agentleFS
ykjshenzhen2008-ship-itykjshenzhen2008-ship-it/commercial-real-estate-skills/skills/wechat-account-analyzer/SKILL.md

wechat-account-analyzer

Skill0 starsChanged 35 days agoMITView on GitHub

对指定微信公众号及其同类公众号做内容维度对标分析,输出 MD 诊断报告。覆盖:发文频率、标题结构、选题分布、爆款特征、内容同质化、内容 SWOT 与行动路线图。支持用户补充阅读/粉丝等硬指标(第三方平台或后台导出)。每次分析公众号数据前会强制同步读取 ima 订阅知识库做外部信源对照。触发词:「公众号分析」「分析公众号」「公众号对标」「公众号竞品」「同类公众号」「公众号诊断」「公众号选题分析」「公众号数据」「对标这个号」。排除:单篇文章提取(用 wechat-article-extractor)、写公众号文章/文案(用公众号文案创作类 skill)、公众号排版/发布(用公众号排版/自动发布类 skill)、通用产品竞品分析(用竞品分析类 skill)。

  • Installs packages

The file

Files
SKILL.md

公众号数据分析师 wechat-account-analyzer

指定一个公众号,自动对标其同类号,输出一份可决策的内容诊断报告。一个号进,一份 MD 报告出。

能力边界(先讲清能/不能)

能做的(自动):基于抓取的文章,分析内容维度——发文频率、标题结构、选题分布、正文字数、发布规律、与同类号的内容同质化。

不能自动做的(需补充):阅读数、在看、点赞、粉丝数、取关率属后台私有数据,无公开接口、抓取不合规。不估算、不编造。获取途径:

  • 你从后台/第三方平台(红狐数据/新榜/西瓜数据/清博)导出后粘贴关键指标表
  • 或提供行业榜单截图/数据,skill 并入报告并标注来源与时效

市场定位:市面上公众号类 skill 全是「创作/发布」向,通用竞品分析 skill 面向产品/公司。本 skill 填补「公众号账号内容对标」空白。

输入规范

  • 必填:指定公众号(名称 / 文章链接 / 历史文章导出 JSON 或目录)
  • 同类号(满足其一):① 你直接给名单(方法 D,最省);② 留空由 skill 自动发现(方法 A/B/C)
  • 可选:硬指标补充表(阅读/粉丝/互动,含来源与统计时间);目标行业/受众(影响同类号判定)

流水线(Step 0 强制 + 七步)

Step 0 · ima 订阅知识库同步研读(强制前置,不可跳过)

Kelvin 2026-09-07 立的规矩:每次分析公众号数据时,必须同步读取 ima 订阅资料库,保证研读基线是更新的,不拿旧认知当结论。

为什么强制:公众号算法/玩法半年一变,纯靠本地历史结论会系统性过时。ima 订阅库是持续更新的从业者一手经验池,是对照外部信源的校准器。

执行链路(工具名已实测,勿猜):

  1. 确认工具已加载 — 新会话开始先 ToolSearch({tool_names:["mcp__ima-mcp__get_knowledge_base_list"]})
    • ⚠️ 连接器在会话中途授权时,当次会话调不到(deferred 工具索引在会话启动时构建)→ 必须新开会话
    • ⚠️ 旧 OpenAPI 通道 https://ima.qq.com/openapi/wiki/v1/* 已失效(code 200002 skill auth failed),不要走
  2. 列库 — mcp__ima-mcp__get_knowledge_base_list(params 数组可一次传多 type)
    • 类型:KBT_MINE_KB / KBT_SHARED_KB / KBT_SUBSCRIBED_CREATE_KB / KBT_SUBSCRIBED_JOIN_KB
  3. 检索 — mcp__ima-mcp__search_knowledge(必传 knowledge_base_id + query)
  4. 精读 — mcp__ima-mcp__fetch_media_content(传 media_id)

⚠️ 头号坑:上下文爆炸 search_knowledge 一次返回 100 条约 12 万字符,直接读会爆上下文。结果会自动落盘到 ~/.workbuddy/projects/<...>/tool-results/mcp-ima-mcp-search_knowledge-*.txt(JSON)。 必须先用 Python 解析该文件、只打印 title + media_id,再挑篇 fetch_media_content 精读。禁止直接读全文。

产出要求(写入报告):

  • 报告新增「外部信源对照」小节:列出本次命中的 ima 条目(标题 + 媒体类型 + 一句话结论)
  • 明确标注 每个本地结论 vs ima 信源是「印证 / 冲突 / 无覆盖」
  • 冲突项不得武断取舍:列双源理由,给 A/B 验证方案
  • 结尾注明「本次 ima 检索日期 + 命中条数 + 精读篇数」,便于下次对比增量

若 ima 不可用(工具缺失/授权失效):在报告顶部显著位置声明「本次未做 ima 同步研读,结论基线为 {日期}」,并提示 Kelvin 授权后重跑。不得静默跳过。


Step 1 发现同类号

参考 references/similar-account-method.md。优先方法 D(你给名单)→ 否则方法 A(选题重叠,自动)→ 补 B/C。 判定「同类」:选题重叠≥0.2 / 同行业同受众 / 同量级 / 同内容形式,满足任二项即可。 找不到 ≥2 个时让你补名单;样本少则报告注明「结论仅供参考」。

Step 2 采集后台导出数据(若有)

⚠️ 同一批公众号后台导出会混用两种完全不同的 .xls 格式,解析前必须先判类型:

file 导出文件.xls
  • HTML document → 伪 xls(表格其实是 HTML <table>,activity_analysis*.xls 属此类,用户画像类几乎都是) 解析:Python html.parser.HTMLParser 提取 <table>/<tr>/<td>;<!-- 4总览 --> 注释里藏着分区名
  • Composite Document File V2 ... xlslib → 真二进制 xls(total_* / tendency_* 单篇与趋势数据属此类) 解析:pip install xlrd(xlrd 2.x 只支持 .xls),xlrd.open_workbook ⚠️ managed venv 默认没有 xlrd,需先装:<venv>/bin/pip install xlrd

后台表格的字段坑(实测):

  • 送达完成率 = 粉丝打开率(公众号消息阅读 ÷ 送达人数),不是 阅读÷送达
  • 送达人数 ≈ 当前粉丝总数
  • 趋势表一行里塞了 3 个区块(日阅读×渠道 / 日分享·收藏 / 传播渠道×内容),按列区间拆,别按行读
  • 阅读完成率 = 0.0 一律按「数据缺失」处理,不是真的 0%(常见于重复发布稿、异常稿)
  • 渠道表里的 全部 是一行独立数据(≈ 总阅读),子渠道之和会大于它;求占比用各渠道自己的分母反推(值 ÷ 该行的阅读人数占比)

Step 3 采集对标文章

  • 指定号与每个同类号,用 wechat-article-extractor 抓历史文章;或读你提供的 JSON/目录
  • 每个号存为独立文章集(JSON 或 .md 目录)
  • 降级:抓取失败→WebSearch 文章页;仍失败→记录该号、不阻塞

Step 4 算指标

对每个号运行:

python3 scripts/analyze_articles.py --input 「文章集」 --name "「号名」" --output 「号名」_metrics.json

详见 references/metrics-dictionary.md。输出每号的 metrics JSON。

Step 5 对标

python3 scripts/compare_accounts.py \
  --target 「指定号」_metrics.json \
  --peers 「同类号A」_metrics.json --peers 「同类号B」_metrics.json \
  --output compare_result.json --report compare_report.md

生成对标 JSON + 报告片段(对标表 + 内容力/差异化评级 + 差距项)。

Step 6 评级(脚本已算,报告直接引用)

  • 内容力评级 🟢强/🟡中/🔴弱(频率+稳定度+样本量综合,见指标字典)
  • 差异化评级 🟢清晰/🟡部分重叠/🔴高度同质(选题关键词 Jaccard 重叠度)

Step 7 出报告

按 references/report-template.md 写 MD 报告,把 Step 4 的 compare_report.md 片段粘贴进第三章,补充 SWOT 与行动路线图(LLM 基于差距项与机会撰写)。 输出到工作区 [指定号]公众号对标诊断报告.md,仅 MD 格式。完成后 present_files 展示。

评级 rubric(快速参考)

评级内容力(指数)差异化(重叠度)
🟢≥700.2 以下 差异明显
🟡40~700.2~0.5 部分重叠
🔴40 以下≥0.5 高度同质

示例

  • 商业地产头部号对标(指定号「商业地产观察」+ 同类号 3 个):六步全跑,选题重叠法自动发现同类,输出完整 8 章报告,差异化 🟡。
  • 小号数据稀疏(仅 8 篇):Step3 样本量预警,报告注明「样本小结论参考性有限」,不强行给高置信判断。
  • 名称歧义(如「老杨」也可能是个人号):先确认赛道/行业再跑发现,不猜。

完成检查清单

  • 同类号已确定(方法 A/B/C/D 之一,或你给名单)
  • 每号 metrics JSON 已生成,无空指标(缺失项已注明原因)
  • 对标表 + 内容力/差异化评级已给出
  • SWOT 与行动路线图已写(基于差距项与机会)
  • 硬指标若补充,已标来源与统计时间;若未补,已声明「限于内容维度」
  • 诚实边界已写(来源/样本量/第三方时效/关键词启发式)
  • Step 0 ima 同步研读已执行(或已显著声明未执行 + 基线日期)
  • 报告含「外部信源对照」小节,本地结论逐条标注 印证/冲突/无覆盖
  • 仅输出 MD,已 present_files 展示

硬性规则

  1. 诚实边界必写:硬指标缺失不估算;第三方数据标来源+时间;样本小声明局限
  2. 不编造数据:抓不到/算不出就标「待补充」或「暂无」
  3. 输出仅 MD(Kelvin 偏好),不落盘 HTML
  4. 评级必须引用脚本结果,不主观改级(除非补充说明依据)
  5. 每条关键数据带来源标注
  6. Step 0 强制:分析公众号数据必先同步 ima 订阅库;不可用则显式声明,不得静默跳过
  7. 冲突不武断:本地结论与 ima 信源冲突时,列双源理由 + 给验证方案,不单边下结论

Download now (ZIP)

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
What did you use it for? e.g. Reviewing pull requests in a Rails app

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.