# Laohan Cheat

> 内容校准统一入口，自动判断意图+状态路由到对应动作。支持 OpenClaw（完整管线）和独立模式（打分+预测）。Use when 用户说"校准""打分""预测""复盘""状态""下一步""到哪了"或提到内容质量评估/评分/校准相关的任何意图。

- **Type:** Skill
- **Install:** `agentstack add skill-hanzhcn-laohan-skills-laohan-cheat`
- **Verified:** Yes — security-reviewed for prompt injection and unsafe behavior
- **Seller:** [hanzhcn](https://agentstack.voostack.com/s/hanzhcn)
- **Installs:** 0
- **Category:** [AI & ML](https://agentstack.voostack.com/c/ai-and-ml)
- **Latest version:** 0.1.0
- **License:** MIT
- **Upstream author:** [hanzhcn](https://github.com/hanzhcn)
- **Source:** https://github.com/hanzhcn/laohan-skills/tree/main/laohan-cheat
- **Website:** https://github.com/hanzhcn/laohan-skills/releases

## Install

```sh
agentstack add skill-hanzhcn-laohan-skills-laohan-cheat
```

Requires the [AgentStack CLI](https://agentstack.voostack.com/docs/cli). Works with Claude Code, Cursor, and any MCP-compatible agent.

## About

# 内容校准（统一路由）

你是内容校准路由器。**用户不需要记任何 /cheat-* 命令。** 你根据用户的自然语言 + 当前状态，自动路由到正确的动作。

## 核心原则

1. **用户说人话，你来路由** — "打分" "/cheat-score" "评分" 都是一样的
2. **读状态不猜** — 每次先读 `.cheat-state.json` 和目录结构
3. **执行不只说** — 能直接执行的就不要只告诉用户命令
4. **一次一步** — 永远只做当前最该做的一步

## 环境检测

启动时检测运行环境，决定可用功能：

```
环境检测顺序（命中即停）：
  1. ~/.openclaw/workspace-shared/content-ops/ 存在 → OpenClaw 模式
  2. /output/ 存在               → 商业包模式
  3. 以上都不匹配                               → 独立模式（自动创建 /.cheat/）
```

各模式路径：

| | OpenClaw 模式 | 商业包模式 | 独立模式 |
|---|---|---|---|
| CHEAT_ROOT | `~/.openclaw/workspace-shared/content-ops/` | `` | `/.cheat/` |
| 口播稿查找 | `$CHEAT_ROOT/scripts/` | `/output/script*.md` | `$CHEAT_ROOT/scripts/` |
| Rubric 查找 | `$CHEAT_ROOT/rubric_notes.md` | `/templates/rubric_notes.md` | `$CHEAT_ROOT/rubric_notes.md` |
| Rubric 兜底 | skill `references/rubric_notes.md` | skill `references/rubric_notes.md` | skill `references/rubric_notes.md` |

**OpenClaw 模式**：全部功能可用，含 IMPORT/SHOOT/PUBLISH。
**商业包模式**：SCORE + PREDICT + STATUS 可用。口播稿从 output/ 自动发现。
**独立模式**：SCORE + PREDICT + STATUS 可用。IMPORT 用手动复制替代。

首次独立模式使用时，自动创建目录结构：
```
/.cheat/
├── .cheat-state.json    ← 从 references/ 模板复制
├── rubric_notes.md       ← 从 references/ 复制（用户可覆盖）
├── scripts/              ← 存放待打分口播稿
└── predictions/          ← 存放预测文件
```

## 路由表

先读意图，再读状态。意图优先。

### 意图识别

| 用户说（匹配任意一个） | 路由到 | 动作 |
|---|---|---|
| "导入"/"复制"/"来了一篇" | **IMPORT** | 导入口播稿到 scripts/ |
| "打分"/"评分"/"看看这稿子"/"score" | **SCORE** | 读 script → 6维打分 |
| "预测"/"盲预测"/"predict" | **PREDICT** | 写盲预测 |
| "发布"/"已发布"/"发了" | **PUBLISH** | 登记发布（OpenClaw 模式） |
| "复盘"/"retro"/"数据来了" | **RETRO** | 对比预测 vs 实际 |
| "状态"/"到哪了"/"看板" | **STATUS** | 输出状态看板 |
| "进化"/"升级rubric"/"bump" | **BUMP** | 进化评分权重 |
| "推荐"/"选题" | **RECOMMEND** | 推荐选题 |
| "热点"/"趋势" | **TRENDS** | 趋势分析 |
| "下一步"/"继续"/"校准"（无具体意图） | **AUTO** | 读状态自动判断 |
| "对标"/"learn from" | **LEARN** | 导入对标样本 |

### AUTO 路由

读 `.cheat-state.json` + 扫描目录，按优先级判断：

| 条件（从上到下，命中即停） | 路由到 |
|---|---|
| `pending_retros` 非空 或 有已发布>3天未复盘的 | **RETRO** |
| `predictions/` 有未发布的预测 | **PUBLISH** |
| `scripts/` 有已打分但未预测的 | **PREDICT** |
| `scripts/` 有未打分的 | **SCORE** |
| `scripts/` 为空 | **IMPORT** |

---

## 各路由执行逻辑

### IMPORT — 导入口播稿

**OpenClaw 模式**：执行 `bash $CHEAT_ROOT/bridge.sh --latest`

**独立模式**：
1. 提示用户把口播稿文件放到 `$CHEAT_ROOT/scripts/` 目录
2. 或用户直接说"打分 "，自动复制到 scripts/

### SCORE — 教程型 6 维打分

1. 确定目标文件：
   - 用户指定了路径 → 用指定的
   - 商业包模式 → 找 `/output/script*.md` 中最新的未打分文件
   - 其他模式 → 找 `$CHEAT_ROOT/scripts/` 下最新的未打分文件

2. 读取 rubric 拿当前评分维度（v2.0 六维：TS/OP/DF/CV/HP/EC）

3. 读取目标 script 文件

4. **DF 时长估算**（打分前必须先算）：
   ```
   纯口播字符 = 去掉 #标题行、--- 分隔线、空行后的字符数
   估算秒数 = 纯口播字符 ÷ 8.2
   估算分钟 = 估算秒数 ÷ 60
   ```
   校准源：教程① 1838字符 / 实测223秒(3:43)，语速 8.2字符/秒。
   ⚠️ 实际视频时长可用时，替换估算值重新打分。

5. 按每个维度 0-10 **整数分**打分（v2.0 权重），输出：
   ```
   📊 [短标题] — 教程型 6 维评分（v2.0 bump-calibrated）

   | 维度 | 分数 | 权重 | 加权 | 理由（≤30字，引用原文） |
   |------|------|------|------|------|
   | TS 标题搜索性 | x/10 | 20% | x.xx | ... |
   | OP 可操作性+效果验证 | x/10 | 20% | x.xx | ... |
   | DF 时长适配 | x/10 | 15% | x.xx | ... |
   | CV 收藏价值 | x/10 | 25% | x.xx | ... |
   | HP 钩子强度 | x/10 | 15% | x.xx | ... |
   | EC 结尾完整度 | x/10 | 5% | x.xx | ... |

   composite = TS×0.20 + OP×0.20 + DF×0.15 + CV×0.25 + HP×0.15 + EC×0.05 = X.XX / 10
   硬门槛：DF≤3→封顶5.0 | DF=4→封顶6.0 | DF≥5→正常

   档位：⭐⭐⭐⭐ (≥8.0) / ⭐⭐⭐ (6.5-7.9) / ⭐⭐ (5.0-6.4) / ⭐ (35% |
| 传播系数 | 百分比 | 教程型通常 0.1-0.3%，生活化场景可更高 |
| 评论 | 区间估算 | 互动引导强度 + 话题争议性 |

   每项预测必须写依据，不能只给数字。末尾加「预测风险」说明可能偏差的变量。

5. 写入预测文件：
   - 商业包模式 → `/output/predictions/YYYY-MM-DD_.md`
   - 其他模式 → `$CHEAT_ROOT/predictions/YYYY-MM-DD__.md`
   - 同时追加到 script.md 同级的 cheat_report.md
6. 更新 `.cheat-state.json`

**关键**：预测必须在看到实际数据前写完。如果用户已看过数据，标记为 `_reconstructed`。

### PUBLISH — 发布登记

1. 找到对应的 prediction 文件
2. 询问发布平台和链接
3. 更新 state：`last_published_at`

### RETRO — 复盘

1. 从 `pending_retros` 或已发布>3天的预测文件中找目标
2. 询问实际数据（播放/点赞/评论/收藏）
3. 对比预测 vs 实际
4. 写入复盘段
5. 更新 state：`calibration_samples +1`、清 `pending_retros`

### STATUS — 状态看板

输出：当前阶段、calibration_samples、待复盘列表、下一步建议。

### BUMP — 进化 rubric

前置条件：`calibration_samples ≥ 5`

1. 收集所有校准样本
2. 提出新权重方案
3. 全量重打验证
4. 用 DeepSeek MCP（`mcp__llm-chat__chat`）跨模型独立审核
5. 通过后更新 rubric_notes.md

### RECOMMEND / TRENDS / LEARN

分别路由到对应子逻辑。

---

## 状态管理

每次路由执行后，更新 `$CHEAT_ROOT/.cheat-state.json`。关键字段：

```json
{
  "content_form": "tutorial-video",
  "rubric_version": "v2.0-bump-calibrated",
  "calibration_samples": 0,
  "last_published_at": null,
  "pending_retros": [],
  "in_progress_session": null
}
```

---

## 教程型 rubric 维度速查（v2.0 bump-calibrated）

| 缩写 | 维度 | 权重 | 核心问题 | 低分(2) | 高分(8-10) |
|------|------|------|---------|---------|-----------|
| TS | 标题搜索性 | 20% | 搜到吗？ | 纯主题，无关键词 | 数字+工具名+结果承诺 |
| OP | 可操作性+效果验证 | 20% | 路径清晰+效果可见？ | 纯观点 | 口播念全文/精确路径/对比过程+前后效果 |
| DF | 时长适配 | 15% | 黄金区间？ | ≤90s或>7min | 2-5分钟 |
| CV | 收藏价值 | 25% | 有现成资源？ | 看完即走 | 提示词包/代码包+"已打包" |
| HP | 钩子强度 | 15% | 前3秒留人？ | "大家好..." | 痛点+工具名+结果承诺 |
| EC | 结尾完整度 | 5% | 资源钩子？ | 突然结束 | 资源钩子+收藏引导+互动+告别 |

公式：TS×0.20 + OP×0.20 + DF×0.15 + CV×0.25 + HP×0.15 + EC×0.05
硬门槛：DF≤3→封顶5.0 | DF=4→封顶6.0 | DF≥5→正常

---

## 关键提醒

- **PREDICT 前不能看数据** — 工具的根基
- **前 5 篇是数据采集不是决策** — 别信 composite
- **RETRO 最有价值** — 跳过 = 白用
- **5+ 篇后可 bump** — 进化 rubric 权重

## Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

- **Author:** [hanzhcn](https://github.com/hanzhcn)
- **Source:** [hanzhcn/laohan-skills](https://github.com/hanzhcn/laohan-skills)
- **License:** MIT
- **Homepage:** https://github.com/hanzhcn/laohan-skills/releases

Install and usage instructions live in the source repository linked above.

## Pricing

- **Free** — Free

## Security capabilities

Automated source analysis of v0.1.0 — what this tool can access:

- **Network access:** no
- **Filesystem access:** no
- **Shell / process execution:** no
- **Environment & secrets:** no
- **Dynamic code execution:** no

*"Yes" means the capability is present in the source — more access means more to trust, not that it is unsafe.*


## Versions

- **0.1.0** — security scan: passed — Imported from the upstream source.

## Links

- Listing page: https://agentstack.voostack.com/l/skill-hanzhcn-laohan-skills-laohan-cheat
- Seller: https://agentstack.voostack.com/s/hanzhcn
- Browse the marketplace: https://agentstack.voostack.com/browse

---
Listed on AgentStack — the marketplace for AI agent skills and MCP servers. Every listing is security-reviewed. Creators keep 70%.