# Topic Evaluation

> 评估 YouTube 视频选题的市场潜力与制作可行性。 Use when: 用户使用 /evaluate-topic 命令，或询问某个选题是否值得做。 Produces: 终端摘要 + 保存到 evaluations/ 的完整报告。

- Skill: `wangmengguo/topic-evaluation` (Agent Skill, multi-file: 11 files)
- Install (CLI): `npx skillmds@latest add wangmengguo/topic-evaluation`
- Raw SKILL.md: https://api.skillmd.com/api/skills/wangmengguo/topic-evaluation/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: wangmengguo (https://skillmd.com/u/wangmengguo)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/wangmengguo/topic-evaluation

---


# YouTube 选题评估 Skill

## Philosophy

> 好选题 = 市场有需求 × 竞争可突破 × 我能做得好。
> 
> 确定性操作交给脚本，创造性判断交给 LLM。绝不混淆。

---

## 触发方式

```
/evaluate-topic "中国数字禁忌"
/evaluate-topic "中国丧葬文化" --source "https://example.com/article"
```

---

## 工作流

### Phase 1: 解析用户输入

从用户命令中提取：
- `topic`: 选题名称（中文）
- `source`: 来源 URL（可选）

然后，**生成英文搜索关键词**（3-5 个变体）：

```
示例：
选题: "中国数字禁忌"
关键词: ["Chinese number superstitions", "lucky unlucky numbers China", "Chinese numerology", "number 4 China bad luck"]
```

### Phase 2: 数据收集（脚本，一次调用）

**必须完整执行，不可跳过任何步骤。**

```bash
cd "$(dirname "$0")" && echo '{
  "topic": "{{topic}}",
  "keywords": {{keywords_json}},
  "source": "{{source_or_null}}"
}' | python scripts/orchestrator.py
```

等待返回包含 `search` 和 `market` 的完整 JSON 后，才能进入下一阶段。

**返回数据结构：**
```json
{
  "search": {
    "video_count": 12,
    "max_views": 2500000,
    "top_videos": [...]
  },
  "market": {
    "market_status": "竞争适中",
    "market_validation": "已验证",
    "recommendation": "..."
  },
  "status": "data_collection_complete"
}
```

### Phase 3: 跨文化验证（LLM 判断）

```
Read patterns/cross-cultural-check.md
```

基于该框架，针对当前选题回答 4 个核心问题：
1. 背景知识依赖度
2. 视觉奇观感
3. 情绪触发力
4. 信息差价值

输出：跨文化吸引力评分（1-5）+ 详细分析

### Phase 4: 差异化评估（LLM 判断）

```
Read patterns/differentiation.md
```

基于 Phase 2 获取的竞品视频列表，分析：
1. 现有竞品的主要缺陷
2. 我们的差异化策略
3. 差异化可行性评分（1-5）

### Phase 5: 制作可行性（LLM 判断）

评估：
- **素材来源**：易找 / 需AI生成 / 困难
- **脚本复杂度**：简单科普 / 中等叙事 / 深度调查

然后调用时间估算：

```bash
echo '{
  "material_source": "{{material_source}}",
  "script_complexity": "{{script_complexity}}"
}' | python scripts/time_estimator.py
```

### Phase 6: 最终决策（LLM 判断）

综合所有数据，做出决策：

| 决策 | 条件 |
|-----|------|
| ✅ **立即制作** | 跨文化 ≥4 且 差异化 ≥3 且 市场非红海 |
| 📋 **备选清单** | 跨文化 ≥3 且 有明确差异化角度 |
| ❌ **放弃** | 跨文化 <3 或 红海且无差异化 |

输出决策理由（2-3 句话）。

### Phase 7: 生成报告（脚本）

```bash
echo '{{all_evaluation_data_json}}' | python scripts/report_generator.py
```

报告保存至：`../evaluations/YYYY-MM-DD-选题名.md`

---

## 输出格式

### 终端摘要（必须显示）

```
## 选题评估结果

**选题**：中国数字禁忌
**决策**：✅ 立即制作

| 维度 | 评分 |
|-----|------|
| 跨文化吸引力 | 4/5 |
| 市场机会 | 4/5 |
| 差异化空间 | 4/5 |
| 制作可行性 | 5/5 |
| **加权总分** | **4.2/5** |

**关键理由**：数字禁忌具有强烈视觉符号（4、8、红色数字），无需文化背景即可理解，现有英文视频缺乏深度解释。

📄 完整报告已保存至：evaluations/2026-01-25-中国数字禁忌.md
```

---

## 错误处理

<details>
<summary>脚本执行失败</summary>

如果 `orchestrator.py` 返回错误：
1. 显示错误信息
2. 提示用户检查网络连接或 API 配置
3. 不要尝试手动计算或跳过步骤

</details>

<details>
<summary>数据不足</summary>

如果 YouTube 搜索返回 0 个结果：
- 尝试更宽泛的关键词
- 如果仍无结果，标记为"蓝海但需谨慎"（可能无人搜索）

</details>

---

## 验证清单

执行完成前，确认：
- [ ] Phase 2 脚本返回了完整的 `search` 和 `market` 数据
- [ ] Phase 3-4 的 LLM 判断基于实际竞品数据
- [ ] Phase 7 报告已成功保存
- [ ] 终端显示了摘要结果