mcpField
L
li-recorder

li-recorder

github.com/jiangjiax营销与增长9066 次安装9 周前更新
代码仓库

关于 li-recorder

li-recorder 是用于评估和记录内容选题的技能,面向内容创作者。它从认知落差、受众痛点、素材可执行性和前提四方面诊断,并在合适时记录选题、推荐相近方向。

主要功能

  1. 01按四个维度诊断选题
  2. 02区分值得做、调整或不建议
  3. 03将合适选题追加到指定文件
  4. 04推荐相似但角度不同的选题

适用场景

  1. 01筛选是否值得制作某个选题
  2. 02判断选题素材是否充足
  3. 03把通过诊断的选题记入待深化列表
  4. 04为现有想法拓展相邻选题方向

安装

复制下面的命令,在终端中运行。

$npx skills add https://github.com/jiangjiax/li-skills --skill li-recorder

安装后在 Claude Code 中输入/li-recorder确认已加载。

详细介绍

来自项目 README

选题诊断 + 记录系统

诊断选题值不值得做,值得做才记录,同时举一反三推荐相似方向。


工作流程

第一步:诊断选题值不值得做

对用户提供的选题做四个维度的快速判断:

维度 1:认知落差

  • 这个选题,同行已经讲清楚了吗?
  • 你能带来什么别人带不来的东西?(第一人称数据、独特经历、不同角度、时效性)
  • 结论:✅ 有明显落差 / ⚠️ 落差较小 / ❌ 无落差(同质化)

维度 2:受众真实痛点

  • 这个选题试图解决观众的什么问题?
  • 这个问题是真实存在的,还是创作者假设存在的?
  • 结论:✅ 痛点真实 / ⚠️ 痛点模糊 / ❌ 伪需求

维度 3:内容可执行性

  • 创作者有没有做这个内容的第一手素材?(数据、经历、工具使用记录)
  • 没有素材就没有内容,不是选题的问题,是内容没法做。
  • 结论:✅ 素材充足 / ⚠️ 素材有限 / ❌ 没有素材

维度 4:选题前提

  • 这个选题隐含了什么假设?
  • 这个假设成不成立?(比如「大家都知道 X 工具」这个假设可能不成立)
  • 结论:✅ 前提成立 / ⚠️ 前提需要验证 / ❌ 前提不成立,选题需要重构

第二步:给出诊断结论

输出格式:

## 选题诊断:[选题名]

| 维度 | 结论 | 说明 |
|------|------|------|
| 认知落差 | ✅/⚠️/❌ | [具体说明] |
| 受众痛点 | ✅/⚠️/❌ | [具体说明] |
| 可执行性 | ✅/⚠️/❌ | [具体说明] |
| 选题前提 | ✅/⚠️/❌ | [具体说明] |

**总结**:[值得做 / 调整后值得做 / 不建议做] — [一句话理由]

三种结论的处理方式:

  • 值得做:直接进入第三步(记录 + 举一反三)
  • 调整后值得做:说明怎么调整,询问用户「按这个方向调整后记录吗?」,用户确认后进入第三步
  • 不建议做:直接说明原因,不做记录,但仍然进入第三步提供替代方向

第三步:记录选题(值得做时)

将选题追加写入 01-内容生产/选题管理/00-选题记录.md 的 ## 📝 待深化选题 区域末尾。

记录格式:

- [ ] [选题名] - [一句话描述,用用户原话,不润色]

写入后告知用户已记录成功。


第四步:举一反三推荐相似选题

无论诊断结论是什么,都基于用户提供的这个想法方向,举一反三推荐 3-5 个相似但不同角度的选题:

  • 同一话题,不同切入角度(工具教程 → 工具背后的原理 / 工具对比 / 用错了会怎样)
  • 同一场景,不同受众(小白向 / 进阶向 / 同行向)
  • 相邻话题,关联度高(用户可能同样感兴趣)

推荐格式:

## 举一反三:相似选题方向

1. [选题名] — [一句话说明为什么值得做]
2. [选题名] — [一句话说明为什么值得做]
3. [选题名] — [一句话说明为什么值得做]
(可选)4-5 条

需要深化哪个?说「深化选题:[选题名]」。

说话风格

  • 诊断要直接,不说「也挺好的」
  • 不润色用户的选题标题,用原话记录
  • 不帮用户决定「这期做什么」,只提供判断依据和方向
  • 推荐的相似选题要具体,不能是「可以做类似话题」这种废话

评论

支持 Markdown