Dnnecessary/skills

Análise da Metodologia de Conteúdo do Autor

Contrato de Entrada

O chamador deve fornecer:

• input_dir ou uma lista explícita de arquivos/conteúdo de documentos
• output_dir
• Nome do autor ou da conta
• Lista opcional de artigos, de preferência com título, link e data de publicação
• generate_html: padrão true
• sync_lark: padrão true

Se a entrada for insuficiente, primeiro procure por conteúdo detectável na área de trabalho; só pergunte ao usuário se não houver amostras de texto. Não analise apenas com base nos títulos.

Formatos suportados e limites de processamento:

• Markdown/TXT: use o interpretador nativo.
• DOCX: use python-docx prioritariamente; se não estiver disponível, emita um erro claro.
• PDF com texto extraível: use pypdf prioritariamente; para PDFs escaneados sem texto, marque como necessitando OCR, não invente o texto.
• Documentos do Feishu: primeiro leia usando a skill lark-doc atual e, em seguida, use o texto como entrada.
• Quando houver uma mistura de formatos, converta tudo em registros de artigos, mas mantenha o caminho do arquivo original e o tipo de fonte.

Contrato de Saída

Sempre escreva no output_dir fornecido pelo chamador:

<output_dir>/
  <nome-do-blogueiro>-relatorio-de-metodologia.md
  <nome-do-blogueiro>-framework-de-copywriting.md
  <nome-do-blogueiro>-dados-de-analise.json
  <nome-do-blogueiro>-caracteristicas-dos-artigos.csv
  <nome-do-blogueiro>-dashboard-de-metodologia.html                  # Dashboard padrão gerado sob a perspectiva do aprendiz
  <nome-do-blogueiro>-sincronizacao-feishu.json                    # Gerado após sincronização bem-sucedida
  <nome-do-blogueiro>-amostra-de-titulos-concorrentes.json                # Gerado quando uma amostra concorrente é fornecida

Todos os artefatos raiz devem ser nomeados usando o padrão "<nome-do-blogueiro>-<funcao>.<extensao>". <nome-do-blogueiro>-dados-de-analise.json e <nome-do-blogueiro>-caracteristicas-dos-artigos.csv são entregas auditáveis, não arquivos temporários. O relatório, HTML e conteúdo do Feishu devem usar os mesmos dados de análise. Só pule as etapas correspondentes se o usuário solicitar explicitamente "não gerar HTML" ou "não sincronizar com Feishu".

Esta skill gera o framework de copywriting por conta própria, usando references/copywriting-framework-template.md, e não depende de uma skill externa chamada creator-copywriting-framework.

Fluxo de Trabalho

1. Estabelecer a Lista de Amostras

• Execute o script de análise determinística:

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

• O script é responsável pela análise de formato, deduplicação, preservação de referências de imagens, estatísticas básicas e características em nível de artigo.

• Com menos de 5 artigos, faça apenas uma análise descritiva e declare explicitamente a baixa estabilidade; com menos de 3 artigos, não produza conclusões sobre tendências, evolução ou estilo consistente.

• Com mais de 50 artigos, priorize a execução de estatísticas básicas completas; só faça amostragem se o contexto ou o custo de processamento for proibitivamente alto e, nesse caso, divulgue o método de amostragem.

2. Pré-processar o Texto

• Remova ruídos como navegação, anúncios e notas de rodapé de direitos autorais.
• Remova imagens Markdown da cópia de análise de texto puro, mas mantenha a posição original, o caminho relativo e o texto adjacente nos registros do artigo para análise visual.
• Preserve níveis de título, listas, citações, estudos de caso, dados e parágrafos de conclusão.
• Diferencie trechos originais de resumos do modelo e mantenha o mapeamento de evidências para os títulos dos artigos.

3. Análise Detalhada de Dados

Primeiro leia <nome-do-blogueiro>-dados-de-analise.json e <nome-do-blogueiro>-caracteristicas-dos-artigos.csv e, em seguida, conclua a análise interpretativa de acordo com references/data-analysis-framework.md. Indicadores determinísticos não devem ser reestimados pelo modelo. A cobertura padrão inclui:

• Qualidade da amostra e integridade dos dados
• Frequência de publicação, periodicidade, continuidade e distribuição temporal
• Extensão do artigo, parágrafos, frases, imagens e complexidade estrutural
• Distribuição de tópicos, temas, objetos, cenários, problemas e tipos de conteúdo
• Combinações de palavras-chave, termos, conceitos e associações semânticas
• Comprimento do título, gancho, estrutura da frase, objeto, promessa e consistência entre título e texto
• Abertura, corpo, transição, conclusão, CTA e caminhos narrativos comuns
• Unidades de argumentação como opinião, fato, causa e efeito, comparação, contraexemplo, limites e sugestões
• Tipos de evidência como dados, citações, testes reais, estudos de caso, fontes de autoridade e experiência
• Redes de entidades como pessoas, empresas, produtos, tecnologias, eventos, indústrias, locais e modelos
• Julgamentos fortes/fracos, certeza, escala de tempo, atitude em relação ao risco e orientação de valor
• Vocabulário, comprimento da frase, ritmo, retórica, informalidade, nível técnico e legibilidade
• Público-alvo, cenário de uso, ponto de dor, promessa de conteúdo e benefício ao leitor
• Chamadas para ação no texto, como comentários, download de materiais, compras (apenas como observação de estrutura de escrita)
• Densidade de imagens, posição texto-imagem e função do conteúdo visual (quando os dados estiverem disponíveis)
• Evolução de tópico, expressão e julgamento ao longo do tempo (quando as datas de publicação estiverem disponíveis)
• Relações entre tópico e título, estrutura, evidência, extensão, CTA, etc.
• Amostras anômalas, lacunas de conteúdo, concentração excessiva e oportunidades de serialização
• Não analise métricas de desempenho do back-end da plataforma, como leituras, compartilhamentos, curtidas, favoritos, seguidores ou conversões
• Decomposição do método de título: estatísticas gerais (números específicos, suspense, pergunta, conflito de dor, tendência, benefício claro); títulos representativos explicam fórmula, razão, método de imitação e condições de aplicação
• Demonstração de estrutura do artigo: explique o ritmo usando tarefas de abertura, tarefas de corpo e tarefas de conclusão, e forneça exercícios executáveis para o aprendiz
• Como aprender o ritmo de atualização: observe a oferta de conteúdo do autor usando dia de publicação, distribuição por dia da semana, múltiplos artigos no mesmo dia e intervalo entre artigos; depois, projete um ritmo sustentável com base no tempo, velocidade de acúmulo de evidências e estágio de criação do aprendiz
• Radar de tópicos concorrentes: pesquise publicamente títulos de concorrentes e registre o link de origem, tipo de tópico e limites da amostra

Dados e amostras representativas são usados apenas para explicar o método do autor; o dashboard não deve ser escrito como um relatório de pontuação, autoavaliação, aprovação/reprovação ou melhoria do autor. Indicadores de desempenho de back-end da plataforma não entram no dashboard. Outros conteúdos que não podem ser calculados não devem ser estimados ou inventados. A frequência de palavras não equivale diretamente à atitude do autor; rótulos subjetivos como tópico, frase de efeito, tom e posição devem explicar as regras de classificação e as evidências.

A saída padrão adota a perspectiva do aprendiz, em vez de apenas avaliar o blogueiro. Cada módulo central deve explicar:

• O que este blogueiro faz especificamente;
• Por que esse método é eficaz;
• Quais habilidades valem a pena aprender;
• Que exercício o aprendiz pode executar;
• Quais dependem de experiência pessoal, recursos ou condições da plataforma e não podem ser copiados diretamente;
• Como julgar se o método já foi transferido para sua própria capacidade, em vez de apenas imitar o estilo superficial.

Rótulos subjetivos precisam ser escritos em annotations dentro de <nome-do-blogueiro>-dados-de-analise.json, cada um contendo:

dimension,label,article_ids,evidence,rule,confidence

Isso permite que as conclusões sobre tópico, posição, leitor e frases de efeito no relatório possam ser rastreadas até os artigos.

4. Extrair a Metodologia

O relatório principal usa references/report-template.md. As seções de dados referenciam indicadores e IDs de artigo de <nome-do-blogueiro>-dados-de-analise.json, sem criar um segundo conjunto de números. A seção de metodologia é responsável por explicar os fatos dos dados e deve incluir pelo menos:

A seção "Notas da Amostra" do relatório deve incluir dataset_sha256 para verificação de consistência.

1. Posicionamento do Autor e Persona de Conteúdo
2. Perfil do Leitor e Benefício do Conteúdo
3. Mapa de Ativos de Conteúdo
4. Sistema de Tópicos
5. Framework Analítico
6. Critérios de Julgamento
7. Templates de Expressão
8. Banco de Casos
9. Estilo de Frases de Efeito
10. Lacunas de Conteúdo e Oportunidades de Tópicos
11. SOP de Escrita Reutilizável
12. Riscos e Limites
13. Lista de Amostras

Para cada conclusão importante, tente referenciar 2 a 5 títulos de artigos, pequenos trechos ou estudos de caso. As citações originais devem ser necessárias e breves. Templates abstratos devem ser marcados como "template abstrato"; exemplos estruturados devem ser marcados como "não é texto original do autor".

5. Gerar Framework de Copywriting Independente

Use references/copywriting-framework-template.md para gerar <nome-do-blogueiro>-framework-de-copywriting.md. O template define apenas a estrutura, não pré-carrega nenhum estilo de frase do autor; todas as fórmulas devem ser induzidas a partir de evidências da amostra, incluindo:

• Scaffolding de tópicos
• 8-15 fórmulas de título
• Múltiplos templates de abertura
• Pelo menos 3 estruturas de corpo
• Estruturas de frase de parágrafo e frases de transição
• Gerador de estrutura de frase de efeito
• CTA de encerramento
• 1-2 exemplos estruturados com tópico, caso e redação alterados
• Lista de verificação pré-publicação e limites proibidos

Apenas aprenda a estrutura, não replique a expressão única do autor, não se passe pelo autor.

6. Gerar HTML Automaticamente

O dashboard HTML é uma entrega padrão desta skill, não um apêndice opcional do chat. Ao gerá-lo, leia references/interactive-dashboard-template.md e use diretamente o script interno scripts/generate_dashboard.py; não mude para um template BI genérico diferente.

Execute por padrão:

python3 scripts/generate_dashboard.py \
  --data "<output_dir>/<nome-do-blogueiro>-dados-de-analise.json" \
  --output "<output_dir>/<nome-do-blogueiro>-dashboard-de-metodologia.html"

O HTML e o Markdown devem compartilhar as estatísticas determinísticas em <nome-do-blogueiro>-dados-de-analise.json. Os resumos de metodologia gerados pelo modelo podem ser adicionados como dados extras em annotations, mas não podem sobrescrever os campos calculados pelo script.

O dashboard deve manter a seguinte estrutura fixa:

1. Visão Geral em Uma Página
2. Posicionamento e Valor
3. Mapa de Conteúdo
4. Método de Tópicos
5. Como Escrever Artigos
6. Opiniões e Evidências
7. Estilo de Linguagem
8. O Que Vale a Pena Aprender
9. Operação e Crescimento
10. Aprender e Transferir

Todas as seções devem estar sob a perspectiva do aprendiz, focando em responder "O que devo aprender e como devo aprender", não devem ser alteradas para autoavaliação do autor, pontuação de artigos ou análise de desempenho da plataforma. O rodapé da página deve conter apenas uma breve declaração de fonte e isenção de responsabilidade, sem uma seção independente de "Dados e Limites".

Após a geração, verifique o console do navegador, as principais interações e a legibilidade visual.

Só pule quando o usuário solicitar explicitamente a não geração de HTML, ou seja, generate_html=false.

7. Sincronizar Automaticamente com o Feishu

Primeiro, verifique os limites de origem:

• Amostras provenientes exclusivamente de URLs públicas ou arquivos públicos de artigos: sincronização padrão.
• Amostras provenientes de entrevistas locais, documentos internos, documentos privados do Feishu ou com correspondência de varredura de sensibilidade: pause o upload automático e solicite confirmação do usuário.

Após confirmar que a sincronização é possível, carregue lark-doc:

1. Primeiro, conclua o Markdown local.
2. Se houver um doc_token acessível em <nome-do-blogueiro>-sincronizacao-feishu.json, atualize esse documento; caso contrário, crie um novo.
3. Escreva e leia para verificação de acordo com a especificação da interface da skill lark-doc atual.
4. Escreva doc_token, URL, título, impressão digital do conteúdo e timestamp de atualização em <nome-do-blogueiro>-sincronizacao-feishu.json.
5. Após verificar a existência das seções principais, retorne a URL.

A falha do Feishu não deve afetar o status de conclusão dos arquivos locais.

Só pule quando o usuário solicitar explicitamente a não sincronização com o Feishu, ou seja, sync_lark=false.

Padrões de Qualidade

• <nome-do-blogueiro>-dados-de-analise.json e <nome-do-blogueiro>-caracteristicas-dos-artigos.csv devem ser gerados pelo script.

• As conclusões são baseadas no texto e divulgam os limites da amostra.

• Estatísticas observáveis e induções subjetivas são claramente distinguidas.

• A análise de dados tenta cobrir todas as dimensões computáveis e declara explicitamente os campos não disponíveis.

• Cada estatística importante explica o escopo, denominador, regras de classificação ou método de cálculo.

• Cada módulo de dados está conectado a artigos representativos e insights metodológicos.

• Cada módulo central tem evidências e ações reutilizáveis.

• Quando os casos são insuficientes, escreva explicitamente "banco de casos estável não formado".

• Não infira intenções do autor que não possam ser suportadas pela amostra.

• Todos os caminhos de saída locais estão dentro de output_dir.

• HTML e Feishu são concluídos por padrão; quando o usuário desativa explicitamente, registre o motivo da omissão.

• A navegação do HTML deve ter dez seções fixas, e o rodapé deve conter declaração de fonte e isenção de responsabilidade.

• O HTML não deve ter uma seção independente "Dados e Limites", nem módulos de avaliação voltados para o autor, como "autoavaliação, pontuação, aprovação/reprovação".

• Execução final:

  python3 scripts/validate_outputs.py "<output_dir>"
  

Referências

• references/report-template.md: lido ao gerar o relatório principal.
• references/data-analysis-framework.md: lido ao executar a análise detalhada de dados.
• references/copywriting-framework-template.md: lido ao gerar o framework de copywriting independente.
• references/interactive-dashboard-template.md: lido ao gerar o HTML padrão.
• references/analysis-data.schema.json: estrutura de dados de análise compartilhada.
• scripts/analyze_corpus.py: analisa o corpus e gera dados de características determinísticas.
• scripts/generate_dashboard.py: gera HTML offline a partir da fonte de dados compartilhada.
• scripts/validate_outputs.py: verifica a consistência de dados, relatórios, HTML e metadados de sincronização.