---
name: skill-post-scorer
description: >-
  对社媒帖子草稿进行互动潜力评分，基于历史表现数据输出结构化评分卡。
  当用户说"帖子打分""评分""这条能火吗""发布前评估""内容质量分""评分卡""草稿评估"时使用。
  和 skill-topic-evaluator 的区别：evaluator 评还没做的选题潜力，本 SKILL 评已写好的草稿质量；
  和 skill-social-performance-review 的区别：本 SKILL 评单条草稿（发布前），review 做月度组合复盘（发布后）。
layer: attribute
---

# 帖子表现评分

> 对社媒帖子草稿进行互动潜力评分，基于历史表现数据输出结构化评分卡。

**加载后立即开始评分流程，不做摘要或等待确认。**

## 输入

用户 prompt 中提供待评分的帖子草稿，支持以下形式：

- **文本内容**：直接粘贴帖子文案
- **文件路径**：指向 `outputs/` 中的草稿文件
- **平台指定**：可选，指定目标平台（小红书、抖音、微博、知乎、公众号、B站等）

示例 prompt：
```
Execute /skill-post-scorer
帖子：
我花了3年时间才明白一个道理：
最好的内容不是"写"出来的，而是"提炼"出来的。
以下是我总结的5个内容提炼方法...
```

## 输出

输出代码块格式的评分卡：

```
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
帖子表现评分卡
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
钩子强度        ██████████  8/10
声音匹配度      ███████░░░  7/10
价值密度        ████████░░  8/10
结构与格式      ███████░░░  7/10
发布就绪度      ██████░░░░  6/10
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
总分            36/50
判定            值得发布，建议优化钩子
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

改进建议：
1. [最弱维度] 具体修改建议
2. ...
```

## 执行步骤

### 第一步：获取帖子

读取用户粘贴的帖子内容。如果 prompt 中没有帖子文本，主动询问用户提供。

### 第二步：加载评分数据

按优先级获取表现数据：

1. **Profile 中的历史数据**：检查 `=== EASEL ACCOUNT PROFILE ===` 标记，读取 `performance_data` 路径指向的历史帖子数据
2. **用户提供数据**：询问用户是否有历史帖子导出数据（各平台创作者中心/后台可导出 CSV/Excel，或整理成 JSON 数组）
3. **通用基准**：以上都没有时，使用 `references/fallback-benchmarks.md` 中的基准数据

### 第三步：分析高表现帖子

> **互动分与 Top 10% 筛选交给脚本，LLM 只做特征提炼。** 由
> [`scripts/score.py`](scripts/score.py) 完成（复用
> `../../shared/scripts/social_stats.py` 的 `engagement_score`）。

有历史/用户数据时，把帖子整理成 JSON 数组（每条含点赞与评论字段），调用：

```bash
python3 skills/openclaw/skill-post-scorer/scripts/score.py top --input history.json
python3 skills/openclaw/skill-post-scorer/scripts/score.py top --input history.json --top-pct 5
```

脚本自动：按 `互动分 = 点赞 + 评论×3` 逐条计算（字段兼容 likes/reactions/点赞、
comments/评论）、按互动分降序、算出 Top N% 门槛与分布（均值/中位数/最高/最低）、
样本量不足警告。**LLM 拿到脚本输出的 Top 帖子后**，提取其共性特征：

- 开头钩子类型（提问、数据、故事、反常识）
- 文本长度和段落节奏
- 格式特征（列表、分隔、emoji 使用）
- 行动号召（CTA）类型
- 主题分类
- 句式节奏（长短交替、断句频率）

无历史数据时跳过本步，直接用 `references/fallback-benchmarks.md` 的通用模式特征。

### 第四步：五维评分

按 5 个维度打分，每项 1-10 分，总分 50 分。

评分标准详见 `references/scoring-criteria.md`。

| 维度 | 评判重点 |
|------|----------|
| 钩子强度 | 前两句是否能阻止滑动，制造好奇或共鸣 |
| 声音匹配度 | 是否契合账号一贯的语气、人设和表达习惯 |
| 价值密度 | 每段是否提供具体洞察，而非空泛陈述 |
| 结构与格式 | 排版是否适配目标平台的阅读习惯 |
| 发布就绪度 | 能否直接发布，还是需要润色或补充 |

**评分纪律：**
- 诚实评分，不做讨好
- 除非帖子确实匹配 Top 10% 的模式特征，否则不给 8 分以上
- 有真实数据时用数据说话，没有时明确标注"基于通用基准"

### 第五步：输出评分卡

按照上方「输出」部分的格式输出评分卡，包含：
- 五维分数（含进度条可视化）
- 总分和判定结论
- 针对最弱维度的具体改进建议

判定标准：
- **40-50**：优秀，直接发布
- **30-39**：值得发布，建议优化标注的弱项
- **20-29**：需要修改，重点改进最弱的 1-2 个维度
- **< 20**：建议重写

> 更细分档（含各边界档的判定措辞）见 `references/fallback-benchmarks.md`，两处口径一致。

### 第六步：提供改写服务

输出评分卡后，主动提出：

> 是否需要我改写得分最低的部分？

如果用户同意，针对最弱维度进行定向改写，保留其他部分不变，改写后重新评分对比。

## Profile 感知

### 有 Profile

- 读取 `voice` / `tone` 字段，作为「声音匹配度」的评判标准
- 读取 `platform` 字段，调整「结构与格式」的平台适配规则
- 读取 `performance_data` 字段指向的历史数据文件，用真实数据替代通用基准
- 读取 `topics` / `niche` 字段，评估内容是否在账号定位范围内

### 无 Profile

- 「声音匹配度」退化为通用可读性评估
- 「结构与格式」使用通用社媒最佳实践
- 使用 `references/fallback-benchmarks.md` 中的基准数据
- 评分卡末尾附注："如提供账号 Profile（含历史表现数据），评分将更精准"