TopicPicker 使用教程

项目简介

TopicPicker（选题体检） 是一个给内容创作者用的选题决策 skill：把你自己从创作者后台导出的作品数据喂给它，
它先反推出「你的」选题公式，再拿这套公式给待选选题打分、排序，并把会撞车的那些直接拦下来。
整个 skill 就两个 markdown 文件，纯文本、零依赖、不用配置，丢进 AI 编程工具的 skills 目录就能用。

它的核心思路和常见的「盯热点」工具完全相反：热点只告诉你别人在做什么，你自己的数据才告诉你你做什么会成。
同一个账号里，成的作品一定共享某种结构，扑的作品也一定共享某种结构——TopicPicker 做的事就是把这两种结构挖出来，
写成一句能直接套用的公式（主词 + 具象动作 + 数字），再用它当尺子去量每一个新想法。
找新题时它只用 GitHub 等公开开源社区，按一周涨星速度排序，并逐个核实项目文档里是否真的支持你要讲的工具。

它以 agent skill 的形式工作，Codex、Cursor、Claude Code 等支持 skill 的工具通用：装好之后打个 @ 就能调用。
最重要的是它敢说不——候选选题和你近期发过的内容核心动词相同，它会一票否决并给出历史证据，
帮你拦住那条大概率白做一周的视频。

📎 相关链接与下载地址（点击展开）

• ⬇ 点击下载 topic-picker-skill.zip

核心亮点

它能做什么、输出什么

环境要求

如何使用

💡 整个流程 5 分钟：导出一份自己的数据 → 建目录 → 把两份 markdown 放进去 → 打 @ 开始用。全程不需要写一行代码。

我的项目/
├── data/
│   └── 作品数据.csv        ← 后台导出的明细表放这里
└── ...

mkdir -p .cursor/skills/topic-picker
# 目录里就放两个文件：
# topic-picker/
# ├── SKILL.md        主流程
# └── reference.md    判据和打分细则

---
name: topic-picker
description: 选题体检。读用户提供的作品数据表，反推该账号的
  选题公式，为候选选题打分排序，拦下会撞车的选题。
---

# 选题体检

数据源红线：只读用户本地提供的数据表和 GitHub 等公开
开源社区的项目页，不读取任何内容平台的站内数据。

## 工作流

1. **算派生指标**：收藏率=收藏/播放，分享率=分享/播放；
   按受众（如 程序员/创作者）和能力类型（新能力/老结果
   提升）给每条作品打标签分组。
2. **反推公式**：对比高播放组和低播放组的共性，产出
   「你的标题公式」（主词+具象动作+数字）和「你的黑名单」
   （连续扑过的题材类型）。
3. **出去找题**：没给候选时，顺着受众线去 GitHub 等公开
   社区找一周涨星快的新项目，逐个打开文档核实能力属实
   才入围。
4. **打分排序**：按维度表给每个候选打分，附预测收藏率
   区间和判分理由。
5. **撞车拦截**：候选与近 10 期作品核心动词相同 → 一票
   否决，给出历史那条的数据当证据。

## 输出要求

先给一页诊断报告（受众排序/公式/黑名单/重做池），
再给候选排序表。每个结论必须附数据出处，样本不足
5 条的分组标注「待验证」。

@topic-picker 读一下 data/作品数据.csv，告诉我我为什么能爆、为什么会扑
@topic-picker 这五个想法帮我排个序，说清楚为什么
@topic-picker 下一条做什么，你自己去找

典型应用场景

与常见做法对比

🧠 原理一句话：AI 早就会分析数据，缺的是「按什么标准分析」。skill 把标准写死成判据和红线，AI 每次都按同一把尺子量，结论才可复用、可累积。

常见问题

Q: 它和热点监控类工具有什么区别？

方向相反。热点工具回答「大家在看什么」，TopicPicker 回答「你做什么会成」。它不读任何内容平台的站内数据，信源只有两个：你自己导出的数据表，和 GitHub 等公开开源社区的项目页。

Q: 我的后台导不出收藏数怎么办？

没关系。收藏率是最好用的先行指标，但不是必需列。有播放、点赞、评论、分享四列就能跑，skill 会自动改用分享率和赞播比做替代指标，并在报告里注明口径。

Q: 我账号才发了十几条，样本够吗？

能跑但结论会打折。20 条以下 skill 只做单条复盘、不出整体公式；分组后单组不足 5 条的结论都会标「待验证」。发满 50 条再回头做一次全量体检，公式才稳。

Q: 图文/公众号账号能用吗？

能。它认的是指标列不是平台：把「播放」换成「阅读」、「收藏」换成「在看/收藏」，逻辑完全一致。多平台账号建议一个平台一张表分开喂，粉丝盘不同，公式也不同。

Q: 预测收藏率准吗？

它给的是区间不是保证，本质是「历史上同类题落在这个区间」。样本越多越准，而且每发一条新作品把数据补进表里，公式会跟着修正——这是个越用越准的循环。

Q: 为什么它不直接帮我把数据取回来？

刻意设计成只读你手动导出的文件。一是各平台对第三方读取站内数据有严格限制，碰了账号有风险；二是导出明细表本来就是后台自带功能，一分钟的事，不值得为省这一分钟冒险。

Q: 一票否决太严格了，能关掉吗？

可以在 SKILL.md 里把「近 10 期」改小，但不建议关。撞车是历史数据里最一致的扑量原因：同一个核心动词间隔太近，第二条的数据普遍只有第一条的零头。它拦你一次，可能就省下一周白干。

Q: 只能在 Codex 里用吗？

不是。agent skill 是通用格式，Codex、Cursor、Claude Code 都支持，放进各自的 skills 目录即可。甚至不支持 skill 的工具里，把两个 markdown 的内容直接粘进对话当指令，效果也有八成。

Q: 可以商用吗？

skill 本体是你自己目录里的两个 markdown 文件，内容随便改随便用。注意商用边界在数据侧：只分析你自己账号导出的数据没有问题，拿去分析别人的账号数据要先取得授权。