mcpField
E
expert-panel

expert-panel

github.com/ericosiuAgent 工作流3.8k198 次安装5 周前更新
代码仓库

关于 expert-panel

用于评估内容及其他成果的迭代技能，会按领域和类型组建专家小组进行评分与改进。它使用评分标准，最多进行三轮，并可将反馈传回来源技能。

主要功能

  1. 01组建 7–10 人定制专家组
  2. 02按内容类型选择评分标准
  3. 03最多进行三轮评分与修改
  4. 04比较多个版本
  5. 05向来源技能传递反馈

适用场景

  1. 01评估落地页或营销文案
  2. 02比较不同内容版本
  3. 03改进其他技能生成的内容

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/ericosiu/ai-marketing-skills --skill expert-panel

安装后在 Claude Code 中输入/expert-panel确认已加载。

包含的文件

除 SKILL.md 外，安装时一起下载的参考资料和脚本。

.env.example
README.md
requirements.txt
config/
feeds.example.json
experts/
humanizer.md
instagram.md
linkedin.md
newsletter.md
podcast-quotes.md
recruiting.md
seo-strategy.md
x-articles.md
youtube-shorts.md
references/
expert-assembly.md
patterns.md
scoring-rubrics/
content-quality.md
conversion-quality.md
evaluation-quality.md
strategic-quality.md
visual-quality.md
scripts/
content-quality-gate.py
content-quality-scorer.py
content-transform.py
editorial-brain.py
quote-mining-engine.py

详细介绍

前言（在技能启动时运行）

# Version check (silent if up to date)
python3 telemetry/version_check.py 2>/dev/null || true

# Telemetry opt-in (first run only, then remembers your choice)
python3 telemetry/telemetry_init.py 2>/dev/null || true

**隐私：**此技能会在本地将使用情况记录到 ~/.ai-marketing-skills/analytics/。远程遥测仅在选择启用时才会运行。不会收集任何代码、文件路径或仓库内容。请参阅 telemetry/README.md。

专家小组

通用评分与迭代引擎。它会根据评估内容自动组建合适的专家，为内容评分并反复迭代，直到达到 90 分以上。

步骤 1：接收内容——了解评分对象

收集或根据上下文推断以下信息：

  1. 内容／产物——要评分的对象（粘贴的内容、文件路径或 URL）
  2. 内容类型——文案、序列、落地页、策略、标题、图表、候选人评估等
  3. 推广背景——正在销售／推广什么？面向谁？属于哪个领域／行业？
  4. 多个版本——是否有多个版本需要比较？（A/B/C）
  5. 源技能——此输出是否来自其他技能？（例如，cold-outbound-optimizer） 如果是，请记录来源，以便在步骤 6 中将反馈路由回源技能。

如果从对话中可以明显看出上下文，就不要询问，直接继续。

步骤 2：自动组建专家小组

根据内容类型和领域，组建由 7–10 位专家组成的小组。

组建规则

  1. 先选择内容类型专家。 查看 experts/ 目录，寻找与内容类型匹配的预设小组。如果存在完全匹配的专家文件（例如，针对 LinkedIn 帖子的 experts/linkedin.md），就以此为基础。

  2. 添加领域／推广内容专家。 根据推广背景，添加 1–3 位了解相关行业或领域的专家。示例：

    • 为烘焙店营销评分 → 添加食品饮料营销专家
    • 为 SaaS 落地页评分 → 添加 SaaS 转化专家
    • 为招聘拓展文案评分 → 添加招聘机构顾问 + 人才市场专家
    • 为医疗器械文案评分 → 添加医疗合规专家

  3. 务必包含以下两位专家：

    • AI 写作检测专家——参阅 experts/humanizer.md。权重：1.5 倍。必不可少。
    • 品牌语气匹配专家——检查内容是否符合已配置的品牌语气，以及 references/patterns.md 中已知的拒绝模式（如果存在）。

  4. 检查已学习的模式。 如果 references/patterns.md 存在，请阅读。如果有适用于此内容类型的模式，请向小组说明。对于已知的不良模式要扣分。

  5. 最多 10 位专家。 如果超过 10 位，请合并职责重叠的角色。

小组输出格式

列出每位专家，并注明：姓名、视角／关注点、检查内容。

步骤 3：选择评分标准

从 scoring-rubrics/ 中选择合适的评分标准：

内容类型评分标准文件
博客、社交媒体、电子邮件、通讯、脚本scoring-rubrics/content-quality.md
策略、建议、分析scoring-rubrics/strategic-quality.md
落地页、广告、CTAscoring-rubrics/conversion-quality.md
图表、数据可视化、信息图scoring-rubrics/visual-quality.md
候选人评估scoring-rubrics/evaluation-quality.md
其他根据最接近的两种内容类型综合制定评分标准

阅读所选评分标准文件，了解详细的评估标准和分值分配。

步骤 4：评分——递归迭代，直到达到 90 分以上

目标：所有专家的评分均达到 90/100。此要求不可妥协。最多迭代 3 轮。

每轮产出：
## Round [N] — Score: [AVG]/100

| Expert | Score | Key Feedback |
|--------|-------|--------------|
| [Name] | [0-100] | [One-line rationale] |
| ... | ... | ... |

**Aggregate:** [weighted average — humanizer at 1.5x]
**Top 3 weaknesses:** [ranked]
**Changes made:** [specific edits addressing each weakness]

然后给出修订后的内容／产物。

规则
  • 评分必须直言不讳，不得为了达到 90 分而虚报。
  • 人性化评分在总分中的权重为 1.5 倍。
  • 如果总分 < 90：找出 3 个主要弱点 → 修订 → 进入下一轮。
  • 如果总分 ≥ 90：定稿并继续输出。
  • 在输出中展示所有轮次——迭代过程本身也是价值的一部分。
多版本比较模式

为多个版本（A/B/C）评分时：

  • 通过完整的专家小组分别对每个版本评分。
  • 评分后，按总分对版本排序。
  • 如果最高分版本仍 < 90，则迭代最佳版本（不要迭代所有版本）。

步骤 5：输出格式

获胜项 + 分数（始终置顶）
## 🏆 Result: [SCORE]/100 — [PASS ✅ | NEEDS WORK ⚠️]

[Final content/artifact here]

**Iterations:** [N] rounds
**Panel:** [Expert names, comma-separated]

如果有多个变体：先显示获胜项，然后显示亚军分数。

## 🏆 Winner: Variant [X] — [SCORE]/100

[Winning content]

### Runner-up scores
- Variant A: 87/100
- Variant B: 82/100
- Variant C: 91/100 ← Winner
反馈历史记录（位于结果下方）

显示完整的评分轮次。

---
<details>
<summary>📊 Scoring History (N rounds)</summary>

[All round tables from Step 4]

</details>

步骤 6：反馈转化为源内容（为其他技能的输出评分时）

当评分内容来自其他技能时，生成一份源内容改进简报：

## 🔁 Feedback for [Source Skill]

### What scored low
- [Pattern]: [Specific example from this content]

### Suggested skill improvements
- [Concrete change to the source skill's process/rubric/prompt]

### Patterns to add to source skill
- [Any recurring weakness that should become a rule]

这份简报可用于更新源技能的 SKILL.md 或评分标准。

步骤 7：记忆——从批准和拒绝中学习

用户批准或拒绝面板输出后：

批准时（分数 ≥ 90，且用户接受）

记录有效之处。除非出现新的正向模式，否则无需采取行动。

拒绝时（用户否决面板意见，或拒绝分数 ≥ 90 的内容）
  1. 询问原因（或根据上下文推断）。
  2. 使用以下格式，在 references/patterns.md 中添加新模式：
## [Pattern Name]
- **Type:** rejection | preference | override
- **Content types:** [which types this applies to]
- **Rule:** [What to always/never do]
- **Example:** [The specific instance that triggered this]
- **Date:** [YYYY-MM-DD]
- **Point dock:** [-N points when detected]
  1. 确认：“已添加模式：[一行摘要]。今后面板将据此扣减 [N] 分。”
模式执行

每轮评分时，都要根据内容检查 references/patterns.md。在专家评分开始前应用扣分。 这意味着即使个别专家没有发现，已知的不良模式也会受到惩罚。

参考文件

文件用途何时阅读
experts/humanizer.mdAI 写作检测评分标准（24 种模式）每次评分时
experts/[domain].md常见领域的预置专家小组匹配相应领域时
scoring-rubrics/content-quality.md内容评分标准内容评分时
scoring-rubrics/strategic-quality.md策略评分标准策略评分时
scoring-rubrics/conversion-quality.md落地页／广告／CTA 评分标准转化评分时
scoring-rubrics/visual-quality.md图表／数据可视化／信息图评分标准视觉评分时
scoring-rubrics/evaluation-quality.md候选人／评估评分标准评估评分时
references/patterns.md已归纳的拒绝模式每次评分时
references/expert-assembly.md用于自动组建的领域专家示例构建不熟悉的专家小组时

评论

支持 Markdown