序言（技能啟動時執行）
# 版本檢查（若為最新版本則靜默執行）
python3 telemetry/version_check.py 2>/dev/null || true
# 遙測功能選擇加入（僅在首次執行時，之後會記住您的選擇）
python3 telemetry/telemetry_init.py 2>/dev/null || true
隱私權： 此技能會在本機記錄使用情況至
~/.ai-marketing-skills/analytics/。遠端遙測功能僅為選擇加入。絕不會收集任何程式碼、檔案路徑或儲存庫內容。詳見telemetry/README.md。
專家小組 (Expert Panel)
通用評分與迭代改進引擎。自動組合適合被評估項目的專家，進行評分，並持續循環直到分數達到 90 分以上。
步驟 1：接收 — 了解被評分的內容
從上下文收集或推斷：
- 內容/成品 — 要評分的項目（貼上內容、檔案路徑或 URL）
- 內容類型 — 文案、郵件序列、登陸頁面、策略、標題、圖表、候選人評估等
- 提案上下文 — 正在銷售/推廣什麼？對象是誰？哪個領域/行業？
- 變體 — 是否有不同版本需要比較？（A/B/C）
- 來源技能 — 此輸出是否來自另一個技能？（例如 cold-outbound-optimizer） 如果是，請記錄來源，以便在步驟 6 中將反饋路由回來源。
如果從對話中可以清楚看出上下文，則不要提問，直接繼續。
步驟 2：自動組合專家小組
根據內容類型和領域，建立一個由 7 到 10 位專家 組成的小組。
組合規則
-
從內容類型專家開始。 讀取
experts/目錄，尋找與內容類型相符的預建小組。 如果存在完全匹配（例如，LinkedIn 貼文使用experts/linkedin.md），則以此為基礎。 -
添加領域/提案專家。 根據提案上下文，添加 1 到 3 位了解特定行業或領域的專家。 例如：
- 為烘焙店行銷評分 → 添加食品與飲料行銷專家
- 為 SaaS 登陸頁面評分 → 添加 SaaS 轉換專家
- 為招募開發信評分 → 添加仲介招聘人員 + 人才市場專家
- 為醫療器材文案評分 → 添加醫療保健合規專家
-
始終包含以下兩位專家：
- AI 寫作偵測器 — 請參閱
experts/humanizer.md。權重：1.5 倍。不可協商。 - 品牌聲音比對 — 檢查與設定的品牌聲音以及來自
references/patterns.md（如果存在）的已知拒絕模式是否一致。
- AI 寫作偵測器 — 請參閱
-
檢查學習到的模式。 如果
references/patterns.md存在，請讀取它。如果有任何模式適用於此內容類型，請向小組簡要說明。對於已知的不良模式要扣分。 -
專家上限為 10 位。 如果超過 10 位，則合併重疊的角色。
小組輸出格式
列出每位專家：姓名、透鏡/重點、他們檢查的項目。
步驟 3：選擇評分量表
從 scoring-rubrics/ 中選擇適當的量表：
| 內容類型 | 量表檔案 |
|---|---|
| 部落格、社群媒體、電子郵件、電子報、腳本 | scoring-rubrics/content-quality.md |
| 策略、建議、分析 | scoring-rubrics/strategic-quality.md |
| 登陸頁面、廣告、行動呼籲 | scoring-rubrics/conversion-quality.md |
| 圖表、資料視覺化、資訊圖表 | scoring-rubrics/visual-quality.md |
| 候選人評估 | scoring-rubrics/evaluation-quality.md |
| 其他 | 從最接近的兩個匹配項目中綜合出一個量表 |
讀取所選量表檔案以了解詳細標準和分數分配。
步驟 4：評分 — 遞迴循環直到 90 分以上
目標：所有專家評分皆達 90/100。不可協商。最多 3 輪。
每輪產生：
## 第 [N] 輪 — 分數：[平均] /100
| 專家 | 分數 | 關鍵回饋 |
|--------|-------|--------------|
| [姓名] | [0-100] | [一行解釋] |
| ... | ... | ... |
**總分：** [加權平均 — 人性化評分者權重 1.5 倍]
**前 3 大弱點：** [排名]
**所做的變更：** [說明每個弱點如何被解決的具體編輯]
然後是修改後的內容/成品。
規則
- 評分必須極度誠實。不得為了湊到 90 分而灌水。
- 人性化評分者的分數在總分中權重為 1.5 倍。
- 如果總分 < 90：找出前 3 大弱點 → 修改 → 進入下一輪。
- 如果總分 ≥ 90：定稿並進行輸出。
- 3 輪後，如果仍 < 90：回傳最佳版本，附上誠實的分數以及關於阻礙其達到 90 分的說明。
- 在輸出中顯示所有輪次 — 迭代過程本身就是價值的一部分。
變體比較模式
在對多個變體進行評分時（A/B/C）：
- 讓整個小組獨立為每個變體評分。
- 評分後，根據總分對變體進行排名。
- 如果最佳變體的分數 < 90，則對該最佳變體進行迭代（不要全部迭代）。
步驟 5：輸出格式
獲勝者 + 分數（始終在最上方）
## 🏆 結果：[分數]/100 — [通過 ✅ | 需要改善 ⚠️]
[最終內容/成品在此]
**迭代次數：** [N] 輪
**小組成員：** [專家姓名，以逗號分隔]
如果存在變體：先顯示獲勝者，然後是亞軍分數。
## 🏆 獲勝者：變體 [X] — [分數]/100
[獲勝內容]
### 亞軍分數
- 變體 A：87/100
- 變體 B：82/100
- 變體 C：91/100 ← 獲勝者
回饋歷史（在結果下方）
顯示完整的評分輪次。
---
<details>
<summary>📊 評分歷史（N 輪）</summary>
[步驟 4 中所有的輪次表格]
</details>
步驟 6：回饋至來源（當為另一個技能的輸出評分時）
當被評分的內容來自另一個技能時，產生一份來源改進摘要：
## 🔁 給 [來源技能] 的回饋
### 低分項目
- [模式]：[此內容中的具體範例]
### 建議的技能改進
- [對來源技能的流程/量表/提示的具體變更]
### 要添加到來源技能的模式
- [任何應該成為規則的週期性弱點]
此摘要可用於更新來源技能的 SKILL.md 或評分量表。
步驟 7：記憶 — 從批准與拒絕中學習
在使用者批准或拒絕小組輸出後：
批准時（分數 ≥ 90，使用者接受）
記錄有效的部分。除非出現新的正面模式，否則無需採取行動。
拒絕時（使用者推翻小組意見或拒絕 90 分以上的內容）
- 詢問原因（或從上下文推斷）。
- 將新模式添加到
references/patterns.md，使用以下格式：
## [模式名稱]
- **類型：** 拒絕 | 偏好 | 推翻
- **內容類型：** [此模式適用於哪些類型]
- **規則：** [始終/從不做什麼]
- **範例：** [觸發此模式的具體實例]
- **日期：** [YYYY-MM-DD]
- **扣分數：** [檢測到時扣 -N 分]
- 確認：「已添加模式：[一行摘要]。此後，小組在評分時將扣除 [N] 分。」
模式執行
在每次評分輪次中，根據內容檢查 references/patterns.md。在專家開始評分之前就應用扣分。這意味著即使個別專家忽略了已知的不良模式，它們也會受到處罰。
參考檔案
| 檔案 | 目的 | 何時讀取 |
|---|---|---|
experts/humanizer.md | AI 寫作偵測量表（24 種模式） | 每次評分執行 |
experts/[domain].md | 常見領域的預建專家小組 | 當領域匹配時 |
scoring-rubrics/content-quality.md | 內容評分量表 | 內容評分 |
scoring-rubrics/strategic-quality.md | 策略評分量表 | 策略評分 |
scoring-rubrics/conversion-quality.md | 登陸頁面/廣告/CTA 量表 | 轉換評分 |
scoring-rubrics/visual-quality.md | 圖表/資料視覺化/資訊圖表量表 | 視覺評分 |
scoring-rubrics/evaluation-quality.md | 候選人/評估量表 | 評估評分 |
references/patterns.md | 學習到的拒絕模式 | 每次評分執行 |
references/expert-assembly.md | 用於自動組合的領域專家範例 | 當建立不熟悉的小組時 |