第18章 把投资分析变成日常
第 18 章 把投资分析变成你的日常
投资本身就是一件**高度信息密集、强结构化、又极度依赖判断**的事：读不完的财报、理不清的行业、吵不停的多空。而整理碎片信息、拆解复杂材料、把思考过程摆到台面上，恰好是 AI 擅长的。
在一次完整的股票研究里，AI 到底能替你做掉哪些低质量的重复劳动，把精力还给判断本身。
先想清楚：AI 在投资里该干什么
多数人对「AI 炒股」的想象是让它预测涨跌。但从真实的高频用法看，绝大多数有价值的提示词其实只集中在四类事上：
这四类都不是「预测涨跌」，而是**减少低质量思考的时间**。AI 在投资里最合理的位置，是一个不知疲倦、不带情绪、随叫随到的研究助理——它负责把事实底座打牢，把判断留给你。
和办公三件套一样，动手前先用五个问题给这次研究定标。很多「AI 分析得不好」，根源不是模型不会分析，而是人没把研究目标说清楚。
| 问题 | 要说清什么 | 示例 |
|-|-|-|
| 目标 | 这次研究要支撑什么决定 | 判断是否把某只票纳入观察池，还是决定当下加减仓。 |
| 标的 | 具体是哪家公司、哪个行业 | 天孚通信（300394），光通信 / CPO 板块。 |
| 材料 | 哪些是事实来源，哪些只是参考 | 年报、三季报、券商研报是事实来源；股吧观点只作情绪参考。 |
| 深度 | 只要事实梳理，还是要到估值和多空推演 | 先做事实底座（Prompt 1-3），再上尽调级 DeepResearch（Prompt 8）。 |
| 验收 | 怎么判断结果可用 | 每个判断都能追到数据来源，事实与观点分开标注。 |
先选对工具：金融场景的 Skill 组合
在进入提示词之前，先认识本章会用到的几个 Skill。它们分工不同，可以单用，也可以像流水线一样串起来。
| Skill 名称 | 适合处理 | 本章怎么用 | 注意点 |
|-|-|-|-|
| `stock-advisor` | 单只股票的端到端分析 | 上传截图或给出代码，自动跑完技术面、基本面、交叉验证、私董会、排版 | 本章主线，第三、四节详解 |
| `a-share-analyst` | A 股日常行情与选股 | 实时行情、技术指标、量化选股、每日报告 | 偏日常盯盘与批量筛选 |
| `financial-expert` | 金融数据查询与筛选 | 选股、基金筛选、财务指标、宏观 / 行业时序、券商研报检索 | 依赖数据源 MCP，需先配置 |
| `peers-advisory-group` | 多视角决策讨论 | 四位「幕僚」围绕一个议题交叉辩论 | 被 `stock-advisor` 作为决策模块调用 |
一个实用的搭配思路是：**日常盯盘和批量选股用 `a-share-analyst` 与 `financial-expert`；要对一只票下深功夫、出一份完整报告，用 `stock-advisor`；需要跳出单一视角、逼自己看反面时，叫上 `peers-advisory-group`。**
从查资料到下判断：一套可复用的研究提示词链路
这一节是纯提示词。它们按「**最简单 → 相对复杂**」排列，覆盖了从「查资料」到「下判断」的完整链路。你不必每条都用——先用前三条建立事实底座，需要深挖时再往后走。第 8 条是把前面所有环节压进一个框架的「全家桶」，也是日常在 ChatGPT、Gemini、豆包、千问的 DeepResearch 里最常用的一条。
> 每条提示词的用法统一是：把方括号 `【】` 里的占位换成你的标的，粘贴运行即可。
Prompt 1｜最基础：给公司建一个「事实底座」
**解决的场景**：刚接触一家公司，先别急着判断，先搞清楚它到底是干什么的。很多错误判断，从第一步认错了业务就开始了——你以为它靠 A 赚钱，结果利润主要来自 B。这一步的价值，是**压缩你「搞清楚事实」的时间成本**。
```markdown
请帮我系统梳理【XXX 公司】的基础情况，输出结构化总结，包括：
1）核心业务与主要产品线
2）收入与利润来源构成
3）主要客户与应用场景
4）公司在产业链中的位置
5）近几年最重要的战略变化
要求：
```
Prompt 2｜行业视角：这是不是一个「好行业」
**解决的场景**：股票研究里一个常被低估的问题——你选的往往不是公司，而是行业。AI 很适合做行业的「第一性梳理」。但行业拐点、价格见底这种问题，别指望它给答案。
```markdown
请从行业研究的角度，分析【
1）行业所处的周期阶段（复苏/扩张/衰退/萧条）
2）供需关系与主要驱动因素
3）价格变化机制与历史波动
4）行业集中度与竞争格局
5）影响行业的关键外部变量（政策、技术、宏观）
请明确指出：哪些是长期结构性因素，哪些是短期波动因素。输出周期阶段判断 + 关键证据图表清单 + 领先指标(3个)与滞后指标(3个)。
```
Prompt 3｜业务拆解：钱到底是怎么赚来的
**解决的场景**：从「看公司」到「看生意」的关键一步。很多「看起来很美」的公司，核心利润来源其实很脆弱。**混杂型公司**（主业 A、利润却来自 B）尤其适合让 AI 帮你看清楚。
```markdown
请你以【价值投资 / 基本面研究】视角，对【XXX 公司】进行"业务拆解"，目标是回答一个核心问题：
👉 这家公司【真正、长期】是靠什么赚钱的？
要求
必答结构
一、公司"赚钱方式"的一句话结论
二、业务结构全拆解（必须量化）
1. 业务板块拆分
2. 利润来源判断
三、赚钱机制拆解（Business Engine）
对核心业务逐条回答：
四、客户、渠道与定价权
五、子公司 / 联营公司 / 非经常性业务
六、商业模式的"稳定性与脆弱点"
最终输出
```
Prompt 4｜财务质量：这家公司赚的钱干不干净
**解决的场景**：财务调研指标很多，这里给一个通用格式。核心是强制做「利润 vs 现金流」的交叉验证——账面利润漂亮，现金流跟不上，往往是第一个预警信号。
```markdown
请分析【<公司>】近几年的财务质量：
1）收入、利润与经营现金流的匹配情况
2）应收账款、存货、合同资产变化
3）非经常性损益对利润的影响
4）是否存在一次性项目或会计口径变化
5）可能需要重点关注的财务风险点
研究原则
请重点指出：哪些指标值得持续跟踪。
```
Prompt 5｜股权与治理：老板和你是不是一条船上的
**解决的场景**：生意好 + 治理差 = 高波动风险资产。股权质押、减持、关联交易、激励条款，这些「筹码面」的信息很分散，适合让 AI 一次性梳理成时间表和风险雷达。
```markdown
1、梳理【<公司>】股权结构与关键股东：
输出：治理结构图（文字版即可）+ 风险雷达(高/中/低) + 需要跟踪的公告清单。
2、请建立【<公司>】未来<12个月>的"筹码事件时间表"：限售解禁、员工持股解锁、定增/配股、回购进度。
对每个事件给出：潜在抛压/承接能力判断、对估值中枢的影响路径、历史上类似事件的股价反应统计（如能找到）。
3、分析【<公司>】管理层薪酬与股权激励：
输出：同向性结论 + 关键条款摘录 + 改进建议。
```
Prompt 6｜市场分歧：多空到底在吵什么
**解决的场景**：多空双方的观点最有信息量。这一步不是告诉你该信谁，而是帮你把分歧摊平，看清楚**未来该盯哪些数据来验证**。
```markdown
请整理市场对【XXX 公司】的主要分歧点：
1）多方核心逻辑
2）空方核心逻辑
3）各自最重要的论据
4）哪些分歧可以被未来数据验证
5）关键验证节点是什么
分析要求
```
Prompt 7｜估值与护城河：市场在押什么假设
**解决的场景**：护城河和估值，是价值投资绕不开的两块。下面两条一条评护城河强度，一条搭 DCF 反推市场隐含预期。
```markdown
以价值投资视角分析【<公司>】的护城河，必须引用公司披露/权威来源。
1) 定价权：过去<5-10年>毛利率/提价能力/成本转嫁证据？
2) 转换成本：客户更换供应商的成本是什么（系统、流程、合规、生态）？
3) 网络效应/规模效应：规模如何降低单位成本或提升体验？
4) 无形资产：品牌、专利、牌照、数据、渠道壁垒的可验证证据？
5) 竞争反应：主要对手如何攻击，公司如何防守（历史战役）？
输出：护城河强度评分(0-5)+证据表+最可能被侵蚀的点与监控指标。
```
```markdown
请为【<公司>】构建 DCF 估值（允许使用公开财务数据，必须引用来源）：
输出：估值区间 + 关键假设清单 + 最容易错的2个假设及验证方案。
```
Prompt 8｜全家桶：一份尽调级 DeepResearch
**解决的场景**：这是把前七步的逻辑压进同一个框架的「投资者尽职调查报告」。它强制区分事实与判断、强制交叉验证、强制推演空方逻辑与黑天鹅——用来对抗人最容易犯的「确认偏误」。这条在各家 AI 的 DeepResearch 模式里都很好用。
```markdown
我需要你帮我完成一份投资者尽职调查报告。目标是对标的 `<股票名称/代码>` 进行全方位的商业模式、财务质量、行业周期及估值逻辑推演。
请严格按照以下逻辑框架进行推演。
Constraints & Standards (研究原则)
1. 数据时效性与跨度：财务数据需涵盖**过去 3-5 年**的趋势（CAGR），估值分位需回溯**过去 5-10 年**的历史区间。
2. 事实底座优先：区分【事实 Fact】与【判断 Opinion】。所有判断必须基于可验证的数据（年报、招股书、监管问询函）。
3. 双重验证：必须进行"利润 vs 现金流"的交叉验证，以及"公司 vs 同行"的对比验证。
4. 反直觉思考：必须包含"空方逻辑"与"黑天鹅风险"推演，避免确认偏误。
Research Context (用户输入)
Workflow
Phase 1: 商业模式与护城河拆解 (Business Engine & Moat)
> 核心任务：搞清楚它真正靠什么赚钱，剔除噪音，看清本质。
1. 业务透视与提纯：
2. 护城河判定：
Phase 2: 行业周期与供需格局 (Industry Context)
> 核心任务：判断是顺风还是逆风，是红海还是蓝海。
1. 周期定位：行业目前处于哪个阶段（复苏/过热/滞胀/衰退/萧条）？请引用库存水平、开工率、Capex（资本开支）趋势作为证据。
2. 供需剪刀差：寻找"领先指标"与"滞后指标"。未来 1-2 年行业是否有大规模新增产能投放？
3. 竞争格局变化：行业集中度（CR5）是在提升还是分散？主要竞争对手近期有什么大动作（价格战/技术突破）？
Phase 3: 财务健康度与质量扫雷 (Financial Health)
> 核心任务：这笔钱赚得干不干净？增长是否有质量？
1. 核心指标趋势：
2. 异常排查（扫雷）：
Phase 4: 治理结构与资本配置 (Governance & Allocation)
> 核心任务：管理层是股东的伙伴，还是收割者？
1. 资本运作回顾：
2. 股权与筹码：
3. 管理层画像：
Phase 5: 估值逻辑与风险反脆弱 (Valuation & Risk)
> 核心任务：价格是否包含了过高的预期？
1. 相对估值（纵向+横向）：
2. 绝对估值（反向思维）：
3. 风险与空方逻辑：
Output Format (输出结构)
请以结构化输出，并在文末附上【引用来源清单】：
1. 投资结论摘要
2. 关键财务数据表（含 CAGR, ROE, 现金流匹配度）
3. 深度分析正文（按上述 5 个 Phase 展开，每个结论需附带数据支持）
4. 估值仪表盘（历史分位 + 隐含预期 + 同行对比）
5. 未来监控清单
```
到这里，一套从「查资料」到「下判断」的提示词链路就齐了。但你可能已经发现一个问题——**它们是散装的**。每换一只票，你都要一条条重新粘贴、手动把上一步的结论喂给下一步、最后还要自己整理成报告。下一节，我们把这套链路装进一个 Skill。
从提示词到 Skill：`stock-advisor` 是怎么长出来的
这个场景的痛点
上一节的提示词单独看都好用，但真要完整研究一只票，痛点很明确：
`stock-advisor` 要解决的，就是把这条链路**从「一堆提示词」变成「一条按一次就跑完的流水线」**。
创作原理：编排，而不是重写
`stock-advisor` 的设计核心是一个词——**编排（Orchestration）**。它没有把所有能力重新造一遍，而是把「已经好用的部件」按顺序接成一条流水线：
```
用户输入（截图 / 股票代码）
│
▼
① 技术面分析 → ② 基本面分析 → ③ 多维交叉验证 → ④ 私董会讨论 → ⑤ 排版输出
```
五个模块各司其职：
| 模块 | 做什么 | 关键设计 |
|-|-|-|
| ① 技术面分析 | 从 K 线图识别形态、均线、MACD 等，并用行情数据交叉验证 | 图像识别 + 数据双轨，**冲突时以数据为准并标注差异** |
| ② 基本面分析 | 识别财报关键指标，补充估值与行业对比，给综合评级 | 技术 / 基本 / 资金三面各自打分，再合成评级 |
| ③ 多维交叉验证 | 联网检索研报、行业动态、重大新闻、政策 | 出现矛盾信号（如技术看涨但研报看空）**必须明确标注分歧** |
| ④ 私董会讨论 | 调用 `peers-advisory-group`，四位幕僚就这只票交叉辩论 | 复用现成 Skill，把「找反证」制度化 |
| ⑤ 排版输出 | 整理成结构化报告，转杂志风 HTML / PDF，可上传飞书 | 复用 `magazine-layout` 与 `lark-doc` |
这里藏着 Skill 创作最值得学的一点：**复用而非重写**。`stock-advisor` 的依赖清单里，技术指标脚本复用了 `a-share-analyst`，决策讨论复用了 `peers-advisory-group`，排版复用了 `magazine-layout`，上传复用了 `lark-doc`。它自己新写的，只有「基本面分析」「HTML 转 PDF」等少数几块。
> 换句话说，做一个复杂 Skill，不一定要从零写一个庞然大物。**先把已有的能力当积木，缺哪块补哪块，再用一条主线把它们编排起来**——这就是 `stock-advisor` 的创作方法论，也是把个人经验沉淀成工具的通用思路。
它还有两个体现「产品化」意识的小设计：
它到底解决了什么问题
一句话：**把「一次严肃的股票研究」从半天的手工活，压缩成一次对话。** 你提供截图或代码，它自动完成取数、多面分析、交叉验证、多视角辩论和报告排版。人要做的，从「搬运和拼接」变成了「拍板和质疑」——这正是第一节说的，把精力还给判断。
> 
>
> 在 WorkBuddy 里触发 `stock-advisor` Skill 的界面（技能被识别、开始执行的那一刻）。
---
实战案例：用 `stock-advisor` 跑一遍天孚通信（300394）
光讲原理不够，下面是一次真实的完整对话。标的是**天孚通信（300394）**，光通信 / CPO 板块。整个过程分三步递进：先看图、再看财报、最后开一场私董会。
第一步：上传 K 线图，先要一份技术面速读
我上传了这只票的 K 线日线图和 MACD 指标图，让它先做技术分析。用的提示词就是第二节思路的实操版：
```text
我上传了一只 A 股的 K 线日线图和技术指标图（MACD）。请你作为一位专业的技术分析师，完成以下任务：
1. 识别股票信息：这是哪只股票？当前股价大约是多少？
2. K 线形态分析：近期呈现什么形态？近 5 日 K 线的具体表现？
3. 均线系统分析：MA5/MA10/MA20 的排列状态，最近是否出现金叉或死叉
4. MACD 分析：DIF 和 DEA 的位置关系，柱状图趋势，是否出现背离
请以表格 + 文字结合的方式输出技术面速读报告。
```
> 
>
> 上传 K 线图 + 输入上述提示词的对话界面。
WorkBuddy 先从图里识别出这是**天孚通信（300394）**，当前股价约 368.70 元，然后给出了结构化的技术面速读。核心结论：
> 
>
> 技术面速读报告的完整输出（含 K 线形态、均线、MACD 四张小表）
>
> 
一句话点评：这一步它没有猜涨跌，而是把「图里能读到的事实」结构化了——形态、均线、指标、支撑压力，一目了然。
第二步：补上财报截图，做一次全面分析
接着我又上传了 2025 年三季报和全年预增公告的截图，让它把基本面接进来，做一次完整评级：
```text
我又上传了这只股票的 2025 年三季度报数据和 2025 年全年预增数据。
现在请你：
1. 先识别截图中的所有财务指标数据
2. 然后结合第一轮的技术面分析，帮我做一次全面的 A 股分析：
3. 给出短期（1-2 周）、中期（1-3 月）的操作建议
4. 明确标注关键支撑位和压力位，请按照专业研报的格式输出。
```
> 
>
> 上传财报截图 + 输入上述提示词的对话界面。
这一轮它先把截图里的财务指标逐条识别出来（营收 39.18 亿、同比 +63.63%，归母净利 14.65 亿、ROE 31.30%、毛利率 51.87%，PE 146.70……），然后合成了一张综合评级表：
| 维度 | 评分 | 权重 | 加权得分 |
|-|-|-|-|
| 技术面 | 4.0 / 5.0 | 25% | 1.00 |
| 基本面 | 4.5 / 5.0 | 30% | 1.35 |
| 估值水平 | 2.0 / 5.0 | 25% | 0.50 |
| 资金面 | 4.0 / 5.0 | 20% | 0.80 |
| **综合评分** | — | — | **3.65 / 5.0** |
**最终评级：推荐。** 核心结论是一句很克制的话：**中期趋势向好（CPO 高景气 + 高成长），但短期估值透支、涨幅过大，不宜追高，等回调再择机。** 它还给了分投资者类型的仓位建议、四档支撑位和三档压力位。
> 
>
> 
>
> 全面分析报告的完整输出（财务识别表 + 综合评级表 + 操作建议 + 支撑压力位）。
值得注意的是，这一步已经体现了模块二的设计：**技术、基本、资金三面分开打分，再加权合成**，估值太贵就在总分里扣回来——不会因为成长性好就无脑看多。
还可以从不同角度去分析，使用\`a-share-analyst\` \`skill去完成。
第三步：拿不定主意，开一场私董会
评级出来了，但「推荐」不等于「现在就买」。这时候我叫上了第四个模块——**私董会**，请四位风格迥异的幕僚就这只票交叉辩论：
```text
但我对这只股票还是拿不定主意。现在请帮我启动一场私董会，我要请四位幕僚来讨论这只股票是否值得投资：
讨论要求：
1. 每位幕僚先各自发表 3-5 分钟的独立观点。
2. 然后进入交叉质询环节——幕僚之间互相挑战对方观点。
3. 最后每人用一句话给出"买入/持有/卖出"的最终建议。
4. 你作为私董会主持人，综合四位意见给出最终执行方案。
请基于前两轮的分析数据来展开讨论，让幕僚们"带着数据聊"。
```
> 
>
> 启动私董会的对话界面。
私董会环节里，系统先联网更新了四位幕僚的近况，还**补检索了更新的数据**（2025 全年营收 51.63 亿、净利 20.17 亿，2026 Q1 环比下滑，以及和中际旭创、新易盛的横向对比）——这正是模块三「多维交叉验证」在起作用，把讨论从截图数据推进到了全网最新事实。
四位幕僚各自独立发言、再互相质询，观点很快分成两派：
> 
>
> 
>
> 四位幕僚独立观点 +
>
> 
>
> 交叉质询环节（篇幅较长，建议分屏截图）。
最后每人一句话定调，形成了鲜明的「2:2」分裂：
主持人最后综合出一份**分投资者类型的执行方案**，而不是一个笼统的「买或不买」：
| 投资者类型 | 建议 | 执行要点 |
|-|-|-|
| 价值投资者 | 坚决回避 | 等 PE < 40 |
| 成长投资者 | 可持有，需止损 | 保留 3-5 成，跌破 MA5(347) 减仓，跌破 MA10(319) 清仓 |
| 趋势投资者 | 谨慎参与 | 等回调至 MA10 / MA20，KDJ 回落至 50 以下再介入 |
| 激进投资者 | 小仓位试仓 | 最多 3 成，跌破 300 元清仓 |
并且把决策挂到了几个**未来验证节点**上：8 月中报预告看 Q2 是否环比改善，H2 看 CPO FAU 能否放量、毛利率能否回到 55%+，10 月三季报看营收增速。逻辑证伪就退出。
> 
>
> 主持人的综合执行方案（分类型建议表 + 决策节点表 + 替代标的）。
最后：一键成稿
对话结束后，让它把整场分析生成一份杂志风格的报告，`stock-advisor` 会调用排版模块出成品，可以本地存 PDF，也可以直接上传飞书云文档。
> 
>
> 杂志风格投资分析报告成品（首屏 / 封面）。
回头看这一个案例，`stock-advisor` 把第二节那八条散装提示词，变成了一次三轮对话就跑完的完整研究：**看图 → 看财报 → 开私董会 → 出报告**。而全程它没有替我做那个最关键的决定——买还是不买。它只是把该看的都看了，把该吵的都吵了，最后把判断权，干干净净地交回到我手里。
---
常见错误与使用边界
金融是强监管、强风险的场景，比办公三件套更需要守住边界。下面几条，是把 AI 用在投资上最容易踩的坑。
| 常见错误 | 为什么错 | 正确做法 |
|-|-|-|
| 让 AI 给「买点 / 卖点」 | 它不掌握实时全量信息，也不为你的钱负责 | 只用它做事实梳理和多空推演，买卖由你拍板 |
| 完全相信截图识别的数字 | 图像识别会看错，财报口径也会变 | 关键数字要交叉验证——本案例私董会环节的数据就比前两轮更新 |
| 指望它判断行业拐点、价格见底 | 这类判断依赖前瞻信息和经验，AI 给不了 | 让它梳理「该盯哪些领先指标」，拐点自己盯 |
| 只看多方逻辑，越看越上头 | 确认偏误，AI 会顺着你的语气强化观点 | 用 Prompt 6 和私董会，强制它给空方逻辑和反证 |
| 把 AI 报告直接当投资依据 | 报告是研究辅助，不是投资建议 | 报告结论仅供参考，决策与风险自负 |
> **风险提示：股市有风险，投资需谨慎。** **本章所有提示词、Skill 与案例，均以「辅助研究」为目的，不构成任何投资建议。**AI 只是把事实和分歧摆到你面前的工具，最终的判断和后果，始终在人这一边。据此操作，风险自担。
第19章 一句话召唤AI视频团队
第 19 章 一句话召唤 AI 视频团队
在 WorkBuddy 里把短视频工作拆成两支 AI 专家团：一支负责自动生产视频，一支负责拆解爆款视频。
| 团队 | 负责什么 | 适合什么任务 |
|-|-|-|
| **视频生成团队** | 从主题出发，完成热点采集、选题筛选、脚本、分镜、配音、渲染、字幕和发布。 | AI 周报、产品更新、知识科普、行业分析、产品评测。 |
| **爆款视频拆解团队** | 从视频链接出发，下载视频、提取音频、转写文案、分析镜头语言，生成拆解报告和仿拍建议。 | 学习爆款结构、复盘竞品视频、沉淀拍摄手册、给生成团队提供参考。 |
这两个团队并不是互相替代的关系。视频生成团队解决“今天怎么做一条出来”，爆款拆解团队解决“为什么别人那条能火，我能学到什么”。一个负责生产，一个负责学习，组合起来才有持续迭代的可能。
如何召唤：从一句话开始，但不要停在一句话
```text
召唤视频生成团队，制作一条 46 秒 AI 周报短视频。
```
第一支团队：视频生成团队
视频生成团队里有四个核心角色：视频生成团队主理人凌导、信息采集员灵阅、内容策划师灵枢、视频制作师灵映。它们不是四个换名字的聊天窗口，而是一条有上下游交接关系的视频生产线。
| 角色 | 定位 | 交付物 |
|-|-|-|
| 凌导 | 主理人 / 团长 | 拆解任务、安排并行与串行流程、汇总产物、处理检查点。 |
| 灵阅 | 信息采集员 | 热点池、来源表、去重后的结构化摘要、选题候选。 |
| 灵枢 | 内容策划师 | 选题判断、脚本、分镜、旁白、转场、素材清单、BGM 和字幕节奏。 |
| 灵映 | 视频制作师 | HTML 视频工程、配音、字幕对齐、转场动画、素材拼接、渲染成片。 |
这才是多 Agent 的关键：不是角色越多越好，而是每个角色都有清晰输入和输出。信息采集员不直接写成片脚本，策划师不重新编造热点，制作师不重写事实，团长负责让流程不断档。
底层生产引擎：HyperFrames
文章提到，这条视频流水线基于 HyperFrames 搭建。它的核心思路是用 HTML 渲染视频，天然适合 Agent 生成结构化工程，再交给渲染工具输出 MP4。它还带有 CLI 工具链、TTS、字幕、去背景和视频组件模板。
生成流程一：信息采集员先让热点有来源
做视频最耗时间的往往不是剪辑，而是“今天到底拍什么”。所以视频生成团队先让信息采集员灵阅抓 RSS、搜新闻、扫社媒、聚合 AI 热点，并去重输出结构化摘要。
这个阶段的产物至少应该包含：标题、来源、发布时间、事件发生时间、原始链接、热度线索、为什么值得关注。热度只能帮助排序，不能替代事实核验。
生成流程二：内容策划师把主题变成镜头
选题有了之后，真正费脑子的是“这条视频怎么讲”。内容策划师灵枢负责选题评估、脚本写作、分镜设计、旁白文案、镜头节奏，以及转场建议、素材清单、BGM 节奏、字幕停顿和情绪节点。
这里建议设置第一次人工检查：开头 3 秒是否有钩子，46 秒是否塞入过多信息，旁白是否准确，画面是否真的支撑观点。脚本不过关时，不要进入配音和渲染。
生成流程三：视频制作师把分镜变成成片
灵映会把确认后的脚本转成 HTML，再调用 HyperFrames 渲染 MP4。文章里提到，系统会自动完成 Azure TTS 配音、Whisper 字幕对齐、动画与转场生成、素材拼接、字幕叠加和视频渲染。
成片验收不要只看“能不能播放”。至少检查旁白与字幕是否一致、镜头时长是否匹配、文字是否遮挡主体、BGM 是否可用、素材是否有版权风险、画面是否适合目标平台安全区。
生成流程四：发布可以自动化，但默认要人工确认
发布 Agent 自动生成标题、自动打标签、自动上传封面，并通过云手机发布到抖音、视频号和 B 站。这是很强的自动化能力，但蓝皮书建议默认不要直接自动发布，除非账号、素材、标题和合规边界都已经过人工确认。
第二支团队：爆款视频拆解团队
光会生成还不够。
内容创作者真正需要的是理解“为什么别人能爆”，把一条爆款视频拆成可以参考的操作手册：提取视频、转录文案、分析景别运镜、剪辑节奏、色调风格，并给出仿拍建议。
| 角色 | 职责 | 工具 / 技术 |
|-|-|-|
| 阿爆 | 团长 / 拆解总控 | 任务调度、流程编排、结果汇总。 |
| 小凯 | 音频处理与转录 | ffmpeg、ASR，把视频音频转成完整口播文案。 |
| 小淼 | 视频理解与镜头裁切 | 视频理解 API、ffmpeg，分析镜头语言并裁切片段。 |
拆解流程一：视频下载要有降级策略
爆款拆解的第一步是拿到视频。文章里专门提到，最复杂的是视频下载，所以设计了一套三层降级策略：官方 API、Playwright、yt-dlp。只要有一层成功，流程就继续。
这里必须加上边界：视频下载和分析要遵守平台条款、版权授权和合理使用范围。拆解的目的应该是学习结构和方法，不是搬运原视频。
拆解流程二：音频提取与文案转写
视频下载完成后，小凯用 ffmpeg 提取音频，把 video.mp4 转成 audio.mp3，再调用语音识别 API 自动转录完整口播文案。以前一句句听、一句句敲的工作，现在可以被稳定自动化。
拆解流程三：视频理解与镜头语言分析
接下来是最有意思的一步：视频理解。小淼会分析整条视频的景别、运镜、转场、剪辑节奏、色调、镜头时长。很多看起来“有感觉”的爆款视频，背后其实有稳定的镜头规律。
两支团队如何形成闭环
两个专家团可以合作。先用爆款拆解团队学习镜头语言和节奏，再让视频生成团队生产新视频，发布之后继续分析数据，再反过来优化下一版内容。
```mermaid
flowchart LR
A[爆款视频链接] --> B[拆解团队：转写、镜头、节奏、仿拍建议]
B --> C[形成拍摄手册和内容规律]
C --> D[生成团队：热点、脚本、分镜、渲染]
D --> E[人工验收与发布]
E --> F[数据复盘]
F --> B
```
这就是专家团比单个工具更有意义的地方。它不只是帮你做一条视频，而是让“学习、生产、发布、复盘”变成一个可以重复运转的系统。
第20章 自媒体增长闭环
第 20 章 自媒体不只是靠努力，而是一条增长闭环
内容没人看？往往不是因为你不够努力
一个人做自媒体，做自媒体最浪费时间的事，就是一上来就把内容打磨到满分。
听起来很反常识，但我真踩过这个坑。你写得很深，资料查得很全，结构改了三遍。结果发出去，阅读量个位数。
后来我才意识到，起号前期真正要先解决的，不是“写得够不够好”，而是“有没有人愿意点进来”。
工作流
```mermaid
flowchart LR
A[趋势、评论与用户问题] --> B[选题池]
B --> C[事实包与观点]
C --> D[标题和结构]
D --> E[公众号 / 小红书 / 视频脚本]
E --> F[封面、长图与分镜]
F --> G[合规和发布前体检]
G --> H[草稿或人工发布]
H --> I[数据与人工修改回流]
I --> B
```
Skill 的作用是补上其中一个环节，不是接管账号判断。下面用八个具体工作现场说明。
场景一：每天刷热点，仍然不知道账号该写什么
热榜告诉你“大家正在看什么”，却不告诉你“这个账号为什么值得写”。只跟热点，容易得到同质化内容；只凭感觉，又很难判断用户是否真的关心。
指令怎样写
```text
围绕“AI 办公自动化”建立本周选题池，不直接写文章。
分别收集公众号与小红书近 30 天的高互动内容，记录标题、发布日期、
核心承诺、内容结构、互动信号和原链接。
再从评论中提取：重复问题、反对意见、失败经历和用户原话。
结合我的账号定位：面向非技术职场人，强调真实流程和结果验收。
输出 12 个候选选题，每个包含：目标读者、真实问题、已有内容缺口、
我能提供的新证据、适合平台、制作成本和时效性。
不要把阅读量高直接解释成选题一定适合我。
```
执行流程与结果
WorkBuddy 先生成跨平台样本表，再把评论聚成问题簇，最后把“热度、账号匹配、新增价值、证据充足度、制作成本”分别评分。交付物是一张可以人工删选的选题看板。
**有时候光找热门还不够，我们还需要去找低粉爆款。**
大家应该都听过，**起号要找低粉爆款去抄**，这确实是这样的。
*PS：这里说的抄，是抄选题，不是原封不动的抄内容。*
推荐一个叫[**viral-topic**](https://github.com/kangarooking/kangarooking-skills/tree/main/viral-topic)**的skill**，它可以获取各个平台近期的指定领域的多个低粉爆款内容。
比如获取公众号最近7天的AI领域低粉爆款文章。
筛选X上的低粉爆款
以及YouTube的低粉爆款
场景二：想要爆款标题，但不想标题党
“给我 20 个爆款标题”很容易得到数字、悬念和夸张承诺，却没有任何标题能准确兑现正文。标题不是独立文案，它是读者与正文之间的一份承诺。
指令怎样写
```text
读取 approved-article.md，只根据正文已经出现的事实生成标题。
分别生成：公众号标题 8 个、小红书标题 8 个、短视频开场钩子 5 个。
每个候选都输出：
1. 面向谁；2. 承诺什么；3. 正文哪一段能够兑现；
4. 采用的问题/结果/清单/案例/反常识角度；
5. 可信度、具体性、平台适配和夸大风险评分。
删除无法证明的数字、绝对化承诺、虚假稀缺和与正文不一致的结论。
不要自动选择最终标题，先让我确认内容承诺。
```
验收方法
把标题单独给一个不了解正文的人看，请他写出“我预计点进去会得到什么”。再与正文核对。预期与实际不一致，标题分数再高也不能用。
workbuddy通过这几个skill，生成的标题还真有那味儿。特别是小红书的标题，很有小红书的感觉。
可以进行 A/B 测试，但一次只改变一个主要变量，例如“问题式”与“结果式”。不要同时改标题、封面、发布时间和正文开头，否则数据无法解释。
再推荐一个标题skill：[**viral-**](https://github.com/kangarooking/kangarooking-skills/tree/main/viral-title)[**title**](https://github.com/kangarooking/kangarooking-skills/tree/main/viral-title)**，很适合用来给公众号起标题**
场景三：公众号封面每次从空白画布开始
封面既要让人看懂主题，又要适配大小封面、安全区和账号品牌。直接说“做一张高级感封面”，通常会得到与正文无关的装饰图、错误文字或失真的 Logo。
指令怎样写
```text
为文章《收藏不是知识管理，能再次用起来才是》制作公众号封面 brief。
目标读者：知识工作者；核心信息：从收藏走向可复用知识流。
品牌色：#1677FF、白、黑；禁止紫色渐变、夸张科技光效和虚构产品界面。
先输出 3 个构图方向，每个包含：主体、层级、封面文案、色彩、留白、
大小封面裁切风险和正文对应段落。我确认后再生成图片。
生成后检查：文字是否准确、Logo 是否变形、主体是否被小封面裁掉、
是否使用未经授权的人物或素材。不要直接上传公众号。
```
结果是否可用
生成的封面还不错，有汉字、封面负责表达的主题也比较贴切，如果换成更强的生图模型，效果应该会更好。
场景四：小红书不只是“把长文切成九张图”
公众号文章改成小红书时，常见做法是截短段落、加入表情符号，再把文字铺到九张卡片上。结果信息很多，但封面没有钩子，第二页没有承接，最后一页没有行动，移动端也难读。
工作流
1. 从长文提取不带平台语气的事实包；
2. 选择一个核心问题，删除与它无关的支线；
3. 设计“封面承诺 → 问题共鸣 → 方法 → 示例 → 误区 → 清单”的滑动节奏；
4. 先输出逐页线框和字数，再生成图片；
5. 在真实手机宽度检查字号、断行、边距和重点；
6. 最终标题、正文、标签和图片逐一核对数字与专有名词。
```text
把 approved-article.md 改造成 8 页小红书图文，不新增事实。
第 1 页只表达一个承诺；第 2 页写读者正在经历的问题；
第 3-6 页每页只讲一个动作并给一个例子；第 7 页写常见误区；
第 8 页给可保存的检查清单。
先返回逐页文案、视觉层级和预计字数，我确认后再调用封面与长图 Skill。
```
场景五：一段长文怎样变成可拍的短视频
“改成 60 秒口播”通常只是把文章压缩成更快的朗读稿，没有镜头、节奏、证据画面和停顿，也没有说明谁能拍、需要什么素材。
指令怎样写
```text
把这篇文章改造成 60 秒真人口播，目标是让第一次使用 WorkBuddy 的人
理解“为什么任务简报比一句模糊需求更重要”。
输出时间轴表格：时长、景别、画面、口播、屏幕文字、素材来源、转场。
前 3 秒必须提出真实问题，不夸大收益；20 秒前展示一次产品过程证据；
结尾给一个可以立即尝试的指令，不做虚假互动承诺。
同时列出必须实拍、可用产品截图、可由 AI 生成的画面，禁止伪造用户反馈。
```
生成的口播文案，效果还不错哦。
场景六：发布前，别让自动化越过责任边界
```Plain Text
检查本次公众号文章是否有违禁词，如有请标记出来，并对每个违禁词给出修改建议。检查整体内容的 AI 味，并降低AI味，最后把文章排版。
```
发布链建议停在草稿箱：事实检查 → 引用与版权 → 品牌与合规 → 链接检查 → 手机预览 → 人工确认账号 → 发布。自动点赞、批量私信、刷评论、绕过平台风控和未经确认的群发，不属于本书推荐的效率场景。
场景七：发布后不复盘，下一篇仍从零开始
复盘主要是把AI写的和人工修改后的终稿进行对比，让skill自动进化，下一次，它将写出更好的内容。
可以使用 [公众号写作自我迭代](https://skillhub.cn/skills/skill-article-evolution) 或小红书运营副驾，把人工修改和数据写回风格库：
```text
读取本期内容数据、发布版本和人工修改记录，生成复盘。
先陈述数据事实，再列出最多 3 个可验证假设，不把相关性写成因果。
把表现按选题、标题、封面、开头、结构、发布时间和渠道拆开。
为下轮设计 2 个单变量实验，并说明成功指标和停止条件。
将长期有效的修改规则写入 style-guide.md；一次性热点不要写入永久规则。
```
把AI最开始产出的文案和终稿都丢进去，最终产出复盘报告和style-guide.md，下次AI写的东西就能离你的期望更进一步啦～
一套够用的自媒体 Skill 栈
| 层级 | 先装什么 | 何时再增加 |
|-|-|-|
| 入门 | 热门内容查询、标题评分、图片生成 | 已能稳定完成一篇内容 |
| 稳定 | 评论洞察、封面、排版草稿、违禁词检测 | 已明确账号定位和审核人 |
| 多平台 | 小红书卡片、短视频脚本、平台适配 | 已有统一事实包 |
| 进阶 | 数据回流、风格迭代、定时选题雷达 | 人工流程已连续跑通 4 周 |
第21章 WorkBuddy做GEO专家
第 21 章 WorkBuddy也能做GEO专家
GEO 是 Generative Engine Optimization，中文常叫生成式引擎优化。
过去做品牌，很多人关心的是 SEO：用户在搜索引擎里搜某个关键词，官网、文章、媒体报道能不能排到前面。现在越来越多用户直接问元宝、DeepSeek、豆包、Kimi 这类生成式 AI：“哪个产品适合我？”“某个领域有哪些工具？”“这家公司靠谱吗？”品牌面对的问题就变了：AI 回答里有没有你，提到你时准不准，推荐你时有没有信任依据。
GEO 诊断到底解决什么问题
GEO 不是让 AI 帮你写一篇品牌软文，而是回答一个更基础的问题：在用户真实提问的场景里，你的品牌有没有被 AI 理解、引用和推荐。
| 问题 | 要看什么 | 例子 |
|-|-|-|
| 可见度 | AI 回答里是否提到品牌 | 用户问“有没有能统一管理多个 AI Agent 的桌面软件”，WeSight 是否被提及。 |
| 准确性 | AI 对品牌描述是否正确 | 功能、适用平台、目标用户、价格、开源状态是否被说错。 |
| 竞争位 | 同一个问题下，AI 把推荐位给了谁 | 竞品被频繁推荐，而你的产品几乎不出现。 |
| 信任源 | AI 能不能找到可信资料支撑回答 | 官网、GitHub、媒体报道、自媒体矩阵、用户评价是否形成闭环。 |
| 行动点 | 诊断之后应该先改哪里 | 补官网说明、优化 README、补竞品对比页、处理负面舆情。 |
先选对专家：品牌 GEO 诊断专家
GEO 诊断 Skill 上架到了 WorkBuddy 的专家市场，变成一个可以直接召唤的「品牌 GEO 诊断专家」，已经封装好一套诊断流程：从品牌输入、问题集设计、平台测试，到可见度、基建、竞品、舆情、路线图输出。
这个专家适合谁用
推荐输入材料
| 输入项 | 为什么需要 | 示例 |
|-|-|-|
| 官网 / 产品页 | 作为品牌事实的第一信源 | 官网、产品介绍页、定价页、帮助中心。 |
| 项目地址 | 技术产品需要证明活跃度和能力边界 | GitHub、开源仓库、更新日志。 |
| 官方账号 | 让 AI 能识别权威发布渠道 | 公众号、知乎、掘金、小红书、B 站、视频号。 |
| 目标用户 | 问题集要从真实用户意图出发 | 开发者、企业管理者、内容创作者、采购负责人。 |
| 竞品名单 | 判断语义推荐位被谁占据 | 2-5 个已知竞品或替代方案。 |
GEO 诊断
GEO 诊断也可以先拆成一条稳定工作流。不要一上来就问“我的 GEO 怎么样”，而是让专家先把诊断范围、测试问题和评分口径说清楚。
```mermaid
flowchart LR
A[确认品牌与官方资料] --> B[建立用户真实问题集]
B --> C[选择测试平台与采样口径]
C --> D[记录提及率与回答准确性]
D --> E[检查官网、内容矩阵与权威来源]
E --> F[分析竞品、收录和舆情]
F --> G[生成报告与 30/60/90 天行动计划]
```
| 步骤 | WorkBuddy 做什么 | 人要确认什么 |
|-|-|-|
| 1 | 读取品牌官网、项目地址和公开资料。 | 哪些信息是官方事实，哪些只是参考资料。 |
| 2 | 生成一组用户真实问题，而不是只测品牌名。 | 这些问题是否真的来自目标用户的搜索意图。 |
| 3 | 在多个 AI 平台或搜索场景中测试品牌提及情况。 | 测试平台、采样次数、是否登录、测试日期。 |
| 4 | 分析 AIVO、用户画像、竞品、基建、舆情和收录。 | 每个分数能不能追溯到样本和证据。 |
| 5 | 输出 HTML / 飞书文档报告和优化路线图。 | 哪些行动先做，哪些结论需要人工复核。 |
提示词示例：产品 GEO 诊断
```text
召唤“品牌 GEO 诊断专家”，帮我诊断 WeSight 这个产品的 GEO 情况。
官方资料：官网、开源项目地址、官方账号。
目标用户：需要统一管理多个 AI Agent、桌面工作流和开发工具的用户。
已知竞品：请先根据用户问题自动识别，再让我确认。
请先输出测试问题集、测试平台、采样次数、评分口径和局限，等待我确认后再执行。
最终输出：诊断概览、AIVO 评分、用户画像、搜索可见性、基建评估、竞品分析、收录效果、舆情分析和优化路线图。
无法重复验证的结果标为“样本观察”，不要写成绝对事实。
```
**可得到的结果**：不是一句“GEO 做得好不好”，而是一份能拆解问题的报告。案例中，WeSight 的问题不是产品没有差异化，而是在测试样本里 AI 搜索可见度和竞品对比优势偏弱，导致综合得分被拖低。
报告模块一：诊断概览与风险提示
诊断概览的作用是先给经营者一个全局判断：当前品牌总体表现如何、最主要风险是什么、哪些问题应该立刻处理。它不应该只给一个分数，而要解释分数从哪里来。
| 概览里要看 | 为什么重要 | 如何复核 |
|-|-|-|
| 综合评分 | 快速判断当前 GEO 基础水平 | 确认评分口径和测试样本，不把一次分数当永久结论。 |
| 关键发现 | 找到最影响结果的短板 | 每条发现都要能回到具体平台、具体问题、具体回答。 |
| 风险提示 | 提前发现会影响推荐的负面因素 | 区分事实风险、内容缺口和模型误解。 |
比如 WeSight 仅支持 macOS Apple Silicon 这类产品边界，如果官网、README 和外部资料没有解释清楚，AI 可能会在推荐时附带限制提醒，甚至把它排除在部分用户需求之外。
报告模块二：AIVO 评分，看清短板在哪
把 GEO 拆成四个维度：AI 搜索可见度、基建完善度、竞品对比优势、舆情健康度。这个拆法比单一总分更有价值，因为它能告诉你到底是“没人提你”，还是“有人提你但说不准”，或者“竞品资料更强”。
| 维度 | 它衡量什么 | 低分时先做什么 |
|-|-|-|
| AI 搜索可见度 | 用户问相关问题时，品牌被提及的比例和位置。 | 补用户问题对应的内容页、对比页和场景页。 |
| 基建完善度 | 官网、官方账号、技术文档、权威来源是否完整。 | 修正官网事实、统一名称、补充结构化介绍。 |
| 竞品对比优势 | 同一条 query 下，AI 更容易推荐谁。 | 写清差异化、适用边界和与竞品的取舍。 |
| 舆情健康度 | 外部评价、负面信息、风险提示对推荐的影响。 | 处理真实问题，补充官方澄清和可信第三方证据。 |
WeSight 的案例中，综合得分约 38 分；舆情健康度相对较好，但 AI 搜索可见度和竞品对比优势偏弱。这个结果说明问题不一定在产品本身，而在“用户提问语义”和“品牌内容供给”之间存在断层。
报告模块三：用户画像与意图漏斗偏移
很多品牌做内容时只写自己想表达的卖点，但 GEO 更关心用户真实怎么问。公众号案例中，专家发现用户在大模型里更容易提出“有没有能统一管理多个 AI Agent 的桌面软件”这类问题。这意味着用户关心的是场景和任务，而不一定知道你的品牌名。
报告模块四：搜索可见性，提及率就是新的排名
在传统搜索里，用户至少还会看到一页链接；在 AI 搜索里，用户往往只看一段回答。品牌是否被提及、在什么位置被提及、是否被作为推荐项出现，就成了新的“搜索排名”。
报告模块五：数字基建，先让 AI 有可信资料可读
GEO 不是只靠“发声量”。生成式 AI 需要可引用、可验证、相互印证的可信来源。把基建评估拆成三类：官网评估、自媒体矩阵、权威媒体背书。
报告模块六：竞品分析，争的是语义心智份额
GEO 的竞品分析不是简单列出市场竞品，而是看同一条用户问题下，AI 把推荐位给了谁。你和竞品争夺的不是网页排名，而是语义心智份额。
报告模块七：收录效果，最终看 AI 回答里有没有你
收录效果可以理解为 GEO 的结果指标。前面的官网、内容矩阵、舆情、竞品分析最终都要落到一个问题：AI 回答里有没有你。
这里最容易犯的错误，是只测品牌名。品牌名能被搜到，不代表用户问场景问题时会出现你。正确做法是把问题分层：
报告模块八：舆情分接绕开。
| 舆情类型 | 处理方式 | 注意事项 |
|-|-|-|
| 真实产品问题 | 先修产品，再公开说明修复进展。 | 不要只做内容压制。 |
| 过期信息 | 在官网和权威渠道更新最新事实。 | 让新资料能被 AI 明确识别。 |
| 误解或谣言 | 用 FAQ、澄清文、第三方证据纠偏。 | 避免情绪化回应。 |
| 竞品对比劣势 | 明确适用边界和差异化场景。 | 不要把所有对比都写成“我最好”。 |
个人 IP 也可以做 GEO 诊断
GEO 不只适合产品和企业，也适合个人 IP。用“苍何”做个人 IP 诊断，得到约 72 分，并用元宝做了额外搜索验证。
个人 IP 诊断要额外注意什么
```text
召唤“品牌 GEO 诊断专家”，帮我诊断个人 IP 的 GEO 情况。
姓名 / 昵称：____。
身份消歧：所在地、职业、公司或组织、代表作品、官方账号。
目标问题：用户问哪些主题时，我希望被 AI 正确提到？
请测试品牌名问题、领域问题、作品问题和对比问题。
输出：可见度、身份准确性、代表作品识别、同名混淆风险、内容缺口和 30 天优化建议。
```
企业品牌诊断，不要为了 GEO 而 GEO
企业做 GEO 最容易走偏：还没诊断，就开始批量买内容、铺渠道、刷曝光。公众号案例里提到，给企业做 GEO 诊断时，真正重要的是先知道品牌在 AI 眼里是什么样：有没有被提及，是否被误解，风险在哪里，竞品为什么更容易被推荐。
企业品牌建议重点检查
| 检查项 | 关键问题 | 常见行动 |
|-|-|-|
| 品牌基础事实 | 公司是谁，做什么，服务谁，核心优势是什么。 | 统一官网、百科、媒体稿、产品页的表达。 |
| 业务场景 | 用户问哪些业务问题时应该出现你。 | 补场景页、解决方案页、行业案例。 |
| 可信背书 | 有没有客户案例、媒体报道、行业评价。 | 建立可引用的公开资料矩阵。 |
| 负面与风险 | AI 是否会提到负面、过期或错误信息。 | 处理真实问题，发布事实澄清和更新说明。 |
从诊断到行动：不要追求一次性刷高分
一份 GEO 报告如果不能转成行动，就只是漂亮仪表盘。给出快速赢利点、优先行动建议和阶段路线图，比如补齐 GEO 曝光、处理舆情、优化可信来源等。
| 阶段 | 优先行动 | 复测方式 |
|-|-|-|
| 30 天 | 修正官网、README、官方账号中的名称、定位、功能边界和过期信息。 | 重测品牌名问题和核心场景问题，检查回答准确性。 |
| 60 天 | 补用户真实 query 对应的场景页、对比页、案例页和 FAQ。 | 重测品类问题和场景问题，观察提及率变化。 |
| 90 天 | 建设外部可信来源：媒体报道、客户案例、社区讨论、行业观点。 | 检查引用来源多样性、竞品推荐位和舆情风险变化。 |