agentsclimarketplace

Trend topic radar

Skill yt203677-debug/ai-social-media-ops/trend-topic-radar

监控行业热点与竞品爆款,为社媒账号产出可直接开拍的选题日报(含选题理由、人群痛点、 内容角度、开头钩子、脚本框架、平台适配建议)。当用户需要「选题」「热点监控」「今天发什么」 「行业动态」「竞品分析」「短视频/图文选题」「选题雷达」,或需要每日自动产出选题时使用。 只读取公开数据,不登录、不发布,产出为草稿,需人工审核。From its SKILL.md

Install
npx -y skills add yt203677-debug/ai-social-media-ops --skill trend-topic-radar

Assembled from the repository path, not quoted from the project. Check it against their README if it does not work.

One thing to look at

  • 0 stars0 stars. Stars are a popularity signal and not a quality one, but at this level it is likely that nobody has read this closely except its author, and you would be relying on your own review.

SKILL.md

6.0 KB, ~2.1k tokens by cl100k_base, as published. Nobody here has run it

选题雷达(trend-topic-radar)

给社媒运营用的选题生产 skill。核心是「读公开数据 + AI 分析」,帮账号解决"今天发什么"。 不登录、不发帖、不碰私信,产出仅为草稿供人工审核,零封号风险。

何时使用

  • 需要每日/按需产出选题时。
  • 要监控某个行业热点、竞品近期爆款、平台趋势时。
  • 挂到 OpenClaw 定时任务里,每天早上自动产出当日选题日报时。

前置:读取配置

运行前先读取同目录 config.yaml(若不存在则读 config.example.yaml 并提示用户按其补一份)。 从配置里取出:products(产品线与卖点)、audience(目标人群)、keywords(监控关键词)、 competitors(竞品/对标账号)、platforms(目标平台)、output_count(每次产出选题条数,默认 5)。

products/audience/competitors 仍是占位符(含"待补全"),先提醒用户补全,再继续。

必读(回流闭环,硬性):产出选题前必须先读取 ../analytics/爆款规律库/patterns.md(若存在)。 把其中"已验证的爆款规律"作为本次选题与钩子设计的优先依据;标注"待验证"的作参考;文件不存在则跳过。 不要跳过这一步——这是让选题越来越准的关键。

工作流

复制以下清单并逐步推进:

选题雷达 Task Progress:
- [ ] 1. 读取 config;并读取 ../analytics/爆款规律库/patterns.md(回流规律)
- [ ] 2. 采集三类信息(平台热榜 / 竞品爆款 / 行业新闻)
- [ ] 3. 相关性打分 + 爆款规律拆解(优先复用已验证规律)
- [ ] 4. 按模板产出当日选题日报(草稿)
- [ ] 5. 归档到 选题库/YYYY-MM-DD.md
- [ ] 6. 交给用户人工审核挑选(不自动进入制作/发布)

步骤 1:确认定位 + 读取回流规律

config.yaml,并读取 ../analytics/爆款规律库/patterns.md(存在则加载已验证规律)。 向用户简述本次监控范围(关键词、平台、竞品数量)及"本次将优先复用的已验证规律",无需等待即可继续。

步骤 2:采集

优先用 web_search / web_fetch;页面需渲染或需展开时再用托管浏览器读公开页面(不登录)。 数据源与入口见 reference.md。采集三类:

  • a. 平台热榜/热点:目标平台的热榜、热搜、上升话题。
  • b. 竞品近期爆款competitors 里对标账号近 7-14 天数据明显偏高的内容,记录标题、开头、结构、题材。
  • c. 行业新闻事件:AI / 云托管 / AI 硬件玩具 领域的新动态、新产品、争议话题、节点事件。

采集时每条候选都要留存:来源链接、时间、热度信号(点赞/评论/上榜位次等能拿到的量化信号)。 拿不到精确数据时如实标注"估算/无数据",不要编造数字。

步骤 3:分析

对每条候选做两件事:

  1. 相关性打分(1-5):与 products 三条线(AI / 云托管 / AI 毛绒玩具)和 audience 的契合度。低于 3 分丢弃。
    • 若候选契合 patterns.md已验证的爆款规律(选题方向/钩子/形式),相关性可加 1 分(上限 5),并在选题里注明"复用规律:xxx"。
  2. 爆款规律拆解:这条为什么火——选题角度、开头 3 秒钩子、内容结构、情绪/利益点。提炼出"我们可复用的公式"。

步骤 4:产出选题日报

templates/topic-report.md 生成,选题数量 = output_count。 每条选题必须包含:选题标题、为什么现在做(关联的热点/事件+时效性)、目标人群痛点、内容角度、 开头 3 秒钩子、脚本框架、平台适配建议、相关性评分与来源链接。 脚本框架必须从 templates/script-outline.md 里选一个命名框架(如 PAS/反转型/盘点型/故事种草型), 并把每一步填成具体台词,钩子从"黄金 3 秒钩子公式库"里挑一个,不要只写结构名。 选题要绑定到具体产品线卖点,避免只蹭热点不落地转化。

步骤 5:归档

把完整日报写入 选题库/YYYY-MM-DD.md(目录不存在则创建)。这是复盘和 OpenClaw 记忆的来源: 下次产出前可先扫最近几天的日报,避免选题重复、并回看哪些方向被采纳。

步骤 6:人工审核(硬性节点)

日报仅为草稿。明确告知用户:"以上为今日选题草稿,请挑选要开拍的条目。" 不得自动进入内容制作或发布环节。

边界(务必遵守)

  • 只读公开数据,绝不在本 skill 内执行登录、发帖、私信、点赞等写操作。
  • 不编造数据;拿不到就标注无数据。
  • 尊重平台条款:web_fetch/浏览器仅访问公开可见页面,控制频率,避免高频抓取。
  • 涉及敏感/违规/争议性过高的热点,标注风险并建议规避,不强推。

相关资源

What ships with it: 4 files

10.1 KB alongside SKILL.md

templates/

Keep looking

Skills are one crate of 325,949. Ordering is by how many stacks a row turns up in, so the top of any crate is what has actually been picked rather than what has the most stars.