ClawHub

Wechat Mp Writer

Other

自媒体内容运营闭环助手。从选题、写作、封面图生成到多平台分发、数据监测与迭代优化的全链路闭环技能。当用户需要做内容运营、自媒体运营、内容生产流水线、数据驱动选题策略时使用此技能。

Install

openclaw skills install self-media-content-ops

自媒体内容运营闭环助手

从选题到迭代的全链路闭环：选题策略 → 内容写作 → 封面图生成 → 多平台分发 → 数据监测分析 → 数据驱动选题优化。

快速开始

  1. 打开 references/account-profile.md，替换成你自己的账号定位、人设、选题方向
  2. 根据需要调整其他 reference 文件（写作标准、标题方法论、选题策略、封面图风格）
  3. 配置目标平台的发布凭证
  4. 开始使用

💡 所有个性化配置都在 references/ 目录下，替换即可适配你自己的账号，无需修改 SKILL.md

为什么用这个技能

市面上的内容工具只做"写"，写完你自己排版、自己找图、自己发布。这个技能做的是完整闭环：

  • 选题有策略：内线选题池+防撞车 + 外线热点抓取+高讨论度话题监测，两条线交叉验证
  • 写作有标准：可配置的写作结构和校验规则，不通过自动重写
  • 封面图AI生成：z-ai image 生成封面，自动裁剪到目标平台规格
  • 一键发布：Markdown自动排版为目标平台风格HTML，直接发布到草稿箱
  • 多平台分发：同源内容一键分发到多个自媒体平台，不用手动搬运
  • 数据驱动迭代：多平台数据监测，藏/赞比分析+情感共鸣分析，数据反哺选题

六层流水线

① 选题层

两条腿走路：内线是选题池+防撞车机制，每天从不同方向轮换；外线是近一周热点抓取+高讨论度话题监测。两条线交叉验证，既有策略性又有时效性。

② 写作层

可配置的写作结构（默认：结论先行→情绪入口→拆穿主体→行动出口），5条硬性校验，不通过自动重写。写作标准、标题方法论、选题策略全部沉淀在references文档里，不是每次从零开始。

③ 视觉层

AI生成封面图，风格可在 account-profile.md 中配置。Markdown自动排版为目标平台风格HTML，带内联样式的标题装饰线、段落行高、引用块——不是复制粘贴，是程序化排版。

④ 分发层

同源内容一键分发到多个自媒体平台，不用手动搬运。支持草稿箱发布和定时发布，用户确认后才执行。

⑤ 数据层

多平台数据监测，不是只看概览数字，是读内容→拉数据→交叉分析→产出方向。哪篇收藏率高（干货有帮助），哪篇评论多（有争议性），哪篇只点赞不收藏（情绪共鸣但没留存价值）——数据告诉我不只是"什么标题好"，是"什么内容真的帮到了人"。

⑥ 闭环层

内容运营的核心是迭代：

写 → 发 → 看数据 → 总结 → 调整 → 再写

Agent每天跑完会基于数据调整第二天的选题方向。收藏率高的方向加码，只有情绪没有干货的方向砍掉，标题风格根据点击数据迭代。同时抓取近期热点和高讨论度话题，把外部信号也喂进选题池——数据告诉我"什么内容帮到了人"，热点告诉我"什么话题大家正在聊"，两条线交叉才有好选题。

热点抓取

每次选题前扫描近一周热点和高讨论度话题：

  • 使用 web-search skill 搜索相关热搜、争议事件、行业变动
  • 至少搜索5组关键词，确保覆盖面
  • 筛选和账号领域相关的热点，淘汰无关类目
  • 与选题池内线交叉验证，既有策略性又有时效性

数据监测（内置）

内置 media_monitor.py，支持多平台数据监测和两层分析框架，无需额外安装独立skill。

# 抓取平台数据
python3 media_monitor.py --platform <平台> --action note-details

# 完整分析（数据+两层分析）
python3 media_monitor.py --platform <平台> --action analyze

# 检查Cookie是否有效
python3 media_monitor.py --platform <平台> --action check-cookie

支持平台：小红书（Cookie+签名API）、公众号（Playwright+Cookie）

⚠️ 公众号为订阅号，无 datacube API 权限，通过 Playwright+Cookie 从后台抓取 ⚠️ Cookie有效期有限，每次执行前需检查有效性

两层分析框架

第一层：行动帮助分析（核心指标：藏/赞比）

  • 藏/赞比 > 1 = 内容有切实帮助，读者要留着以后用
  • 藏/赞比 < 1 = 只是情绪共鸣，读者认同但不需要留存
  • 收藏率（藏/阅读量）= 干货含量的直接信号

第二层：情感共鸣分析（指标：转发率和评论率）

  • 转发率高 = 读者觉得"别人也需要看"，内容有传播力
  • 评论率高 = 读者有话想说，内容触发了表达欲
  • 点赞率高但藏/赞比低 = 只是认同，没有留存价值

综合判断

  • 最好 = 帮助强 + 共鸣强（藏/赞比高 + 转发率高）
  • 次好 = 帮助强 + 共鸣弱（干货型）
  • 第三 = 共鸣强 + 帮助弱（情绪型）
  • 最弱 = 两者都弱

跨平台交叉对比

  • 同一篇文章在不同平台的表现差异
  • 哪些内容在多个平台都表现好（真正的爆款信号）
  • 哪些内容只在单平台好（可能是平台调性差异）

内容发布

Markdown内容自动排版后发布到目标平台草稿箱，用户确认后执行。

python3 wechat_mp.py --action publish \
  --file article.md \
  --thumb cover.jpg \
  --title "文章标题" \
  --digest "核心观点摘要"

文件结构

wechat-mp-writer/
├── SKILL.md                          # 本文件（通用框架，无需修改）
├── scripts/
│   ├── wechat_mp.py                  # 内容发布脚本
│   ├── media_monitor.py              # 数据监测脚本（内置）
│   └── .env.example                  # 配置模板
├── references/
│   ├── account-profile.md            # ⭐ 账号画像配置（替换成你自己的）
│   ├── writing-standard.md           # 写作标准（含校验规则）
│   ├── title-methodology.md          # 标题方法论
│   ├── topic-strategy.md             # 选题策略详解
│   └── cover-design-guide.md         # 封面图设计指南
└── assets/
    └── article-template.md           # 文章模板

配合使用的 skill：

  • tencent-docs：腾讯文档同步

依赖

  • z-ai CLI：封面图生成（z-ai image）
  • Pillow：封面图裁剪
  • Playwright：数据抓取
  • tencent-docs MCP：腾讯文档同步

注意事项

  • 所有临时文件存放在 output/ 目录下，按日期分子目录
  • 每篇文章必须通过校验才输出，不通过自动重写
  • 封面图质量敏感，AI生图 > HTML+Playwright截图 > PIL直接生成
  • 发布后主动汇报结果，包括标题、文档链接、发布状态