小红书笔记生成工作流

小红书笔记生成工作流

依赖：本 skill 需要 rednote-research skill 的输出数据。若尚未采集分析，先触发 rednote-research 完成数据准备。

两个目录：

PLUGIN_DIR=$(find ~/.claude/plugins/cache/rednote-mining -name "pyproject.toml" 2>/dev/null | head -1 | xargs dirname)
WORK_DIR=$(pwd)

---

整体流程

Step 1: 确认研究数据 → 选择 topic_slug
Step 2: 数据深挖 → 分析爆款规律、用户痛点、高频话题
Step 3: 选择内容角度 → 用户确认
Step 4: 下钻参考笔记 → 读取高赞原文作为参考
Step 5: 生成笔记草稿 → 标题 + 正文 + 标签
Step 6: 用户审阅迭代 → 修改或输出最终版

---

Step 1：确认研究数据

检查 $WORK_DIR/analysis/ 下已有哪些 topic_slug 目录，列出包含 normalized_data.json 的主题：

ls "$WORK_DIR/analysis/" 2>/dev/null

若有多个主题，用 AskUserQuestion 让用户选择要基于哪个主题创作。

若 $WORK_DIR/analysis/ 不存在或没有 normalized_data.json，告知用户先运行 rednote-research。

---

Step 2：数据深挖——爆款规律与用户洞察

2.1 生成统计摘要

cd "$PLUGIN_DIR" && uv run python scripts/analyze_stats.py \
  --topic-slug {topic_slug} --work-dir "$WORK_DIR"

读取 $WORK_DIR/analysis/{topic_slug}/stats.md。

2.2 提取高赞笔记原文

从 stats.md 中找出点赞数最高的 10-15 篇笔记的 note_id（like_count 字段排序），用原文模式读入：

cd "$PLUGIN_DIR" && uv run python scripts/to_markdown.py \
  --topic-slug {topic_slug} --work-dir "$WORK_DIR" \
  --note-ids {高赞笔记的 note_id 列表}

读取 $WORK_DIR/analysis/{topic_slug}/notes_detail.md。

2.3 深度分析（Claude 自己完成，不调用 LLM API）

结合 stats.md 和 notes_detail.md，分析以下维度：

爆款结构规律

• 高赞笔记的标题有哪些共同模式（数字、问句、痛点、情绪词）
• 正文结构（分段、小标题、emoji 使用习惯）
• 长度范围

用户痛点与需求

• 评论中反复出现的问题和需求
• 用户最想知道的信息（高频追问）
• 哪类内容引发最多互动

内容空白与机会点

• 哪些角度在现有笔记中覆盖不足（数量少但互动高）
• 哪些实体/话题尚未被充分挖掘

情感与语气

• 正面内容的表达方式（推荐/种草语气）
• 负面评价揭示的用户期望

---

Step 3：选择内容角度

基于 Step 2 的分析，提出 4-6 个具体的内容创作角度，每个角度包含：

• 核心卖点/切入点
• 目标读者
• 预估吸引力（基于数据）

使用 AskUserQuestion 让用户选择：

问题：请选择创作角度（也可告诉我你有其他想法）：
选项：[角度1标题] / [角度2标题] / ... / 我有其他想法

若用户选择"我有其他想法"，引导用户描述，结合数据判断可行性后继续。

---

Step 4：下钻参考笔记

根据选定角度，从 stats.md 中筛选最相关的笔记（按实体字段 + 高点赞），获取原文参考：

# 按相关字段过滤结构化数据，获取 note_id
cd "$PLUGIN_DIR" && uv run python scripts/to_markdown.py \
  --topic-slug {topic_slug} --work-dir "$WORK_DIR" \
  --where {相关字段}={相关值}

# 再提取这批笔记的原文（取点赞最高的 5-8 篇）
cd "$PLUGIN_DIR" && uv run python scripts/to_markdown.py \
  --topic-slug {topic_slug} --work-dir "$WORK_DIR" \
  --note-ids {筛出的高赞 note_id}

读取 notes_detail.md，重点关注：

• 这批笔记的标题写法
• 正文开头的钩子句式
• 评论中用户最认可的点

---

Step 5：生成笔记草稿

基于以上分析，生成完整的小红书笔记，输出格式如下：

## 📝 笔记草稿

### 标题方案（提供 3 个备选）
1. [标题1]
2. [标题2]
3. [标题3]

---

### 正文

[完整笔记正文，包含 emoji、分段、小标题等]

---

### 标签
#标签1 #标签2 #标签3 ...（8-15 个，覆盖核心词和长尾词）

---

### 配图建议
[描述适合的配图风格和内容]

---

### 创作说明
基于 {N} 篇笔记、{M} 条评论的数据分析，重点参考了以下规律：
- [规律1]
- [规律2]

写作要求：

• 标题：25 字以内，包含数字/痛点/情绪词，参考高赞标题的结构
• 正文：500-800 字，口语化，分段清晰，适当使用 emoji
• 开头：前两句必须抓眼球（用数据、问句或强共鸣句式）
• 结尾：引导互动（提问、邀请评论、点赞收藏）
• 标签：核心词 + 场景词 + 长尾词组合

---

Step 6：用户审阅与迭代

生成草稿后，使用 AskUserQuestion 询问：

"笔记草稿已生成，请选择下一步："
选项：
- 满意，保存最终版
- 调整标题
- 修改正文风格（更干货 / 更故事化 / 更简洁）
- 换一个内容角度重新生成
- 针对特定评论痛点深化内容

根据用户反馈迭代，每次迭代重新生成对应部分。

最终版保存：

# 保存到工作目录
cat > "$WORK_DIR/analysis/{topic_slug}/note_draft.md" << 'EOF'
{最终笔记内容}
EOF
echo "已保存至 $WORK_DIR/analysis/{topic_slug}/note_draft.md"

---

技术参考

• 数据来源：$WORK_DIR/analysis/{topic_slug}/ 下的所有文件
• stats.md：字段分布统计 + 实体 note_id 索引
• notes_detail.md：高赞/目标笔记原文（标题 + 正文 + 评论）
• data.md：按条件过滤的结构化摘要
• Python 运行：始终用 cd "$PLUGIN_DIR" && uv run python