File: README.md Copy Chapter

Cheat on Content

🎬 What it actually does Copy Chapter

Most creators live in the same gambling loop:

Publish → Numbers come in → Learn nothing → Roll the dice again

A creator who's shipped 200 pieces is barely 10% sharper than someone who's shipped 1 — because they never kept books after each round.

Cheat on Content makes every judgment get logged, retrospected, absorbed into the next:

📊 Score → 🎯 Blind-predict → 🚀 Publish → 📈 T+3d retro → 🧬 Evolve your rubric

This isn't motivation. It's compounding — every piece you don't retro is silently eroding your ability to see yourself.

One month in = you have a hit-formula that's only yours.
Three months in = you're 10× sharper than your first-day self.

🌀 Origin Copy Chapter

I never believed in fate. Until this skill made me film a video — and predicted exactly how much traffic that video would pull.

I tried to break it. I told my audience. I hoped collective observation would collapse the wave function and shift the trajectory.

The data was accurate.

I didn't escape fate. I just moved from first-order to second-order.

If even my awakening — even my audience's observation — was already in its prediction, then right now, reading this:
are you here out of curiosity, or just closing the algorithm's last move?

— the creator

⚖️ How it differs from other "creator tools" Copy Chapter

In a sentence: other tools help you "ship more." This helps you "judge sharper."

🤔 Can't I just use ChatGPT / DeepSeek / Doubao? Copy Chapter

Those are general assistants — they tell everyone the same thing. You ask "will this go viral?" and the answer is fitted to global average opinion, not your channel. Ask again tomorrow — same answer. It doesn't remember you. It doesn't change because of you.

This is your own ops expert — serving only your one channel:

• The scoring formula is reverse-engineered from your history, not the global training distribution
• Every piece you ship updates its understanding — by month three, judgment accuracy is 10× sharper than day one (auto-evolving)
• It knows your benchmark account, your cadence, the last three reasons you flopped — things ChatGPT forgets after the first reply

General LLMs help everyone. This helps your account.

🛡️ Why the loop actually evolves Copy Chapter

📝 Every piece is logged: Score and prediction get written before publish, archived end-to-end. Three days later you settle accounts — you see exactly where you were sharp, where you were off. No more vague "I feel this one didn't land."

🔁 It gets sharper: Three same-direction misses in a row, the tool actively prompts you to upgrade your scoring formula. You don't have to remember — it remembers for you.

🛡️ Upgrades have a brake: Switching the formula requires re-scoring all historical samples — only released if it ranks more accurately than the old. Plus a cross-model independent audit — so you can't fool yourself.

🪒 The rubric is a workbench, not a museum: Observations refuted by data get deleted; observations absorbed into formal dimensions also get deleted. It only holds what's most useful right now.

📦 Install Copy Chapter

git clone https://github.com/XBuilderLAB/cheat-on-content.git
cd cheat-on-content
bash install.sh

⚠️ Upgrading from v0.x? Run /cheat-migrate in your content project after git pull. The 1.3 → 1.4 migration is BREAKING for blind-channel integrity — it splits rubric_notes.md so the blind sub-agent can't leak actuals. Without migrate, blind scoring will keep flagging non_blind_warning. See CHANGELOG and migrations/1.3-to-1.4.md.

14 sub-skills are symlinked into your agent's skill directory. One install, every content project gets it.

Supported agents: Claude Code (default) · Codex (bash install.sh --codex) · Both (bash install.sh --all)

Frozen version: bash install.sh --copy / bash install.sh --codex --copy

Uninstall: bash uninstall.sh / bash uninstall.sh --codex (your content data is not touched)

🚀 First run Copy Chapter

In your content project directory, open a skill-compatible agent and say:

初始化 cheat-on-content

(or init cheat-on-content)

Five yes/no questions complete onboarding. Strongly recommend importing a benchmark account — 5–10 samples and the tool gets an anchor immediately. Without one, your first 5 predictions land at ±50% precision.

⚡ Daily use Copy Chapter

score this scripts/<...>.md       → grade only
start prediction scripts/<...>.md → blind prediction + decision log
shot scripts/<...>.md             → create video folder + buffer +1
shipped https://...                → buffer -1
retro videos/<...>/                → T+3d data + retrospective
status / fetch trends / find topic / bump rubric / find benchmark

Hook-aware agents auto-report buffer + pending retros + top candidates at every session start — no need to ask. Other agents: just say status.

Full workflow + sub-skill details: see SKILL.md.

📈 Star History Copy Chapter

📜 License Copy Chapter

MIT. Commercial use, modification, closed-source integration — all fine.

Is this cheating? So was the calculator. So was Google.
The future doesn't reward effort — it rewards those who see the pattern first.

You reading this line — that's predicted too.

File: adapters/script-extraction/whisper/README.md Copy Chapter

Adapter: whisper（视频/音频转录）

被 /cheat-learn-from 在 Way b（用户提供视频文件，让工具转录）时调用。

优先 Way a（用户直接粘 script 文本——简单 + 准确）。Way b（whisper）只在用户找不到 script 只有视频时用。

这个 adapter 是干嘛的 Copy Chapter

把 mp4 / mov / mp3 等媒体文件转成文字 transcript，让 Claude 能读对标账号的稿子。

抖音 / B站 / YouTube 大多数视频没有官方字幕——拿稿子绕不开 ASR（语音转录）。这是为什么本 adapter 存在。

安装（一次性） Copy Chapter

选项 A：whisper-cpp（**推荐**——快、轻、纯 C++） Copy Section

Mac M 系列芯片上一条 3 分钟视频转录 30-60 秒。

# 1. 装 whisper-cpp
brew install whisper-cpp

# 2. 装 ffmpeg（whisper-cpp 依赖，从视频里抽音频）
brew install ffmpeg

# 3. 下载模型（中文推荐 medium 或 large-v3，准确度够 + 速度还行）
# whisper-cpp 第一次运行会自动下载，或手动：
mkdir -p ~/.whisper-cpp/models
cd ~/.whisper-cpp/models
# medium 模型 (~1.5GB)
curl -L -O https://huggingface.co/ggerganov/whisper.cpp/resolve/main/ggml-medium.bin

选项 B：openai-whisper（Python 版，更慢但有 API 兼容性） Copy Section

pip install openai-whisper
brew install ffmpeg

# 模型自动下载

选项 C：用云端 API（不需要本地模型） Copy Section

/cheat-learn-from 暂不直接支持云端 API——如果你有 OpenAI / Azure / 阿里云的 ASR API key，可以自己改 run.sh 走云端。

用法 Copy Chapter

cheat-learn-from 自动调用，你不需要手动跑。但如果想手动测试：

# 转录单个视频
bash run.sh <video_path> <output_dir>

# 例：
bash run.sh ~/Desktop/对标账号/某视频.mp4 ~/my-channel/samples/对标账号/abc123/
# → 输出 ~/my-channel/samples/对标账号/abc123/transcript.md

输出格式 Copy Chapter

transcript.md：

# Transcript: <video filename>

**Source**: <video file path>
**Transcribed at**: 
**Engine**: whisper-cpp medium / openai-whisper large / etc.
**Duration**: <video length>

---

[纯文本转录，按段落分（不是字幕格式）]

注意 whisper 输出的字幕是按 句子 分行的（每句换行 + 时间戳）。
run.sh 会去掉时间戳 + 把短句合并成段落，让 Claude 读起来像稿子，不是字幕表。

失败模式 Copy Chapter

稳定性等级 Copy Chapter

★★★★ — whisper 是开源标准 ASR，不会突然失效。模型更新自由，pin 版本无虞。

风险提示 Copy Chapter

• TOS：你转录自己下载的对标账号视频用于个人学习参考是合理使用；不要把转录结果再发布
• 隐私：whisper 全部本地运行，不传任何数据到云端

文件清单 Copy Chapter

adapters/script-extraction/whisper/
├── README.md           # 本文件
└── run.sh              # cheat-learn-from 调用的 wrapper

与其他 adapter 的关系 Copy Chapter

• 同 adapters/perf-data/douyin-session/、adapters/trend-sources/* 一样，是 cheat-on-content 的可选 adapter
• 只在 /cheat-learn-from --way b 时调用——Way a（粘文本）不需要

用户自己下载视频的说明 Copy Chapter

工具不直接抓视频——避免 TOS 风险 + 反爬维护成本。建议用：

• 抖音：第三方下载器 / 抖音 PC 版 → 复制视频链接 → 粘进下载器
• B站：BBDown / you-get
• YouTube：yt-dlp（最强大）
• 小红书：xhs-downloader

下载后扔到 samples//<video-id>/source.mp4 即可——cheat-learn-from 会自动找到。

File: adapters/perf-data/xhs-explore/README.md Copy Chapter

Adapter: xhs-explore（小红书爬取）

被 /cheat-retro 在 state.data_collection=adapter + platform=xhs 时自动调用。

来源：照搬 douyin-session adapter 的架构（Playwright 持久化登录态 + 被动拦截 XHR），
接口路径与字段参考 NanmiCoder/MediaCrawler 与 ReaJason/xhs。已在真实创作者账号端到端验证（2026-05）。
2026-06 融合 xhs-analytics 的公开页解析能力：
无登录抓取正文 / 图片 / 标签 / top 评论兜底，以及批量归档与账号汇总命令。

这个 adapter 是干嘛的 Copy Chapter

小红书反爬靠 x-s/x-t/x-s-common 签名 + xsec_token——纯 HTTP / requests 拿不到数据。

xhs-explore 用 Playwright + 持久化 Chromium context 模拟真实浏览器，不逆向签名、不伪造请求，
让页面自己发带签名的请求，我们只被动拦截返回的 JSON；同时用公开页 __INITIAL_STATE__ 做正文/图片/评论兜底：

• 首次扫码登录创作者中心，cookie 存在你的内容项目根目录 .auth-xhs/
• 之后每次抓取复用 cookie
• 抓三路数据：
  1. 创作者中心 galaxy 接口（/api/galaxy/v2/creator/note/user/posted）— 你自己笔记的运营数据：观看/点赞/收藏/评论/分享，不需要 xsec_token，最稳。列表每条自带 xsec_token，抓自己的笔记无需手动粘带 token 的链接
  2. 前台 web API（/api/sns/web/v1/feed + /api/sns/web/v2/comment/page）— 拿确认字段的点赞/收藏数 + 评论文本
  3. 公开页兜底（www.xiaohongshu.com/explore/<note_id> 的 window.__INITIAL_STATE__）— 无需登录即可补全正文、图片 URL、标签；当前台 API 拿不到评论时，用公开页里的 top 评论兜底（通常 ~10 条）

输出写到你的内容项目 videos/<...>/report.md。
调试产物（URL dump / 截图 / galaxy 原始 JSON）写到 .cheat-cache/xhs-explore-debug/。

字段映射（已校准） Copy Chapter

galaxy note/user/posted 的真实字段名已用真实账号确认并写死在 crawler.py 的 _normalize_note()：
观看 view_count、点赞 likes、收藏 collected_count、评论 comments_count、分享 shared_count、
发布时间 visible_time（unix 秒）/ time（本地时间串）、单篇 xsec_token。

万一小红书改版导致某项显示 0：打开 videos/<...>/report.md 末尾的"galaxy 原始字段"JSON，
把新 key 加进 _normalize_note() 对应的 _first(v, ...) 候选列表即可（多候选兜底仍保留）。

安装（一次性） Copy Chapter

# 1. 进你的内容项目根目录
cd ~/Documents/my-channel

# 2. 建虚拟环境
python3 -m venv .venv
source .venv/bin/activate          # Windows: .venv\Scripts\activate

# 3. 装依赖（Playwright + Chromium + requests）
pip install -r "$ADAPTER/requirements.txt"
playwright install chromium

# 4. 首次扫码登录小红书创作者中心
ADAPTER=$(find ~/cheat-on-content -name "xhs-explore" -type d 2>/dev/null | head -1)
python "$ADAPTER/crawler.py" login
# → 弹出 Chromium 窗口，用小红书 App 扫码
# → 登录成功后窗口自动关闭，cookie 存在 当前目录/.auth-xhs/

Windows 提示：adapter 在 ~/cheat-on-content/adapters/perf-data/xhs-explore（克隆源码处），
不在 ~/.claude/skills（install.sh 只复制 15 个 skill，不复制 adapter）。

用法 Copy Chapter

cheat-retro 自动调用。手动测试：

cd ~/Documents/my-channel
source .venv/bin/activate

# 列最近笔记（验证登录态没失效）
python "$ADAPTER/review.py" list

# 抓特定笔记
python "$ADAPTER/review.py" note <note_id> [script.txt]

# 抓特定笔记并下载图片到 videos/<...>/images/
XHS_DOWNLOAD_IMAGES=1 python "$ADAPTER/review.py" note <note_id>

# 批量归档已发布笔记的正文+图片（公开页解析，无登录）
python "$ADAPTER/review.py" archive my_notes.json data/raw/notes/archive 50

# 账号级汇总（基于创作者中心最近 50 条 + 公开页标签）
python "$ADAPTER/review.py" summarize reports

输出在 当前目录/videos/<日期>_<标题>/report.md；archive 输出在 <output_root>/<note_id>/。

怎么拿到 note_id Copy Chapter

小红书笔记 URL：

• https://www.xiaohongshu.com/explore/66f1a2b3c4d5e6f700112233?xsec_token=... → note_id = 66f1a2b3c4d5e6f700112233
• https://xhslink.com/xxxxx → 短链，cheat-publish 会 resolve

cheat-publish 登记发布时把 note_id 存到 prediction header，cheat-retro 启动时读这个字段。

report.md 输出格式 Copy Chapter

由 renderer.py 生成：

• 笔记元信息（标题、发布时间、链接、IP 归属）
• 数据快照（曝光/浏览、点赞、收藏、评论、分享 + 派生比率：赞曝比 / 藏曝比 / 评曝比 / 分曝比 + 涨粉）
• 正文 + 标签（公开页兜底时才有）
• 图片（本地路径优先，否则 URL）
• galaxy 原始字段 JSON（debug / 接口改版时核对字段用）
• 原始稿子（cheat-retro 传入）
• Top 评论（按赞数排序，含文本 + 赞数 + IP）

失败模式（按概率从高到低） Copy Chapter

关键现实：小红书接口 path（/feed、/comment/page、galaxy）相对稳定，但签名和 xsec_token 机制常变。
本 adapter 用被动拦截 + 公开页兜底规避签名风险——最易抖动处是 galaxy 创作者接口和评论回复。

稳定性等级 Copy Chapter

★★ — Playwright + 登录态能扛比纯 HTTP 强得多的反爬，但仍受小红书前端改版影响。
评论路径（依赖 xsec_token）比创作者数据路径脆，必要时降级 manual 或公开页兜底。

风险提示 Copy Chapter

• 冷启动用户慎装：Playwright + Chromium ~500MB
• TOS 风险：用自己的 cookie 抓自己后台数据是个人用途；别滥用、别高频
• 不要把 .auth-xhs/ 提交到 git：cookie 含会话凭据，泄露 = 他人能登录你的小红书账号
• .cheat-cache/xhs-explore-debug/ 也不应提交（含调试截图 / 接口 URL / 原始 JSON）

文件清单 Copy Chapter

adapters/perf-data/xhs-explore/
├── README.md           # 本文件
├── requirements.txt    # playwright>=1.44, requests>=2.28
├── crawler.py          # 抓取核心（galaxy / 前台 API / 公开页兜底 / 图片下载）
├── review.py           # CLI 入口（login / list / note / archive / summarize）
├── renderer.py         # 把抓回的 JSON 渲染成 report.md
├── paths.py            # 项目根 / .auth-xhs / debug 路径解析
└── run.sh              # cheat-retro 调用的 wrapper

与其他 adapter 的关系 Copy Chapter

• douyin-session — 抖音，本 adapter 的架构来源
• youtube-data-api（待）— YouTube 官方 API，更轻
• bilibili-stat（待）— B 站官方 stat 接口

如果你做多平台内容，只装你实际用的 adapter。

File: adapters/perf-data/douyin-session/README.md Copy Chapter

Adapter: douyin-session（抖音爬取）

被 /cheat-retro 在 state.data_collection=adapter + platform=douyin 时自动调用。

来源：照搬自参考博主项目（私有）的 crawler.py / review.py / renderer.py——已在中文观点视频博主账号上跑了 25+ 视频验证。

这个 adapter 是干嘛的 Copy Chapter

抖音视频页是强 JS 渲染 + XHR 加载评论 + 反爬严重——不带浏览器引擎和登录态的方案（比如 Claude 的 WebFetch、Python requests）拿不到任何数据。

douyin-session 用 Playwright + 持久化 Chromium context 模拟真实浏览器：

• 你首次扫码登录抖音创作者中心，cookie 存在你的内容项目根目录 .auth/
• 之后每次抓取直接复用 cookie，不用重新登录
• 拦截抖音前端的 XHR responses 直接抓数据接口的 JSON（不解析 HTML）
• 抓 3 类数据：视频列表 / 详细数据（完播 / 转粉率）/ 评论

输出写到你的内容项目 videos/<...>/report.md（cheat-retro 读这个文件 → 摘要写到 prediction 复盘段）。
调试产物（URL dump / 截图）写到 .cheat-cache/douyin-session-debug/，避免散落在 skill 源码目录。

安装（一次性） Copy Chapter

# 1. 进你的内容项目根目录
cd ~/my-channel

# 2. 建虚拟环境（强烈建议——Playwright + Chromium 几百 MB，别污染 system Python）
python3 -m venv .venv
source .venv/bin/activate

# 3. 装 Playwright
pip install playwright>=1.44

# 4. 装 Chromium（首次必须）
playwright install chromium

# 5. 首次扫码登录抖音创作者中心
ADAPTER=$(find ~/.claude/skills -name "douyin-session" -type d 2>/dev/null | head -1)
# 如找不到（可能 adapter 不在全局），用源码路径：
# ADAPTER="$HOME/Desktop/cheat-test/cheat-on-content/adapters/perf-data/douyin-session"
python "$ADAPTER/crawler.py" login
# → 弹出 Chromium 窗口，扫码登录创作者中心
# → 登录成功后窗口自动关闭，cookie 存在 当前目录/.auth/

用法 Copy Chapter

cheat-retro 自动调用，你不需要手动跑。但如果想手动测试：

cd ~/my-channel
source .venv/bin/activate

# 列最近视频（看登录态有没有失效）
python "$ADAPTER/crawler.py" list

# 抓特定视频
python "$ADAPTER/review.py" video <aweme_id> <video_folder>/script.md

# 输出在 当前目录/videos/<日期>_<title>/report.md

怎么拿到 aweme_id Copy Chapter

抖音视频 URL 形态：

• https://www.douyin.com/video/7234567890123456789 → aweme_id = 7234567890123456789（直接在 URL 路径里）
• https://v.douyin.com/abc123 → 短链需要 resolve（cheat-publish 自动做）

cheat-publish 会在登记发布时把 aweme_id 存到 prediction header（如能 resolve）。cheat-retro 启动时直接读这个字段。

report.md 输出格式 Copy Chapter

由 renderer.py 生成。包含：

• 视频元信息（标题、发布时间、时长）
• 数据快照（播放、点赞、评论、转发、收藏 + 派生比率：赞播比 / 评播比 / 分播比）
• 完播率 / 3s 留存（如能抓到）
• Top 20 评论（按赞数排序，含评论文本 + 赞数）
• 评论关键词聚类（renderer 自动做，可选）

失败模式（按概率从高到低） Copy Chapter

关键现实：抖音接口结构每隔几个月会变一次。这个 adapter 需要持续维护——如果有一天它突然失败，第一步是去看 视频分析 项目最新的 crawler.py 看有没有新版本。

稳定性等级 Copy Chapter

★★ — Playwright 方案能扛比纯 HTTP 强得多的反爬，但仍受抖音前端改版影响。建议每月手动跑一次 crawler.py list 验证健康。

风险提示 Copy Chapter

• 冷启动用户慎装：Playwright + Chromium 体积大（~500MB），新人容易劝退
• TOS 风险：用自己的 cookie 抓自己后台数据是个人用途；别滥用
• 不要把 .auth/ 提交到 git：cookie 里有你的会话凭据，泄露 = 他人能登录你的抖音账号
• .cheat-cache/douyin-session-debug/ 也不应提交到 git：里面可能含调试截图和接口 URL dump

文件清单 Copy Chapter

adapters/perf-data/douyin-session/
├── README.md           # 本文件
├── requirements.txt    # playwright>=1.44
├── crawler.py          # 抓取核心（视频列表 / 详细数据 / 评论）
├── review.py           # CLI 入口（交互式或 video <aweme_id> 模式）
├── renderer.py         # 把抓回的 JSON 渲染成 report.md
└── run.sh              # cheat-retro 调用的 wrapper

与其他 adapter 的关系 Copy Chapter

• youtube-data-api（待）— YouTube 用官方 API，不需要 Playwright，更轻
• bilibili-stat（待）— B 站官方 stat 接口公开，也不需要 Playwright
• xhs-explore — 小红书，已实现（同样走 Playwright 被动拦截路线，照搬自本 adapter）

如果你做多平台内容，只装你实际用的 adapter——不需要全装。

File: adapters/perf-data/bilibili-stat/README.md Copy Chapter

bilibili-stat — B站 perf-data adapter

回收自己（或任意）B站视频的播放数据 + 热门评论，供 /cheat-retro 复盘。

被 /cheat-retro 调用：当 state.data_collection=adapter 且 Platform: bilibili 时。

为什么它比抖音/小红书 adapter 简单 Copy Chapter

B站的视频统计（view）与评论（reply）都是公开接口：

• 不需要登录（没有 crawler.py login 步骤、不碰 .auth/）
• 不需要 wbi 签名（view 接口免签名；评论走 x/v2/reply 老接口，按热度 sort=2）
• 不需要浏览器（纯 httpx，无 playwright）

所以 clone 下来装个 httpx 就能用，零配置。

安装 Copy Chapter

pip install -r requirements.txt

（若你的内容项目根有 .venv，run.sh 会优先用它；否则用系统 python3/python。）

用法 Copy Chapter

/cheat-retro 会自动按下面的契约调用，一般你不用手动跑：

bash run.sh  <video_folder> [<script_path>]

• ``：BV1cUoUY9Ecr，或任意含 BV 号的链接（如 https://www.bilibili.com/video/BV1cUoUY9Ecr）
• <video_folder>：输出目录，report.md 会写进这里
• <script_path>：可选，原始稿子，会并入 report.md 供复盘 diff

也可直接调底层：

python review.py video BV1cUoUY9Ecr           # 抓数据 → 写 videos/<auto>/report.md
python review.py login                        # B站无需登录，仅打印说明（接口一致性）

输出（report.md） Copy Chapter

与 douyin-session 同格式，含：

• 视频元信息（标题 / UP主 / 发布时间 / 时长 / 链接）
• 播放数据：播放、点赞、投币、收藏、分享、评论、弹幕，并附派生比率（赞播比 / 投币率 / 收藏率 / 分播比）——B站「三连率」尤其能反映硬核认可度
• 原始稿子（若提供）
• 热门评论（按点赞降序，带 IP 属地）

接口 Copy Chapter

oid 取自 view 接口返回的 aid。评论按热度（sort=2）翻页，默认取 top 50。

退出码 Copy Chapter

0 成功 · 2 缺依赖（httpx 未装）· 3 其他失败（网络 / 解析 / BV 号错误）。任何失败时 /cheat-retro 会优雅降级到 manual 模式。

字段随接口改版的维护 Copy Chapter

view 的 stat 字段名（view/like/coin/favorite/share/reply/danmaku）和评论的 replies[].{like,content.message,member.uname,rcount,reply_control.location} 都已按 2026-06 真实返回校准。若 B站改版导致某项为 0，对照 crawler.py 的 fetch_video / _normalize_comment 调整 key 即可。

File: docs/README_CN.md Copy Chapter

Cheat on Content

🎬 它真正在干什么 Copy Chapter

大部分创作者活在同一个赌局里：

发布 → 数据出来 → 学不到东西 → 下一次继续赌

跑过 200 条的博主跟跑过 1 条的差距不到 10%——因为他们没在每次赌局后记账。

网红外挂让每一次判断都被记录、被复盘、被吸收进下一次：

📊 打分 → 🎯 盲预测 → 🚀 发布 → 📈 T+3 天复盘 → 🧬 进化你的评分公式

这不是 motivation，是 compounding——你不复盘的每一篇，都是在折损"看见自己"的能力。

跑一个月 = 你有了一份只属于你的爆款公式。
跑三个月 = 你比刚开始的自己强 10 倍。

🌀 起源 Copy Chapter

我以前完全不信宿命论。直到这个 skill 让我拍了一条视频——它甚至预测了这条视频能跑多少流量。

我试图用集体观测证伪它，把这事告诉观众，希望量子坍缩改变轨迹。

数据是准的。

我没逃出宿命论，只是从一阶跳到了二阶。

如果连我的觉醒、连观众的观测都在它的预设里——
此时此刻你读到这段：是出于好奇，还是正在完成算法的最后一次落位？

—— 创作者本人

⚖️ 它和别的"创作工具"哪里不一样 Copy Chapter

一句话：别的工具帮你"产出更多"，这个工具帮你"判得更准"。

🤔 那 ChatGPT / 豆包 / DeepSeek 不是也能干这个？ Copy Chapter

那是通用助手——对所有人说同样的话。你问"我这条会爆吗"，它的答案是从全网平均经验拟合出来的，跟你的账号没关系。明天再问一遍，答案还是上次那个——它不记得你，更不会因为你而变。

这套是你自己的运营专家，只服务你这一个账号：

• 评分公式从你的历史数据反推，不是通用训练分布
• 每发一条它就更新一次对你账号的理解——三个月后判断准度比刚开始强 10 倍（自动进化）
• 它知道你的对标账号、你的发布 cadence、你最近三次为什么扑——这些 ChatGPT 第一句话就忘了

通用 LLM 帮所有人；这套帮你这个账号。

🛡️ 它怎么让循环真的能进化 Copy Chapter

📝 每条都留底：发布前打分、写预测，全程存档。三天后回来对账——你哪里准、哪里偏，一目了然，不再是模糊的"感觉这次没发好"。

🔁 越用越准：连续三次同方向偏差，工具自动催你升级评分公式。你不主动它也催。

🛡️ 升级有刹车：换公式必须用新公式重判所有历史样本，能比旧公式更准才放行；还要跨模型独立审一次——防你自己骗自己。

🪒 rubric 是工作台不是博物馆：被推翻的观察删，被吸收的也删。永远只放当下最有用的。

📦 安装 Copy Chapter

git clone https://github.com/XBuilderLAB/cheat-on-content.git
cd cheat-on-content
bash install.sh

⚠️ 从 v0.x 升级？ git pull 后在你的内容项目里跑 /cheat-migrate。1.3 → 1.4 是 blind channel 完整性 BREAKING 修复——拆分 rubric_notes.md 防止 blind sub-agent 通过白名单读到实绩。不跑迁移的话 blind 打分会持续标 non_blind_warning。详见 CHANGELOG 和 migrations/1.3-to-1.4.md。

14 个子 skill 软链接到你 agent 的 skill 目录。装一次，所有内容项目都能用。

支持的 agent：Claude Code（默认）· Codex（bash install.sh --codex）· 两个都装（bash install.sh --all）

冻结版本：bash install.sh --copy / bash install.sh --codex --copy

卸载：bash uninstall.sh / bash uninstall.sh --codex（不动你的内容数据）

🚀 第一次跑 Copy Chapter

在你的内容项目目录里打开支持 skill 的 agent，说：

初始化 cheat-on-content

5 个 yes/no 搞定 onboarding。强烈建议导对标账号——5-10 条样本 → 工具立刻有 anchor，不然前 5 篇预测精度 ±50%。

⚡ 日常用法 Copy Chapter

打分这篇 scripts/<...>.md         → 评分
启动预测 scripts/<...>.md         → 盲预测 + 决策日志
拍了 scripts/<...>.md            → 建 video folder + buffer +1
已发布 https://...                → buffer -1
复盘 videos/<...>/                → T+3d 数据回收 + 复盘
状态 / 抓热点 / 找选题 / 升级 rubric / 找对标

支持 hook 的 agent 每次开会话自动报告 buffer + 待复盘 + top 候选——你不用主动问。其他 agent 直接说 状态 即可。

完整工作流 + 子 skill 细节见 SKILL.md。

📈 Star History Copy Chapter

📜 License Copy Chapter

MIT。商用、改造、闭源接入都行。

这是作弊吗？计算器也是。Google 也是。
未来从不奖励努力——它只奖励先看见规律的人。

你看到这一行——也是它预测的。