选题体检 skill：读自己后台导出的作品数据，反推高播放公式，给候选选题打分排序，并拦掉会撞车的选题
📄 纯 markdown · 零依赖 · 免费TopicPicker（选题体检） 是一个给内容创作者用的选题决策 skill：把你自己从创作者后台导出的作品数据喂给它， 它先反推出「你的」选题公式，再拿这套公式给待选选题打分、排序，并把会撞车的那些直接拦下来。 整个 skill 就两个 markdown 文件，纯文本、零依赖、不用配置，丢进 AI 编程工具的 skills 目录就能用。
它的核心思路和常见的「盯热点」工具完全相反：热点只告诉你别人在做什么，你自己的数据才告诉你你做什么会成。 同一个账号里，成的作品一定共享某种结构，扑的作品也一定共享某种结构——TopicPicker 做的事就是把这两种结构挖出来， 写成一句能直接套用的公式（主词 + 具象动作 + 数字），再用它当尺子去量每一个新想法。 找新题时它只用 GitHub 等公开开源社区，按一周涨星速度排序，并逐个核实项目文档里是否真的支持你要讲的工具。
它以 agent skill 的形式工作，Codex、Cursor、Claude Code 等支持 skill 的工具通用：装好之后打个 @ 就能调用。
最重要的是它敢说不——候选选题和你近期发过的内容核心动词相同，它会一票否决并给出历史证据，
帮你拦住那条大概率白做一周的视频。
topic-picker 文件夹整个放进 skills 目录即可。若在微信/抖音里点不开，点右上角「···」用系统浏览器打开本页再下。
| 项目 | 说明 |
|---|---|
| 输入 | 你自己从创作者后台导出的作品数据表（CSV/Excel，需含标题、发布时间、播放、点赞、评论、分享、收藏），外加你想评估的候选选题（可选） |
| 适用类型 | 任何持续更新的内容账号：短视频、图文、公众号均可，指标列能对上就行 |
| 输出 | 诊断报告（受众排序、你的标题公式、黑名单、重做池）+ 候选打分排序表（附预测收藏率区间）+ 撞车判定 |
| 语言 / 兼容 | 中文为主；Codex、Cursor、Claude Code 等支持 agent skill 的工具通用 |
| 规格 / 容量 | 样本 ≥20 条起效；>50 条可产出完整公式与黑名单；单分组不足 5 条时自动标注「结论待验证」 |
| 环境 | 建议配置 |
|---|---|
| 操作系统 | Windows / macOS / Linux 均可，skill 是纯文本，跟系统无关 |
| 运行环境 | 任意一个支持 agent skill 的 AI 编程工具（Codex、Cursor、Claude Code 等） |
| 硬件 | 无要求，不跑本地模型、不占显存 |
| 低配 / 无卡方案 | 不存在这个问题——它只是两份给 AI 看的说明书 |
| 关键依赖 | 无。不装 Python 包、不装 Node 包、不需要密钥 |
@ 开始用。全程不需要写一行代码。进入你所在平台的创作者后台，在数据中心找到「作品数据」，导出近 3~6 个月的明细表（CSV 或 Excel），放到你的工作目录里。列里最好有：标题、发布时间、播放、点赞、评论、分享、收藏。
我的项目/
├── data/
│ └── 作品数据.csv ← 后台导出的明细表放这里
└── ...
在你用的 AI 编程工具的 skills 目录下新建一个文件夹。以 Cursor 为例是项目里的 .cursor/skills/，Codex、Claude Code 放各自的 skills 目录，结构完全一样。
mkdir -p .cursor/skills/topic-picker
# 目录里就放两个文件：
# topic-picker/
# ├── SKILL.md 主流程
# └── reference.md 判据和打分细则
SKILL.md 定义五步工作流，下面是核心骨架，复制后可按自己账号情况微调；打分细则、诊断报告模板放 reference.md（按第 4 步的维度表自行展开即可）。不想手动复制的话，页首「相关链接与下载地址」折叠块里有两个文件的完整打包，下载解压即用。
---
name: topic-picker
description: 选题体检。读用户提供的作品数据表，反推该账号的
选题公式，为候选选题打分排序，拦下会撞车的选题。
---
# 选题体检
数据源红线：只读用户本地提供的数据表和 GitHub 等公开
开源社区的项目页，不读取任何内容平台的站内数据。
## 工作流
1. **算派生指标**：收藏率=收藏/播放，分享率=分享/播放；
按受众（如 程序员/创作者）和能力类型（新能力/老结果
提升）给每条作品打标签分组。
2. **反推公式**：对比高播放组和低播放组的共性，产出
「你的标题公式」（主词+具象动作+数字）和「你的黑名单」
（连续扑过的题材类型）。
3. **出去找题**：没给候选时，顺着受众线去 GitHub 等公开
社区找一周涨星快的新项目，逐个打开文档核实能力属实
才入围。
4. **打分排序**：按维度表给每个候选打分，附预测收藏率
区间和判分理由。
5. **撞车拦截**：候选与近 10 期作品核心动词相同 → 一票
否决，给出历史那条的数据当证据。
## 输出要求
先给一页诊断报告（受众排序/公式/黑名单/重做池），
再给候选排序表。每个结论必须附数据出处，样本不足
5 条的分组标注「待验证」。
打开对话框，输入 @ 选中 topic-picker，然后像跟同事说话一样提需求：
@topic-picker 读一下 data/作品数据.csv，告诉我我为什么能爆、为什么会扑
@topic-picker 这五个想法帮我排个序，说清楚为什么
@topic-picker 下一条做什么，你自己去找
打分维度（reference.md 里展开）：
| 维度 | 看什么 |
|---|---|
| 受众匹配 | 候选面向的人群是不是你数据里收藏率最高的那一类 |
| 能力类型 | 「以前做不到的新能力」历史上普遍强于「老结果再提升」 |
| 标题可套公式 | 能不能写成 主词 + 具象动作 + 数字 的结构 |
| 题材新鲜度 | 与近 10 期核心动词是否重复（重复=一票否决） |
| 热度趋势 | 开源项目看一周涨星速度，不看总星数 |
数据读过一次之后，它已经记住了你的受众和公式。这时候不给候选、直接让它找题，它会顺着你的受众线去开源社区翻一周涨星快的新项目，核实完文档再报给你一张排好序的表。
| 做法 | 差别在哪 |
|---|---|
| 盯热点榜单选题 | 热点反映的是别人的粉丝盘；同一个热点，别人做爆你做扑是常态。TopicPicker 的公式只从你自己的数据里来 |
| 直接问通用 AI「我做什么题好」 | 没有你的数据，它只能给通用套话。喂了数据再问，答案会从「大家都说好」变成「你的账号里这类题收藏率高 3 倍」 |
| 人工翻表复盘 | 能做，但很少有人坚持：163 条数据交叉对比受众、能力类型、标题结构，人工要一下午，skill 几分钟出报告 |
| 凭手感拍脑袋 | 最大的成本不是选错，而是撞车——同题材间隔太近，第二条几乎必扑，这是拿真数据验证过的规律 |
方向相反。热点工具回答「大家在看什么」，TopicPicker 回答「你做什么会成」。它不读任何内容平台的站内数据，信源只有两个：你自己导出的数据表，和 GitHub 等公开开源社区的项目页。
没关系。收藏率是最好用的先行指标，但不是必需列。有播放、点赞、评论、分享四列就能跑，skill 会自动改用分享率和赞播比做替代指标，并在报告里注明口径。
能跑但结论会打折。20 条以下 skill 只做单条复盘、不出整体公式；分组后单组不足 5 条的结论都会标「待验证」。发满 50 条再回头做一次全量体检，公式才稳。
能。它认的是指标列不是平台：把「播放」换成「阅读」、「收藏」换成「在看/收藏」，逻辑完全一致。多平台账号建议一个平台一张表分开喂，粉丝盘不同，公式也不同。
它给的是区间不是保证，本质是「历史上同类题落在这个区间」。样本越多越准，而且每发一条新作品把数据补进表里，公式会跟着修正——这是个越用越准的循环。
刻意设计成只读你手动导出的文件。一是各平台对第三方读取站内数据有严格限制，碰了账号有风险；二是导出明细表本来就是后台自带功能，一分钟的事，不值得为省这一分钟冒险。
可以在 SKILL.md 里把「近 10 期」改小，但不建议关。撞车是历史数据里最一致的扑量原因：同一个核心动词间隔太近，第二条的数据普遍只有第一条的零头。它拦你一次，可能就省下一周白干。
不是。agent skill 是通用格式，Codex、Cursor、Claude Code 都支持，放进各自的 skills 目录即可。甚至不支持 skill 的工具里，把两个 markdown 的内容直接粘进对话当指令，效果也有八成。
skill 本体是你自己目录里的两个 markdown 文件，内容随便改随便用。注意商用边界在数据侧：只分析你自己账号导出的数据没有问题，拿去分析别人的账号数据要先取得授权。