ra-temas
Objetivo
Traducir las entradas en lenguaje natural del usuario en operaciones de archivo. El usuario solo habla: anotar una idea, dar un enlace, definir el formato, reportar una publicación. La creación de fichas, el enrutamiento de lavado, la creación de entradas, el movimiento de fichas y el registro en el tablero son realizados completamente por este skill.
Modelo Central
- Ficha de tema = Registro maestro:
01-ProduccionDeContenido/00-PoolDeTemas/YYYY-MM-DD-<tema>.md(según_PlantillaFichaTema.md). Solo almacena ideas, fuentes, juicios y destinos de proyectos; el cuerpo del texto siempre reside en el espacio de trabajo correspondiente. - Lanzar un proyecto = El momento de decidir el formato: Un tema puede tener múltiples formatos; cada formato crea su propia entidad en su espacio de trabajo, y la ficha registra
- Formato → [[enlace]]. - La ficha no mueve archivos: Al lanzar un proyecto, solo se cambia el estado en el frontmatter a
proyectado, la ficha permanece en00-PoolDeTemas/. - Integridad del registro maestro: Cualquier acción de lanzamiento que no encuentre una ficha, primero la crea automáticamente antes de continuar el flujo (incluso en el caso de lanzar directamente un enlace para lavar).
Tabla de Verbos
1. Registrar Tema (idea / anotar tema / guardar este enlace)
- Crear ficha en
00-PoolDeTemas/: Las palabras originales del usuario + una frase que sintetice la idea + pistas de material; si hay un enlace, se registra enFuente:, y si se puede extraer el ID de la publicación de la plataforma, también se completaIDFuente:(<plataforma>:<id_publicacion>). - Estado = idea; responder con la ruta de la ficha, sin preguntar ni expandir.
2. Profundizar Tema (profundizar / aclarar tal tema)
- Encontrar la ficha (por nombre de archivo o título coincidente), buscar en la biblioteca de materiales / metodología, y escribir ángulos, ganchos y ejemplos en una "nota de profundización".
- Estado = profundizando (no cambiar el estado de fichas ya proyectadas).
- Límites de las reglas de lenguaje natural: el cuerpo de la nota (ángulos / argumentos / material / juicio de tráfico) es libre de escribir, priorizando la densidad de información, sin ejecutar el flujo completo de
ra-lenguajeNatural; pero las semillas que irán directamente al borrador final (ganchos candidatos, frases de apertura, direcciones de títulos, frases clave) deben cumplir estrictamente la prohibición dera-lenguajeNatural(no usar "no es A sino B", "realmente"/"en esencia", tono de conferencia con dos puntos, apertura con imperativos). La corrección completa del lenguaje natural y el control de calidad se ejecutan en la fase de lavado del proyecto, no se repite en la fase de profundización.
3. Lanzar Proyecto (hacer + formato; se puede combinar "hacer video, artículo e imagen")
Enrutar según el formato, después de completar cada formato añadir una línea en "proyectado" de la ficha, y finalmente mover la ficha:
| Formato | Flujo | Ubicación |
|---|---|---|
| Video (clip AI) | Si hay enlace, ir a ra-pipelineLavadoVideo; si es solo idea/texto, ir a ra-lavado | Borrador de entrega → EspacioVideo/Pendienteelaboracion/<fecha-tema>/borrador_entrega.md |
| Video (locución propia) | Lavar para producir un guion palabra por palabra, marcando "Locución propia" al inicio | EspacioVideo/Guiones/ |
| Artículo | Si hay enlace, extraer el texto fuente: videos de Douyin/Xiaohongshu usar skillExtraccionTranscripcion; videos de Bilibili/YouTube reutilizar la fase de extracción de ra-pipelineLavadoVideo; páginas web/tweets usar Jina (https://r.jina.ai/<url>) para leer el cuerpo -> el material fuente siempre se guarda en EspacioVideo/.internal/ -> lavar para generar un artículo largo (ra-lenguajeNatural + metodología/apertura estilo cuenta pública), ejecutar dbs-ai-check para diagnosticar y eliminar huellas específicas -> crear entrada según _PlantillaArticulo.md (una carpeta por artículo, con el texto principal + assets/, solo almacenar el texto principal) | EspacioArticulos/EnCreacion/ + registrar en el tablero de publicación como "Pendiente de modificación" |
| Imagen | Lavar para generar un texto estilo Xiaohongshu + candidatos de título con dbs-xhs-title, generar un borrador de entrega según _PlantillaEntregaImagen.md (la generación de imágenes es responsabilidad de Codex) | EspacioImagen/Pendienteelaboracion/ |
4. Publicar y Archivar (se publicó / hay que modificar)
- Se publicó: Marcar la casilla en el tablero y mover la línea a "Publicado" (fecha/plataforma); mover la entrada del artículo de
PendientePublicacion/aPublicado/. - Hay que modificar: Mover/registrar la línea en el tablero como "Pendiente de modificación".
5. Ideas para Cursos (Esto podría ser un curso / idea para curso / #IdeaCurso)
- Añadir una línea en
02-SistemaCursos/BibliotecaIdeasCursos/RegistroIdeas.md:- YYYY-MM-DD | Idea en una frase | Relacionado con: [[FichaTemaObra]]. - Solo acumular, no expandir la estructura del curso (mantener el hilo más fino hasta que el negocio se inicie).
6. Recomendar Temas (dame N temas / ayúdame a generar una tanda de temas)
Cuatro fuentes de datos, generar N candidatos (por defecto 10):
- Base de datos de éxitos en la nube: Ejecutar
automation/scripts/hot_monitor_local_job.sh read boomspara leer hasta 30 candidatos ligeros de los últimos 90 días, filtrar por R/M, life y temática; para las muestras preseleccionadas, ejecutarautomation/scripts/hot_monitor_local_job.sh read work <ID_obra_nube>para leer L1/transcripción/historial de métricas. Las de tipo temporal cuya ventana haya expirado (días desde publicación > life_window_days) no se recomiendan como tema en sí, solo se extrae el gen del tipo de pregunta (ej. "resumen mensual", "entrevista callejera", "marketing estacional") para transformarlo en un nuevo tema actual; las de tipo perenne se pueden seguir directamente. - Oportunidades de los últimos 3 días: Ejecutar
automation/scripts/hot_monitor_local_job.sh read recent 3 200 0para leer todas las nuevas obras de los últimos 3 días en la nube (incluidas las no evaluadas como éxito y las de YouTube); sihas_more=true, continuar leyendo connext_offsethastahas_more=false. Si es necesario confirmar la cobertura de cuentas, ejecutarautomation/scripts/hot_monitor_local_job.sh read creators. El servidor ya escanea de forma unificada las cuentas de referencia de Douyin, Xiaohongshu y YouTube, por defecto no se vuelve a llamar a TikHub para recolección duplicada. - Datos de las propias cuentas: Priorizar y amplificar temas con alto R/M en los registros de
Estadisticas/. - Filtro por posicionamiento: Comparar con
PosicionamientoPersonal.md; los temas generales que se desvíen del posicionamiento pero tengan alto potencial de tráfico no se degradan (principio de prioridad de tráfico). - Comparación con el libro mayor de lavado (puerta dura): Los resultados de las fuentes 1 y 2 deben pasar primero por el libro mayor antes de entrar en el filtro: al final del comando, añadir tubería
| python3 automation/scripts/wash_ledger.py filter(ej.bash automation/scripts/hot_monitor_local_job.sh read booms | python3 automation/scripts/wash_ledger.py filter). Los elementos marcados comowashed: truese conservan para mostrar pero deben llevar la etiqueta "Lavado → ", no se pueden recomendar como nuevos temas;washed_match.status=skippedse marca como "Se decidió no hacer";washed_suspectse marca como "Posiblemente ya lavado". Al informar los candidatos, indicar cuántos de este lote están lavados/no hechos/sospechosos.
Formato de cada candidato: Tema en una frase | Evidencia (éxito fuente + R/M o datos de nueva obra de referencia) | Ventana de tiempo | Formato sugerido (video largo práctico/clip AI/locución/imagen/artículo) | Juicio de ángulo
Usuario selecciona → Crear ficha: para candidatos de la nube, tomar platform/post_id del JSON filtrado, construir el enlace estándar según la plataforma y escribirlo en Fuente: (douyin→https://www.douyin.com/video/<post_id>, xhs→https://www.xiaohongshu.com/explore/<post_id>, youtube→https://www.youtube.com/watch?v=<post_id>), también llenar IDFuente: (<plataforma>:<post_id>) → lanzar proyecto según el formato; los videos largos prácticos se enrutan a ra-planificacionPractica. Al registrar la salida del lavado en el libro mayor, incluir --work-id <ID_obra_nube>.
Si la lectura de la nube falla, se debe informar explícitamente; no está permitido recurrir al eliminado _BaseExitos.jsonl / _PoolCuentas.md, ni hacer pasar los históricos AnalisisProfundo/ como datos en tiempo real.
Reglas Estrictas
- Muro de privacidad para todos los formatos: El enlace fuente, el título fuente y la transcripción fuente solo pueden aparecer en el campo
Fuente:de la ficha de tema y enEspacioVideo/.internal/; todos los borradores finales, borradores de entrega y entradas del espacio de trabajo deben tener cero información fuente. Excepción cuando el usuario solicita explícitamente marcar la referencia. - Libro mayor de desduplicación de lavado: El libro mayor reside en
EspacioVideo/.internal/libro_mayor_lavado.jsonl(área privada de fuentes), herramientaautomation/scripts/wash_ledger.py. La lectura en la nube para recomendación de temas debe pasar porfilter; antes de lanzar cualquier proyecto con lavado, debe pasar porcheck(si coincide con "ya lavado", detenerse y esperar confirmación del usuario); después de que el borrador de entrega/borrador final esté listo, el lado de lavado registra conadd. El contenido del libro mayor solo se reporta al usuario dentro de la conversación, nunca entra en ningún borrador final. - El usuario nunca debe mover archivos; este skill lo hace en su lugar y reporta cada movimiento en la respuesta.
- División del registro en el tablero: La finalización del artículo es registrada por este lado; la entrega de video/imagen es registrada por el lado de producción (Codex).
- El lanzamiento de proyectos de video sigue siendo en dos fases: por defecto solo hasta la cola de pendientes de elaboración; solo cuando el usuario dice "hacer directamente / producir directamente / llave en mano" se continúa con la producción.