内容引擎
by @dizhu
内容引擎（小红书）。两种 mode：①拆解（v1）— 输入 XHS 爆款链接，输出 18 维结构化拆解卡；②生成（v2）— 在拆解卡基础上结合品牌信息，用 Ofox（LLM + Nano Banana）生成我方版本的脚本/文案/素材图/封面/标签全套产出。视频生成（Seedance 2.0）规划在 v2.1。同时...
clawhub install qianxun-content-engine📖 About This Skill
name: content-engine description: "内容引擎（小红书）。两种 mode：①拆解（v1）— 输入 XHS 爆款链接，输出 18 维结构化拆解卡；②生成（v2）— 在拆解卡基础上结合品牌信息，用 Ofox（LLM + Nano Banana）生成我方版本的脚本/文案/素材图/封面/标签全套产出。视频生成（Seedance 2.0）规划在 v2.1。同时维护 graph/ 知识图谱（品牌声音、平台 playbook、钩子库、风格词典），mode 之间共享，越用越聪明。架构受 Ronin Skill Graph 启发。后续阶段陆续接入抖音 / 视频号等平台 + evaluate 评估 mode。"
内容引擎
跨平台内容拆解 + 生成 + 知识图谱。底层是一个会成长的图谱，上层挂多种 mode + 多个平台。
> 英文版 / English: see ~/.agents/skills/content-engine-en/
Mode 路线图
| Mode | 状态 | 说明 | |---|---|---| | deconstruct（拆解） | ✅ v1 | 参考链接 → 18 维拆解卡，过程中喂养图谱 | | generate（生成） | ✅ v2.2 | 拆解卡 + 图谱 + 我方品牌 → 脚本 / 字幕 / 封面 / desc / 标签 / 参考素材图。v0.3.0：接火山方舟 Seedance 2.0 真生视频（N 个 shot 顺序生成 + ffmpeg 自动拼成片，partial-video.md 记录失败 shot 便于手补）。v0.2.1：内置 validator 质检 + 自动 fallback v1。 | | evaluate（评估） | 🔜 v3 | 成片 → 8 维加权评分 |
平台路线图
| 平台 | 状态 | 当前覆盖 / 计划 | |---|---|---| | 小红书 | ✅ v1 | 视频笔记 + 图文笔记 | | 抖音 | 🔜 v1.1 | 短视频拆解（计划接 TikHub Douyin API） | | 视频号 | 🔜 v1.2 | 短视频拆解 | | B 站 | 🔜 v2 | 短视频 + 长视频 | | TikTok / Instagram | 🔜 探索中 | 国际平台 |
> 当前阶段：本文档完整描述了小红书 deconstruct + generate 的 v1+v2.0 实现。其他平台计划复用同一架构（extract_{platform}.py / generate_{platform}.py + content_engine/{platform}/ 子模块），graph 知识图谱跨平台共享。
本文档覆盖小红书 deconstruct mode（v1）+ generate mode（v2.0 文本+图）。视频真生成（Seedance）在 v2.1。
> 平台兼容：本 skill 在 OpenClaw（personal agent skill）和 Claude Code 都能直接跑。脚本用 Python 3.10+ stdlib（无外部依赖），系统命令只需要 ffmpeg。文件读写假定你的 agent 有 Read / Write 工具（OpenClaw 中是 apply_patch/Exec/Web browser）。
架构核心：graph/ 是大脑
content-engine/
├── SKILL.md ← 你正在读的这个，agent 入口
├── graph/ ← 知识图谱（mode 之间共享的"记忆 / 灵魂 / 上下文"）
│ ├── index.md 品牌总 briefing，agent 进来先读
│ ├── brand/{brand-voice,brand-story}.md
│ ├── platforms/xiaohongshu.md XHS 平台 playbook（v1 唯一支持）
│ │ (v1.1+ 会补 douyin.md / shipinhao.md / ...)
│ ├── audience/segments.md 客群分层
│ └── engine/{hooks,style-tags,taboo}.md
├── references/{output-template,example-video,example-image}.md
└── scripts/
├── extract_xhs.py ← v1 拆解 CLI：链接 → 工作区
├── generate_xhs.py ← v2 生成 CLI：链接 → 我方脚本/图/文案套件
│ (v1.1+ 会加 extract_douyin.py / generate_douyin.py 等)
└── content_engine/ Python 包（zero deps）
├── client.py TikhubClient（v1）
├── parsers.py NoteData / Comment 解析（v1）
├── linkresolve.py 短链 → note_id（v1+v2 共享）
├── video.py 下载 + ffmpeg 抽帧（v1）
├── images.py 图文笔记图片下载（v1）
├── llm.py Ofox LLM 客户端（v2）
├── nano_banana.py Ofox 图片生成（v2，Nano Banana Pro）
├── lookup.py 链接 → 拆解卡映射 + freshness（v2）
├── prompts.py 5 类文本 prompt 模板（v2）
├── generate.py generate mode 主编排（v2）
├── preflight.py 环境自检（v1+v2）
└── models.py dataclass 定义
两条铁律：
1. graph 文件可以是空模板——拆解仍能跑，退化为「客观拆解」模式
2. 拆解过程中发现的新钩子/新风格词自动回写到 graph/engine/，图谱越用越大
何时触发
输入
| 必填 | 项 | 说明 |
|---|---|---|
| ✅ | 参考链接 | XHS 短链/长链/24 位 hex/分享口令文本均可 |
| | 任务编号 | 默认 AIC-{YYMMDD}-{序号} |
| | 内容目标 | 例如「门店引流」「私域加微」，影响"可学习要点"字段 |
输出
Markdown 文件 → docs/deconstructions/{编号}-{slug}.md。
完整字段定义见 references/output-template.md，范例见 references/example-video.md / example-image.md。
工作流
Step 0：检测 graph 状态 → 选模式
用 agent 自带工具直接检查（不依赖 shell，避免 bash globstar / realpath 兼容问题）：
1. 找到 skill 根目录（SKILL.md 所在目录）
2. 用 Read 或 Grep 工具扫 graph/**/*.md 中是否有 # TODO: 标记
最简单：用 Grep 工具一次搜索：
Grep pattern: "^# TODO:" path: /graph/ output_mode: files_with_matches
| 命中文件数 | 模式 | 行为 | |---|---|---| | 0 | 品牌视角 | Step 5 的"目标客群""可学习要点"基于 graph 内容生成；字段填充时强制读 graph 相应节点 | | ≥1 | 客观拆解 | 跳过品牌视角字段；输出末尾追加提示「⚠️ graph/ 未填充，建议先补 {未填文件列表}」 |
两种模式的"可学习要点"差异：见 references/example-video.md 末尾的双版本对比。
> graph 文件之间的引用约定 [[brand/brand-voice]]：这是 Obsidian 风格的 wikilink，指向 graph/brand/brand-voice.md（不带 .md 后缀）。agent 看到 [[X]] 时应该 Read 对应文件加载上下文。
Step 1-3：一键拉数据 → 工作区
全部用一个命令完成：解析链接 / 拉元数据 / 拉评论 + 提取关键词 / 下载视频 + 抽帧 / 下载图文图片。
> ⚠️ v1 仅支持小红书。抖音 / 视频号 / B 站等其他平台规划中（v1.1+），届时会有对应的 extract_douyin.py / extract_shipinhao.py 脚本。
python3 scripts/extract_xhs.py ""
默认工作区：{tempdir}/content-engine/{note_id}/
自定义： --out /your/path
首次运行先环境检查：
python3 scripts/extract_xhs.py --check
工作区产物（默认 {tempdir}/content-engine/{note_id}/，跨平台）：
| 文件 | 内容 | 后续怎么用 |
|---|---|---|
| note.json | 解析后的 NoteData dataclass（已抽好所有字段） | 直接 Read，对应 SKILL.md Step 5 字段表 |
| comments.json | 解析后的 Comment 列表（含 is_pinned 启发式标记） | 你（agent）在 Step 5c 自己读原文做语义分类——比 regex 准 |
| {note_id}.mp4 | 视频笔记的原视频（CDN 直链下载） | Step 4 抽帧用 |
| frames/frame_NNN.png | 视频抽帧（按时长自动选 fps：短片 1.0、中片 0.5、长片 0.25） | Step 4 逐帧 Read |
| images/image_NNN.jpg | 图文笔记的所有图片（按顺序编号） | Step 4 逐图 Read |
异常处理：
comments.json 写 {"_error": "..."}，"评论关键词" 字段填「⚠️ 未获取」常用 flags：
--no-video 跳过视频下载（只看元数据时）--no-comments 跳过评论--fps 1.0 强制抽帧频率（默认按时长自适应）Step 4：多模态拆解
#### Step 4a · 拆解前必读（graph 硬卡点）
一律先 Read 一次：
graph/platforms/xiaohongshu.md 的「拆解时重点看」+「平台爆款公式」+「禁忌」三章graph/engine/style-tags.md 完整词典（Step 5 风格标签字段会用）graph/engine/hooks.md 完整钩子库（Step 5 情绪钩子字段会用）如果是品牌视角模式，再读 graph/brand/brand-voice.md + graph/brand/brand-story.md + graph/audience/segments.md。
#### Step 4b · 视频分支（type == "video"）
1. 逐帧 Read frames/frame_NNN.png，按文件名顺序。每帧 mental-note：景别 / 主体 / 动作 / 背景 / 道具 / 镜头方向。不是输出 N 行流水，是为下一步聚合积累素材。
2. 按时间段聚合写入"参考内容拆解"。核心规则：
| ✅ 好（聚合 + 信息密度） | ❌ 差（流水账或空话） |
|---|---|
| 第 7-12 秒｜镜头：固定 → 缓推｜景别：特写 → 极特写
画面：祖母绿马甲领口和门襟，绿色玉石盘扣 + 白色钉珠勾勒的几何纹样，挂着白色玉牌作为搭配示范 | 第 7 秒｜特写｜画面：领口
第 8 秒｜特写｜画面：领口
第 9 秒｜特写｜画面：盘扣
... |
| | 第 7-12 秒｜画面：很美的衣服细节，工艺精致 |
合并规则： - 连续 2+ 帧主体/景别相同 → 合并成一个时间段 - 主体/景别切换 → 另起一段 - 单帧停留 < 2 秒一般不单独成段 - 描述用具体名词（祖母绿、钉珠、玉石盘扣），禁用形容词堆砌（高级、精致、唯美）
3. 旁白文案：
- 视频字幕条原文 + note.json 的 desc 拼合
- 纯画面无字幕 → 写「无旁白/字幕，纯画面表达」+ 列出底部固定 watermark 信息
4. 旁白逻辑分析：分层填，每层标时间段 + 一句话功能： - 例：「第一层 · 建立反差与好奇（0-12 秒）：用 75 后 + 2000 平的数字反差激发好奇」 - 常见结构：钩子开场 → 场景代入 → 产品/卖点 → 身份感升华 → CTA / 反差开场 → 故事铺垫 → 价值观 → CTA / 工艺特写 → 文化寓意 → 情感共鸣 → 标签升华
#### Step 4c · 图片分支（type == "normal"）
1. 逐图 Read images/image_NNN.jpg，按顺序
2. 每张描述：构图 / 元素 / 风格 / 作用（在整组里的角色）
3. 聚合写入"参考内容拆解"，按图序：「图 1（封面）：... / 图 2：... 」
Step 5：抽取剩余字段
#### Step 5a · 字段填充表（graph 影响）
| 字段 | 来源 | graph 必读 |
|---|---|---|
| 平台 | 链接来源 | — |
| 目标客群 | note.json.desc + hashtags + 评论行为推断 | 品牌视角下：必须对照 graph/audience/segments.md 已有分层填，命中哪一层显式标注 |
| 爆款主题 | note.json.desc + title + 拆解 | — |
| 风格标签 | 画面 + 文案 | 必须对照 graph/engine/style-tags.md，命中标"已有"，没命中标"新增"并准备 Step 6 回写 |
| 场景标签 | 画面 | — |
| 情绪钩子 | 开头 + 钩子句 | 必须对照 graph/engine/hooks.md 已分类的钩子模式，命中哪一类显式标注 |
| 评论关键词 | comments.json（agent 自己分类） | 见 Step 5c — agent 直接读评论原文做语义分类，比 regex 准 |
| 旁白逻辑分析 | 文案结构 | — |
| 参考热门标签 | note.json.hashtags（已清理 [话题]） | parser 已抽好，直接拼 #xxx；不要再 grep desc |
| 可学习要点 | 全局总结 | 强依赖：品牌视角下写"我方做同主题怎么用"；客观模式写客观要点 |
#### Step 5b · 主观字段质量标尺
详见 references/output-template.md 的"字段定义详解 + Anti-Pattern"小节。核心原则：
#### Step 5c · 评论关键词的语义分类（你自己做，不依赖 regex）
为什么不用 regex：语言无穷变体（怎么卖 / 啥价 / 贵不贵 / 多少米），regex 永远漏抓；regex 也分不清语义（价格不是问题 不是询价；不是真丝吗 不是异议）。你（agent）有完整的语言理解能力，直接做这件事，比 regex 强 100 倍。
数据源：comments.json 已经过 parser 过滤——is_pinned=True 的商家置顶 / 反诈骗自动标了，可以跳过；其余都是用户真实评论。
分类四类（按"用户在干什么"分）：
| 类别 | 抓什么 | 例 | |---|---|---| | ask 问 | 问购买路径 / 价格 / 地址 / 时间 / 渠道（转化前置信息） | "怎么买" / "多少钱" / "啥价" / "怎么卖" / "店在哪" / "几点关门" / "线上有吗" | | request 求 | 主动提需求（强意向） | "求微信" / "还有吗" / "断码了吗" / "求联系" | | praise 夸 | 共鸣 / 喜欢的具体表达 | "好美" / "想要" / "高级感" / "显气质" / "心动" | | objection 异议 | 纠正 / 反对（不是中性疑问） | "请不要叫它X" / "这是 A 不是 B" / "不应该这么贵" |
输出格式（强制带证据）：
- {关键词}（{N} 条原评：「原文1」「原文2」「原文3」）— {一句解读 / 转化信号判断}
防伪约束（硬性）：
1. 每个关键词必须附 1–3 条原始评论原文（直接从 comments.json 复制，不许改写）
2. 找不到原文证据的关键词不允许出现——禁止凭空生成
3. 疑问句不算异议——「不是真丝吗？」是中性询问，归 ask；「请别叫它新中式」才归 objection
4. 同一原评可以同时归到多类——比如「怎么买啊好喜欢绿色」既是 ask 又是 praise，分别引用
5. comments.json 是 [] 或带 _error → 写「⚠️ 评论数据未获取」，不允许从 desc 推测
好坏对照：
✅ 好（带证据 + 解读）：
怎么买（5 条原评：「绿色裤子怎么买」「怎么购买？线上」「怎么买呢 好喜欢绿色」）—
最高频转化信号
怎么卖 / 啥价（2 条原评：「怎么卖啊」「这套啥价」）— 询价的另一种说法
异议·满族服饰（1 条原评：「这是新宾满族服饰，请不要叫它新中式！」👍 1）—
虽只 1 条但获赞，提示标签使用边界❌ 差（无证据 / 编造）：
怎么买、多少钱、求链接（光列词，没原文，禁止） ❌ 差（误判疑问为异议）：
异议（评论：「这是真丝吗」） ← 这是疑问不是异议
Step 6：回写图谱（让系统越用越聪明）
回写位置规范（严格）：
| 类型 | 文件 | 插入位置 | 格式 |
|---|---|---|---|
| 新钩子 | graph/engine/hooks.md | ## 待分类（拆解新发现，先扔这里再人工归类） 章节末尾 | ### {情绪类型｜模式名} 三级标题 + bullet (模式/适用/例/来源) |
| 新风格词 | graph/engine/style-tags.md | ## 待归类（拆解新发现） 章节的表格末尾追加行 | | 标签 | 适用 | 首次来源 | |
| 平台观察 | graph/platforms/xiaohongshu.md | ## 观察日志 章节头部插入（倒序，新的在最上） | ### {YYYY-MM-DD} · {一句话主题} + bullet (来源/观察/数据/推论) |
回写原则： 1. 只追加，不删旧 2. 每条带「来源 = 拆解编号」+「日期 / 数据」 3. 与现有图谱有矛盾 → 不写入，输出末尾打 ⚠️ 给人工裁决 4. 命中已有钩子/标签 → 不要重复添加，只在拆解卡里标"复用 graph 现有"即可
Step 6.5：输出前自检（强制清单）
每条必须 ✓，不通过不能进 Step 7：
□ 18 个 Excel 字段都填了，没有跳过
□ 元数据 5 项（作者/时间/互动/note_id/类型）都从 API 实拉，没编造
□ "风格" vs "场景" vs "情绪钩子" 没混淆（区分见 output-template.md）
□ 参考发布文案是 desc 原文（含 emoji 和换行），没改写没精简
□ 评论关键词每条都从 comments.json 找原文佐证；comments.json 含 _error 时统一写"⚠️ 未获取"
□ 旁白逻辑分析按"分层（钩子/铺垫/升华/CTA）"写了，不是一段流水
□ 风格标签命中 graph 已有词标了"已有"；新词标了"新增"
□ 情绪钩子命中 graph 已有模式显式标注；新模式准备 Step 6 回写
□ 参考热门标签直接用 note.json.hashtags（parser 已清理 [话题]）
□ Step 6 回写：明确说"N 项"或"无"，每项标了来源/日期
□ 客观拆解模式下：输出末尾追加 graph 未填充提示
Step 7：发布拆解卡
#### Step 7a · 生成 slug 从 title 生成文件/文档名 slug：
import re
slug = re.sub(r"[^\w一-龥\-_·]+", "-", title)[:30].strip("-") or "untitled"
例：「深圳新中式｜把江南春色穿在身上」→ "深圳新中式-把江南春色穿在身上"
最终命名：{编号}-{slug}（如 AIC-260426-001-深圳新中式-把江南春色穿在身上）。
#### Step 7b · 输出（按 agent 环境分支）
优先：飞书 Docx（OpenClaw 装了 飞书官方插件 时）
OpenClaw + 飞书插件给 agent 暴露的工具能直接创建云文档。在 OpenClaw 环境下：
1. 用 飞书插件的「创建云文档 / create cloud doc」工具（具体工具名以你装的插件版本为准），把完整 markdown 内容传进去
2. 标题用 {编号}-{slug}
3. 拿到飞书文档 URL，记下来用于 Step 7c
Fallback：本地 markdown（Claude Code / 没有飞书插件 / 飞书工具失败）
# Agent 用 Write 工具写到：
docs/deconstructions/{编号}-{slug}.md
判断逻辑：
注意：本 skill 不再封装飞书 API 调用。OpenClaw 飞书插件已经处理认证 / 上传 / 转换；agent 只需要调插件工具。Claude Code 用户如果想发布到飞书，需要自己手动复制 markdown 到飞书文档。
#### Step 7c · 给用户的总结（固定 4 行）
1. 拆解对象：{标题 / 作者 / 时长 / 互动数} ——一句话
2. 最强洞察：{1 个核心钩子或反常识发现}（{数据佐证，如"藏赞比 70%"}）
3. 发布到：{飞书 URL 或本地绝对路径}
4. 图谱回写：{N 项；列前 3 个，余略；如果 0 项明示"无"}
v2 Generate Mode（v0.2.0+）
把 v1 拆解卡当对标参考 + 我方品牌信息 → 生成我方版本的脚本 / 文案 / 素材图 / 封面 / 标签全套产出。
何时触发
用户说类似的话：
输入
| 必填 | 项 | 说明 |
|---|---|---|
| ✅ | XHS 链接 | 用户只传链接，agent 不让用户记拆解卡文件名 |
| ✅ | --type | video / image / script 三选一 |
| ✅ | --count | 1-N（图片张数 / 视频条数） |
| | --product-imgs | 我方产品图路径（目录或单图）— v2.0 仅文本辅助生图，v2.1 改 image-to-image |
| | --product-usp | 我方产品卖点文字描述 |
| | --fresh | 强制重拆 v1（绕开缓存）|
输出工作区
docs/deconstructions/AIC-260426-001-xxx-generated/ ← v1 拆解卡同名目录加 -generated
└── GEN-260427-001-image/ ← 一次 generate 一个 GEN-N
├── script.md ← 完整脚本（图组规划 / 视频分镜 / 拍摄指引）
├── caption.txt ← (video 类型) 屏幕字幕层
├── cover.png + cover.txt ← 封面图（含大字）+ 文案备份
├── frames/frame_NNN.png ← N 张参考素材图（Nano Banana 出，竖版 9:16）
├── desc.txt ← XHS 发布正文
├── tags.txt ← 标签（10-15 个）
├── seedance-prompt.md ← (video 类型) Seedance cinema-style prompt
├── shots/shot_NN.mp4 ← (video, v0.3.0) Seedance 出的每个分镜真视频
├── final-video.mp4 ← (video, v0.3.0) ffmpeg 拼接好的成片
└── partial-video.md ← (video, v0.3.0) 各 shot 状态 + 失败 shot 的 prompt
工作流（10 step）
Step 0：preflight + 选模式
Step 1：链接 → 拆解卡
1. 解析 link → note_id（复用 v1 linkresolve） 2. 在docs/deconstructions/ grep note_id
3. 找到（≤7 天）→ 直接 Read
4. 找到（>7 天）→ 提示用户「复用 / 重拆」
5. 没找到 → 自动 fallback（v0.2.1 起）：透明触发 extract_xhs.py 抽取 note.json + comments.json + frames，写入 stub 拆解卡（文本字段填好；视觉字段标 ⚠️ AUTO-STUB 待 agent 后续读 frames/ 完善）Step 2：读 graph 必读节点
Step 3：收集我方输入
Step 4：生成「脚本」（核心）
script.mdStep 5：并行生成 4 类辅助文本
Step 6：素材成片生成（image / video 类型）
build_prompt 里硬编码）：Step 7：seedance-prompt.md（仅 video 类型）
Step 7.5：Seedance 真生视频（v0.3.0 起，video 类型默认）
partial-video.md 里写明哪几个失败 + 失败 shot 的 prompt 方便手补final-video.mp4--no-real-video（仅出 prompt 不调 API）/ --async（仅提交不等结果）/ --no-confirm（跳过 3 秒倒数）Step 8：质检 validator（v0.2.1 起内置）
quality_report.md 让用户决定：desc 长度异常 / emoji 过多 / cover 多行graph/engine/taboo.md 自动提取，叠加默认极限词 / 营销过度词Step 9：发布拆解卡
Step 10：4 行总结
1. 生成对象：基于 {拆解卡} + {我方品牌} 的 {类型}（{count} 张/条）
2. 产出：script.md + cover + N 张 frame + desc + tags + (seedance-prompt)
3. 工作区：{绝对路径}
4. 耗时 / 调用：{秒} / {LLM 次} + {图片次}
命令行用法
# 8 张图文笔记
python3 scripts/generate_xhs.py "" --type image --count 8 \
--product-usp "新中式女装：真丝马甲 + 立体绣衬衫" \
--product-imgs ~/photos/spring-2026/1 条视频（v0.3.0 起默认真生视频，~$1，Ctrl+C 可中断）
python3 scripts/generate_xhs.py "" --type video --count 11 条视频但只出 prompt + 封面 + 1 帧关键图（节省成本）
python3 scripts/generate_xhs.py "" --type video --count 1 --no-real-video异步：仅提交 Seedance 任务立即返回 task_id，自己后续手动拉
python3 scripts/generate_xhs.py "" --type video --count 1 --async仅出脚本（拍摄指引型）
python3 scripts/generate_xhs.py "" --type script --count 1强制重拆 v1（绕开缓存）
python3 scripts/generate_xhs.py "" --type image --count 8 --fresh仅环境检查（含 OFOX_API_KEY）
python3 scripts/generate_xhs.py --check
已知限制 / 路线图
| 限制 | 解决方向 | 计划 | |---|---|---| | ~~视频不真生成（仅出 prompt）~~ | ~~接火山 Seedance 2.0 API~~ | ✅ v0.3.0 | | 不出钩子变体（一次只 1 套） | LLM 多 round 出 N 套不同钩子 | v0.4.x | | 人物一致性弱（每张图脸不同） | 引入 IP-Adapter / InstantID | v0.5.x | | ~~没自动质检~~ | ~~validator.py 硬+软错检测~~ | ✅ v0.2.1 | | ~~Fallback 拆解需手动跑~~ | ~~内置自动调用 v1~~ | ✅ v0.2.1 | | Stub 卡视觉字段 agent 手补 | vision LLM 自动补全 | v0.4.0 |
边界与原则（generate mode）
1. 不伪造产品信息：用户没传产品图 / 卖点 → prompt 里说明"用户未提供视觉参考"，让 LLM 不虚构具体颜色/材质细节
2. 不抄对标：脚本里禁止出现对标视频里的具体专有名词（品牌 / 主理人 / 地点）
3. 图片质量是参考非成品：v2.0 生图定位是 mood board / 给摄影师看的视觉参考，不是直发素材（决策见 spec §1）
4. 品牌一致性走三路约束：参考图 + brand-voice prompt + 拆解卡 layout，缺任意一路都退化但不阻断
5. Ofox 调用按次计费：每次 generate 约 4-7 LLM + N+1 image calls，建议先 --count 1 验证再上量
v1 边界与原则（deconstruct mode）
1. 不伪造：API 失败、视频下载失败、字幕识别不到 → 直接标「未获取」 2. 拆解是观察不是评论：客观字段写"画面是 X"，主观判断只在「情绪钩子 / 爆款主题 / 可学习要点」三格允许 3. graph 只追加：回写不改写历史；矛盾打 ⚠️ 给用户 4. Token 控制：视频帧 >30 张时，先按时间段聚合（每 5 秒选 1 帧代表）再细描 5. 不做内容生成：本 mode 只输出拆解卡 + 图谱回写（v2 generate 干生成的事）
安装与依赖
系统要求
| 依赖 | 用途 | 安装 |
|---|---|---|
| Python ≥ 3.10 | 运行所有脚本 | macOS: brew install python@3.12
Linux: apt install python3.12 或 pyenv
Windows: python.org |
| ffmpeg | 视频抽帧（图文笔记可省） | macOS: brew install ffmpeg
Linux: apt install ffmpeg（或 dnf / pacman）
Windows: choco install ffmpeg |
> 没有 pip 依赖——脚本只用 Python stdlib。
API tokens
v1 拆解需要 TIKHUB_API_TOKEN（必需 for deconstruct）
v2 生成需要 OFOX_API_KEY（必需 for generate；管 LLM + Nano Banana 出图）
v0.3.0+ 真生视频需要 ARK_API_KEY（必需 for video 类型默认行为；可用 --no-real-video 绕开）
# v1 拆解：TikHub
mkdir -p ~/.config/content-engine
echo 'TIKHUB_API_TOKEN=你的_tikhub_token' >> ~/.config/content-engine/.envv2 生成：Ofox（管 LLM 文本 + Nano Banana 图片）
echo 'OFOX_API_KEY=ofox-你的_key' >> ~/.config/content-engine/.envv0.3.0+ 视频生成：火山方舟 Ark（Seedance 2.0）
echo 'ARK_API_KEY=你的_ark_key' >> ~/.config/content-engine/.env
| Token | 注册 | 用途 | 必需吗？ |
|---|---|---|---|
| TIKHUB_API_TOKEN | tikhub.io | XHS API（拆解原始数据） | v1 拆解必需 |
| OFOX_API_KEY | ofox.ai | LLM + Nano Banana 图片 | v2 生成必需 |
| ARK_API_KEY | 火山方舟 | Seedance 2.0 视频生成 | v0.3.0+ 真生视频时必需；--no-real-video 可绕开 |
| OPENROUTER_API_KEY | openrouter.ai | （备选）替代 Ofox 提供 LLM | 可选兼容 |
> ⚠️ ARK API Key 不要用 IAM AK/SK（两者格式都是 UUID 但不通用）。在火山方舟控制台「API Key 管理」单独创建，并在「开通管理 → 视觉模型」下开通 Doubao-Seedance-2.0-fast（默认有 500 万 tokens 免费额度）。
>
> 切换 model：export ARK_VIDEO_MODEL=doubao-seedance-1-5-pro-251215（或其他版本）。
Token 查找顺序（第一个找到即用）：
1. 对应环境变量（TIKHUB_API_TOKEN / OFOX_API_KEY / ARK_API_KEY / OPENROUTER_API_KEY）
2. 当前工作目录的 .env
3. ~/.config/content-engine/.env（XDG 标准）
4. Skill 根目录的 .env
验证安装
python3 scripts/extract_xhs.py --check
输出每项检查 ✅/❌/⚠️ 状态 + 失败的修复指引。
国内用户注意
api.tikhub.io 在中国大陆需要代理api.tikhub.dev（无需代理）— 在 .env 设 TIKHUB_BASE_URL=https://api.tikhub.dev 启用飞书发布（仅 OpenClaw 用户）
本 skill 不内置飞书 API 调用。如果你想拆解卡自动发布到飞书 Docx，安装 OpenClaw 飞书官方插件：
npx -y @larksuite/openclaw-lark install
装好后：
Claude Code 或其他环境：拆解卡保存到本地 docs/deconstructions/，需手动复制到飞书。
相关 / 参考
analyze-xhs skill：拆账号（不是拆单条）