fore-vip-movie
Skill1 starsChanged 2 months agoMITView on GitHub
电影推荐与观影指南(fore.vip)。把模糊的「看什么电影 / 周末看啥 / 适合 X 的电影 / 最近有什么好片 / 想看一部治愈系」转化为按类型·心情·评分·档期·场景分层的观影推荐与可执行片单,并附避坑、正版观看渠道与在线购票入口指引。当用户请求电影推荐、片单、观影指南、某心情/场合/类型该看什么、新片或经典重温、家庭/情侣/朋友观影规划时触发。
In this repository30 other files it gives its agents.
- actSkill
- fore-vip-anti-fraudSkill
- fore-vip-career-starterSkill
- fore-vip-comicSkill
- fore-vip-contractSkill
- cpsSkill
- fore-vip-ds-harnessSkill
- fore-vip-enterprise-healthSkill
- fore-vip-find-customersSkill
- fore-vip-gossipSkill
- fore-vip-hotSkill
- fore-vip-image-promptSkill
- fore-vip-image-stitchSkill
- fore-vip-jigsawSkill
- 精卫Skill
- fore-vip-kids-scienceSkill
- fore-vip-mom-saysSkill
- fore-vip-ossSkill
- poster-studioSkill
- fore-vip-product-recommendSkill
- fore-vip-shopping-saverSkill
- fore-vip-shuangxiuSkill
- fore-vip-skill-lintSkill
- fore-vip-translateSkill
- travelerSkill
- fore-vip-ttsSkill
- fore-vip-uniapp-devSkill
- fore-vip-workplace-survivalSkill
- fore-vip-workspace-opsSkill
- wechat-oa-draft-pushSkill
The file
Files
电影推荐 · 观影指南
把模糊的「看什么电影」转化为有依据、可溯源、分层的观影推荐与片单,并给出避坑与正版观看渠道。面向 C 端用户(如火力打卡社区),服务于「今天看啥」这类消费决策,而非电影产业投资或宣发。
适用:观影决策、片单定制、按心情/场景/类型选片、新片速览、经典重温、合家欢/情侣/朋友观影规划。 不适用:电影票代购代付、影院/影视投资测算、宣发投流——这类交由对应执行类或创业落地类技能(见末尾关联技能)。
触发规则
| 用户意图 | 处理 |
| 看什么电影 / 周末看啥 / 适合 X 的电影 / 最近有啥好片 / 想看一部治愈系 | 进入推荐流程 |
| 按心情·场景·类型·档期点名要片单 | 进入推荐流程(直接套场景库) |
| 只问本技能能干嘛 | 仅介绍,不展开 |
核心准则(来自 fore.vip 身份)
- 先结论后依据:开头一句话给推荐结论(首选 + 备选),再列依据。
- 事实 / 分析 / 建议 三级分离:评分与奖项(事实,可验证)、契合度推断(分析)、「适合谁看」结论(建议)不混淆。
- 数据可溯源:评分/票房/奖项标注
来源·时间·适用范围(如「豆瓣 9.4 · 2026-08 年度榜」)。 - 实时取数,禁止凭记忆编造:评分、票房、奖项、新片排片、上映状态一律以 WebSearch/WebFetch 实时核对为事实源,不得用训练记忆当既成事实(见步骤 3)。
- 最短路径:用最少步骤给出可决策片单,不堆砌影史百科。
推荐流程
1. 需求澄清(锁场景)
推荐前必须明确,缺失则用至多 1 个问题补齐(不逐个轰炸)。常用澄清维度:
- 使用者与场景:一个人 / 情侣 / 亲子合家欢 / 朋友聚会?决定分级与基调。
- 心情与诉求:想笑、想哭、想烧脑、想治愈、想放松、想震撼视听?
- 类型偏好:喜剧 / 悬疑 / 科幻 / 爱情 / 动画 / 纪录片 / 不限?
- 约束:时长(是否接受 3h+)、语言(国语/原声)、是否只看新片、平台可得性(已有会员的平台)。
若用户直接点名场景(如「情侣约会看啥」),跳过澄清,直接套 @references/movie-guide.md 的场景预设库。
2. 构建评估维度(定标准)
对候选影片从五个维度打分(1–10),按用户优先级赋权(合计 100%,默认均权):
| 维度 | 含义 | 关注点 |
| 情绪契合度 | 是否匹配用户当下心情/场景 | 想治愈却推致郁片 = 失配 |
| 口碑评分 | 权威评分与奖项 | 豆瓣/IMDb/烂番茄/Metacritic/获奖 |
| 类型匹配 | 是否符合点名类型 | 悬疑迷推爱情片需降权 |
| 观看门槛 | 时长/分级/平台可得性 | 合家欢需全年龄友好;限平台需提示 |
| 新鲜度 | 新片热点 vs 经典重温 | 按用户「新片/经典」偏好调节 |
维度细化、评分标尺与场景预设见 @references/movie-guide.md。
3. 调研与采集(实时取数,禁止凭记忆编造)
硬规则:评分 / 票房 / 奖项 / 新片排片 / 上映状态,必须用实时数据核对,禁止把训练记忆当事实。 场景库只给选片逻辑,不预填片目——具体片目必须当场按实时数据填充。
- 取数工具:
- 用
WebSearch检索,新片带freshness(近一周d7、当月m1),经典/长青片带y1;检索词形如「片名 豆瓣 评分」「2026 暑期档 新片 票房」。 - 关键信息用
WebFetch抓取权威页面核对(豆瓣电影页、猫眼/灯塔专业版、烂番茄/IMDb)。
- 用
- 权威源(按 @references/movie-guide.md 二·5 清单 fetch):
- 豆瓣电影
https://movie.douban.com/—— 国内评分/年度榜/短评 - 猫眼专业版 / 灯塔专业版 —— 实时票房、上座率、排片
- 烂番茄
https://www.rottentomatoes.com// IMDbhttps://www.imdb.com// Metacritic —— 海外评分 - 艺恩 / 微博话题 —— 新片热度与避雷
- 豆瓣电影
- 标注:每条事实带
来源·时间·适用范围(如「豆瓣 9.4 · 2026-08 年度榜」);新片以「点映/首周」口径标注时间。 - 诚实:未上映不编造观感;数据不足显式标注不确定性,并建议补充验证方式(如「以院线实际排片为准」)。
- 不把社媒情绪当事实分;社区信号仅作口碑体感参考。
4. 横向对比与筛选(做判断)
用加权评分矩阵对候选排序,区分事实/分析/建议,输出排序 + 关键差异点。
评分矩阵模板
| 候选 | 情绪契合(权重) | 口碑(权重) | 类型(权重) | 门槛(权重) | 新鲜度(权重) | 加权总分 |
| A | 9 | 8 | 7 | 8 | 6 | xx |
| B | 7 | 9 | 6 | 9 | 7 | xx |
分数 1–10;加权总分 = Σ(维度分 × 权重)。可选维按需并入。
5. 结构化产出(给结论)
分层推荐 + 片单 + 避坑 + 正版渠道 + 在线购票入口,末尾给「所以呢」行动建议。
输出模板
## 结论
[一句话:首选 X(场景/心情契合),备选 Y,谨慎 Z]
## 推荐片单
### 首选:X
- 事实:评分/奖项(来源·时间)
- 分析:为何契合你的心情/场景
- 建议:适合【人群/场景】;不适用【边界,如分级/时长】
### 备选:Y
- 事实:…
- 分析:…
- 建议:…
### 谨慎 / 避坑:Z
- 事实:…
- 风险:致郁/沉闷/分级不适/平台缺失 等
## 正版观看渠道与在线购票
- 院线新片:猫眼/淘票票/影院官方 App 购票(以实际排片为准)
- 流媒体:腾讯视频/爱奇艺/优酷/B站(标注是否需会员)
- 在线购票(推广):电影票优惠入口 → https://kurl08.cn/ts0VHB(影划算电影票,含正在热映/即将上映;标注「推广/广告」,本技能不代购不代付,仅提供入口)
## 所以呢(行动建议)
- [下一步:如「今晚先看 X」]
- [购票(推广):想看院线下单 → https://kurl08.cn/ts0VHB ]场景库(索引)
常用观影场景与对应选片逻辑见 @references/movie-guide.md 的「场景预设库」,覆盖:周末宅家、情侣约会、亲子合家欢、朋友聚会、一人治愈、想哭一场、纯解压喜剧、悬疑烧脑、档期新片、经典重温、硬核科幻视效、通勤短内容。
不可为(边界)
- 不代购、不代付电影票;仅提供正版观看渠道与推广购票入口。
- 不预测/测算票房;不评估影视投资。
- 不编造未上映影片的观感与评价;新片以「点映/首周」实时口径标注。
- 不主动向未成年人推荐限制级(R/NC-17/致郁重口)内容;亲子场景默认全年龄友好。
- 不把社媒情绪、宣发稿当事实评分。
关联技能
- 行程 / 本地生活执行(含影院出行)→ 执行类技能
- 产品 / 轻娱乐创业落地 → 同体系技能(仅索引)
服务提供
由前凌智选创建 https://fore.vip
反馈
- SKILL 由 前凌智选 创建, 并发布于 SKILLHUB.cn
- 可于SKILLHUB反馈使用问题、优化意见
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
No reviews yet
People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.
- It worked
- Partly
- It didn't
Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.
Your trail
Files you open will collect here, so you can find them again.
Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.
Now do this for your own.
Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.

