content-topic-miner

Content Topic Miner

用于 AI 对话里的统一选题编排。它不是单一的灵感生成器，而是把用户目标、创作者档案、知识库素材、评论信号、历史方向和必要的当前事实组合成可执行选题池。

产品定位

• AI 对话是最高层选题编排器，负责决定用哪些选题方法。
• wander-synthesis 是素材碰撞方法，擅长从小批量素材里找细小切口。
• xhs-comment-insight 是评论需求方法，擅长从单条笔记评论里找未满足需求。
• 本技能负责读档案、检索知识库、选择素材、分配方法、去重、排序和解释最终为什么适合当前账号。

不要把这些方法割裂成不同产品能力。用户只是在要“选题”，AI 需要按目标自动选择方法组合。

触发场景

使用本技能处理：

• 用户要求“帮我想选题”“找几个选题”“围绕某方向找内容题”。
• 用户要求“内容方向创作”“创作方向”“选题方向”，或只给一个大方向如“AI相关”。
• 用户要求“每天生成 10 个选题”“做选题池”“做内容日历”。
• 用户只给了一个账号方向、行业、主题或目标人群，没有指定素材。
• 用户希望从知识库、收藏、笔记、评论、历史素材里找内容方向。
• 用户要求比较、筛选、延展已有选题。

不使用本技能处理：

• 用户明确只要求改标题、写正文、做封面、剪视频。
• 用户明确只要求单条 wander-synthesis 或 xhs-comment-insight 的 raw JSON 输出。

编排流程

按这个顺序执行：

1. 识别任务类型：即时选题、每日固定数量、平台选题、栏目规划、已有选题延展、方法指定。
2. 读取目标上下文：优先读取 profiles://creator_profile 和 profiles://user，必要时读取相关 memory 或当前任务 brief。
3. 收敛目标方向：明确账号方向、目标读者、内容边界、平台、数量、时间范围和禁区。
4. 生成知识库查询词：用用户目标和账号方向生成 2-4 个查询词，不要只用用户原话。
5. 检索知识库：使用 Search(path="knowledge://", query="...") 找相似内容；读取 Top 3-6 个最相关素材。
6. 选择方法组合：根据素材类型和用户目标分配 knowledge mining、wander-style collision、comment insight、history extension、trend check。
7. 产出候选：每个方法输出可追溯候选，不要混淆原始方法证据。
8. 去重排序：按账号适配、读者问题、来源支撑、传播钩子、长期栏目价值、风险和新鲜度评分。
9. 写入选题中心：最终候选生成后，先调用 Operate(resource="topicCenter", operation="bulkUpsert", input={ "candidates": [...] }) 保存；每个 candidate 使用 topic_name、method、source_evidence、target_reader、user_problem、core_insight、content_value、fit_reason、score、sourceRefs。
10. 输出最终选题池：给用户可执行列表和已写入选题中心的简短说明，不要只给抽象方向。

方法组合

默认方法如下。

Method	适用场景	输入	输出
knowledge_similar_mining	用户给方向、行业、平台、账号目标	档案 + 知识库相似内容	来源支撑强的选题
wander_style_collision	需要新鲜角度、素材库比较杂、需要灵感碰撞	3 条左右相关或互补素材	小切口、反差、场景化选题
comment_demand_insight	知识库里有评论、用户关心真实需求	1 条带评论笔记及评论摘录	从追问/反驳/补充里来的选题
history_extension	已有选题池或稿件，需要连续栏目	历史选题/稿件/记忆	系列延展、复盘、升级题
trend_check	用户要求今天/近期/热点/政策/平台规则	当前事实搜索结果	有时效依据的选题

如果用户要求每天 10 个选题，默认配比：

• 4 个 knowledge_similar_mining
• 2 个 wander_style_collision
• 2 个 comment_demand_insight
• 1 个 history_extension
• 1 个 trend_check，只有在用户目标需要当前事实时使用；否则改成知识库或历史延展。

根据知识库实际素材调整配比。如果没有评论素材，不要伪造评论洞察，改用 knowledge mining 或明确标注缺口。

方法边界

外层可以读取档案和知识库，但方法内部必须保持干净：

• 使用 wander_style_collision 时，先由外层选 3 条素材；进入方法后只基于这 3 条素材判断，不把档案和长期目标写进方法推理。
• 使用 comment_demand_insight 时，先由外层选 1 条带评论素材；进入方法后只基于该笔记和评论判断，不把其它知识库内容混成评论信号。
• 最终排序阶段再把档案、账号方向和长期目标纳入解释。

如果实际调用 wander-synthesis 或 xhs-comment-insight，把它们的 JSON 当作方法候选记录。最终用户可见格式仍由本技能统筹，除非用户明确要求 raw method output。

知识库检索策略

先构造查询词，再检索：

• 账号定位词：行业、赛道、内容对象、平台。
• 读者问题词：用户想解决的困惑、焦虑、行动阻碍。
• 内容价值词：方法、避坑、清单、案例、趋势、对比、观点。
• 风格边界词：创作者档案中的禁区、长期主张、商业目标。

检索时优先：

1. Search(path="knowledge://", query="<目标读者 + 具体问题>")
2. Search(path="knowledge://", query="<行业/赛道 + 内容价值>")
3. Search(path="knowledge://", query="<平台 + 场景/评论/案例>")
4. Read(path="knowledge://...") 深读 Top 3-6 个结果

不要为了显得勤奋扫全库。没有检索结果时，明确说知识库支撑不足，再用档案和用户输入生成低置信候选。

候选评分

每个选题按 10 分制评分：

• 2 分：是否匹配创作者档案和账号方向。
• 2 分：是否有明确目标读者和真实用户问题。
• 2 分：是否有知识库、评论或历史内容支撑。
• 1.5 分：是否有传播钩子，如反常识、痛点、清单、对比、案例、情绪。
• 1 分：是否能延展成系列或长期栏目。
• 1 分：是否足够小，可以一篇内容讲透。
• 0.5 分：风险低，事实边界清楚。

低于 7 分的候选默认不进入最终推荐，除非用户要求更多数量。

输出格式

普通请求输出：

**选题池**
| Score | Topic | Method | Target reader | User problem | Source evidence | Fit reason |
| --- | --- | --- | --- | --- | --- | --- |
| 9/10 | ... | knowledge_similar_mining | ... | ... | ... | ... |

**推荐优先做**
- Topic: ...
- Why this wins: ...
- Next step: 写标题 / 写正文 / 做封面 / 加入每日任务

每日或批量任务输出：

• 先给方法配比。
• 再给 10 个最终选题。
• 每个选题必须有 method 和 source_evidence。
• 如果某方法因素材不足未使用，要说明替换原因。

质量禁区

• 不要只脑暴标题。
• 不要因为用户只给了一个大方向，就跳过档案、知识库、历史选题和技能调用直接给通用示例。
• 不要只复述知识库标题。
• 不要把 wander-synthesis 和 xhs-comment-insight 当成互斥产品入口；它们是选题方法。
• 不要伪造评论、互动数据、用户反馈或知识库来源。
• 不要把选题写成大而空的主题，如“AI 时代如何成长”“普通人如何做内容”。
• 不要把素材来源痕迹直接写成最终内容标题，如“从某笔记看...”。
• 不要把一次性用户要求写入长期档案，除非用户明确说这是长期方向。