research-backed-content-loop

Research-backed Content Loop

把内容生产从“让 AI 写一篇文章”，升级为一条可以回查、复用和继续生长的闭环。

本技能是总控编排器，不重复其他技能的专业规则。根据任务实际需要，路由到选题、洞察、调研、写作、作者风格、插图、发布和知识沉淀能力；不要为了展示流程而机械调用全部技能。

核心闭环

真实问题 / 已有素材
  → 检查已发布内容与本地知识
  → 用户问题与外部证据
  → 核心洞见和边界
  → 正文生产
  → 作者视角 + 用户视角评审
  → 证据与配图逐一对应
  → 发布稿与过程资产
  → 知识沉淀决策
  → 下一篇连载

使用边界

使用本技能：

• 用户给出一个困惑、现象或想法，希望完成调研、洞察、成稿和配图。
• 用户提供文章草稿，要求核验时效、去 AI 味、补研究图、连接知识库并规划下一篇。
• 用户希望公开一篇真实案例，展示内容如何从想法进入知识库并产生下一轮内容。
• 用户明确要求一条完整内容生产闭环，而不只是写一版文字。

不要使用本技能：

• 素材和角度已经确定，只需写正文：使用 content-creator。
• 只需调整为康健本人语气：使用 kangjian-skill。
• 只需去除已有文字中的 AI 痕迹：使用 humanizer-zh。
• 只需做公众号封面、摘要、转发文案或草稿发布：使用 wechat-publish-kit。
• 只需把讨论写入个人 Wiki：使用 wiki-doc-sink，并服从目标 Wiki 的本地规范。

开始前：先确定交付边界

从对话和现有文件中提取以下信息，能合理推断时不要重复追问：

• 内容形态：公众号、短视频、小红书、知识星球或系列策划。
• 目标读者：谁会看，他们正在卡在哪里。
• 作者目标：为什么现在写，想建立什么判断或信任。
• 当前输入：真实经历、用户原话、评论、草稿、研究报告、截图、课程或知识库材料。
• 交付范围：只出正文，还是包括配图、发布包、知识沉淀和下一篇。
• 事实边界：哪些是作者亲历，哪些是外部证据，哪些仍待验证。

如果目标仓库有 AGENTS.md、CLAUDE.md、SCHEMA.md 或内容生产协议，先完整阅读并以本地规则为最高落地依据。

阶段一：检查已有内容，避免凭空立题

先搜索本地知识库、已发布内容、待写队列和已有草稿。

在 kj-llm-wiki 中做公众号或连载内容时，优先检查：

• HOME.md、wiki/index.md；
• wiki/playbooks/topic-bank/series-planning.md；
• raw/studio/funnel/transcripts/；
• raw/studio/funnel/formatted/；
• raw/studio/funnel/published/；
• raw/studio/funnel/backlog/manual/ 与 queue.md。

明确当前内容属于续集、方法篇、案例篇、升级篇还是新系列。记录重复风险和与上一篇的连接。

需要系统选题时使用 ai-programming-topic-planner。不要换一个标题重复已经发布的观点。

阶段二：找到用户真正的问题

不要把作者想讲的主题直接当成用户问题。优先寻找：

1. 用户自己的原话、评论、搜索问题或对话；
2. 作者反复遇到的真实场景；
3. 本地资料中的失败记录和阻力；
4. 外部社区、调查或研究中可核验的共性。

把观察与证据分开：

• “我看到几位读者这样问”是观察；
• 有范围、样本和来源的调查才是研究证据；
• 没有数据时，诚实写成个人判断，不编造“很多人都……”。

从现象中寻找机制和反常识判断时，使用 phenomenon-insight。产出必须包含边界：这个判断在什么情况下不成立。

阶段三：建立证据账本

当文章包含数据、论文、报告、产品能力、年份、模型名称或可能过期的信息时，读取 references/evidence-visual-protocol.md。

为重要主张记录：

• 主张是什么；
• 来自作者经验、用户观察还是外部来源；
• 来源名称、链接、发布日期或更新时间；
• 证据能够支持到什么程度；
• 是否存在地域、样本、自报数据或模型版本限制；
• 正文如何用普通人的话表达；
• 是否需要对应配图。

时效敏感内容必须查询当前资料。若具体模型和年份不是论证重点，优先写长期有效的能力判断；若历史版本不可省略，要说明它只代表当时实验条件。