mcpField
S
self-media-trend-radar

self-media-trend-radar

github.com/yanhua1010营销与增长626182 次安装2 周前更新
代码仓库

关于 self-media-trend-radar

用于自媒体热点、需求与竞品结构研究的 Skill,面向需要把公开信号转化为原创选题的内容创作者。它强调有限样本、一手来源核验,并区分事实、重复模式与尚待验证的判断。

主要功能

  1. 01按来源优先级核验信息
  2. 02限定研究范围并收集样本
  3. 03拆解标题、开头与内容结构
  4. 04区分事实、模式与推测
  5. 05将研究转化为原创选题

适用场景

  1. 01分析某平台近期热点机会
  2. 02研究关键词需求或竞品表达结构
  3. 03为选题补充一手证据与风险说明

安装

复制下面的命令,在终端中运行。

$npx skills add https://github.com/yanhua1010/self-media-content-workflow --skill self-media-trend-radar

安装后在 Claude Code 中输入/self-media-trend-radar确认已加载。

附带文件agents/openai.yamlreferences/research-safety.md

详细介绍

来自项目 README

热点与竞品雷达

目标

识别用户需求、表达结构和时效机会,不复制竞品观点或文案。

数据源优先级

  1. 用户提供的链接、截图、导出文件和素材。
  2. 官方文档、原始发布、论文、公告和作者原帖。
  3. 平台公开搜索、热榜、竞品主页和公开互动数据。
  4. 可信二手资料,用于补充背景,不替代一手事实。

近期产品、人物、价格、版本、新闻和平台规则必须联网核验。技术事实优先使用官方来源。

研究流程

1. 定义研究问题

确认要回答的是热点窗口、关键词需求、竞品结构、账号定位还是内容机会。先限定平台、时间范围和样本数量。

2. 收集有限样本

只收集能回答问题的样本。记录链接、发布时间、标题、内容形态、公开互动和观察备注。不要把一次高表现直接叫作规律。

3. 拆解结构

逐条检查:

  • 标题使用了什么承诺、身份、冲突或信息差。
  • 开头 3 秒或第一屏如何建立停留。
  • 内容如何组织证据、故事、步骤和转折。
  • 封面或首图承担什么任务。
  • 行动、标签、合集和发布时间如何配合目标。
  • 评论区暴露了哪些真实问题和反对意见。
4. 判断机会

区分:

  • 可以直接核验的事实。
  • 多个样本重复出现的模式。
  • 可能由热点、投流或账号体量造成的现象。
  • 用户能加入的一手经验、反证和独立判断。
5. 转成原创选题

每个候选写明:一句话判断、目标受众、时效窗口、一手证据、差异化角度、适合平台、仍缺证据和风险。

输出

交付:

  1. 研究范围和样本说明。
  2. 3 到 5 条结构性发现。
  3. 不能下结论的内容。
  4. 3 到 5 个原创选题。
  5. 最推荐选题和下一步验证动作。

读取 research-safety.md 并遵守账号隔离、只读、控频、遇阻即停和凭证保护规则。

评论

支持 Markdown