内容引擎

内容引擎（小红书）。两种 mode：①拆解（v1）— 输入 XHS 爆款链接，输出 18 维结构化拆解卡；②生成（v2）— 在拆解卡基础上结合品牌信息，用 Ofox（LLM + Nano Banana）生成我方版本的脚本/文案/素材图/封面/标签全套产出。视频生成（Seedance 2.0）规划在 v2.1。同时维护 graph/ 知识图谱（品牌声音、平台 playbook、钩子库、风格词典），mode 之间共享，越用越聪明。架构受 Ronin Skill Graph 启发。后续阶段陆续接入抖音 / 视频号等平台 + evaluate 评估 mode。

dizhu@dizhu

Install

openclaw skills install @dizhu/qianxun-content-engine

内容引擎

跨平台内容拆解 + 生成 + 知识图谱。底层是一个会成长的图谱，上层挂多种 mode + 多个平台。

英文版 / English: see ~/.agents/skills/content-engine-en/

Mode 路线图

Mode	状态	说明
deconstruct（拆解）	✅ v1	参考链接 → 18 维拆解卡，过程中喂养图谱
generate（生成）	✅ v2.2	拆解卡 + 图谱 + 我方品牌 → 脚本 / 字幕 / 封面 / desc / 标签 / 参考素材图。v0.3.0：接火山方舟 Seedance 2.0 真生视频（N 个 shot 顺序生成 + ffmpeg 自动拼成片，partial-video.md 记录失败 shot 便于手补）。v0.2.1：内置 validator 质检 + 自动 fallback v1。
evaluate（评估）	🔜 v3	成片 → 8 维加权评分

平台路线图

平台	状态	当前覆盖 / 计划
小红书	✅ v1	视频笔记 + 图文笔记
抖音	🔜 v1.1	短视频拆解（计划接 TikHub Douyin API）
视频号	🔜 v1.2	短视频拆解
B 站	🔜 v2	短视频 + 长视频
TikTok / Instagram	🔜 探索中	国际平台

当前阶段：本文档完整描述了小红书 deconstruct + generate 的 v1+v2.0 实现。其他平台计划复用同一架构（extract_{platform}.py / generate_{platform}.py + content_engine/{platform}/ 子模块），graph 知识图谱跨平台共享。

本文档覆盖小红书 deconstruct mode（v1）+ generate mode（v2.0 文本+图）。视频真生成（Seedance）在 v2.1。

平台兼容：本 skill 在 OpenClaw（personal agent skill）和 Claude Code 都能直接跑。脚本用 Python 3.10+ stdlib（无外部依赖），系统命令只需要 ffmpeg。文件读写假定你的 agent 有 Read / Write 工具（OpenClaw 中是 apply_patch/Exec/Web browser）。

架构核心：graph/ 是大脑

text

content-engine/
├── SKILL.md           ← 你正在读的这个，agent 入口
├── graph/             ← 知识图谱（mode 之间共享的"记忆 / 灵魂 / 上下文"）
│   ├── index.md             品牌总 briefing，agent 进来先读
│   ├── brand/{brand-voice,brand-story}.md
│   ├── platforms/xiaohongshu.md     XHS 平台 playbook（v1 唯一支持）
│   │                                 (v1.1+ 会补 douyin.md / shipinhao.md / ...)
│   ├── audience/segments.md          客群分层
│   └── engine/{hooks,style-tags,taboo}.md
├── references/{output-template,example-video,example-image}.md
└── scripts/
    ├── extract_xhs.py                ← v1 拆解 CLI：链接 → 工作区
    ├── generate_xhs.py               ← v2 生成 CLI：链接 → 我方脚本/图/文案套件
    │                                  (v1.1+ 会加 extract_douyin.py / generate_douyin.py 等)
    └── content_engine/               Python 包（zero deps）
        ├── client.py                  TikhubClient（v1）
        ├── parsers.py                 NoteData / Comment 解析（v1）
        ├── linkresolve.py             短链 → note_id（v1+v2 共享）
        ├── video.py                   下载 + ffmpeg 抽帧（v1）
        ├── images.py                  图文笔记图片下载（v1）
        ├── llm.py                     Ofox LLM 客户端（v2）
        ├── nano_banana.py             Ofox 图片生成（v2，Nano Banana Pro）
        ├── lookup.py                  链接 → 拆解卡映射 + freshness（v2）
        ├── prompts.py                 5 类文本 prompt 模板（v2）
        ├── generate.py                generate mode 主编排（v2）
        ├── preflight.py               环境自检（v1+v2）
        └── models.py                  dataclass 定义

两条铁律：

graph 文件可以是空模板——拆解仍能跑，退化为「客观拆解」模式
拆解过程中发现的新钩子/新风格词自动回写到 graph/engine/，图谱越用越大

何时触发

用户给 XHS 链接说「拆一下」「研究一下」「分析一下这条为什么火」
内容策划阶段对标分析
生成新内容前的「先研究」

输入

必填	项	说明
✅	参考链接	XHS 短链/长链/24 位 hex/分享口令文本均可
	任务编号	默认 `AIC-{YYMMDD}-{序号}`
	内容目标	例如「门店引流」「私域加微」，影响"可学习要点"字段

输出

Markdown 文件 → docs/deconstructions/{编号}-{slug}.md。

完整字段定义见 references/output-template.md，范例见 references/example-video.md / example-image.md。

工作流

Step 0：检测 graph 状态 → 选模式

用 agent 自带工具直接检查（不依赖 shell，避免 bash globstar / realpath 兼容问题）：

找到 skill 根目录（SKILL.md 所在目录）
用 Read 或 Grep 工具扫 graph/**/*.md 中是否有 # TODO: 标记

最简单：用 Grep 工具一次搜索：

text

Grep pattern: "^# TODO:"  path: <skill_root>/graph/  output_mode: files_with_matches

命中文件数	模式	行为
0	品牌视角	Step 5 的"目标客群""可学习要点"基于 graph 内容生成；字段填充时强制读 graph 相应节点
≥1	客观拆解	跳过品牌视角字段；输出末尾追加提示「⚠️ graph/ 未填充，建议先补 {未填文件列表}」

两种模式的"可学习要点"差异：见 references/example-video.md 末尾的双版本对比。

graph 文件之间的引用约定 [[brand/brand-voice]]：这是 Obsidian 风格的 wikilink，指向 graph/brand/brand-voice.md（不带 .md 后缀）。agent 看到 [[X]] 时应该 Read 对应文件加载上下文。

Step 1-3：一键拉数据 → 工作区

全部用一个命令完成：解析链接 / 拉元数据 / 拉评论 + 提取关键词 / 下载视频 + 抽帧 / 下载图文图片。

⚠️ v1 仅支持小红书。抖音 / 视频号 / B 站等其他平台规划中（v1.1+），届时会有对应的 extract_douyin.py / extract_shipinhao.py 脚本。

bash

python3 scripts/extract_xhs.py "<XHS 链接 / note_id / 分享口令>"
# 默认工作区：{tempdir}/content-engine/{note_id}/
# 自定义： --out /your/path

首次运行先环境检查：

bash

python3 scripts/extract_xhs.py --check

（检查 Python 版本 / ffmpeg / TIKHUB_API_TOKEN / 网络 / 工作区可写。详见下方"## 安装与依赖"）

工作区产物（默认 {tempdir}/content-engine/{note_id}/，跨平台）：

文件	内容	后续怎么用
`note.json`	解析后的 `NoteData` dataclass（已抽好所有字段）	直接 Read，对应 SKILL.md Step 5 字段表
`comments.json`	解析后的 `Comment` 列表（含 `is_pinned` 启发式标记）	你（agent）在 Step 5c 自己读原文做语义分类——比 regex 准
`{note_id}.mp4`	视频笔记的原视频（CDN 直链下载）	Step 4 抽帧用
`frames/frame_NNN.png`	视频抽帧（按时长自动选 fps：短片 1.0、中片 0.5、长片 0.25）	Step 4 逐帧 Read
`images/image_NNN.jpg`	图文笔记的所有图片（按顺序编号）	Step 4 逐图 Read

异常处理：

API 401/403 → 返回非 0 退出码，告诉用户并停止
评论 API 失败 → comments.json 写 {"_error": "..."}，"评论关键词" 字段填「⚠️ 未获取」
非 XHS 链接 → 告知「v1 仅支持小红书」并停止

常用 flags：

--no-video 跳过视频下载（只看元数据时）
--no-comments 跳过评论
--fps 1.0 强制抽帧频率（默认按时长自适应）

Step 4：多模态拆解

Step 4a · 拆解前必读（graph 硬卡点）

一律先 Read 一次：

graph/platforms/xiaohongshu.md 的「拆解时重点看」+「平台爆款公式」+「禁忌」三章
graph/engine/style-tags.md 完整词典（Step 5 风格标签字段会用）
graph/engine/hooks.md 完整钩子库（Step 5 情绪钩子字段会用）

如果是品牌视角模式，再读 graph/brand/brand-voice.md + graph/brand/brand-story.md + graph/audience/segments.md。

Step 4b · 视频分支（type == "video"）

逐帧 Read frames/frame_NNN.png，按文件名顺序。每帧 mental-note：景别 / 主体 / 动作 / 背景 / 道具 / 镜头方向。不是输出 N 行流水，是为下一步聚合积累素材。

按时间段聚合写入"参考内容拆解"。核心规则：

✅ 好（聚合 + 信息密度）	❌ 差（流水账或空话）
第 7-12 秒｜镜头：固定 → 缓推｜景别：特写 → 极特写画面：祖母绿马甲领口和门襟，绿色玉石盘扣 + 白色钉珠勾勒的几何纹样，挂着白色玉牌作为搭配示范	第 7 秒｜特写｜画面：领口第 8 秒｜特写｜画面：领口第 9 秒｜特写｜画面：盘扣 ...
	第 7-12 秒｜画面：很美的衣服细节，工艺精致

合并规则：

连续 2+ 帧主体/景别相同 → 合并成一个时间段
主体/景别切换 → 另起一段
单帧停留 < 2 秒一般不单独成段
描述用具体名词（祖母绿、钉珠、玉石盘扣），禁用形容词堆砌（高级、精致、唯美）

旁白文案：
- 视频字幕条原文 + note.json 的 desc 拼合
- 纯画面无字幕 → 写「无旁白/字幕，纯画面表达」+ 列出底部固定 watermark 信息
旁白逻辑分析：分层填，每层标时间段 + 一句话功能：
- 例：「第一层 · 建立反差与好奇（0-12 秒）：用 75 后 + 2000 平的数字反差激发好奇」
- 常见结构：钩子开场 → 场景代入 → 产品/卖点 → 身份感升华 → CTA / 反差开场 → 故事铺垫 → 价值观 → CTA / 工艺特写 → 文化寓意 → 情感共鸣 → 标签升华

Step 4c · 图片分支（type == "normal"）

逐图 Read images/image_NNN.jpg，按顺序
每张描述：构图 / 元素 / 风格 / 作用（在整组里的角色）
聚合写入"参考内容拆解"，按图序：「图 1（封面）：... / 图 2：... 」

Step 5：抽取剩余字段

Step 5a · 字段填充表（graph 影响）

字段	来源	graph 必读
平台	链接来源	—
目标客群	`note.json.desc` + `hashtags` + 评论行为推断	品牌视角下：必须对照 `graph/audience/segments.md` 已有分层填，命中哪一层显式标注
爆款主题	`note.json.desc` + `title` + 拆解	—
风格标签	画面 + 文案	必须对照 `graph/engine/style-tags.md`，命中标"已有"，没命中标"新增"并准备 Step 6 回写
场景标签	画面	—
情绪钩子	开头 + 钩子句	必须对照 `graph/engine/hooks.md` 已分类的钩子模式，命中哪一类显式标注
评论关键词	`comments.json`（agent 自己分类）	见 Step 5c — agent 直接读评论原文做语义分类，比 regex 准
旁白逻辑分析	文案结构	—
参考热门标签	`note.json.hashtags`（已清理 `[话题]`）	parser 已抽好，直接拼 `#xxx`；不要再 grep desc
可学习要点	全局总结	强依赖：品牌视角下写"我方做同主题怎么用"；客观模式写客观要点

Step 5b · 主观字段质量标尺

详见 references/output-template.md 的"字段定义详解 + Anti-Pattern"小节。核心原则：

爆款主题写"为什么火"（机制），不写"是什么"（描述）
情绪钩子写"用什么手法激发什么情绪"（双层），不写一个孤词
风格 vs 场景 vs 情绪钩子：风格="看起来感觉"，场景="发生在哪"，情绪钩子="让用户内心起什么波澜"——三者不混淆

Step 5c · 评论关键词的语义分类（你自己做，不依赖 regex）

为什么不用 regex：语言无穷变体（怎么卖 / 啥价 / 贵不贵 / 多少米），regex 永远漏抓；regex 也分不清语义（价格不是问题 不是询价；不是真丝吗 不是异议）。你（agent）有完整的语言理解能力，直接做这件事，比 regex 强 100 倍。

数据源：comments.json 已经过 parser 过滤——is_pinned=True 的商家置顶 / 反诈骗自动标了，可以跳过；其余都是用户真实评论。

分类四类（按"用户在干什么"分）：

类别	抓什么	例
ask 问	问购买路径 / 价格 / 地址 / 时间 / 渠道（转化前置信息）	"怎么买" / "多少钱" / "啥价" / "怎么卖" / "店在哪" / "几点关门" / "线上有吗"
request 求	主动提需求（强意向）	"求微信" / "还有吗" / "断码了吗" / "求联系"
praise 夸	共鸣 / 喜欢的具体表达	"好美" / "想要" / "高级感" / "显气质" / "心动"
objection 异议	纠正 / 反对（不是中性疑问）	"请不要叫它X" / "这是 A 不是 B" / "不应该这么贵"

输出格式（强制带证据）：

text

- {关键词}（{N} 条原评：「原文1」「原文2」「原文3」）— {一句解读 / 转化信号判断}

防伪约束（硬性）：

每个关键词必须附 1–3 条原始评论原文（直接从 comments.json 复制，不许改写）
找不到原文证据的关键词不允许出现——禁止凭空生成
疑问句不算异议——「不是真丝吗？」是中性询问，归 ask；「请别叫它新中式」才归 objection
同一原评可以同时归到多类——比如「怎么买啊好喜欢绿色」既是 ask 又是 praise，分别引用
comments.json 是 [] 或带 _error → 写「⚠️ 评论数据未获取」，不允许从 desc 推测

好坏对照：

text

✅ 好（带证据 + 解读）：
- 怎么买（5 条原评：「绿色裤子怎么买」「怎么购买？线上」「怎么买呢 好喜欢绿色」）—
  最高频转化信号
- 怎么卖 / 啥价（2 条原评：「怎么卖啊」「这套啥价」）— 询价的另一种说法
- 异议·满族服饰（1 条原评：「这是新宾满族服饰，请不要叫它新中式！」👍 1）—
  虽只 1 条但获赞，提示标签使用边界

❌ 差（无证据 / 编造）：
- 怎么买、多少钱、求链接（光列词，没原文，禁止）

❌ 差（误判疑问为异议）：
- 异议（评论：「这是真丝吗」）  ← 这是疑问不是异议

Step 6：回写图谱（让系统越用越聪明）

回写位置规范（严格）：

类型	文件	插入位置	格式
新钩子	`graph/engine/hooks.md`	`## 待分类（拆解新发现，先扔这里再人工归类）` 章节末尾	`### {情绪类型｜模式名}` 三级标题 + bullet (模式/适用/例/来源)
新风格词	`graph/engine/style-tags.md`	`## 待归类（拆解新发现）` 章节的表格末尾追加行	`
平台观察	`graph/platforms/xiaohongshu.md`	`## 观察日志` 章节头部插入（倒序，新的在最上）	`### {YYYY-MM-DD} · {一句话主题}` + bullet (来源/观察/数据/推论)

回写原则：

只追加，不删旧
每条带「来源 = 拆解编号」+「日期 / 数据」
与现有图谱有矛盾 → 不写入，输出末尾打 ⚠️ 给人工裁决
命中已有钩子/标签 → 不要重复添加，只在拆解卡里标"复用 graph 现有"即可

Step 6.5：输出前自检（强制清单）

每条必须 ✓，不通过不能进 Step 7：

text

□ 18 个 Excel 字段都填了，没有跳过
□ 元数据 5 项（作者/时间/互动/note_id/类型）都从 API 实拉，没编造
□ "风格" vs "场景" vs "情绪钩子" 没混淆（区分见 output-template.md）
□ 参考发布文案是 desc 原文（含 emoji 和换行），没改写没精简
□ 评论关键词每条都从 comments.json 找原文佐证；comments.json 含 `_error` 时统一写"⚠️ 未获取"
□ 旁白逻辑分析按"分层（钩子/铺垫/升华/CTA）"写了，不是一段流水
□ 风格标签命中 graph 已有词标了"已有"；新词标了"新增"
□ 情绪钩子命中 graph 已有模式显式标注；新模式准备 Step 6 回写
□ 参考热门标签直接用 note.json.hashtags（parser 已清理 [话题]）
□ Step 6 回写：明确说"N 项"或"无"，每项标了来源/日期
□ 客观拆解模式下：输出末尾追加 graph 未填充提示

Step 7：发布拆解卡

Step 7a · 生成 slug

从 title 生成文件/文档名 slug：

python

import re
slug = re.sub(r"[^\w一-龥\-_·]+", "-", title)[:30].strip("-") or "untitled"
# 例：「深圳新中式｜把江南春色穿在身上」→ "深圳新中式-把江南春色穿在身上"

最终命名：{编号}-{slug}（如 AIC-260426-001-深圳新中式-把江南春色穿在身上）。

Step 7b · 输出（按 agent 环境分支）

优先：飞书 Docx（OpenClaw 装了飞书官方插件时）

OpenClaw + 飞书插件给 agent 暴露的工具能直接创建云文档。在 OpenClaw 环境下：

用 飞书插件的「创建云文档 / create cloud doc」工具（具体工具名以你装的插件版本为准），把完整 markdown 内容传进去
标题用 {编号}-{slug}
拿到飞书文档 URL，记下来用于 Step 7c

Fallback：本地 markdown（Claude Code / 没有飞书插件 / 飞书工具失败）

bash

# Agent 用 Write 工具写到：
docs/deconstructions/{编号}-{slug}.md

判断逻辑：

agent 自检：当前会话有「create cloud doc」「飞书文档」类工具吗？
有 → 飞书优先，本地不写第二份
无 → 直接本地

注意：本 skill 不再封装飞书 API 调用。OpenClaw 飞书插件已经处理认证 / 上传 / 转换；agent 只需要调插件工具。Claude Code 用户如果想发布到飞书，需要自己手动复制 markdown 到飞书文档。

Step 7c · 给用户的总结（固定 4 行）

text

1. 拆解对象：{标题 / 作者 / 时长 / 互动数} ——一句话
2. 最强洞察：{1 个核心钩子或反常识发现}（{数据佐证，如"藏赞比 70%"}）
3. 发布到：{飞书 URL 或本地绝对路径}
4. 图谱回写：{N 项；列前 3 个，余略；如果 0 项明示"无"}

v2 Generate Mode（v0.2.0+）

把 v1 拆解卡当对标参考 + 我方品牌信息 → 生成我方版本的脚本 / 文案 / 素材图 / 封面 / 标签全套产出。

何时触发

用户说类似的话：

「基于 https://xhslink.com/o/xxx 给我家品牌生成同主题的视频」
「学这条结构出我家的 8 张图文笔记」
「这条爆款的钩子可以学，给我家做一套」

输入

必填	项	说明
✅	XHS 链接	用户只传链接，agent 不让用户记拆解卡文件名
✅	--type	`video` / `image` / `script` 三选一
✅	--count	1-N（图片张数 / 视频条数）
	--product-imgs	我方产品图路径（目录或单图）— v2.0 仅文本辅助生图，v2.1 改 image-to-image
	--product-usp	我方产品卖点文字描述
	--fresh	强制重拆 v1（绕开缓存）

输出工作区

text

docs/deconstructions/AIC-260426-001-xxx-generated/    ← v1 拆解卡同名目录加 -generated
└── GEN-260427-001-image/                            ← 一次 generate 一个 GEN-N
    ├── script.md                                    ← 完整脚本（图组规划 / 视频分镜 / 拍摄指引）
    ├── caption.txt                                  ← (video 类型) 屏幕字幕层
    ├── cover.png + cover.txt                        ← 封面图（含大字）+ 文案备份
    ├── frames/frame_NNN.png                         ← N 张参考素材图（Nano Banana 出，竖版 9:16）
    ├── desc.txt                                     ← XHS 发布正文
    ├── tags.txt                                     ← 标签（10-15 个）
    ├── seedance-prompt.md                           ← (video 类型) Seedance cinema-style prompt
    ├── shots/shot_NN.mp4                            ← (video, v0.3.0) Seedance 出的每个分镜真视频
    ├── final-video.mp4                              ← (video, v0.3.0) ffmpeg 拼接好的成片
    └── partial-video.md                             ← (video, v0.3.0) 各 shot 状态 + 失败 shot 的 prompt

工作流（10 step）

Step 0：preflight + 选模式

检查 OFOX_API_KEY（必需）+ TIKHUB_API_TOKEN（fallback 拆解用）
检查 graph 状态（决定品牌视角 vs 客观模式）

Step 1：链接 → 拆解卡

解析 link → note_id（复用 v1 linkresolve）
在 docs/deconstructions/ grep note_id
找到（≤7 天）→ 直接 Read
找到（>7 天）→ 提示用户「复用 / 重拆」
没找到 → 自动 fallback（v0.2.1 起）：透明触发 extract_xhs.py 抽取 note.json + comments.json + frames，写入 stub 拆解卡（文本字段填好；视觉字段标 ⚠️ AUTO-STUB 待 agent 后续读 frames/ 完善）

Step 2：读 graph 必读节点

brand-voice / brand-story / segments / taboo / hooks / style-tags / xiaohongshu

Step 3：收集我方输入

type / count / product-imgs / product-usp（前面 args 已拿）

Step 4：生成「脚本」（核心）

prompt 模板：拆解卡 + brand-voice + 钩子库 + 我方卖点
输出：script.md
重要约束：image 类型时强制每张图必须 single isolated subject（避免下游生图拼图）

Step 5：并行生成 4 类辅助文本

caption.txt（video 类型）
cover.txt
desc.txt
(依赖 desc 之后) tags.txt

Step 6：素材成片生成（image / video 类型）

N 张 frame（image 类型按 --count）+ 1 张 cover
Nano Banana 三路约束 prompt：
1. Layout reference ← 来自 script.md 单图描述
2. Brand style anchors ← 来自 graph/brand/brand-voice
3. Product description ← 来自 --product-usp + --product-imgs
关键约束（build_prompt 里硬编码）：
- STRICTLY VERTICAL 9:16 portrait
- SINGLE IMAGE only, NO collage / grid / multi-panel
- frame: ABSOLUTELY NO text；cover: 允许文字层

Step 7：seedance-prompt.md（仅 video 类型）

LLM 把脚本翻译成 Seedance cinema-style prompt（5-6 个 shot，每个 4-7s）
v0.3.0 起这个文件不仅给人看，还会被自动喂给 Seedance API（除非 --no-real-video）

Step 7.5：Seedance 真生视频（v0.3.0 起，video 类型默认）

解析 seedance-prompt.md 切出 N 个 shot
打印成本估算 + 3 秒 Ctrl+C 倒数（默认 1 shot 5s ≈ $0.20，5 shots ≈ $1）
顺序提交到火山方舟 Seedance 2.0（异步任务 + 轮询，单 shot 通常 1-3 分钟）
失败的 shot 不阻断其他 shot，只在 partial-video.md 里写明哪几个失败 + 失败 shot 的 prompt 方便手补
成功的 shot 用 ffmpeg concat 拼成 final-video.mp4
开关：--no-real-video（仅出 prompt 不调 API）/ --async（仅提交不等结果）/ --no-confirm（跳过 3 秒倒数）

Step 8：质检 validator（v0.2.1 起内置）

硬错 → 自动重跑相应步骤（最多 1 次）：禁忌词命中 / 文件为空 / tags < 5 / 图片过小（疑似生成失败）
软错 → 出 quality_report.md 让用户决定：desc 长度异常 / emoji 过多 / cover 多行
禁忌词词典从 graph/engine/taboo.md 自动提取，叠加默认极限词 / 营销过度词

Step 9：发布拆解卡

沿用 v1 Step 7：飞书优先 + 本地 fallback
输出 GEN-xxx 目录路径作为"产物"给用户

Step 10：4 行总结

text

1. 生成对象：基于 {拆解卡} + {我方品牌} 的 {类型}（{count} 张/条）
2. 产出：script.md + cover + N 张 frame + desc + tags + (seedance-prompt)
3. 工作区：{绝对路径}
4. 耗时 / 调用：{秒} / {LLM 次} + {图片次}

命令行用法

bash

# 8 张图文笔记
python3 scripts/generate_xhs.py "<XHS link>" --type image --count 8 \
  --product-usp "新中式女装：真丝马甲 + 立体绣衬衫" \
  --product-imgs ~/photos/spring-2026/

# 1 条视频（v0.3.0 起默认真生视频，~$1，Ctrl+C 可中断）
python3 scripts/generate_xhs.py "<XHS link>" --type video --count 1

# 1 条视频但只出 prompt + 封面 + 1 帧关键图（节省成本）
python3 scripts/generate_xhs.py "<XHS link>" --type video --count 1 --no-real-video

# 异步：仅提交 Seedance 任务立即返回 task_id，自己后续手动拉
python3 scripts/generate_xhs.py "<XHS link>" --type video --count 1 --async

# 仅出脚本（拍摄指引型）
python3 scripts/generate_xhs.py "<XHS link>" --type script --count 1

# 强制重拆 v1（绕开缓存）
python3 scripts/generate_xhs.py "<XHS link>" --type image --count 8 --fresh

# 仅环境检查（含 OFOX_API_KEY）
python3 scripts/generate_xhs.py --check

已知限制 / 路线图

限制	解决方向	计划
~~视频不真生成（仅出 prompt）~~	~~接火山 Seedance 2.0 API~~	✅ v0.3.0
不出钩子变体（一次只 1 套）	LLM 多 round 出 N 套不同钩子	v0.4.x
人物一致性弱（每张图脸不同）	引入 IP-Adapter / InstantID	v0.5.x
~~没自动质检~~	~~validator.py 硬+软错检测~~	✅ v0.2.1
~~Fallback 拆解需手动跑~~	~~内置自动调用 v1~~	✅ v0.2.1
Stub 卡视觉字段 agent 手补	vision LLM 自动补全	v0.4.0

边界与原则（generate mode）

不伪造产品信息：用户没传产品图 / 卖点 → prompt 里说明"用户未提供视觉参考"，让 LLM 不虚构具体颜色/材质细节
不抄对标：脚本里禁止出现对标视频里的具体专有名词（品牌 / 主理人 / 地点）
图片质量是参考非成品：v2.0 生图定位是 mood board / 给摄影师看的视觉参考，不是直发素材（决策见 spec §1）
品牌一致性走三路约束：参考图 + brand-voice prompt + 拆解卡 layout，缺任意一路都退化但不阻断
Ofox 调用按次计费：每次 generate 约 4-7 LLM + N+1 image calls，建议先 --count 1 验证再上量

v1 边界与原则（deconstruct mode）

不伪造：API 失败、视频下载失败、字幕识别不到 → 直接标「未获取」
拆解是观察不是评论：客观字段写"画面是 X"，主观判断只在「情绪钩子 / 爆款主题 / 可学习要点」三格允许
graph 只追加：回写不改写历史；矛盾打 ⚠️ 给用户
Token 控制：视频帧 >30 张时，先按时间段聚合（每 5 秒选 1 帧代表）再细描
不做内容生成：本 mode 只输出拆解卡 + 图谱回写（v2 generate 干生成的事）

安装与依赖

系统要求

依赖	用途	安装
Python ≥ 3.10	运行所有脚本	macOS: `brew install python@3.12` Linux: `apt install python3.12` 或 pyenv Windows: python.org
ffmpeg	视频抽帧（图文笔记可省）	macOS: `brew install ffmpeg` Linux: `apt install ffmpeg`（或 dnf / pacman） Windows: `choco install ffmpeg`

没有 pip 依赖——脚本只用 Python stdlib。

API tokens

v1 拆解需要 TIKHUB_API_TOKEN（必需 for deconstruct） v2 生成需要 OFOX_API_KEY（必需 for generate；管 LLM + Nano Banana 出图） v0.3.0+ 真生视频需要 ARK_API_KEY（必需 for video 类型默认行为；可用 --no-real-video 绕开）

bash

# v1 拆解：TikHub
mkdir -p ~/.config/content-engine
echo 'TIKHUB_API_TOKEN=你的_tikhub_token' >> ~/.config/content-engine/.env

# v2 生成：Ofox（管 LLM 文本 + Nano Banana 图片）
echo 'OFOX_API_KEY=ofox-你的_key' >> ~/.config/content-engine/.env

# v0.3.0+ 视频生成：火山方舟 Ark（Seedance 2.0）
echo 'ARK_API_KEY=你的_ark_key' >> ~/.config/content-engine/.env

Token	注册	用途	必需吗？
`TIKHUB_API_TOKEN`	tikhub.io	XHS API（拆解原始数据）	v1 拆解必需
`OFOX_API_KEY`	ofox.ai	LLM + Nano Banana 图片	v2 生成必需
`ARK_API_KEY`	火山方舟	Seedance 2.0 视频生成	v0.3.0+ 真生视频时必需；`--no-real-video` 可绕开
`OPENROUTER_API_KEY`	openrouter.ai	（备选）替代 Ofox 提供 LLM	可选兼容

⚠️ ARK API Key 不要用 IAM AK/SK（两者格式都是 UUID 但不通用）。在火山方舟控制台「API Key 管理」单独创建，并在「开通管理 → 视觉模型」下开通 Doubao-Seedance-2.0-fast（默认有 500 万 tokens 免费额度）。

切换 model：export ARK_VIDEO_MODEL=doubao-seedance-1-5-pro-251215（或其他版本）。

Token 查找顺序（第一个找到即用）：

对应环境变量（TIKHUB_API_TOKEN / OFOX_API_KEY / ARK_API_KEY / OPENROUTER_API_KEY）
当前工作目录的 .env
~/.config/content-engine/.env（XDG 标准）
Skill 根目录的 .env

验证安装

bash

python3 scripts/extract_xhs.py --check

输出每项检查 ✅/❌/⚠️ 状态 + 失败的修复指引。

国内用户注意

TikHub 主域名 api.tikhub.io 在中国大陆需要代理
替代镜像：api.tikhub.dev（无需代理）— 在 .env 设 TIKHUB_BASE_URL=https://api.tikhub.dev 启用

飞书发布（仅 OpenClaw 用户）

本 skill 不内置飞书 API 调用。如果你想拆解卡自动发布到飞书 Docx，安装 OpenClaw 飞书官方插件：

bash

npx -y @larksuite/openclaw-lark install

详见 OpenClaw 飞书官方插件文档。

装好后：

agent 在 OpenClaw 里有「创建云文档 / 读取云文档 / 更新云文档」等原生工具
SKILL.md Step 7 会让 agent 调插件工具发布
凭据由插件管理，本 skill 无需任何飞书相关配置

Claude Code 或其他环境：拆解卡保存到本地 docs/deconstructions/，需手动复制到飞书。

内容引擎

Install

内容引擎

Mode 路线图

平台路线图

架构核心：graph/ 是大脑

何时触发

输入

输出

工作流

Step 0：检测 graph 状态 → 选模式

Step 1-3：一键拉数据 → 工作区

Step 4：多模态拆解

Step 4a · 拆解前必读（graph 硬卡点）

Step 4b · 视频分支（type == "video"）

Step 4c · 图片分支（type == "normal"）

Step 5：抽取剩余字段

Step 5a · 字段填充表（graph 影响）

Step 5b · 主观字段质量标尺

Step 5c · 评论关键词的语义分类（你自己做，不依赖 regex）

Step 6：回写图谱（让系统越用越聪明）

Step 6.5：输出前自检（强制清单）

Step 7：发布拆解卡

Step 7a · 生成 slug

Step 7b · 输出（按 agent 环境分支）

Step 7c · 给用户的总结（固定 4 行）

v2 Generate Mode（v0.2.0+）

何时触发

输入

输出工作区

工作流（10 step）

Step 0：preflight + 选模式

Step 1：链接 → 拆解卡

Step 2：读 graph 必读节点

Step 3：收集我方输入

Step 4：生成「脚本」（核心）

Step 5：并行生成 4 类辅助文本

Step 6：素材成片生成（image / video 类型）

Step 7：seedance-prompt.md（仅 video 类型）

Step 7.5：Seedance 真生视频（v0.3.0 起，video 类型默认）

Step 8：质检 validator（v0.2.1 起内置）

Step 9：发布拆解卡

Step 10：4 行总结

命令行用法

已知限制 / 路线图

边界与原则（generate mode）

v1 边界与原则（deconstruct mode）

安装与依赖

系统要求

API tokens

验证安装

国内用户注意

飞书发布（仅 OpenClaw 用户）

相关 / 参考

Related skills