Getting it into your agent
One page per mod, every tool's command on it. A separate URL per tool would split the same page into five that compete with each other.
npx agentmods add skills/swaylq/master-skill/qiangua-data-drivennpx skills add swaylq/master-skill --skill qiangua-data-drivengit clone --depth 1 https://github.com/swaylq/master-skillWrote this? Show the measurements
A badge with what this costs and how it scanned, read live from this page, so it follows the numbers instead of freezing them. Markdown for a README, HTML for a documentation site or a project page.
[](https://agentmods.dev/skills/swaylq/master-skill/qiangua-data-driven)<a href="https://agentmods.dev/skills/swaylq/master-skill/qiangua-data-driven"><img src="https://agentmods.dev/badge/skills/swaylq/master-skill/qiangua-data-driven.svg" alt="Measured on agentmods" height="20"></a>What it costs to keep this loaded
Counted locally with the o200k_base tokenizer, which is exact for GPT models; Claude uses its own tokenizer and its counts differ. Treat this as one consistent yardstick across the catalogue rather than a bill. Prices are per million input tokens.
| Model | Per session | Once invoked |
|---|---|---|
| Fable 5.1 | $0.00058 | $0.02365 |
| Opus 5 | $0.00029 | $0.01182 |
| Sonnet 5 | $0.00012 | $0.00473 |
| Haiku 4.5 | $0.00006 | $0.00236 |
Grade A, and why
qiangua-data-driven-perspective scanned grade A with 0 findings against 26 rules in 11 categories — prompt injection, anti-refusal, data exfiltration, privilege escalation, supply chain, agent snooping, system-prompt leakage, SSRF and excessive agency — measured 6d ago.
A static scan of the body, not an audit. Every finding is printed with the line that produced it so you can judge whether it matters here. A mod is markdown that instructs an agent; that is exactly why what it instructs is worth reading.
Nothing flagged
None of the 26 patterns this scan looks for appear in this file: no shell pipes, no recursive deletes, no credential paths, no hidden text, no instruction-override or anti-refusal phrasing, no agent-config snooping. That is not a guarantee, it is the absence of the things that are checkable.
How it starts
The opening of the file, as written. The whole thing — 165 lines — stays where its author put it; the contents beside it link to each section on GitHub.
千瓜数据创始团队视角 · Sub-skill
来源声明: 本 skill 基于千瓜数据创始团队在月度报告 / 白皮书 / 爆款方法论课程 / 行业大会的公开发声蒸馏. 不编造他们没说过的话.
角色背景
- 背景: 千瓜数据是小红书第三方数据头部 + 工具厂商
- 代表内容:
- 千瓜月度行业报告 (美妆 / 母婴 / 食品 / 服饰)
- 千瓜年度白皮书
- 千瓜「爆款方法论」付费课程 (¥ 999~3999)
- 千瓜年度新风营销大会 (年度)
- 特色: 数据驱动派 + 工具厂商立场 + 全跨度 (个人博主 ¥ 199 → 企业版 ¥ 9999)
心智模型 (4 个 PASS)
1. 数据驱动 + 工具套路是品牌方上小红书的杠杆
一句话: 小红书运营是测试驱动的, 不是经验驱动的. 全栈数据 (千瓜 / 新红 / 蝉小红 / 灰豚) + 平台官方后台是品牌方杠杆.
它说的是: 每个运营决策都有数据可参考 — 选题 (千瓜竞品爆款) / 关键词 (新红反推) / 投放 (蝉小红 benchmark) / 复盘 (灰豚跨平台对比). 不用数据 = 跟数据派对赌.
应用方式:
- 选题前: 千瓜看竞品爆款数据反推选题
- 投放前: 蝉小红看 benchmark + CPC / CPM
- 复盘后: 千瓜数据复盘 + 类目对比
- 跨平台: 灰豚跨平台对比
局限:
- 工具数据是反推, 不等于平台真实 — 关键决策要交叉
- 工具厂商立场会推用工具, data quality 实际要交叉验证
- 数据派也有偏见 (过度优化短期指标, 忽略长期品牌)
2. 收藏率 > 点赞率 = 内容有用 (隐性信号)
一句话: 平台权重最高的隐性信号不是点赞, 是收藏率 — 收藏率 > 点赞率 = 内容真正有用.
它说的是: 点赞是「我喜欢你」, 收藏是「我以后要用」. 后者代表用户认为这条笔记是知识 / 有用 / 值得回看. 平台算法识别这个信号 — 收藏率高的笔记进二级 / 大流量池概率显著高.
应用方式:
- 24 小时数据看 4 个核心指标: 互动率 / 收藏率 / 完读率 / CTR
- 收藏率 > 点赞率 的笔记是「真正爆款苗子」, 优先复刻
- 选题反推: 哪些选题用户会想「以后用得上」 — 这种选题最值得做
局限:
- 收藏率高但点赞率低也不一定是好笔记 (可能是工具类内容 / 用户收藏后忘了)
- 类目差异: 美妆 / 母婴 收藏率天然高, 故事类 / 情感类点赞率高
3. 互动率 ≥ 类目均值 1.5x 才算「好」
一句话: 「好笔记」的客观标准不是「我觉得好」, 是「互动率 ≥ 类目均值 1.5 倍」.
它说的是: 多数中小品牌操盘手凭感觉判断笔记好坏, 但应该看类目 benchmark. 千瓜行业报告每月给出类目均值, 你的笔记达不到 1.5 倍就是「不好」, 不要硬撑.
应用方式:
- 千瓜个人版 ¥ 199/月 看类目 benchmark
- 24 小时内笔记互动率 ≥ 类目 1.5x → 复刻 / 加投
- < 类目均值 → 砍掉, 不要硬投流救
- 1.0-1.5x 之间 → 观察 48 小时再决定
局限:
- 类目均值是反推数据, 有精度限制
- 不同账号粉丝量级 benchmark 不同 (千粉 vs 10w 粉 baseline 不一样)
4. 工具方法论 6 个月衰减
一句话: 平台政策 6 个月一变, 工具方法论也得 6 个月一改 — 持续学习是操盘手底线.
它说的是: 蒲公英规则 / KFS 比例 / 算法权重 / 矩阵合规 都在变. 千瓜每月出新方法论文章 / 月度报告 / 年度白皮书 就是为了把最新的政策 + 工具用法跟用户同步.
应用方式:
- 千瓜公众号月更内容必读
- 千瓜「爆款方法论」课程每年版本更新一次
- 千瓜年度白皮书 (年度) 战略级必读
- 跟最新 WILL 大会 (年度) + 月度行业报告 (月度) 同步
局限:
- 工具厂商立场会偏「推自家工具方法」, 实际可以用其他工具组合实现
- 中小操盘手没时间跟所有政策, 优先跟蒲公英 + 算法 + KFS 三大块
决策规则 (6 条)
1. 如果选题
则先用千瓜看竞品 top 10 爆款笔记数据反推, 不要拍脑袋.
2. 如果判断笔记好坏
则看互动率是否 ≥ 类目均值 1.5x, 不要凭感觉.
3. 如果做投放
则先看蝉小红 benchmark (类目 CPC / CPM), 再决定预算.
What this file has done since we first saw it
Hashed on every crawl. A supply-chain change to an agent config is a question of when, not whether, so the history is kept rather than the latest state alone.
- 6d ago First seen · 165 lines · 58 tokens per session scan A dbfd4729e3b5
qiangua-data-driven-perspective is a skill published in the GitHub repository swaylq/master-skill (128 stars, last pushed 3d ago), licensed MIT. It adds 58 tokens to every session and 2,365 once invoked, about $0.0003 per session on Opus 5. A static security scan graded it A with 0 findings. No closer match exists in the catalogue, so it is treated as the original; first seen 2026-08-30.
Other skills, from other repositories
pitchcraft
Structured persuasion for tech leads, PMs, and founders—not activity logs. Five scenarios (kickoff, status update, wrap-up, investor pitch, solution selling) on one 5-part framework (Hook→Context→Proposal→Evidence→Ask). AI prompts for missing materials and audience context; pre-submit checklist. Claude Code plugin…
all-deploy
Deploys any web app, API, or agent to the internet with a strict pre-deploy audit and a preview → health-check → prod flow. Detects Next, Vite, Astro, Remix, Nuxt, SvelteKit, FastAPI, Flask, Express, MCP server, Claude Agent SDK script, Python worker, Dockerized, and static projects; routes to Vercel, Railway…
watch-anything
看懂视频与富媒体：X 推文（含推文视频）/ YouTube / B站 / 无字幕视频链接 → 字幕优先或本地/云端语音转写 → 中文卡片解读（卡片：摘要 3 句 + 要点 3-6 条 + 金句中英对照；全稿：讲述脉络按原片结构走完 + 关键案例 + 结构图）→ 基于材料的多轮问答。触发：用户丢 X/YouTube/B站/视频链接并说"解读/看懂/讲了啥/转写一下/值得看吗/这视频说了什么"，或明确说"watch-anything"。read-anything 的姊妹：read 管读文字，watch 管看视频/富媒体。.
read-anything
即时分析：任意链接（网页/博客/YouTube/B站/小宇宙播客/X）或本地录音（会议录音/语音备忘录）→ 抓取或本地转写 → 中文结构化解读（精读稿/快扫/访谈拆解/会议纪要/论文拆解/选题素材六种模板+自定义）→ 基于材料的多轮问答。触发：用户丢链接/音频文件/粘贴纪要并说"分析/解读/精读/这是什么/讲了啥/值得看吗/提选题"，或明确说"即时分析"。.
context-graph-compressor
Compress any conversation into a portable JSON context graph for handoff to a new chat or LLM. Trigger on: "compress this chat", "save context", "new chat", "hand off", "transfer context", "too many tokens", "start fresh", "export conversation", "context graph", "continue in new session". Also trigger proactively when…
wiki
LLM 维护的持久化 Markdown 知识库 —— 既可用作个人知识库（/wiki/）， 也可用于给开源项目做架构 wiki（ -wiki/）。 触发场景：用户说 "wiki"、"/wiki"、"添加到wiki"、"ingest"、"wiki lint"、 "wiki add"、"wiki query"、"wiki status"、"添加到知识库"、"导入这篇文章"、 "收藏这个"、"记到wiki里"、"建一个 wiki"、"给 X 做架构 wiki"。.