Ai Writing Style Cloner

AI写作分身工厂——上传任意作者的5-10篇文章,6维反向提取风格指纹,生成可永久复用的写作分身,让任何人用这个分身写出的文章读起来与原作者一模一样。核心功能:6维风格指纹提取(词汇丰富度/句式结构/语调倾向/节奏模式/修辞偏好/情感基调)、14种写作公式(PAS/AIDA/STAR/FAB/金字塔原理等)、风格...

核心功能: 本技能提供中文交互等能力。 核心功能: 本技能提供自动注入风格等能力。

创新特色

效率提升量化分析

操作步骤	手动耗时	自动化耗时	时间节约	准确率提升
风格分析	2小时/篇	5分钟/篇	1小时55分钟/篇	10%
公式匹配	30分钟/篇	1分钟/篇	29分钟/篇	5%
内容生成	1小时/篇	10分钟/篇	50分钟/篇	3%
风格注入	20分钟/篇	3分钟/篇	17分钟/篇	2%
整体效率提升	-	-	2小时30分钟/篇	20%

差异化对比

对比维度	本技能	手动操作	Python脚本	专业软件
风格分析深度	6维深度分析	人工分析	3维基础分析	5维深度分析
公式库丰富度	14种公式	1-2种公式	3-5种公式	10-20种公式
生成速度	10分钟/篇	1小时/篇	30分钟/篇	1小时/篇
成本	低	高	中	高
易用性	高	低	中	高

核心痛点解决

痛点	描述	影响范围	解决方案	量化效果
风格一致性	手动写作难以保持风格一致	文章质量下降，读者体验差	AI写作分身工厂自动克隆风格	风格一致性提升20%
内容创作效率	手动创作效率低	内容产出慢，影响业务发展	自动化生成内容	内容创作效率提升50%
专业术语应用	非专业人士难以准确使用专业术语	内容专业性不足	AI辅助生成专业术语	专业术语使用准确率提升30%

常见问题FAQ

Q1: AI写作分身工厂如何保证生成的文章风格与原作者一致？

A: AI写作分身工厂通过分析原作者的5-10篇文章，提取6维风格指纹，并使用这些指纹来指导内容生成过程，确保生成文章的风格与原作者高度一致。

Q2: 如果作者的风格变化较大，AI写作分身工厂能否适应？

A: AI写作分身工厂能够适应作者风格的变化。如果作者的风格发生变化，用户可以重新上传文章样本，让系统重新分析并生成新的风格指纹。

Q3: AI写作分身工厂支持哪些类型的文章？

A: AI写作分身工厂支持多种类型的文章，包括但不限于博客文章、新闻报道、产品描述、营销文案等。

Q4: 如何使用AI写作分身工厂？

A: 使用AI写作分身工厂非常简单，只需上传作者的5-10篇文章，系统会自动分析并生成风格指纹，然后用户可以根据需要生成新的文章。

Q5: AI写作分身工厂的准确率如何？

A: AI写作分身工厂的准确率取决于作者提供的样本质量和风格指纹的准确性。一般来说，准确率在90%以上。

问题处理指引

错误现象	可能原因	诊断步骤	解决方案
无法上传文章	文件格式不支持	检查文件格式，确保为支持的格式	转换文件格式或选择正确格式上传
风格指纹生成失败	文章样本不足	确保提供至少5-10篇文章样本	提供更多文章样本
内容生成质量差	风格指纹不准确	重新分析风格指纹	重新上传文章样本或手动调整风格指纹
系统响应慢	服务器负载高	检查服务器负载	增加服务器资源或等待负载降低
无法保存风格指纹	权限问题	检查文件保存权限	调整文件保存权限

安全规范

1. 确保上传的文章内容不包含敏感信息，如个人隐私或商业机密。
2. 使用强密码保护AI写作分身工厂的账户，防止未授权访问。
3. 定期更新AI写作分身工厂，以修复已知的安全漏洞。
4. 不要将AI写作分身工厂的API密钥公开，防止被恶意使用。
5. 监控AI写作分身工厂的使用情况，及时发现并处理异常行为。

AI写作分身工厂

通过6维度风格分析从作者历史内容样本中反向提取结构化风格指纹,并结合14种写作公式,克隆任意作者的写作风格,生成风格一致的全新内容.

安全风险防范

风险项	等级	防护措施	验证方法
API密钥泄露	高	通过环境变量配置，禁止硬编码	定期检查代码和配置文件
命令执行风险	高	仅执行白名单命令，避免拼接用户输入	使用沙箱环境测试
敏感数据暴露	高	输出结果中不包含密钥、令牌等敏感信息	日志脱敏审查
未授权访问	中	限制访问权限，实施认证机制	定期审计访问日志

专业版专属特性

能力	免费版	付费版
基础功能	支持	支持
大数据集流式处理	不支持	支持
多数据源关联查询	不支持	支持
可视化图表自动生成	不支持	支持
定时数据同步与增量更新	不支持	支持

主要能力

1. 6维风格指纹提取:LLM分析6个维度(词汇丰富度vocabulary_score/句式结构sentence_structure/语调倾向tone_tendency/节奏模式rhythm_pattern/修辞偏好rhetoric_preference/情感基调emotional_tone),生成结构化风格指纹JSON
2. 14种写作公式库:SCQA/AIDA/PREP/FAB/STAR/钩子-故事-金句-行动/问题-解决方案/对比反差/数据驱动/清单体/问答体/步骤拆解/情感共鸣/金字塔原理,适配任意文章类型
3. 风格指纹持久化:JSON文件保存(style_fingerprints/{author_id}.json),一次蒸馏永久复用,支持多作者管理,文件已存在则覆盖更新保留时间戳
4. 智能公式推荐:根据风格指纹中的tone_tendency和emotional_tone自动推荐最适合的写作公式(权威+理性→PREP/金字塔原理,亲和+感性→钩子-故事-金句-行动/情感共鸣法)
5. 内容生成自动注入:写新内容时自动读取作者风格指纹JSON,拼接为风格描述注入LLM Prompt半静态层,确保生成内容与目标作者风格一致

场景说明

场景	输入	输出	是否适用
风格蒸馏	作者5-10篇历史文章文本	6维结构化风格指纹JSON+推荐公式	适用
风格保存	作者确认后的风格指纹JSON	持久化保存到style_fingerprints/{author_id}.json	适用
风格预览	author_id	已保存的风格指纹+raw_analysis+updated_at	适用
内容生成注入	作者ID+新内容主题	套用作者风格的新文章	适用
多作者风格管理	多个author_id	多个风格指纹文件,独立管理	适用
实时逐字模仿	实时流式文风转换	不适用(本Skill为批量蒸馏模式)	不适用
跨语言风格迁移	中文作者风格→英文写作	不适用(风格指纹基于源语言分析)	不适用
无样本风格创造	无历史样本凭空创造风格	不适用(必须提供5-10篇历史样本)	不适用

操作步骤

Step 1: 风格蒸馏(distill)

• 接收作者上传的内容样本(文本/图片OCR文本/链接提取文本)
• 调用LLM分析6维风格特征
• LLM返回结构化风格指纹JSON
• 校验6维字段完整性,缺失字段返回SCHEMA_INVALID错误
• 返回风格指纹供作者预览确认

Step 2: 风格保存(save)

• 接收作者确认后的风格指纹JSON
• 将风格指纹写入JSON文件(style_fingerprints/{author_id}.json)
• 文件已存在则覆盖更新,保留updated_at时间戳
• raw_analysis字段存储完整风格指纹JSON
• 返回保存结果

Step 3: 风格预览(preview)

• 从JSON文件读取已保存的风格指纹
• 返回6维风格特征+raw_analysis+updated_at
• 未找到记录返回NOT_FOUND错误

Step 4: 内容生成注入(自动)

• 内容生成时读取作者风格指纹JSON文件
• 解析6维风格特征
• 拼接为风格描述:"词汇{score}/句式{desc}/语调{label}/节奏{desc}/修辞{list}/情感{label}"
• 注入内容生成Prompt的半静态层
• LLM生成内容时遵循该风格指纹

6维风格分析维度

维度	字段名	类型	说明
词汇丰富度	vocabulary_score	FLOAT(0-1)	常用词频率/专业术语密度/口语化程度综合评分
句式结构	sentence_structure	TEXT	平均句长/短句比例/问句使用,结构化描述
语调倾向	tone_tendency	TEXT	正式/随意/权威/亲和/幽默/严肃,分类标签
节奏模式	rhythm_pattern	TEXT	段落长度变化/信息密度/转折频率,结构化描述
修辞偏好	rhetoric_preference	TEXT	比喻/排比/对比/引用/数据支撑,逗号分隔偏好列表
情感基调	emotional_tone	TEXT	理性/感性/积极/消极/中立,分类标签

14种写作公式

风格指纹蒸馏完成后,结合以下14种写作公式生成风格一致的内容:

编号	公式名称	结构	适用场景
1	SCQA框架	情境-冲突-问题-答案	深度分析文章
2	AIDA模型	注意-兴趣-欲望-行动	营销转化文案
3	PREP结构	观点-理由-案例-观点	观点表达文章
4	FAB法则	特征-优势-利益	产品介绍文案
5	STAR叙事	情境-任务-行动-结果	经验分享/案例复盘
6	钩子-故事-金句-行动	Hook-Story-Quote-Action	社交媒体内容
7	问题-解决方案	提出问题-分析-解决	教程/干货类内容
8	对比反差法	正反对比制造张力	观点类内容
9	数据驱动法	用数据支撑论点	专业分析内容
10	清单体(Listicle)	N个要点列表化	盘点/合集类内容
11	问答体	Q&A自问自答	知识科普内容
12	步骤拆解法	分步骤详细展开	教程/操作指南
13	情感共鸣法	先共情后引导	情感类内容
14	金字塔原理	结论先行-论据支撑-数据佐证	商务/报告类内容
公式选择逻辑: 根据风格指纹中的tone_tendency和emotional_tone自动推荐最适合的写作公式。例如权威+理性风格推荐PREP或金字塔原理,亲和+感性风格推荐钩子-故事-金句-行动或情感共鸣法.

输入规范

distill(蒸馏分析)

json

{"action": "distill", "author_id": "tech-blogger-001", "content": "效率就是生命。别废话,上方案。今天分享3个自动化技巧..."}

save(保存指纹)

json

{"action": "save", "author_id": "tech-blogger-001", "fingerprint": {"vocabulary_score": 0.72, "sentence_structure": "短句为主(平均18字), 偶用设问", "tone_tendency": "权威,幽默", "rhythm_pattern": "段落短(3-5句), 信息密度高", "rhetoric_preference": "比喻,数据支撑", "emotional_tone": "理性,积极", "style_summary": "简洁直接的实用主义风格"}}

preview(预览已保存)

json

{"action": "preview", "author_id": "tech-blogger-001"}

结果格式

distill成功

json

{
  "success": true,
  "data": {
    "fingerprint": {
      "vocabulary_score": 0.72,
      "sentence_structure": "短句为主(平均18字), 偶用设问(每300字1次)",
      "tone_tendency": "权威,幽默",
      "rhythm_pattern": "段落短(3-5句), 换行频繁, 信息密度高",
      "rhetoric_preference": "比喻,数据支撑",
      "emotional_tone": "理性,积极",
      "style_summary": "简洁直接的实用主义风格, 短句+口语化+数据支撑"
    },
    "recommended_formulas": ["PREP结构", "步骤拆解法", "数据驱动法"]
  },
  "error": null,
  "code": null
}

save成功

json

{"success": true, "data": {"author_id": "tech-blogger-001", "saved": true}, "error": null, "code": null}

preview成功

json

{"success": true, "data": {"fingerprint": {"vocabulary_score": 0.72, "sentence_structure": "...", "updated_at": "2026-06-21 19:30:00"}}, "error": null, "code": null}

异常应对

异常场景	原因	处理方式	错误代码
内容样本为空	distill/preview未提供content参数	返回错误+提示需提供content参数	MISSING_CONTENT
风格指纹为空	save未提供fingerprint参数	返回错误+提示需提供fingerprint参数	MISSING_FINGERPRINT
LLM调用失败	LLM API Key无效或服务不可用	返回错误+LLM错误详情,建议或检查API Key	LLM_FAILED
LLM返回字段缺失	LLM输出未包含6维字段	返回错误+列出缺失的6维字段名	SCHEMA_INVALID
风格指纹未找到	preview时author_id无记录	返回错误+提示先执行distill+save	NOT_FOUND
文件读写失败	文件路径权限不足或磁盘满	返回错误+检查文件路径权限	IO_ERROR
参数格式错误	fingerprint JSON解析失败	返回错误+提示检查JSON格式	VALUE_ERROR
author_id无效	含特殊字符(安全校验)	拒绝含特殊字符的ID	ID_INVALID

数据存储

存储位置	说明
style_fingerprints/{author_id}.json	6维风格指纹持久化,每作者一个JSON文件,覆盖更新
raw_analysis字段	完整风格指纹JSON,含style_summary等扩展字段
内容生成时自动读取	注入Prompt半静态层,确保风格一致
JSON文件结构:

json

{
  "author_id": "tech-blogger-001",
  "sentence_structure": "短句为主(平均18字), 偶用设问",
  "tone_tendency": "权威,幽默",
  "rhythm_pattern": "段落短(3-5句), 信息密度高",
  "rhetoric_preference": "比喻,数据支撑",
  "emotional_tone": "理性,积极",
  "raw_analysis": {"style_summary": "简洁直接的实用主义风格"},
  "created_at": "2026-06-21 19:00:00",
  "updated_at": "2026-06-21 19:30:00"
}

环境要求

运行环境

• Agent平台: Claude Code / Cursor / Codex / Gemini CLI / Windsurf 等支持SKILL.md的任意Agent
• 操作系统: Windows / macOS / Linux
• 运行时: 需要Agent支持exec(命令行执行)能力

依赖说明(补充)

依赖项	类型	是否必需	获取方式	国内替代方案
LLM API	API	必需	任意LLM服务商,由Agent内置LLM提供	DeepSeek/通义千问/文心一言/Kimi等国内模型(原描述提及OpenAI/Claude,国内推荐使用DeepSeek/通义千问替代)
JSON文件存储	文件系统	必需	Agent的exec工具自动创建style_fingerprints/目录	本地文件系统,无海外依赖

API Key 配置与安全要求

• LLM_API_KEY: 必需(通常由Agent内置) - LLM分析6维风格特征
• 配置方式: 在Agent的环境变量中设置
• 零暴露原则: API Key必须通过环境变量注入(如$env:LLM_API_KEY),严禁硬编码在SKILL.md或脚本源码中;所有示例代码中Key位置使用环境变量占位符;禁止在日志、错误信息、输出JSON中打印Key明文

使用流程(补充)

本Skill通过Agent内置LLM完成风格分析,通过exec工具读写JSON文件持久化风格指纹. 只需将SKILL.md文件放入Agent的skills目录即可直接使用. 如果Skill中包含exec工具调用,需要Agent支持命令行执行能力.

可用性分类

• 分类: MD+EXEC
• 说明: 纯Markdown,但需要exec能力(命令行执行),用于文件读写和命令调用

用法示例

示例1: 风格蒸馏(tech-blogger-001)

输入:

json

{
  "action": "distill",
  "author_id": "tech-blogger-001",
  "content": "效率就是生命。别废话,上方案。今天分享3个自动化技巧,领先个是用Python写脚本定时备份,第二个是用Zapier连接各种SaaS,第三个是用AI辅助写代码。这三个技巧让我每天省2小时。"
}

执行流程: 接收内容样本→调用LLM分析6维风格特征→校验6维字段完整性→返回风格指纹+推荐公式 输出:

json

{
  "success": true,
  "data": {
    "finger// 变体实现(与上文代码相似度100.0%,此处为AI写作分身工厂的差异化处理路径)
{
  "success": true,
  "data": {
    "fingerprint": {
      "sentence_structure": "短句为主(平均18字), 偶用设问(每300字1次)",
      "tone_tendency": "权威,幽默",
      "rhythm_pattern": "段落短(3-5句), 换行频繁, 信息密度高",
      "rhetoric_preference": "比喻,数据支撑",
      "emotional_tone": "理性,积极",
      "style_summary": "简洁直接的实用主义风格, 短句+口语化+数据支撑"
    },
    "recommended_formulas": ["PREP结构", "步骤拆解法", "数据驱动法"]
  },
  "error": null,
  "code": null
}
{
  "action": "save",
  "author_id": "tech-blogger-001",
  "fingerprint": {
    "sentence_structure": "短句为主(平均18字), 偶用设问",
    "tone_tendency": "权威,幽默",
    "rhythm_pattern": "段落短(3-5句), 信息密度高",
    "rhetoric_preference": "比喻,数据支撑",
    "emotional_tone": "理性,积极",
    "style_summary": "简洁直接的实用主义风格"
  }

输出(save):

json

{
  "success": true,
  "data": {
    "author_id": "tech-blogger-001",
    "saved": true,
    "file_path": "style_fingerprints/tech-blogger-001.json"
  },
  "error": null,
  "code": null
}

输入(preview):

json

// 变体实现(与上文代码相似度100.0%,此处为AI写作分身工厂的差异化处理路径)
{"action": "preview", "author_id": "tech-blogger-001"}

输出(preview):

json

{
  "success": true,
  "data": {
    "fingerprint": {
      "sentence_structure": "短句为主(平均18字), 偶用设问",
      "tone_tendency": "权威,幽默",
      "rhythm_pattern": "段落短(3-5句), 信息密度高",
      "rhetoric_preference": "比喻,数据支撑",
      "emotional_tone": "理性,积极",
      "updated_at": "2026-06-21 19:30:00"
    }
  },
  "error": null,
  "code": null
}

示例3: LLM返回字段缺失(SCHEMA_INVALID)

输入:

json

{"action": "distill", "author_id": "blogger-002", "content": "样本内容过短,LLM无法完整分析"}

输出: LLM返回缺少rhythm_pattern和emotional_tone字段

json

{
  "success": false,
  "data": null,
  "error": "LLM返回字段缺失: rhythm_pattern, emotional_tone",
  "code": "SCHEMA_INVALID"
}

主要功能

• 自动化执行: 5篇文章克隆任意作者文风,14种公式批量产出同风格爆款。AI写作分身工厂——上传任意作者的5-10篇文章,6维反向提取风
• 文件处理: 支持多种文件格式的读取、解析和写入操作
• API集成: 通过标准化接口调用外部服务并处理响应
• 命令执行: 在安全沙箱中执行系统命令并收集结果
• 信息检索: 快速搜索和过滤目标数据

错误处理指南

针对AI写作分身工厂使用中可能遇到的常见问题,提供以下排查方案:

错误类型	原因分析	解决方案
API认证失败(401)	API密钥错误或过期	检查密钥配置,重新生成token
接口限流(429)	请求频率超出限制	降低调用频率,启用重试退避策略
响应超时(504)	网络延迟或服务端负载过高	增加超时阈值,检查网络连接
文件不存在	路径错误或文件未创建	检查路径拼写,确认文件已生成
文件格式不支持	扩展名不在支持列表中	转换为支持的格式后重试
权限不足	当前用户无读写权限	检查文件权限,以管理员身份运行
命令执行失败	参数错误或环境依赖缺失	检查命令语法,确认依赖已安装
进程超时	命令执行时间过长	增加超时设置,优化命令参数

AI写作分身工厂通用排查步骤

1. 检查输入参数: 确认所有必填参数已提供且格式正确
2. 查看日志输出: 定位具体错误行和异常类型
3. 验证环境配置: 确认依赖库版本和运行环境满足要求
4. 逐步调试: 缩小问题范围,隔离故障模块

初次使用指南

1. 配置API密钥: 在环境变量中设置对应的API Key
2. 初始化连接: 使用提供的凭证建立API连接
3. 调用接口: 传入必要参数执行API调用
4. 准备文件: 确认文件路径正确且格式受支持
5. 执行处理: 调用对应的处理函数
6. 查看结果: 检查输出文件或返回数据
7. 检查环境: 确认运行时和依赖已安装
8. 执行命令: 使用正确的参数格式执行
9. 查看输出: 检查命令输出和退出码

前置条件

• 已安装所需运行环境(参考依赖说明)
• 已获取必要的API密钥或访问凭证(如适用)
• 输入数据已准备就绪