hit-content-writer

独立提取、分析、存储、查询和智能仿写爆款短视频及文章内容，支持结构化分析与多平台适配。

Security Scan

Skill appears to implement content-extraction, analysis, storage and rewriting as described, but there are inconsistencies and missing declarations (notably an external embedding API and API key referenced in README/SKILL docs that are not declared in the registry metadata), and it relies on other tools/skills that you should audit first.

Purpose & Capability

The skill's name/description (extract, analyze, store, query, rewrite short-video/article content) matches the instructions and included docs. Declared dependencies (jl-video-downloader, jl-vector-store, optional jl-content-rewriter) are coherent for the stated purpose. However, README/SKILL.md ask users to set EMBEDDING_BASE_URL, EMBEDDING_API_KEY, and EMBEDDING_MODEL for embeddings (pointing to https://api.siliconflow.cn and BAAI/bge-large-zh-v1.5) even though the registry metadata lists no required environment variables — this mismatch is unexpected.

Instruction Scope

SKILL.md explicitly instructs the agent to (a) call jl-video-downloader to extract text from short-video links, (b) use jl-vector-store (ChromaDB) to store/query vectorized content, and (c) read local file paths when the user provides them (e.g., /path/to/content.txt). These are within the skill's stated purpose. The docs also recommend sending data to an external embeddings API (api.siliconflow.cn) for vectorization — that is an external endpoint outside the skill's claimed domain and should be considered when deciding whether to provide credentials or store sensitive content.

Install Mechanism

This is an instruction-only skill with no install spec or code files; that's low-risk in isolation. The docs advise running 'uv tool install jl-vector-store' (a platform tool install) which is reasonable. There is no arbitrary URL download or archive extraction in the skill distribution itself.

Credentials

Registry metadata declares no required env vars, but README instructs users to export EMBEDDING_BASE_URL, EMBEDDING_API_KEY and EMBEDDING_MODEL and to use an external embedding endpoint (https://api.siliconflow.cn). Requesting an API key for an external service is reasonable for embeddings, but the absence of these env vars in the declared requirements is an inconsistency and increases the chance users will unexpectedly provide credentials. The skill also handles storing user-provided content (which could include copyrighted or private data) — that capability is expected but raises data-sensitivity considerations.

Persistence & Privilege

always:false and no install-time persistent privileges are requested by the skill. The skill does describe storing vectors into ChromaDB (user-managed storage) which is expected behavior for a storage/query feature. The skill does not request to modify other skills or system-wide configs.

What to consider before installing

This skill is largely coherent with its stated purpose (extract/analyze/store/rewrite content) but has a few red flags you should address before installing: 1) The README/SKILL.md instruct you to set EMBEDDING_BASE_URL and EMBEDDING_API_KEY (pointing at api.siliconflow.cn) but the registry lists no required env vars — ask the author to declare those env vars explicitly and explain why that endpoint is used. 2) Inspect or vet the jl-vector-store and jl-video-downloader tools/skills (where do they send data? are they trusted?) because extracted content and embeddings may be transmitted externally. 3) Be careful about storing copyrighted material or personal data in the vector DB; confirm retention and deletion policies. 4) If you must provide an embedding API key, only use credentials you trust and consider creating a dedicated, limited-permission key. 5) Ask the author for a clear privacy/data-flow statement (where content, embeddings, and metadata are sent and stored). If these questions are answered satisfactorily and you trust the external embedding provider and dependent tools, the skill behavior is reasonable for its purpose.

🚀 爆款内容仿写专家

工具安装及配置

安装爆款内容存储和查询工具

uv tool install jl-vector-store

核心能力

重要提示: 以下每个操作都是独立的，可单独执行。例如：提取文案仅提取文案，不会自动存储或分析；分析内容仅进行分析，不会自动存储。

🔍 爆款短视频文案提取（独立操作）

• 结构分析: 自动识别各短视频详情网址或分享地址
• 内容提取: 调用技能jl-video-downloader,提取文案内容
• 输入: 短视频详情网址或分享内容
• 输出： 自动清理和格式化文案并输出

🔍 智能拆解分析（独立操作）

• 结构分析: 自动识别爆款内容的标题、开头、正文、结尾结构
• 要素提取: 提取核心观点、关键词、情感倾向、句式特点
• 风格识别: 分析语言风格（正式/口语/幽默/专业等）
• 平台适配: 识别内容适合的平台（抖音/小红书/公众号/B站等）
• 输入： 直接输入内容或短视频提取的文案
• 输出: 结构化分析报告

# 分析维度（详细设计见 references/content-analyzer.md）
1. 基础结构分析：长度、段落、句子统计
2. 核心要素提取：关键词、观点、情感倾向
3. 风格特征识别：写作风格、句式特点、修辞手法
4. 钩子分析：悬念、问题、故事、数据、情感、利益钩子
5. 节奏分析：句子变化、段落平衡、钩子分布、情绪变化
6. 情绪曲线：情绪分数计算、变化轨迹分析
7. 平台适配：针对不同平台的内容特征匹配

💾 智能存储管理（独立操作）

• 向量化存储: 使用ChromaDB存储爆款内容的向量表示
• 元数据管理: 平台等元数据
• 分类标签: 自动打标签（情感/主题/风格/平台）
• 快速检索: 支持语义搜索和关键词搜索
• 输入: 爆款内容文本（可直接存储，无需先分析）
• 输出: 存储确认信息

jl-vector-store store --content [爆款内容文本] --platform [爆款来源平台]

# 示例
jl-vector-store store --content 我要存储内容 --platform 抖音
# 输出
存储成功，ID: hit_20ab0ecd39384208

🔍 查询参考内容（独立操作）

• 相似度匹配: 基于语义相似度查找最相关的爆款参考
• 输入: 目标主题或关键词
• 输出: 最相似的爆款内容

## --platform 可选
jl-vector-store query --text [目标主题或关键词] --platform 抖音

# 示例
jl-vector-store query --text [目标主题或关键词] --platform 抖音

# 输出内容：
平台: 内容归属平台
内容: 检索的内容呢

✍️ 智能参考仿写（独立操作）

• 结构模仿: 参考爆款的结构框架进行仿写
• 风格迁移: 学习爆款的写作风格和语言特点
• 创新融合: 结合多个爆款优点进行创新创作
• 输入: 目标主题（可选提供参考爆款或分析结果）
• 输出: 仿写初稿 + 策略说明

# 仿写策略（详细设计见 references/rewrite_strategies.md）
1. 结构模仿法：复制成功的内容结构框架
2. 风格迁移法：学习并应用特定的写作风格
3. 要素重组法：融合多个参考爆款的优点
4. 平台适配法：根据平台特征调整内容表达
5. 创新融合法：在模仿基础上实现创新突破

# 策略选择依据
- 目标与参考的相似度评分
- 风格匹配度和平台适配度
- 用户明确指定的仿写要求
- 多参考情况下的优势组合

🧠 核心分析能力

注：以下为设计文档参考，实际实现可能采用不同技术方案。

1. 智能内容分析（基于设计文档）

• 设计文档
• 设计哲学

能力特点:
- 多维度深度分析：结构、风格、钩子、节奏、情绪曲线
- LLM驱动：利用大语言模型的理解能力
- 结构化输出：符合预定格式的分析报告
- 可解释性：分析方法和标准透明可见

实现方式:
- 提示工程：精确的分析提示模板
- 会话管理：在OpenClaw会话中保持分析状态
- 结果缓存：避免重复分析相同内容
- 渐进增强：随着使用不断优化分析质量

2. 智能仿写策略（基于设计文档）

具体请查看设计文档和快速参考：

• 设计文档
• 快速参考

核心策略:
1. 结构模仿法：复制成功的内容结构框架
2. 风格迁移法：学习并应用特定的写作风格
3. 要素重组法：融合多个参考爆款的优点
4. 平台适配法：根据平台特征调整内容表达
5. 创新融合法：在模仿基础上实现创新突破

策略选择:
- 基于相似度、风格匹配度、平台适配度
- 考虑用户明确指定的仿写要求
- 多参考情况下的智能优势组合

质量控制:
- 原创性控制：相似度20-40%理想范围
- 可读性保证：符合目标受众阅读习惯
- 传播力预测：基于爆款特征预测潜力
- 平台适配度：符合平台规范和用户期待

🚀 快速开始

独立操作示例

每个操作都是独立的，可单独执行。以下为各操作的独立使用示例：

1. 文案提取（独立操作）

仅提取文案，不进行存储或分析。

# 从短视频链接提取文案
使用hit-content-rewriter提取文案：https://www.douyin.com/video/123456789

# 从分享内容提取
使用hit-content-rewriter提取文案：[抖音分享内容包含链接]

# 提取后仅输出文案文本，不进行其他处理

2. 内容分析（独立操作）

仅分析内容，不进行存储或仿写。

# 分析文本内容
使用hit-content-rewriter分析这个爆款内容：[你的文本内容]

# 分析文件内容
使用hit-content-rewriter分析这个爆款文件：/path/to/content.txt

# 分析后输出分析报告，不自动存储

3. 内容存储（独立操作）

仅存储内容，无需先分析。

# 存储文本内容
使用hit-content-rewriter存储内容：[爆款内容文本] --platform 抖音

# 存储文件内容
使用hit-content-rewriter存储文件：/path/to/content.txt --platform 小红书

# 直接存储，不进行前置分析

4. 内容查询（独立操作）

仅查询相似内容，不进行仿写。

# 查询相似爆款
使用hit-content-rewriter查找关于[健身/学习/理财]的爆款参考

# 按平台查询
使用hit-content-rewriter查找抖音上关于[主题]的爆款

# 按风格查询
使用hit-content-rewriter查找幽默风格的[主题]爆款

# 仅返回查询结果，不进行后续处理

5. 智能仿写（独立操作）

仅进行仿写，可独立运行。

# 基础仿写（仅提供主题）
使用hit-content-rewriter仿写关于[如何提高工作效率]的内容

# 进阶仿写（指定参数）
使用hit-content-rewriter进行爆款仿写：
目标主题：如何提升学习效率
参考要求：需要幽默风格，适合小红书平台
特殊要求：包含3个实用技巧，长度300字左右

# 仿写后输出内容，不自动存储或分析

操作组合说明

如需组合多个操作，请分别执行：

1. 先提取文案 → 再分析内容 → 最后存储（三个独立操作）
2. 先查询参考 → 再基于查询结果仿写（两个独立操作）
3. 任何操作都可单独执行，不会自动触发其他操作

📊 参考模板

• 分析报告格式模板
• 仿写结果格式模板

⚠️ 注意事项

合规性要求

1. 版权尊重: 仿写不是抄袭，必须保持足够的原创性
2. 平台规则: 遵守各平台的内容规范和政策
3. 内容安全: 不生成违法违规内容
4. 隐私保护: 不处理个人隐私信息

技术限制

1. 模型依赖: 需要合适的嵌入模型支持
2. 存储空间: ChromaDB需要足够的磁盘空间
3. 处理时间: 复杂内容分析可能需要较长时间
4. 网络要求: 部分功能需要网络连接