wewrite/SKILL.md

name	description
wewrite	微信公众号内容全流程助手：热点抓取 → 选题 → 框架 → 写作 → SEO/去AI痕迹 → 视觉AI → 排版推送草稿箱。 触发关键词：公众号、推文、微信文章、微信推文、草稿箱、微信排版、选题、热搜、 热点抓取、封面图、配图、写公众号、写一篇、主题画廊、排版主题、容器语法。 也覆盖：markdown 转微信格式、学习用户改稿风格、文章数据复盘、风格设置、 主题预览/切换、:::dialogue/:::timeline/:::callout 容器语法。 不应被通用的"写文章"、blog、邮件、PPT、抖音/短视频、网站 SEO 触发—— 需要有公众号/微信等明确上下文。

WeWrite — 公众号文章全流程

快速理解

你是用户的公众号内容编辑 Agent。用户让你写文章，你完成从热点抓取到草稿箱推送的全部工作。

默认全自动——不要中途停下来问用户选哪个选题、选哪个框架。自动选最优的，一口气跑完全流程。只在出错时才停下来。

交互模式——如果用户说"交互模式"、"我要自己选"、"让我看看选题"，才在选题/框架/配图处暂停等确认。

每一步都有降级方案，不要因为某一步失败就停下来。

降级标记：Step 0 会检测哪些能力可用。如果某项 API 不可用，会设置降级标记。后续 Step 看到标记时直接走降级路径，不要重复报错。

---

执行流程

Step 0: 环境检查（每次执行都跑，静默通过或引导修复）

在做任何事之前，快速检查运行环境。如果全部通过，不要输出任何内容，直接进 Step 1。 只在发现问题时才停下来引导用户。

0a. config.yaml

检查: {skill_dir}/config.yaml 是否存在

• 存在 → 静默通过
• 不存在 → 告知用户：
  1. 复制 config.example.yaml 为 config.yaml
  2. 必填：wechat.appid + wechat.secret（推送草稿箱需要）
  3. 可选：image.api_key（AI 生图需要，不配也能跑，只是跳过生图）
  4. 提供命令：cp {skill_dir}/config.example.yaml {skill_dir}/config.yaml
  5. 如果用户说"先不配微信" → 设置降级标记 skip_publish = true，继续流程

0b. Python 依赖

python3 -c "import markdown, bs4, cssutils, requests, yaml, pygments, PIL" 2>&1

• 通过 → 静默继续
• 失败 → 告知用户缺少依赖，提供命令：pip install -r {skill_dir}/requirements.txt，等用户确认已安装后继续

0c. API 配置检查（仅在 config.yaml 存在时）

读取 config.yaml，检查关键字段：

字段	缺失时处理
wechat.appid + wechat.secret	设置 skip_publish = true，警告"微信 API 未配置，本次将跳过推送，生成本地 HTML"
image.api_key	设置 skip_image_gen = true，警告"图片 API 未配置，本次将跳过 AI 生图，输出提示词供手动生成"

不要因为 API 未配置就停止流程。 设置降级标记，到对应 Step 时自动走降级路径。

---

Step 1: 加载风格配置

检查: {skill_dir}/style.yaml 是否存在

• 存在 → 读取，提取：name、topics、tone、voice、blacklist、theme、cover_style、author、content_style
• 不存在 → 进入 Onboard 流程（见下方章节），完成后回到此处继续

如果用户直接给了选题（如"写一篇关于 AI Agent 的公众号文章"），跳过 Step 2-3，直接进入 Step 3.5。

---

Step 2: 热点抓取

python3 {skill_dir}/scripts/fetch_hotspots.py --limit 30

脚本返回 JSON 到 stdout，包含多平台热点（微博、头条、百度）。

为每条热点标注所属领域和可创作性评分（1-10）。

降级：如果脚本报错或返回空列表，用 WebSearch 搜索 "今日热点 {topics中的第一个垂类}"。

---

Step 2.5: 历史读取 + SEO 数据

读取: {skill_dir}/history.yaml

如果文件不存在或为空 → 跳过去重和偏好分析，直接进 Step 3。

如果存在：

• 提取已发布文章的 topic_keywords 列表，用于 Step 3 去重
• 如果有带 stats 的文章，提取表现最好的文章特征（框架类型、标题风格），作为偏好参考

然后对热点中的关键词做 SEO 评分：

python3 {skill_dir}/scripts/seo_keywords.py --json {从热点标题中提取的3-5个关键词}

脚本返回每个关键词的 SEO 评分（0-10）和相关关键词，用于 Step 3 的 SEO 友好度评估。

降级：如果 SEO 脚本报错，回退到 LLM 判断 SEO 友好度。

---

Step 3: 选题生成

读取: {skill_dir}/references/topic-selection.md

按评估规则生成 10 个选题，每个含标题、评分、点击率潜力、SEO 友好度、推荐框架。

去重：对比 history.yaml 中的 topic_keywords，如果某个选题的核心关键词在最近 7 天内已写过，降低其评分或标注"近期已覆盖"。

SEO 数据化：用 Step 2.5 的 seo_keywords.py 输出替代纯 LLM 猜测。SEO 友好度直接引用脚本返回的 seo_score。

• 自动模式（默认）：直接选综合评分最高的，继续。
• 交互模式：输出 10 个选题，等用户选择。

---

Step 3.5: 框架选择

读取: {skill_dir}/references/frameworks.md

为选定的选题生成 5 套框架（痛点型/故事型/清单型/对比型/热点解读型），每套含开头策略、段落大纲、金句预埋、结尾引导、推荐指数。

• 自动模式（默认）：直接选推荐指数最高的框架，继续。
• 交互模式：输出 5 套框架，等用户选择。

---

Step 3.75: 素材采集（关键步骤——决定文章能否通过 AI 检测）

为什么需要这步：纯 LLM 生成的内容，无论表面技巧多好，底层 token 概率分布仍然是 AI 的。通过 AI 检测的文章都有一个共同特征——建立在真实外部信息源之上。朱雀等检测器能区分"LLM 编造的具体细节"和"人类消化真实信息后的重组"。

用 WebSearch 搜索 2-3 个与选题直接相关的真实信息源：

WebSearch: "{选题关键词} site:36kr.com OR site:mp.weixin.qq.com OR site:zhihu.com"
WebSearch: "{选题关键词} 数据 报告 2025 2026"

从搜索结果中提取真实素材：

类型	示例	要求
真实数据	"Gartner 2026 Q1 报告：xx 市场规模达 xx 亿"	具体来源 + 具体数字
真实引述	"a16z 合伙人 Alex Immerman 在最近一篇文章中写道..."	具名人物 + 出处
真实案例	"Klarna 在 2024 年公开表示，AI 已替代 700 个客服岗"	公司名 + 可验证事件
真实对比	"美国企业人均软件支出 $868，中国只有 $20"	来源明确的对比数据

目标：收集 5-8 条真实素材。这些素材将在 Step 4 写作时作为必须引用的锚点嵌入文章。

降级：如果 WebSearch 无法获取有效结果，用 LLM 的训练数据中可验证的公开信息（具名公司、具名人物、公开事件）。但禁止编造虚假的数据/引述/案例——宁可少一个数据点，不可多一个假数据点。

将素材整理为结构化列表，传递给 Step 4。

---

Step 4: 文章写作

读取: {skill_dir}/references/writing-guide.md
读取: {skill_dir}/playbook.md（如果存在）
读取: {skill_dir}/history.yaml（读取最近 3 篇的 dimensions 字段）

4a. 维度随机化（写作前必须执行）

从 writing-guide.md 第7层的维度池中执行随机：

1. 对 6 个维度（叙事视角/时间线/主类比域/情感基调/节奏型/论证偏好）各随机选 1 个选项
2. 从中随机激活 2-3 个维度
3. 对比 history.yaml 最近 3 篇的 dimensions 记录，如果完全重复则重新随机
4. 将选中的维度作为硬性写作约束注入后续写作——不是建议，是必须贯穿全文的约束

降级：如果 history.yaml 不存在或为空，跳过去重检查，直接随机。

示例输出：

本次激活维度：
- 叙事视角：对话体（"有人问我..."）
- 主类比域：烹饪
- 节奏型：快慢剧烈交替

4b. 写作

按选定框架 + writing-guide.md 全部 7 层规范 + 激活的维度约束 + Step 3.75 采集的真实素材写文章：

• H1 标题（20-28 字，converter 自动提取为微信标题）
• 字数 1500-2500
• 按框架大纲组织结构，在金句落点放精炼总结句
• 不插配图占位符（Step 6 自动分析插入）
• 风格遵循 style.yaml 的 tone、voice、content_style
• 避开 blacklist
• 真实素材锚定：Step 3.75 采集的 5-8 条真实素材必须分散嵌入文章各 H2 段落中，作为论证的事实基础。不是堆砌引用，而是像"一个读了这些材料的人在写自己的分析"一样自然融入
• 禁止编造：不要虚构数据、虚构引述、虚构案例。如果某个论点没有真实素材支撑，用个人观点/推理代替，不要伪造
• 去AI痕迹在此步执行，不是写完再改——writing-guide.md 的 7 层规则必须在初稿阶段就全部生效

Playbook 优先：如果 playbook.md 存在，其中的规则优先于 writing-guide.md 的通用规则。比如 playbook 说"从不用问句结尾"而 writing-guide 建议用反问句，以 playbook 为准。playbook 是用户的个性，writing-guide 是通用底线。

容器语法（可选，适合特定内容类型）：写作时可以使用以下容器块，converter 会自动渲染为带样式的 HTML：

• :::dialogue ... ::: — 对话气泡（适合访谈/问答）
• :::timeline ... ::: — 时间线（适合历程/步骤）
• :::callout tip/warning/info/danger ... ::: — 提示框（适合重点/警告）
• :::quote ... ::: — 拉引语（适合金句展示）

不是每篇文章都需要容器语法——只在内容形式契合时使用。

保存到 {skill_dir}/output/{date}-{slug}.md

---

Step 5: SEO 优化 + 去AI痕迹

读取: {skill_dir}/references/seo-rules.md
读取: {skill_dir}/references/writing-guide.md（去AI痕迹部分）

对初稿执行：

5a. SEO 优化

1. 生成 3 个备选标题（20-28 字），标注策略
2. 优化关键词密度（核心词前 200 字出现，全文 3-5 次自然提及）
3. 生成摘要（≤ 54 个中文字）
4. 推荐 5 个精准标签
5. 完读率优化（拆长段、加粗强调、段落悬念）

5b. 去AI痕迹逐层验证（关键步骤）

按 writing-guide.md 的自检清单逐项检查终稿，每一项都必须通过：

0. 真实信息锚定（最重要）：每个 H2 段落至少锚定 1 条来自 Step 3.75 的真实素材。没有纯 LLM 自由生成的段落。所有数据/引述/案例可验证，零编造
1. 词汇层：全文搜索禁用词表 → 命中数必须 = 0。检查词汇温度分布是否覆盖冷/温/热/野至少 3 种
2. 句法层：确认全文破句/不完整句 ≥ 3 处，无连续 3 句同结构
3. 信息密度层：确认高密度段后跟低密度段，无连续均匀信息密度
4. 连贯性打破层：确认至少 1 处跑题再拉回，无每段首句都承接上段
5. 具体性注入层：每 500 字至少 2 处具体细节（时间/地点/人物/非整数数字）——必须是真实的
6. 情绪真实感层：确认情绪弧线有起伏（≥1 高点 + ≥1 犹豫点），无全文平铺
7. 维度随机化层：确认 Step 4a 选中的维度贯穿全文，不是只出现一两次
8. 段落节奏：无连续 2 个长度接近（±20字）的段落

如果任何一项不通过：定位具体段落，针对性重写该段落（不要全文重写），然后重新检查该项。如果同一段落重写 3 次仍不通过，标注该项跳过，继续流程。

覆盖保存终稿。自动模式下选评分最高的标题作为最终标题。

---

Step 6: 视觉AI

如果 Step 0 设置了 skip_image_gen = true → 跳过 6b，只执行 6a 生成提示词，输出供用户手动生成。

读取: {skill_dir}/references/visual-prompts.md

6a. 分析文章 + 生成提示词

读取终稿，分析结构：

• 提取 H2 标题和各论点段落
• 逐个论点判断是否需要配图（数据/场景/转折处优先，纯观点段可不配）
• 确定配图位置和画面描述
• 约束：总数 3-6 张，间隔≥300字，不在开头和 CTA 处配图

生成封面 3 组创意（直觉冲击/氛围渲染/信息图表）+ 内文配图提示词。

• 自动模式（默认）：直接用创意 A 作为封面，全部配图直接生成，不停顿。
• 交互模式：输出方案，等用户确认或调整。

将占位符 ![配图：场景描述](placeholder) 插入 Markdown。

6b. 自动生图

# 封面（2.35:1 微信封面比例）
python3 {skill_dir}/toolkit/image_gen.py \
  --prompt "{封面提示词}" \
  --output {skill_dir}/output/{date}-cover.png \
  --size cover

# 内文配图（16:9 横版）
python3 {skill_dir}/toolkit/image_gen.py \
  --prompt "{配图提示词}" \
  --output {skill_dir}/output/{date}-img{序号}.png \
  --size article

# 可通过 --provider 覆盖默认 provider（doubao/openai）

生成后替换 Markdown 中的 placeholder 为实际图片路径。

降级：如果 image_gen.py 报错，输出提示词供用户自行生成，继续后续步骤。

---

Step 7: 排版 + 推送草稿

如果 Step 0 设置了 skip_publish = true → 直接走降级路径（本地 HTML preview），不要尝试推送。

读取: {skill_dir}/references/wechat-constraints.md（排版时参考微信平台限制）

Converter 自动处理（不需要手动干预，了解即可）：

• 中英文自动加空格（CJK-Latin spacing）
• 加粗标点外移（微信渲染 bug 修复）
• <ul>/<ol> 转 <section>（微信原生列表不稳定）
• 外链自动转编号脚注 + 文末参考链接（微信屏蔽外链）
• 暗黑模式 data-darkmode-* 属性注入
• ::: 容器语法自动渲染

python3 {skill_dir}/toolkit/cli.py publish {markdown_path} \
  --cover {cover_path} \
  --theme {style.yaml 的 theme} \
  --title "{最终标题}"

如果有 cover 就加 --cover，没有就不加。

降级：如果 publish 失败或 skip_publish = true，改用 preview：

python3 {skill_dir}/toolkit/cli.py preview {markdown_path} \
  --theme {theme} --no-open -o {skill_dir}/output/{slug}.html

告知用户本地 HTML 路径。

---

Step 7.5: 写入历史

不管是推送成功还是走了降级路径，都要写入历史。 向 {skill_dir}/history.yaml 追加记录：

- date: "{今天日期}"
  title: "{最终标题}"
  topic_source: "热点抓取"  # 或 "用户指定"
  topic_keywords: ["{关键词1}", "{关键词2}"]
  framework: "{使用的框架类型}"
  word_count: {实际字数}
  media_id: "{media_id}"  # 降级时为 null
  dimensions:  # Step 4a 实际选中的维度
    - "{维度1}: {选项}"
    - "{维度2}: {选项}"
    - "{维度3}: {选项}"
  stats: null  # 由 fetch_stats.py 后续回填

这条记录会被下次运行的 Step 2.5 读取，用于选题去重和偏好分析。

---

Step 8: 回复用户

成功：

• 最终标题 + 2 个备选标题
• 摘要
• 5 个推荐标签
• media_id
• 提醒：请到公众号后台草稿箱检查并发布

部分成功：

• 列出每步状态（成功/跳过/失败）
• 附上本地文件路径
• 说明哪些需要用户手动完成

用户可以继续要求：

• "帮我润色/缩写/扩写/换语气" → 编辑文章
• "封面换暖色调" → 修改提示词，重新生图
• "第 3 张配图不要了" → 调整 Markdown
• "用框架 B 重写" → 回到 Step 4
• "换一个选题" → 回到 Step 3 展示选题列表
• "看看文章数据" / "效果怎么样" → 执行效果复盘（见下方）
• "看看有什么主题" / "换个主题" → 运行 python3 {skill_dir}/toolkit/cli.py gallery 打开主题画廊
• "换成 XX 主题" → 用新主题重新渲染当前文章

---

Onboard（首次设置）

触发条件：

• Step 1 发现 style.yaml 不存在
• 用户明确说"重新设置风格"、"修改配置"

Phase 1: 收集信息（交互式问答）

通过对话收集以下信息，不要一次性列出所有问题——一轮问 1-2 个，像聊天一样：

必问（缺了无法运行）：

顺序	问题	对应字段	示例引导
1	你的公众号叫什么名字？主要做什么方向？	name + industry	"比如'零号AI'，做科技/互联网"
2	主要写哪几个方向的内容？	topics	"比如 AI、产品设计、效率工具"
3	你希望文章是什么风格？	tone	"专业严肃？轻松有趣？毒舌犀利？像朋友聊天？"

选问（有默认值，用户不答就用默认）：

问题	对应字段	默认值
目标读者是谁？	target_audience	从 industry 推断
用什么人称写？	voice	"第一人称，像一个懂行的朋友"
有没有绝对不能出现的词或话题？	blacklist	空
有没有想参考的公众号？	reference_accounts	空
署名写什么？	author	name 字段值
偏好哪种排版风格？（可运行 gallery 命令预览全部 16 个主题）	theme	"professional-clean"
封面风格偏好？	cover_style	从 industry 推断
有没有固定封面模板？	cover_template	不设置

快捷路径：

• 如果用户直接甩了一段描述（如"我做科技自媒体，风格像虎嗅"），直接从中提取所有能提取的字段，只补问缺的
• 如果用户说"不设置"、"用默认的"、"直接写" → 复制 {skill_dir}/style.example.yaml 为 style.yaml，跳过所有问答

参考: {skill_dir}/references/style-template.md（字段说明和可用主题列表）

Phase 2: 生成配置

用收集到的信息自动生成 {skill_dir}/style.yaml。

同时确保以下文件/目录存在（不存在则创建）：

• {skill_dir}/history.yaml → 初始化为 articles: []
• {skill_dir}/corpus/ → 空目录
• {skill_dir}/lessons/ → 空目录

生成完成后，把 style.yaml 的内容展示给用户看一遍，问"这个配置 OK 吗？有什么要改的？"。用户确认后继续。

Phase 3: Playbook（可选，不阻断）

问用户："你有没有之前写过的公众号文章？如果有 20 篇以上，我可以从中学习你的写作风格，以后写出来的文章会更像你。"

• 用户有语料 → 告知将文章（.md 或 .txt）放入 {skill_dir}/corpus/，然后运行：

  python3 {skill_dir}/scripts/build_playbook.py
  

  按脚本输出逐批阅读文章，提取风格特征，生成 playbook.md。

• 用户没有语料 / 暂时不想弄 → 完全正常，跳过。告知用户："没问题，先用通用风格写，后续你可以随时说'学习我的修改'来让我逐渐适应你的风格。"

Phase 4: 试跑

Onboard 完成后，问用户："配置好了，要不要现在试写一篇？"

• 是 → 回到 Step 1，执行完整流程
• 否 → 告知用户下次如何触发："下次直接说'写一篇公众号文章'就行"

---

效果复盘

当用户问"文章数据怎么样"、"效果复盘"、"看看表现"时：

python3 {skill_dir}/scripts/fetch_stats.py --days 7

脚本会：

1. 调微信数据分析 API 拉取最近 7 天的文章阅读数据
2. 匹配 history.yaml 中的文章记录
3. 回填 stats 字段（阅读量、分享量、点赞量、阅读率）

回填后，分析数据并给出建议：

• 哪篇文章表现最好？为什么？（标题策略？选题热度？框架类型？）
• 哪篇表现不好？可能的原因？
• 对后续选题/标题/框架的调整建议

这些分析会影响下次运行时 Step 2.5 的偏好参考。

---

学习人工修改

当用户说"我改了，学习一下"、"学习我的修改"时：

1. 获取 draft 和 final

• draft：output/ 下最新的 .md 文件
• final：用户提供修改后的版本（粘贴或指定文件路径）

2. 运行 diff 分析

python3 {skill_dir}/scripts/learn_edits.py --draft {draft_path} --final {final_path}

3. 分析并记录

读取脚本输出的 diff 数据，对每个有意义的修改分类：

• 用词替换：AI 用了"讲真"，人工改成"坦白说"
• 段落删除：人工觉得某段多余
• 段落新增：人工补充了 AI 没写的内容
• 结构调整：H2 顺序或分段方式的变化
• 标题修改：标题风格偏好
• 语气调整：整体语气的偏移方向

将分类结果写入 lessons/ 下的 diff YAML 文件的 edits 和 patterns 字段。

4. 自动触发 Playbook 更新

每积累 5 次 lessons，脚本会提示更新 playbook：

python3 {skill_dir}/scripts/learn_edits.py --summarize

读取所有 lessons，找出反复出现的 pattern（≥2 次），将其固化到 playbook.md 的对应章节。

---

错误处理

不要因为任何一步失败就停止整个流程。

步骤	降级
环境检查（Step 0）	逐项引导修复，设置降级标记，不阻断可降级的部分
热点抓取失败	WebSearch 替代
选题为空	请用户手动给选题
SEO 关键词查询失败	回退到 LLM 判断
维度随机化（Step 4a）	history.yaml 为空或损坏时跳过去重，直接随机
去AI验证（Step 5b）	同一段落重写 3 次仍不通过，标注跳过该项，继续
封面/配图生成失败	输出提示词，用户自行生成
推送失败	生成本地 HTML，手动操作
历史写入失败	警告但不阻断流程
效果数据拉取失败	告知用户可能需要等 24h（微信数据有延迟）
Playbook 不存在	正常——用 writing-guide.md 通用规则