/cheat-init — 首次 onboarding

让用户从零到能跑第一篇预测，全程 ≤ 5 分钟（没发过历史的）或 ≤ 10 分钟（已发过、要 import 历史的）。

Overview

[用户首次说"初始化"]
  ↓
[Phase 0: 检测当前状态]
  ↓
[Phase 1: 首屏文案 — 适用性 + 期望管理]
  ↓
[Phase 2: 6 个问题（Q1-Q5 都问；Q2 决定是否走 user-history import）]
  ↓
[Phase 2.5: 对标账号 — 强烈建议（cold-start 必须问，已发用户可选）]
  ↓
[Phase 3: 创建脚手架（含 scripts/ + videos/ + samples/ 空目录 + 模板文件含 benchmark.md）]
  ↓
[Phase 3.5: user-history import 流程（仅 Q2=有发过历史 + 用户同意）]
  ↓
[Phase 4: 测试 hook 是否生效]
  ↓
[Phase 5: 给"下一步该说什么"清单]

Constants

• DEFAULT_RETRO_WINDOW_DAYS = 3
• INSTALL_HOOKS = ask — 默认询问；用户选 auto 直接装；skip 不装
• TREND_DEFAULT_SOURCES = ["manual-paste"]

Inputs

无。所有信息从 6 个对话问题里收集。

Workflow

Phase 0: 检测当前状态

1. 读用户当前工作目录（用户的 content project，不是 cheat-on-content 自己）
2. 检查是否已存在 .cheat-state.json：
   • 存在 → 提示"项目似乎已初始化（state file 存在）。要重新初始化会覆盖现有配置——确认？" 等用户明确确认才继续
   • 不存在 → 进入 Phase 1
3. 检查是否已存在 rubric_notes.md / predictions/ 等核心文件——存在但 state file 不存在 → 是"半初始化"状态，提示用户并询问"要从现有文件推断状态还是重置？"

Phase 1: 首屏直白告知期望（含适用性验证）

向用户输出（一字不漏，不要软化）：

🎯 Cheat on Content / 网红外挂 — 初始化

你的下一条内容已经在改写 3 个月后的你。
规律是客观存在的，区别是你**看见**还是**没看见**。
这套让你看见。

接下来 5-10 分钟我会问你 5-6 个问题搞清楚你做什么、有什么、怎么用。
两件事先说在前面：

1. **早期预测会不准**——前 5 篇精度大概 ±50%，这是数学事实。
   工具用 🔴🟠🟡🟢🔵 标 confidence 等级，不藏数字——
   你自己判断这次能不能信。

2. **强烈建议导对标账号**——5-10 条对标视频，工具立刻有 anchor。
   不然第一批预测基本是占星。后面 Q5 会再问一次。

准备好开始吗？

如果用户答"继续"或类似肯定回应 → Phase 2。 不再因为 content_form 拒绝继续——任何形态都允许，只是 rubric_form_mismatch 字段标真，cheat-status 后续会持续提示用户"你的形态需要 bump 调权重"。

Phase 2: 6 个问题（一问一答，不批量提问）

Q1: 内容形态

"你的内容更接近哪一种？ a) 观点视频（评论 / 时评 / 论说 / 议题讨论 / 个人观点）— 直接匹配内置 rubric b) 长文 essay（公众号 / Substack / Medium）— 可借观点视频 rubric 起步，bump 时调权重 c) 短文 / thread（X / 微博 / 即刻）— 同上 d) 播客 / 视频长内容（YouTube 长片 / 播客）— 同上 e) 教程 / 工具教学 / Builder（教别人怎么用 X 工具 / 怎么做 Y 项目）— 同上 f) 其他（游戏 / 美食 / 妆教 / 新闻 / 剧情）— 工作流通用，但 rubric 维度需要调 （ER / SR / HP 这套对你形态可能不太预测，需要自己拆出适合的维度） g) 混合"

记录到 content_form + rubric_form_mismatch。

Q1 → content_form enum 映射（必须存 enum 值，不是字母）：

rubric_form_mismatch 派生：

• 选 a → false
• 选 b/c/d/e/f/g → true，cheat-status 持续提示"你的形态可能需要 bump 调权重"
• 不再有"严重不匹配"档——所有形态都能跑工作流，只是有的 rubric 需要更激进的 bump

Q1.5: 典型时长（仅 Q1=a/d/f 时问）

"你的视频典型时长？ a) 30秒-1分钟 b) 1-3分钟 c) 3-5分钟（推荐起步） d) 5-10分钟 e) 10分钟以上"

记录到 typical_duration_seconds（30 / 90 / 240 / 450 / 900）。

Q1.6: 发布频率

"你打算多久发一篇？ a) 日更 b) 隔日 c) 每周 d) 灵活 / 不固定（关闭 buffer 监控）"

记录到 target_publish_cadence_days（1 / 2 / 7 / null）。

Q2: 你这个频道发过视频吗？

"a) 没发过 — 我会帮你从兴趣 + 热点 brainstorm 5 个候选 + 写 5 份初稿 b) 发过 — 不管 1 条还是 100 条，我会帮你抓历史让后续 brainstorm 更贴合你做过什么"

如选 a → state 写 calibration_samples: 0，Phase 3.5 跳过，直接进入 Phase 4。 如选 b → 进入 Q2.1。

Q2.1: 平台 + 抓取计划（仅 Q2=b）

"你内容主要在哪个平台？ a) 抖音 — 装 douyin-session adapter（Playwright + 扫码登录抖音创作者中心） b) 小红书 — 装 xhs-explore adapter（Playwright + 扫码登录小红书创作者中心） c) YouTube — 装 youtube-data-api adapter（需 API key） d) B 站 — bilibili-stat adapter e) LinkedIn — 装 linkedin-session adapter（Playwright + 登录 LinkedIn，抓单帖分析） f) 微信视频号 — 装 wechat-channels adapter（Playwright + 扫码登录视频号助手，仅抓自己账号后台数据） g) 其他 / 多平台 — 走 manual paste 模式"

如选 a/b/c/d/e/f → 询问 Q2.2；如选 g → 跳到 Q2.3 manual。

Q2.2: adapter 安装时机（仅 Q2.1=a/b/c/d/e/f）

"现在装 adapter 自动抓取，还是先手动告诉我？

• 现在装 — 引导你装 Playwright + 扫码 → 抓回最近 N 条数据
• 等下再装 — 先 manual 模式，state 标 'pending_adapter_setup'， cheat-status 持续提示装"

如选"现在装"→ 走 adapter install 引导（详见各 adapter README）→ 验证抓取可用 → Q2.3。 如选"等下"→ 跳到 Q2.3 manual。

Q2.3: 抓取范围 / 历史规模

如 adapter 已装并验证可用：

"我可以抓你最近多少条作为基础？ （建议 10-25 条；样本越多 baseline 越准。最多到你账号实际数量）" → 用户给数字 N，Phase 3.5 抓取 N 条

如 manual 模式：

"你大概发过多少条？给个范围就行（比如 '5-10 条' / '20+ 条'）， 这只用来标 calibration_samples 估值，不用准确。" → 用户给一个估值，Phase 3.5 跳过抓取，calibration_samples 写估值

Q3: 数据回收方式

"T+3 天复盘怎么拿数据？

a) 手动粘 — 候补方案。你必须粘 top 20+ 评论（带赞数），不是只粘播放数。 评论才是真信号——'她不一样'这种模因爆发只能从评论看出， 播放数永远告诉不了你什么内容真的击中了观众。 b) [推荐默认] adapter 自动抓 — 评论 + 数据全要。 如果你现在没装 adapter，没关系，state 标 'pending_adapter_setup'， 第一次 publish 之前装上就行（cheat-status 会持续提醒装）。 装的指引在 adapters/perf-data//README.md。"

Q3 → data_collection enum 映射：

默认推荐 b——除非用户明确说 "a 我就要手动"。

Q4: 候选选题

"你现在有候选选题列表吗？（如有外部 markdown / Notion 维护的） a) 没有（默认）— 一会儿我帮你 brainstorm，或日常用 /cheat-trends 抓 b) 有，markdown 列表 c) 有，Notion / 其他"

Q4 → pool_status enum 映射：

Q5: 装几个 hook（默认装，不需要你决定）

"Q5：我顺便装几个 hook，回 'yes' 或 'enter' 就装：

1. 预测锁 — 我们一起做完预测后，文件被锁。你或我都不能改预测段。 复盘只能往同一文件下半段追加，不污染上半段判断。 （没这个锁，事后看到数据想"修一下当时的预测"几乎是必然的——你或我都会犯）

2. SessionStart 自动报告 — 每次开新会话顶部显示 buffer / 待复盘 / 候选 top

3. 静默使用日志 — 异步记录使用频率，不阻塞，给将来诊断用

三个一起装。不装也可以（回 'no'）但你失去预测锁，校准价值会下降。

回 yes / no。"

Q5 → hooks_installed 映射：

默认 yes——除非用户明确说 no。

Phase 2.5: 对标账号（所有用户都问，cold-start 强烈建议）

工具早期最重要的信号源是对标账号——你 init 完没数据，rubric 等权 v0 等于占星。 但如果你能找一个你想做成那样的账号，导入 5-10 条它的高 / 中 / 低样本，工具就有了 anchor。

询问：

🎯 对标账号

你能找一个对标账号吗？至少 3 条该账号的视频。

  - 你**完全没发过历史**（Q2=a）→ **强烈建议**——rubric 没 anchor 全靠对标。
    不找的话用通用 v0 等权 rubric，前 5 篇精度更差更久
  - 你**已发历史**（Q2=b）→ **可选**——你也可以只用自己历史 calibrate；
    但建议至少导 1 个对标做 sanity check（看你账号是否真的偏离对标方向）

a) 现在找 → 立刻进入 /cheat-learn-from（5-15 分钟，看你材料准备程度）
b) 等下找 → state 标 `benchmark_status: pending`，cheat-status 持续提醒
c) 不找 → state 标 `benchmark_status: none`，用通用 v0 起步

回 a / b / c。

行为：

• 选 a → Phase 3 创建脚手架完毕后，自动 dispatch 到 /cheat-learn-from（不让用户手动跑——已经在 init 流程里了）。完成后回 init Phase 4
• 选 b → state 标 benchmark_status: pending + benchmark_name: null
• 选 c → state 标 benchmark_status: none

记录到 benchmark_status / benchmark_name（如 a 选则在 cheat-learn-from 里写入）。

Phase 3: 创建脚手架（逐项解释）

按顺序创建并解释每一项的作用：

0. .gitignore（安全 — 必须第一步创建）

   "先创建 .gitignore，把账号凭证挡在版本控制外——这是第一件事。
    .auth/ / .auth-xhs/ / .auth-linkedin/ / .auth-wechat-channels/ 存的是各平台登录态（等同账号密码），
    .cheat-secrets.json 存 API key / cookie——一旦被 commit 或云同步就等于泄露账号。
    注意：predictions/ videos/ scripts/ 这些**不**忽略——原则 #1/#3 依赖
    git history 作为预测的不可变档案，必须入库。"

   • 复制 cheat-on-content/templates/gitignore.template → <user-repo>/.gitignore
   • 如 <user-repo>/.gitignore 已存在 → 不覆盖；逐行检查并追加缺失行，至少确保 .auth/、.auth-xhs/、.auth-linkedin/、.auth-wechat-channels/、.cheat-secrets.json 五行存在
   • 即使用户项目当前还不是 git 仓库也照常创建——它会在用户 git init 的那一刻立即生效
   • 创建后提醒一句：如果项目已经 git init 过且可能误加过 .auth/，让用户跑 git rm -r --cached .auth .auth-xhs .auth-linkedin .auth-wechat-channels .cheat-secrets.json 把已暂存的凭证移出

1. .cheat-state.json

   "正在创建 .cheat-state.json — 各子 skill 共享上下文的地方。
    这次 init 收集的所有答案都会写在这里。"

   写入（所有 <...> 占位必须查上面 Q 的映射表换成具体 enum 值，绝不直接存字母）：

   {
     "schema_version": "1.4",
     "skill_version": "1.0.0",
     "rubric_version": "v0",
     "content_form": "<查 Q1 映射表，写 enum 字符串如 \"opinion-video\">",
     "typical_duration_seconds": <Q1.5 派生：30/90/240/450/900>,
     "target_publish_cadence_days": <Q1.6 派生：1/2/7/null>,
     "rubric_form_mismatch": <Q1=a→false；其他→true>,
     "benchmark_status": "<Phase 2.5 派生：a→\"imported\"/b→\"pending\"/c→\"none\">",
     "benchmark_name": <imported 则字符串名，否则 null>,
     "benchmark_sample_count": <imported 则数字，否则 0>,
     "baseline_plays": null,
     "calibration_samples": <Q2=a→0；Q2=b→Phase 3.5 import 回填或 Q2.3 估值>,
     "data_collection": "<查 Q3 映射表，写 \"manual\" 或 \"adapter\">",
     "pool_status": "<查 Q4 映射表，写 \"none\"/\"markdown\"/\"notion\">",
     "data_layer": "markdown",
     "hooks_installed": <查 Q5 映射表，写 bool true/false>,
     "enabled_trend_sources": ["manual-paste"],
     "enabled_perf_adapters": <Q2.1=a→[\"douyin-session\"]；b→[\"xhs-explore\"]；c→[\"youtube-data-api\"]；d→[\"bilibili-stat\"]；e→[\"linkedin-session\"]；f→[\"wechat-channels\"]；其他→[]>,
     "last_bump_at": null,
     "last_bump_self_audited": false,
     "last_published_at": null,
     "last_published_file": null,
     "last_retro_at": null,
     "last_trends_run_at": null,
     "last_trends_added_count": 0,
     "last_prediction_self_scored": false,
     "last_self_scored_at": null,
     "consecutive_directional_errors": [],
     "pending_retros": [],
     "shoots": [],
     "in_progress_session": null,
     "initialized_at": "<本地 ISO 8601 含时区，如 \"2026-05-05T20:11:13+08:00\"，**不要用 UTC 的 Z 后缀**>"
   }

2. rubric_notes.md

   "正在创建 rubric_notes.md — 你的评分维度的真实来源。
    用的是 v0 占位 rubric——等权 7 维（每个维度同等重要）。
    
    为什么叫 v0：v0 是没校准前的占位。你的账号自己的真权重要从你
    的数据反推，不是预设。跑完 5 篇有数据的内容后，会自动提议
    升级到「校准 v1」（你的第一个真正校准过的 rubric）。
   
    ⚠️ rubric_notes.md 是 blind sub-agent (channel B) 的白名单文件——
    只能含通用语言（公式 / 维度定义 / bucket 边界），不能含真实视频名 / 实绩。
    每次 bump 升级时的 Memo（含证据数据 + 派生证据）写到 rubric-memo.md（下一步创建）。"

   • 复制 cheat-on-content/starter-rubrics/<form>-zero.md（cold-start）或 <form>.md（已有数据时仍可参考）

2.5. rubric-memo.md（新——配合 cheat-score-blind 隔离协议）

"正在创建 rubric-memo.md — bump 升级 Memo 累积档案。
 这是 cheat-bump Phase 5 写入 Memo 全文（含真实视频名 + 实绩 + 派生证据）的位置。

 为什么单独一个文件：blind sub-agent 的白名单是 rubric_notes.md，
 历史上 bump Memo 写进 rubric_notes.md 会让 blind sub-agent 通过白名单
 拿到本该看不到的实绩数据——本文件是隔离修复，sub-agent 硬禁读本文件。
 
 现在是空的，等第一次 cheat-bump 升级后 append 第一段 Memo。"

• 复制 cheat-on-content/templates/rubric-memo.template.md → <user-repo>/rubric-memo.md

3. script_patterns.md

   "正在创建 script_patterns.md — 你的写作 pattern 沉淀（与 rubric 解耦）。
    rubric_notes.md 教 Claude 怎么打分；
    script_patterns.md 教 Claude 怎么写。"

   • 复制 cheat-on-content/templates/script_patterns.template.md

4. 四个目录：scripts/ + predictions/ + videos/ + samples/（都加 .gitkeep）

   "正在创建四个目录：
    
    scripts/      — 拍前的草稿（cheat-seed 写或你写）
    predictions/  — immutable 预测日志（hook 保护）
    videos/       — 拍后的工作目录（cheat-shoot 创建子目录）
    samples/      — 对标账号视频 / 转录（cheat-learn-from 创建子目录）
    
    前三处用同一组 <date>_<id>_<short> 命名相互关联。
    samples/ 按对标账号名分组：samples/<账号名>/<video-id>/。"

4.5. benchmark.md（仅 Phase 2.5 选 a/b 时）

"正在复制 benchmark.md 占位模板（实际内容由 cheat-learn-from 填）—— 
 这是你的对标账号的中央 reference。
 前期工具的 rubric / pattern / 选题方向感大量从这里推；
 后期 N≥10 后影响淡出，但保留作 sanity check。"

• 复制 cheat-on-content/templates/benchmark.template.md → <user-repo>/benchmark.md
• Phase 2.5 选 c 不创建 → benchmark.md 不存在，state 标 benchmark_status: none

4.7. audience.md

"正在创建 audience.md — 你账号的受众画像（'谁在看'）。
 
 现在是空骨架。它和 rubric_notes.md 平行——rubric 教 Claude 怎么打分，
 audience 告诉 Claude 你的观众是谁。跑够几篇复盘后跑 /cheat-persona，
 它会从评论数据聚类出真实画像，cheat-seed 选题写稿时就有了一面镜子。
 
 注意：audience.md 由评论派生 → 含实绩信号 → blind 打分 sub-agent 硬禁读它。"

• 复制 cheat-on-content/templates/audience.template.md → <user-repo>/audience.md
• 如 Phase 2.5 选了 a/b（有 benchmark）→ Phase 5 清单里提示"可跑 /cheat-persona — seed-from-benchmark 先 seed 一份未验证画像"

5. WORKFLOW.md + STATUS.md

   • 复制 templates/ 对应文件

6. 如果 Q5=是 → 安装 hooks

   • 读 .claude/settings.json（如不存在则创建空 {}）
   • merge 进 hooks/prediction-immutability.json 的 hooks.PreToolUse
   • merge 进 hooks/session-start.json 的 hooks.SessionStart
   • merge 进 hooks/meta-logging.json 的 hooks（如同时启用）
   • 复制 prediction-immutability.sh + session-start.sh + log-event.sh 到 .cheat-hooks/，chmod +x
   • settings.json 里的 command 路径用 ${CLAUDE_PROJECT_DIR}/.cheat-hooks/

7. (Pool 选项 c—Notion) 仅记录到 state file 的 pool_status: notion，后续 cheat-trends 调用时再处理

Phase 3.5: import 流程（仅 Q2=b 且用户同意抓取）

如 Q2.2=现在装 → 走 adapter install + login（详见 adapters/perf-data//README.md）。

抓取成功后，对每条已发视频：

1. 建 video folder：videos/<date>_<id>_<short>/
   • <date> = 视频实际发布日
   • <id> = 12 位 hash，对 (title + 平台 ID) 做 sha256
   • <short> = 标题前 3-8 字
2. 写 report.md：从 adapter 抓回的数据（播放 / 点赞 / 评论 / 转发 / top 评论）填入
3. 询问用户原稿："video 「{标题}」 你保留了原稿吗？"
   • 是 → 用户提供 → 存为 videos/<id>/script.md
   • 否 → 标 script_lost（仍建 video folder，只是 script.md 缺失）
4. 写 reconstructed prediction：predictions/<date>_<id>_<short>.md
   • header 标 **Reconstructed retrospective — NOT a blind prediction**
   • 7 维打分基于 script + 复盘段实绩数据反向打——明确这是非校准用途
   • 不计入 calibration_samples（这是导入的历史，不是校准积累）

import 完成后：

• 派生 baseline_plays = 抓回视频的播放中位数 → 写入 state file
• 派生 confidence 等级 → 后续 cheat-predict 写预测时直接用
• 输出汇总："已 import N 条历史。最近一条 X w 播放，中位数 Y w，已建 N 个 video folder + reconstructed predictions"

Phase 4: 测试 hook 是否生效（仅当 Q5=是）

跑一次假的 Edit 拦截测试：

1. 创建临时文件 predictions/_test_hook.md，含 ## 预测\n[test]\n## 复盘\n
2. 尝试 Edit 这个文件的 ## 预测 段
3. 钩子应 exit 1 阻塞 → 报告"✅ immutability 钩子生效"
4. 删除测试文件
5. SessionStart hook 验证：直接调一次 bash .cheat-hooks/session-start.sh → 应输出报告（即使是空的也行）

如果钩子未生效 → 不要假装成功，明确告诉用户："钩子安装失败，可能是 .claude/settings.json 配置没生效。建议手动检查或重启 Claude Code。"

Phase 4.5: 如 Phase 2.5 选 a → dispatch 到 /cheat-learn-from

如果用户在 Phase 2.5 选了 a（现在导对标账号）→ 自动触发 /cheat-learn-from：

✅ 脚手架 + hooks 装完。

下面立刻进入 /cheat-learn-from 帮你导入对标账号——
你 init 时选了"现在找"，不让你又开一个会话才跑。

[invoke /cheat-learn-from]

cheat-learn-from 完成后回到 init 的 Phase 5。

如 Phase 2.5 选 b/c → 跳过 Phase 4.5，直接 Phase 5。

Phase 5: 给"下一步该说什么"清单

✅ 初始化完成（rubric: v0，calibration_samples: <N>，confidence: <emoji 等级>）

下次你可以直接说这些：

📝 写完一篇稿子 → "打分这篇 scripts/<...>.md"
🎯 准备发布前  → "启动预测 scripts/<...>.md"
🎬 拍完了      → "拍了 scripts/<...>.md" → 建 video folder + buffer +1
🚀 发布后      → "已发布 https://..."
📊 T+3 天      → "复盘 videos/<...>/"
📈 任何时候    → "状态"（看完整看板）

<如果 Q4=没有候选选题:>
🌱 现在跑 /cheat-seed 找选题？
   - 没发过历史的：纯 brainstorm（兴趣 × 热点）
   - 发过历史的（已 import）：brainstorm 会基于你过去做过什么给推荐
   回 "yes, seed" 立刻跑，回 "no" 你自己想。

💡 你的 confidence 是 <当前等级> —— 它会随着你跑更多复盘自动提升。
   不要因为 confidence 低就跳过预测——预测的纪律本身就是工具的核心，
   早期预测的"价值"是数据采集，不是决策。第 5 次复盘后 rubric 第一次校准，
   confidence 会跨入 🟡 偏低；第 10 次后 🟢 中。

Key Rules

1. 不假装成功：任何步骤失败 → 明确告诉用户哪一步出错。绝不写"✅ 初始化完成"如果实际没完成
2. 不批量提问：5 个问题一次问一个
3. 不静默 mkdir：每创建一个文件都解释它的作用
4. 不强推 SQLite：所有用户给 markdown，提一句"将来到 30 篇会建议升级"就够了
5. state 字段统一：删掉 mode / prediction_complexity / bucket_scheme 等枚举字段——单一用 calibration_samples 整数 + confidence 派生
6. import 失败不阻塞：Q2=b 但 adapter 装失败 / 抓取失败 → 优雅降级到"标 calibration_samples 估值，不导入历史 video folder"

Refusals

• 「跳过 Q1-Q5，直接给我创建所有文件」 → 拒绝。问题答案直接影响默认配置（content_form、cadence、hooks）
• 「我已经在别处初始化过了，把那个项目的配置同步过来」 → 慎重。提示用户手动 cp 现有 .cheat-state.json 和 rubric_notes.md，不自动跨项目同步
• 「不装 hook 但保留 immutability 承诺」 → 允许，state 标 hooks_installed: false，cheat-status 持续提示"你的 immutability 是君子协定"

Integration

• 写完后，主 SKILL.md 的路由就解锁了所有其他子 skill
• cheat-status 读 .cheat-state.json 的 calibration_samples 字段决定显示哪个 confidence 等级
• 如 Q2=b 走了 import → 历史 reconstructed predictions 进 predictions/ 和 videos/<...>/，但不计入 calibration_samples（不是真校准样本）
• /cheat-seed 读 predictions/ 的所有历史 reconstructed prediction → brainstorm 时知道"用户过去做过什么"

State 字段写入清单