tech-doc-to-wechat
Skill2 starsChanged 3 months agoApache-2.0View on GitHub
将已有的技术说明书、架构文档、设计文档、README、RFC、源码导读或内部技术长文,转换为适合微信公众号发布、具有高打开率与转发潜力的中文技术文章,同时最大限度保留原文中的接口、状态、流程、参数、限制、失败路径、版本边界和代码细节。用户说“把这篇技术文档改成公众号文章”“说明书太硬,重写得好读但别丢细节”“保真改写技术稿”“给技术文档做爆款化包装”时使用。若需要从零研究主题或亲手搭建实验,使用 tech-article;若只是一般公众号润色,使用 wechat-article。
1 other project uses a version of this.
Adopted by
Most recently taken up by
- StellarLucas/article-expertword for word, first seen Nov 8, 2026
Other versions1 project uses a version of this.
Word for word · 1
- StellarLucas/article-expert★ 2100% same
Edited · 0
None found.
Wrote their own version · 0
None found.
How matches are found. Word for word: the exact same text. Edited: shares passages with this file (“99% same” means 99% of its five-word phrases also appear here; 10% or more counts). Their own version: similar meaning, or, weakest, the same name. We can’t tell which project had it first. Projects are counted among the 200 most-starred candidates, and mentions are links to the repository we found, up to 50 per site, so both counts are a floor.
In this repository8 other files it gives its agents.
- business-articleSkill
- equity-fundamentals-reviewSkill
- lumisun-writerSkill
- midlife-articleSkill
- narrated-videoSkill
- tech-articleSkill
- video-coverSkill
- wechat-articleSkill
The file
Files
tech-doc-to-wechat
把一份已经正确但难读的技术文档,重构成读者愿意点开、读完、收藏和转发的公众号文章。传播性来自问题选择、信息顺序、认知冲突和表达密度,不来自夸张或删减技术事实。
双重契约
每次转换同时满足两条硬约束:
- 技术保真:源文档中的有效技术细节必须先进入事实台账,再映射到正文。接口名、参数、状态、时序、权限、数字、版本、失败条件与边界不得悄悄丢失、改义或合并成模糊表述。
- 传播重构:最终稿必须围绕一个读者真正关心的问题推进,把说明书顺序改造成“现场问题 → 原有理解为何不够 → 关键机制 → 取舍与失败 → 完整路径 → 可复用判断”。
标题可以扩大好奇心,不能扩大事实。开场可以制造张力,不能虚构事故、用户误解、亲测经历、性能收益或对手缺陷。
适用边界
只处理已有技术源文档的载体转换。允许为核对当前版本读取源码、官方文档和提交记录,但不得在没有用户授权时把任务扩张成完整外部研究。
- 源文档已经过时、内部矛盾或事实明显不足:先报告问题,标为
source_gap,不能替作者静默修正。 - 用户要求“尽量保留所有细节”:默认所有已登记技术事实都必须在正文、表格、代码块或技术附录中出现。
- 文档很长:可以分篇,但必须先给出分篇覆盖表;不得借“公众号篇幅”删除细节。
- 需要从零形成证据包、运行 Demo 或 Benchmark:转用
tech-article。
完整流程
用户明确提供了源文档时,跳过选题扫描,严格执行 S0 至 S4。开始每一阶段前,完整读取 references/author.md 和该阶段参考文件;前一阶段校验 PASS 后才能继续。
| 阶段 | 必读文件 | 产物 | 校验 |
| S0 源文档拆解 | references/stage0.md | 文档快照、结构清单、技术事实台账 | validate_stage.py --stage 0 |
| S1 保真重构方案 | references/stage1.md | 读者任务、认知主线、全量安置计划 | validate_stage.py --stage 1 |
| S2 公众号成稿 | references/stage2.md | 定稿 Markdown、逐事实覆盖映射 | validate_stage.py --stage 2 |
| S3 双重审校 | references/stage3.md | 保真审计、传播审计、风险清单 | validate_stage.py --stage 3 |
| S4 发布包装 | references/stage4.md | 微信 HTML、摘要、标题封面包、资产台账 | validate_stage.py --stage 4 |
事实台账纪律
S0 必须给每条技术事实稳定编号。至少识别以下类型:
architecture:层次、职责、依赖、所有权;flow:输入、状态转换、时序、终止条件;interface:API、工具、命令、参数、字段;constraint:版本、权限、预算、并发、路径、前置条件;failure:错误信号、原因、影响、修复;comparison:方案差异、取舍、适用边界;example:代码、配置、调用样例、完整任务路径。
原文目录标题和重复解释不是事实;会改变实现、运维、排障或选型判断的信息才是事实。不要为了提高覆盖率把一段内容粗暴登记成一条大事实。
每条事实必须保留原文锚点和精确标识符。S1 为每条事实指定正文去向;S2 的 coverage_map.json 必须给出正文中的精确可搜索锚点。正文不展示内部事实编号。
传播性规则
“爆款潜力”按可审核能力定义,不按情绪强度定义:
- 标题命中具体读者和真实问题,并承诺正文确实交付的判断或能力。
- 第一屏让陌生读者说清谁遇到了什么问题、代价是什么、为什么常见理解不够。
- 全文只保留一条主问题;部件清单必须被问题驱动,不能轮流介绍产品功能。
- 每一节都至少完成一个动作:解释原因、暴露边界、解决冲突或带读者走完路径。
- 技术细节采用“先讲作用与后果,再给精确名称”的双层表达;表格和附录承担密度,不承担叙事推进。
- 至少保留一条真实失败路径和一项工程取舍。
- 结尾交付可迁移的判断或检查表,不写空泛总结。
禁止标题党词库驱动作文。诸如“颠覆、炸裂、封神、秒杀、终于有人讲清楚”只有源材料足以支持且语境自然时才可出现;默认不用。
路径与阶段事务
正式产物写入当前登录用户的:
/Users/<login-user>/wechat_articles/topics/[topic_id]/
每阶段执行:
- 读取前序回执并确认未过期;
- 读取本阶段参考文件与
references/author.md; - 生成约定产物;
- 运行
python scripts/validate_stage.py --stage N --topic-dir /absolute/topic/path; - 只有看到
PASS才进入下一阶段。
S4 的 HTML 必须由 scripts/markdown_to_wechat_html.py 从最终 Markdown 生成。校验脚本验证结构、哈希、事实覆盖、标题证据和审校闭环;语言吸引力仍需人工式审读。
完成交付
至少包含:
source/source_document.*:不可变源文档快照;research/source_inventory.json:结构与技术事实台账;research/transformation_plan.json:读者任务、认知主线与全量安置计划;article/final_article.md:公众号定稿;article/coverage_map.json:源事实到正文锚点的映射;article/fidelity_audit.json与article/engagement_audit.json;article/final_article_copy.html与article/final_article_digest.txt;article/assets_ledger.json;assets/title_cover_package.json;- S0 至 S4 回执。
最终报告必须说明源文档、事实总数与覆盖率、明确保留的关键细节、没有验证的边界、传播性改造发生在哪里,以及 HTML 的绝对路径。
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.

