# Gm Topic Engine

> 从零散想法、笔记、评论、私信、收藏链接、草稿和亲身经历中提炼适合公众号与博客的可发布选题。补强切口、筛掉弱题、排序优先级，并输出结构化选题池。

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

---


# gm-topic-engine

把杂乱素材整理成适合公众号和博客的优先级选题池。

## 适用场景

当用户表达类似需求时使用这个 skill：

- “我不知道写什么。”
- “把这些笔记整理成选题。”
- “帮我找几个适合博客的切口。”
- “这些题里我下一篇该写哪个？”
- “从评论区或私信里帮我挖选题。”

当目标是为长文内容寻找选题、切口和优先级时，优先使用它，而不是泛化 brainstorming。

## 输入

接受任意组合的素材：

- 零散想法
- 条目式笔记
- 文章草稿
- 带简单背景的收藏链接
- 读者评论
- 私信内容
- 朋友、客户、同事反复问的问题
- 最近的工作经历、踩坑、实验、观察

如果用户给的素材过少，最多补问三类高信号输入：

1. 最近的笔记或半成型想法
2. 读者问题或重复出现的对话
3. 表现不错或一直没写完的旧文章

## 工作流

### 第一步：整理素材

把输入归并为若干候选主题，合并重复项，去掉空泛表述；如果用户原话能反映读者真实关注点，优先保留。

### 第二步：提炼候选选题

针对每个主题，提炼出符合以下条件的选题：

- 能用一句话讲清楚
- 有明确观点或足够实用
- 足以支撑一篇公众号文章或博客长文

以下选题直接判弱，必要时说明原因：

- 过于宽泛
- 只是新闻转述，没有自己的洞察
- 过于通用，无法结合用户经验写出差异化内容

### 第三步：补强切口

每个可用选题都要给出一个主切口，并最多补两个备选切口。优先从这些模式中选择：

- 反常识观点
- 错误与教训
- 框架或清单
- 案例拆解
- 误区与现实
- 用亲身经历解释趋势

不要只换措辞不换信息，避免制造伪差异。

### 第四步：排序优先级

每个选题按 1 到 5 分打分：

- 读者相关度
- 用户经验带来的独特性
- 是否适合写成长文
- 是否有系列化潜力

按总分排序；同分时，优先保留更有亲身经验、观点更锋利的题。

### 第五步：输出可直接进入写作的选题池

如果用户没有指定数量，默认输出 5 到 10 个选题。

输出格式：

```md
# 选题池

## 1. <标题>
- 评分：
- 目标读者：
- 核心切口：
- 为什么现在值得写：
- 适合平台：公众号 / 博客 / 两者都可
- 建议结构：
- 可延展子题：
- 使用了哪些素材：

## 2. <标题>
...
```

排序结果后补充：

- `最值得先写：`
- `原因：` 一小段即可
- `还缺什么素材：` 只有在判断更依赖补充信息时才写

## 判断原则

- 优先选择有直接经验支撑的题，而不是二手总结。
- 优先选择有张力的题：取舍、反差、后悔、证据、意外。
- 优先选择能教会别人、重构认知、沉淀经验的题。
- 面向公众号时，略偏重叙事感和具体案例。
- 面向博客时，略偏重长期价值和可检索表达。
- 两边都适合时，明确写“两者都可”。

## 约束

- 除非用户明确要求，否则不要直接写完整文章。
- 不要只列标题，不给判断依据。
- 不要硬夸弱题。遇到泛题要直接指出，并说明弱在哪里。
- 不要虚构用户没有提供过的素材。

## 默认风格

保持直接、有编辑感。目标是挑出强题、砍掉弱题，并给用户留下一份真的能拿去写的选题池。