Dnnecessary/skills

저자 콘텐츠 방법론 분석

입력 규약

호출자는 다음을 제공해야 합니다.

• input_dir 또는 명확한 파일 목록/문서 내용
• output_dir
• 저자 또는 계정 이름
• 선택 사항: 게시물 목록(제목, 링크, 게시 시간 포함 권장)
• generate_html: 기본값 true
• sync_lark: 기본값 true

입력이 부족할 경우 작업 공간 내에서 발견 가능한 콘텐츠를 먼저 찾습니다. 그래도 본문 샘플이 없을 경우에만 사용자에게 질문합니다. 제목만 보고 분석하지 마십시오.

지원 형식 및 처리 경계:

• Markdown/TXT: 내장 파서 사용.
• DOCX: python-docx 우선 사용; 사용 불가 시 명확하게 오류 보고.
• 텍스트 추출 가능한 PDF: pypdf 우선 사용; 스캔 PDF(텍스트 없음)는 OCR 필요를 표시하고 본문을 위조하지 않음.
• Feishu 문서: 먼저 현재 lark-doc 스킬로 읽은 후, 본문을 입력으로 사용.
• 여러 형식 혼합 시 일관되게 게시물 레코드로 변환하되, 원본 파일 경로와 소스 유형은 유지.

출력 규약

항상 호출자가 제공한 output_dir에 기록합니다.

<output_dir>/
  <블로거>-방법론-보고서.md
  <블로거>-카피라이팅-프레임워크.md
  <블로거>-분석-데이터.json
  <블로거>-게시물-특징.csv
  <블로거>-방법론-대시보드.html                  # 기본 생성되는 학습자 관점 대시보드
  <블로거>-Feishu-동기화.json                    # 동기화 성공 시 생성
  <블로거>-경쟁-제목-샘플.json                    # 경쟁 샘플 제공 시 생성

모든 루트 디렉토리 산출물은 일관되게 "<블로거>-<기능>.<확장자>" 형식으로 이름을 지정합니다. <블로거>-분석-데이터.json과 <블로거>-게시물-특징.csv는 감사 가능한 인도물이며 임시 파일이 아닙니다. 보고서, HTML 및 Feishu 콘텐츠는 동일한 분석 데이터를 사용해야 합니다. 사용자가 명시적으로 "HTML 생성 안 함" 또는 "Feishu 동기화 안 함"을 요청한 경우에만 해당 단계를 건너뜁니다.

본 스킬은 자체적으로 references/copywriting-framework-template.md를 사용하여 카피라이팅 프레임워크를 생성하며, creator-copywriting-framework라는 외부 스킬에 의존하지 않습니다.

워크플로

1. 샘플 목록 구축

• 결정적 분석 스크립트 실행:

  python3 scripts/analyze_corpus.py \
    --input "<input_dir>" \
    --output "<output_dir>"
  

• 스크립트는 형식 파싱, 중복 제거, 이미지 참조 유지, 기본 통계 및 게시물 수준 특징을 담당합니다.

• 5개 미만일 경우 기술적 분석만 수행하고 낮은 안정성을 명확히 표시합니다. 3개 미만일 경우 추세, 진화 또는 안정적인 스타일 결론을 출력하지 않습니다.

• 50개 초과 시 전체에 대한 기본 통계를 우선 수행합니다. 컨텍스트나 처리 비용이 현저히 높은 경우에만 샘플링을 하고 샘플링 방법을 공개합니다.

2. 본문 전처리

• 탐색, 광고, 저작권 각주 등 노이즈를 제거합니다.
• 이미지 Markdown은 순수 텍스트 분석 복사본에서 제거하지만, 게시물 레코드에는 원래 위치, 상대 경로 및 인접 텍스트를 유지하여 시각적 분석에 사용합니다.
• 제목 수준, 목록, 인용문, 사례, 데이터 및 결론 단락을 유지합니다.
• 원본 발췌문과 모델 요약을 구분하고, 증거를 게시물 제목에 매핑하여 유지합니다.

3. 상세 데이터 분석

먼저 <블로거>-분석-데이터.json과 <블로거>-게시물-특징.csv를 읽은 후, references/data-analysis-framework.md에 따라 설명적 분석을 완료합니다. 결정적 지표는 모델이 재추정해서는 안 됩니다. 기본적으로 다음을 포함합니다.

• 샘플 품질 및 데이터 완전성
• 게재 빈도, 주기, 연속성 및 시간 분포
• 분량, 단락, 문장, 이미지 및 구조적 복잡성
• 주제, 모티프, 대상, 장면, 문제 및 콘텐츠 유형 분포
• 키워드, 용어, 개념 조합 및 의미적 연관성
• 제목 길이, 후크, 문장 구조, 대상, 약속 및 제목-본문 일관성
• 도입부, 본문, 전환, 결론, CTA 및 일반적인 서사 경로
• 의견, 사실, 인과, 비교, 반례, 경계 및 제안 등 논증 단위
• 데이터, 인용, 실제 측정, 사례, 권위 있는 출처 및 경험 등 증거 유형
• 인물, 회사, 제품, 기술, 이벤트, 산업, 장소 및 모델 등 엔터티 네트워크
• 강약 판단, 확실성, 시간 척도, 위험 태도 및 가치 지향
• 어휘, 문장 길이, 리듬, 수사, 구어체, 전문성 및 가독성
• 대상 독자, 사용 시나리오, 문제점, 콘텐츠 약속 및 독자 이익
• 댓글, 자료 다운로드, 구매 등 본문 내 행동 유도 (글쓰기 구조 관찰로만 사용)
• 이미지 밀도, 텍스트-이미지 위치 및 시각적 콘텐츠 역할 (데이터 획득 가능 시)
• 주제, 표현 및 판단의 시간적 진화 (게시 시간 획득 가능 시)
• 주제와 제목, 구조, 증거, 분량, CTA 등 차원 간의 교차 관계
• 이상 샘플, 콘텐츠 격차, 과도한 집중 및 시리즈화 가능성
• 플랫폼 백엔드의 조회수, 공유, 좋아요, 저장, 팔로우 또는 전환 성과는 분석하지 않음
• 제목 방법 분해: 전체 통계(숫자 구체성, 서스펜스 질문, 문제 갈등, 트렌드 및 시의성, 이익 명확성); 대표 제목에 대한 공식, 이유, 모방 방법 및 적용 조건 설명
• 게시물 구조 시연: 도입부 작업, 본문 작업, 결론 작업으로 리듬 설명 및 학습자가 실행 가능한 연습 제공
• 업데이트 리듬 학습 방법: 게시일, 요일 분포, 같은 날 여러 게시물 및 게시물 간격으로 저자의 콘텐츠 공급 방식 관찰; 학습자의 시간, 증거 축적 속도 및 창작 단계에 따라 지속 가능한 리듬 설계
• 경쟁 제품 레이더: 공개 검색으로 경쟁사 제목 수집, 출처 링크, 주제 유형 및 샘플 경계 기록

데이터와 대표 샘플은 저자의 방법을 설명하는 데만 사용되며, 대시보드를 평가, 자가 점검, 합격/불합격 또는 저자 개선을 위한 보고서로 작성해서는 안 됩니다. 플랫폼 백엔드 성과 지표는 대시보드에 포함되지 않습니다. 계산할 수 없는 다른 내용은 추정하거나 조작해서는 안 됩니다. 단어 빈도가 저자의 태도와 직접적으로 동일시되어서는 안 됩니다. 주제, 명언, 감정 및 입장과 같은 주관적 레이블은 분류 규칙과 증거를 반드시 설명해야 합니다.

기본적으로 저자만 평가하는 것이 아니라 학습자 관점에서 출력합니다. 각 핵심 모듈은 다음을 설명해야 합니다.

• 이 블로거가 구체적으로 어떻게 하는지;
• 이 방법이 효과적인 이유;
• 어떤 능력을 배울 가치가 있는지;
• 학습자가 실행할 수 있는 연습;
• 어떤 부분이 개인 경험, 자원 또는 플랫폼 조건에 의존하여 직접 모방할 수 없는지;
• 표면적인 스타일을 모방하는 것이 아니라 방법이 자신의 능력으로 전환되었는지 판단하는 방법.

주관적 레이블은 <블로거>-분석-데이터.json의 annotations에 기록해야 하며, 각 항목은 다음을 포함합니다.

dimension,label,article_ids,evidence,rule,confidence

이렇게 하면 보고서의 주제, 입장, 독자 및 명언 결론이 게시물로 역추적 가능합니다.

4. 방법론 도출

주 보고서는 references/report-template.md를 사용합니다. 데이터 장은 <블로거>-분석-데이터.json의 지표와 게시물 ID를 참조하고, 두 번째 숫자 집합을 만들지 않습니다. 방법론 장은 데이터 사실을 설명하며, 최소한 다음을 포함합니다.

보고서 "샘플 설명"에는 일관성 검증을 위해 dataset_sha256을 반드시 기록해야 합니다.

1. 저자 포지셔닝 및 콘텐츠 페르소나
2. 독자 프로필 및 콘텐츠 이익
3. 콘텐츠 자산 지도
4. 주제 시스템
5. 분석 프레임워크
6. 판단 기준
7. 표현 템플릿
8. 사례 라이브러리
9. 명언 스타일
10. 콘텐츠 격차 및 주제 기회
11. 재사용 가능한 글쓰기 SOP
12. 위험 및 경계
13. 샘플 목록

각 주요 결론은 가능한 한 2-5개의 게시물 제목, 짧은 발췌문 또는 사례를 인용합니다. 원문 발췌는 필요하고 간결하게 유지합니다. 추상적 템플릿은 "추상적 템플릿"으로 표시하고, 구조화된 예시는 "작성자 원문 아님"으로 표시해야 합니다.

5. 독립적인 카피라이팅 프레임워크 생성

references/copywriting-framework-template.md를 사용하여 <블로거>-카피라이팅-프레임워크.md를 생성합니다. 템플릿은 구조만 지정하고 저자의 스타일 문장을 미리 설정하지 않습니다. 모든 공식은 샘플 증거로부터 귀납되어야 하며, 다음을 포함합니다.

• 주제 발판
• 8-15개의 제목 공식
• 여러 유형의 도입부 템플릿
• 최소 3세트의 본문 구조
• 단락 문장 및 전환 문장
• 명언 문장 생성기
• 결론 CTA
• 1-2개의 주제, 사례, 표현을 바꾼 구조화된 예시
• 게시 전 체크리스트 및 금지 경계

저자의 고유한 표현을 복제하지 않고 구조만 학습하며, 저자를 사칭하지 않습니다.

6. HTML 자동 생성

HTML 대시보드는 본 스킬의 표준 인도물이며 선택적인 채팅 부속물이 아닙니다. 생성 시 references/interactive-dashboard-template.md를 읽고 본 스킬에 내장된 scripts/generate_dashboard.py를 직접 사용해야 하며, 임시로 다른 범용 BI 템플릿으로 변경해서는 안 됩니다.

기본 실행:

python3 scripts/generate_dashboard.py \
  --data "<output_dir>/<블로거>-분석-데이터.json" \
  --output "<output_dir>/<블로거>-방법론-대시보드.html"

HTML과 Markdown은 <블로거>-분석-데이터.json의 결정적 통계를 공유해야 합니다. 모델이 생성한 방법론 요약은 추가 데이터로 annotations에 기록할 수 있으며, 스크립트 계산 필드를 덮어쓰지 않아야 합니다.

대시보드는 다음 고정 구조를 유지해야 합니다.

1. 한 눈에 보기
2. 포지셔닝 및 가치
3. 콘텐츠 지도
4. 주제 방법
5. 게시물 작성법
6. 의견 및 증거
7. 언어 스타일
8. 배울 점
9. 운영 및 성장
10. 학습 및 전이

모든 장은 학습자 관점에서 "무엇을 배워야 하고, 어떻게 배울 것인가"에 중점을 두며, 저자의 자가 점검, 게시물 평가 또는 플랫폼 성과 분석으로 변경해서는 안 됩니다. 페이지 하단에는 간단한 출처 설명과 면책 조항만 남기고, 별도의 "데이터 및 경계" 장을 설정하지 않습니다.

생성 후 브라우저로 콘솔, 주요 상호 작용 및 시각적 가독성을 확인합니다.

사용자가 명시적으로 HTML 생성을 요청하지 않은 경우, 즉 generate_html=false인 경우에만 건너뜁니다.

7. Feishu 자동 동기화

먼저 출처 경계를 확인합니다.

• 샘플이 모두 공개 URL 또는 공개 게시물 아카이브에서 온 경우: 기본적으로 동기화.
• 샘플이 로컬 인터뷰, 내부 문서, 비공개 Feishu 문서에서 왔거나 민감한 스캔에 적중한 경우: 자동 업로드를 일시 중지하고 사용자에게 확인 요청.

동기화 확인 후 lark-doc을 로드합니다.

1. 먼저 로컬 Markdown을 완료합니다.
2. <블로거>-Feishu-동기화.json에 접근 가능한 doc_token이 이미 있으면 해당 문서를 업데이트하고, 그렇지 않으면 새 문서를 생성합니다.
3. 현재 lark-doc 스킬의 인터페이스 규약에 따라 쓰고 읽어서 검증합니다.
4. doc_token, URL, 제목, 콘텐츠 지문 및 업데이트 시간을 <블로거>-Feishu-동기화.json에 기록합니다.
5. 주요 장의 존재를 확인한 후 URL을 반환합니다.

Feishu 실패는 로컬 파일 완료 상태에 영향을 주지 않습니다.

사용자가 명시적으로 Feishu 동기화를 요청하지 않은 경우, 즉 sync_lark=false인 경우에만 건너뜁니다.

품질 기준

• <블로거>-분석-데이터.json과 <블로거>-게시물-특징.csv는 스크립트로 생성되어야 합니다.

• 결론은 본문에 기반하며 샘플 경계를 공개합니다.

• 관찰 가능한 통계와 주관적 귀납을 명확히 구분합니다.

• 데이터 분석은 가능한 모든 계산 가능한 차원을 포괄하고, 획득 불가능한 필드는 명확히 표시합니다.

• 각 중요 통계는 범위, 분모, 분류 규칙 또는 계산 방식을 설명합니다.

• 각 데이터 모듈은 대표 게시물과 방법론적 통찰에 연결됩니다.

• 각 핵심 모듈에는 증거와 재사용 가능한 행동이 있습니다.

• 사례가 부족할 경우 "안정적인 사례 라이브러리가 형성되지 않음"이라고 명확히 기록합니다.

• 샘플로 지원할 수 없는 저자의 의도를 추론하지 않습니다.

• 모든 로컬 출력 경로는 output_dir 내에 있습니다.

• HTML과 Feishu는 기본적으로 완료되며, 사용자가 명시적으로 비활성화한 경우 건너뛴 이유를 기록합니다.

• HTML 탐색은 10개의 고정 장이어야 하며, 하단에는 출처 설명과 면책 조항이 포함되어야 합니다.

• HTML에는 독립적인 "데이터 및 경계" 장이 나타나서는 안 되며, "자가 점검, 평가, 합격/불합격" 등 저자 중심 평가 모듈이 나타나서는 안 됩니다.

• 최종 실행:

  python3 scripts/validate_outputs.py "<output_dir>"
  

참고 자료

• references/report-template.md: 주 보고서 생성 시 읽습니다.
• references/data-analysis-framework.md: 상세 데이터 분석 수행 시 읽습니다.
• references/copywriting-framework-template.md: 독립적인 카피라이팅 프레임워크 생성 시 읽습니다.
• references/interactive-dashboard-template.md: HTML 기본 생성 시 읽습니다.
• references/analysis-data.schema.json: 공유 분석 데이터 구조.
• scripts/analyze_corpus.py: 말뭉치를 파싱하고 결정적 특성 데이터를 생성합니다.
• scripts/generate_dashboard.py: 공유 데이터 소스에서 오프라인 HTML을 생성합니다.
• scripts/validate_outputs.py: 데이터, 보고서, HTML 및 동기화 메타데이터의 일관성을 검증합니다.