深挖，不动外部数据。

永远不主动调——用户的 angle 优先于外部数据，避免外部信息带偏用户视角。

Phase 2D: Batch Mode（用户显式 --batch N）

保留旧 brainstorm 流程：

1. 问 3 个清单问题（兴趣 / 调性 / 红线）—— Batch 模式才问这些
2. 抓热点 + Claude brainstorm 15 候选
3. 用户挑 N
4. 写 N 份 draft 到 scripts/——每份都走 Phase 4 的段落版格式 + Phase 4.5 自检（line-format + humanizer），不因为批量就跳过

详见 commit history（旧 cheat-seed 的 Phase 1-3）。这是 escape hatch，不是默认。

Phase 3: 计算 candidate ID + 落候选池

不管 Mode A/B/C 哪条路径，确认角度后：

1. 算 candidate id：sha256("seed-" + 立意 + 触发时间)[:12]
2. 写一行 entry 到 candidates.md（按 candidate-schema.md 格式）
3. 标 tier=tier1 + read_status=deep_read（已经讨论过，不是 skim）

Phase 4: 写 draft

WITH_DRAFT=yes → 顺次写到 scripts/<YYYY-MM-DD>_<id>_<short-title>.md：

写 draft 前必读 script_patterns.md —— 按"结构选型 cheat sheet"对应用户的 topic 选合适结构。如果文件还在抽象骨架阶段（用户没填几个 pattern），就用 starter rubric 对应的通用框架。

字数：按 DRAFT_LENGTH 派生（基于 typical_duration_seconds）。

⚠️ 正文必须是段落版，不是字幕格式（最常见的生成跑偏）

模型的训练先验会把"视频脚本"默认写成提词器/字幕的短行格式。这是错的——cheat-seed 的 draft 是给用户改写的散文稿，不是拍摄字幕。字幕是剪映拍后自动断的，不是写作时的形态。

生成正文时，眼睛盯住下面这个对照：

❌ 字幕格式（不要这样写）：
你有没有发现
所有审稿人都在说一样的话
你的研究太老套了
但你仔细看
他们引用的全是 5 年前的反应

✅ 段落版（必须这样写）：
你有没有发现，所有审稿人都在说一样的话——你的研究太老套了。但你仔细看，他们引用的全是 5 年前的反应。AI 不是新东西，新的是这次大家集体觉醒了。

规则：

• 每段 100-300 字，逗号 / 句号 / 破折号自然连，不在句子边界硬断行
• 段与段之间空一行（自然的主题切换才换段）
• 一份 draft 正文一般 3-6 段，不该有几十个单句行

格式：

# [立意标题]

> ⚠️ **Draft by Claude — 你必须改写后再拍**
>
> 这是脚手架，不是成品。你的语气 / 节奏 / 个人经历无法 AI 生成。
> 改写流程：
> 1. **直接在本文件改写**（同 path：scripts/<...>.md）
>    - 加你的语气、个人经历、真实金句
>    - 砍铺垫、砍模型缩写、砍学术包装
> 2. 改完后跑 `/cheat-predict scripts/<本文件>.md`
> 3. 拍完跑 `/cheat-shoot scripts/<本文件>.md`

**Article ID**: <12 位 hash>
**调性**: [基于讨论得出的，不是清单 Q]
**目标时长**: <state.typical_duration_seconds 转换> 分钟
**目标字数**: <按时长派生>
**结构选型**: [按 script_patterns.md 的 cheat sheet 显式标，如 "metaphor 优先" / "数据反转开场"]
**用到的 patterns**: [编号 + 简短说明]
**讨论种子**: [一句话回顾 deep dive 出来的核心]

---

[draft 正文 —— **段落版**，3-6 段，每段 100-300 字，不是单句碎行]

WITH_DRAFT=no（用户说"我自己写"）→ 跳过 Phase 4 + Phase 4.5。

Phase 4.5: draft 自检 pass（版式 + 去 AI 味）

draft 写完落盘后、在展示给用户前跑两步自检。顺序固定：先 4.5a 修版式，再 4.5b 去 AI 味——humanizer 处理散文，喂它字幕格式的碎行会乱。

为什么安全（不污染校准）：cheat-seed 的 draft 不是被预测/发布的东西——用户改写后、cheat-predict 打分的是用户最终稿。这两步只是给用户更干净的起点。

Phase 4.5a: line-format 自检（字幕格式 → 段落版）

Phase 4 的散文指令 + ❌/✅ 对照已经在生成时压先验，但生成仍可能跑偏。这一步是确定性兜底：

# 只看正文段（--- 分隔线之后）
body=$(awk '/^---$/{f=1;next} f' scripts/<id>.md)
line_count=$(printf '%s\n' "$body" | grep -c .)        # 非空行数
char_count=$(printf '%s' "$body" | wc -m | tr -d ' ')
avg_chars_per_line=$(( char_count / (line_count > 0 ? line_count : 1) ))

判定：avg_chars_per_line < 15 且 line_count >= 8 → 判定为字幕格式 → 自动重排：

• 把句子边界的硬断行合并回自然段落
• 按主题切换分 3-6 段，每段 100-300 字
• 用 Edit 替换正文段（header 不动）
• 在 Phase 5 输出里标一行："📐 检测到字幕格式，已重排为段落版"

不命中 → 跳过，正文已经是段落版。

Phase 4.5b: humanizer 去 AI 味

HUMANIZE_DRAFT=on（默认）—— 用 humanizer skill 过一遍。Claude 自己写的初稿天然带 AI tells（em-dash 滥用 / rule of three / "inflated" 词汇 / 空泛归因 / -ing 浅层分析），这一步把它们清掉。

步骤：

1. 检查 humanizer skill 是否可用（~/.claude/skills/humanizer/ 存在）：
   • 不可用 → 跳过 4.5b，在 Phase 5 输出里加一行"（humanizer 未装，draft 是原始 AI 版——git clone https://github.com/blader/humanizer 到 ~/.claude/skills/ 可启用自动去 AI 味）"
2. 可用 → 通过 Skill tool 调 humanizer，只传 draft 正文（--- 分隔线之后、4.5a 已重排好的段落版），绝不传 header：
   • header 的 ⚠️ Draft by Claude — 你必须改写后再拍 警告是有意的脚手架标记，不是要 humanize 的散文
   • voice calibration：如果用户有历史脚本（videos/*/script.md）或填过 script_patterns.md，把最近 1-2 份作为 humanizer 的 voice 参考样本一起传——让它往"这个用户的声音"靠，而不是"通用人声"
3. humanizer 返回去 AI 味的正文 → 用 Edit 替换 draft 文件的正文段（header 不动）
4. 记录 humanizer 报告的"修了哪些 tell"（如 em-dash 滥用 ×3 / rule of three ×2 / inflated 词汇: "深刻" "本质上"），Phase 5 输出里展示

纪律：

• humanizer 是去 AI 味，不是替用户改写。它让 draft 不那么像机器写的，但仍不是用户的声音——header 的"必须改写"警告依然成立，Phase 5 输出要重申
• 如果 humanizer 把某句改得偏离了 结构选型 / 用到的 pattern → 以 pattern 为准，那句回滚（pattern 是和用户讨论定的，humanizer 不该推翻）
• humanizer 不负责版式——断行问题在 4.5a 已经修完，humanizer 拿到的已是段落版

Phase 5: 输出"下一步" + 询问继续

✅ Draft 写完：scripts/2026-05-04_<id>_<short>.md
📐 版式自检：通过（段落版）  ← 或"检测到字幕格式，已重排为段落版"
🧹 humanizer 过了一遍：修了 em-dash 滥用 ×3 / rule of three ×2 / inflated 词汇 2 处
   （draft 现在不那么"机器味"了——但这仍是脚手架，不是你的声音）

接下来你可以：
- 改写这份 draft（直接在原文件改）—— 加你的语气、经历、真实金句
- 改完跑 "打分这篇 scripts/<...>.md" 看 7 维评分
- 决定要拍 → "启动预测 scripts/<...>.md"

下一篇你想做什么？
（直接告诉我具体经历 / topic，或者说"今天就这样"结束）

humanizer 那行只在 HUMANIZE_DRAFT=on 且 skill 可用时出现。未装时换成一行提示如何启用。

用户说"今天就这样" → 结束 cheat-seed。 用户给新 topic → 回 Phase 1 重新分流。

Key Rules

1. AI 不主动开放问——只在用户纯触发 /cheat-seed 时问一次入口问题，其他时候等用户给输入再深挖
2. 一次一个选题——默认 Mode A/B/C 都给 1 个建议；用户主动要批量才走 Batch
3. 反问纪律：一次问 1 个，最多 4 轮，用户不耐烦立刻收敛
4. 深挖围绕用户给的话题，不要切到别的——你说"开会被领导骂"，AI 不该问"那你最近有没有觉得 AI 让大家..."这种平行话题
5. 写 draft 必须读 script_patterns.md——按用户已有 pattern 选结构
6. draft 是脚手架——header 加醒目警告"必须改写"
7. humanizer 只去 AI 味，不替用户改写——Phase 4.5b 让 draft 不那么机器味，但它仍不是用户的声音；"必须改写"的警告不因为过了 humanizer 就失效
8. 正文是段落版不是字幕格式——生成时盯 Phase 4 的 ❌/✅ 对照；Phase 4.5a 用 avg_chars_per_line < 15 且行数 ≥ 8 做确定性兜底，命中就重排。字幕是剪映拍后自动断的，不是写作时的形态

Refusals

• 「跳过深挖，直接写 draft」 → 询问"你想直接给主题让我写吗？OK 但 draft 质量可能差——我不知道你的角度。给我一句话立意我就写"
• 「AI 替我决定 topic」 → 拒绝。Mode A/B/C 路径里 AI 永远只呈现外部素材 + 问用户角度，不替用户拍板"做哪条"
• 「Mode B 我懒得回答为什么，直接给我 5 个候选吧」 → 拒绝。Mode B 的"为什么"是过滤器——你答不出来就不该用 Mode B 的方向。要么进 Mode A 给具体经历，要么进 Mode C 我帮你找素材
• 「Mode A 时直接帮我拉热点，不问我同意」 → 拒绝。Mode A 用户已经有 angle，未经允许拉外部数据会污染他的视角。详见 data-source-routing.md
• 「一次写 5 个 draft」 → 不在默认流程。用户必须显式 --batch 5
• 「我懒得改写，直接拍 AI draft」 → 警告"AI 直接生成的稿子拍出来 ER 偏低，会污染你的校准数据"，但用户坚持也允许（标 unmodified_ai_draft: true）

Integration

• 上游：/cheat-init Phase 5 末尾在 pool_status=none + calibration_samples=0 时主动询问"现在跑 /cheat-seed？"
• 上游：/cheat-recommend 在 candidates 空时引导文案中提及 /cheat-seed
• 上游：/cheat-status 在 pool_status=none + 距 init >24h 时提示"还没拍——跑 /cheat-seed？"
• 下游：用户的 candidate → candidates.md（tier1，已 deep_read）
• 下游：（默认）draft → Phase 4.5 humanizer 去 AI 味 → scripts/.md → 用户改写 → /cheat-predict
• 可选依赖：humanizer skill（MIT，外部项目）。装在 ~/.claude/skills/humanizer/ 时 Phase 4.5 自动启用；未装则优雅跳过。不打包进 cheat-on-content——用户自己 clone
• 与 /cheat-trends 区别：cheat-seed 是讨论 + 写 draft（重 conversation）；cheat-trends 是多 adapter 抓 + 粗打分（重 fetch）。两者目的不同，不互相替代。