# Douyin Viral Content

> 抖音爆款文案智能生成器。当用户说"生成新文案"、"创作抖音内容"、"写短视频文案"时自动触发。自动执行：(1) 读取历史数据分析 (2) 应用9大爆款要素优化 (3) 多维度打分评估 (4) 自动迭代优化直到达到5星标准 (5) 智能预估播放量 (6) 输出完整优化文案。完全自动化，无需手动指定任何分析或优化任务。

- Skill: `vickyhan924/douyin-viral-content` (Agent Skill, multi-file: 6 files)
- Install (CLI): `npx skillmds add vickyhan924/douyin-viral-content`
- Raw SKILL.md: https://api.skillmd.com/api/skills/vickyhan924/douyin-viral-content/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: vickyhan924 (https://skillmd.com/u/vickyhan924)
- Updated: 2026-09-09
- Page: https://skillmd.com/skills/vickyhan924/douyin-viral-content

---


# 抖音爆款文案生成器

## 核心理念

用户只需说："生成新文案"，提供书籍摘录或金句内容。

所有分析、优化、打分、预估全部自动完成，直到输出5星级爆款文案。

## 全自动化工作流程

当接收到生成文案请求时，按照以下步骤自动执行：

### 步骤1：历史数据自动读取与分析

自动扫描 `已发布/` 文件夹下的所有历史文案：
- 提取每条文案的预估播放量、实际播放量、各维度得分
- 识别哪些爆款要素得分高的文案实际表现更好
- 分析预估模型是否存在系统性偏差（总是高估或低估）
- 总结账号的内容特色（更擅长哪类情感、风格、话题）

**如果历史数据不足（少于3条）**：使用通用模型，无需调整策略

### 步骤2：策略自动校准

基于历史分析结果，自动调整：
- **要素权重**：提高表现好的要素权重（如"情感权力反转"高分文案播放量好，则增强该要素）
- **预估参数**：校准播放量预估模型（如历史总是高估20%，自动降低预估系数）
- **标签策略**：优化标签选择（如某些标签组合表现更好，优先使用）
- **内容方向**：强化账号擅长的内容类型

### 步骤3：应用9大爆款要素生成文案

参考 `references/viral-factors.md`，确保文案包含关键要素：
1. 情感权力反转
2. 认知重构
3. 权威背书
4. 宿命论哲学
5. 算法友好标签
6. 金句传播性
7. 完播率优化
8. 互动钩子设计
9. BGM适配建议

**融入历史学习**：基于步骤2的策略调整，强化成功要素。

### 步骤4：多维度打分评估

参考 `references/scoring-system.md`，自动计算：
- **内容质量分**（100分）：爆款要素覆盖度、金句质量、情感共鸣度
- **算法适配分**（100分）：标签策略、完播率预期、互动引导
- **创新度分**（100分）：角度创新性、差异化表达
- **综合爆款指数**（总分300，换算成5星制）

### 步骤5：质量控制与自动优化迭代

**质量标准：必须达到5星（240-300分）才能输出**

如果首次生成未达到5星：
1. 识别得分最低的维度（如创新度不足）
2. 自动优化该维度（如：更换角度、增强金句、优化开头）
3. 重新打分评估
4. 重复迭代直到达到5星标准

**自动规避风险**：在生成过程中自动规避潜在风险（如文案过长、开头不够吸引、标签不够正向等），无需告知用户。

**自动应用优化点**：在迭代过程中直接优化文案，无需告知用户优化了什么。

### 步骤6：播放量智能预估

参考 `references/estimation-model.md`，基于以下因素预估：
- 内容质量得分（步骤4的打分结果）
- 账号历史表现（平均播放量、粉丝数）
- 赛道竞争度（情感治愈类基础流量）
- 标签热度和组合效果
- 预估完播率

**使用校准后的模型**：应用步骤2中调整的预估参数，提高预估准确性。

### 步骤7：输出优化文案文件

将文案输出到 `未发布/` 文件夹，文件名格式：
```
[类型]_[主题]_[日期]_第X批.md
```

文件包含以下内容：
1. 文案正文 + 精选标签（4-6个）
2. 综合评分（必定是5星）
3. 视频分析（仅展示优势，风险已自动规避）
4. 预估播放量（基础预估 + 爆款上限）
5. 实际播放量板块（待用户第二天填写）

## 输出模板结构

生成的文案文件严格按照以下结构：

```markdown
# [文案主题]

## 📝 文案正文

[生成的完整优化文案]

## 🏷️ 推荐标签

#标签1 #标签2 #标签3 #标签4

## 🎯 综合评分

- 内容质量分：XX/100
- 算法适配分：XX/100
- 创新度分：XX/100
- **综合爆款指数：★★★★★（XXX分）**

## 📊 视频分析

### ✅ 内容优势
- 优势点1：[具体说明]
- 优势点2：[具体说明]
- 优势点3：[具体说明]

### 💡 创作建议
- BGM推荐：[音乐风格建议]
- 视觉建议：[画面/文字动画建议]
- 节奏控制：[时长和节奏建议]

## 📈 预估播放量

- **基础预估**：XX-XX万
- **爆款上限**：XX万+
- **完播率预估**：XX-XX%

**评分依据**：
[基于当前得分、历史数据、赛道特征的详细分析]

## 📊 实际播放量（待填写）

- 实际播放：_____
- 点赞数：_____
- 转发数：_____
- 评论数：_____
- 完播率：_____
- 发布时间：_____

## 🔍 复盘分析

[当用户填写实际播放量后，下次生成新文案时会自动分析这条数据，并融入到策略优化中]
```

## 关键原则

### ✅ 自动化原则
- 所有分析、优化、迭代全部自动完成
- 用户无需手动触发任何子任务
- 用户无需了解优化过程，只需看到最终5星文案

### ✅ 质量控制原则
- 必须达到5星标准才能输出
- 自动识别问题并迭代优化
- 自动规避风险，无需展示给用户

### ✅ 学习进化原则
- 每次生成都读取历史数据
- 自动识别成功模式并强化
- 预估模型持续校准优化

### ✅ 用户体验原则
- 输入极简：只需提供原始内容
- 输出完美：保证5星质量
- 过程隐藏：不展示中间步骤

## 参考资源

本 skill 包含以下参考文件，按需自动读取：

- `references/viral-factors.md`：9大爆款要素详细分析和评分标准
- `references/scoring-system.md`：300分打分机制和5星换算规则
- `references/estimation-model.md`：播放量预估算法和参数调整方法
- `references/optimization-guide.md`：自动优化规则和迭代策略
- `references/learning-guide.md`：历史数据分析方法和策略校准指南