技能介绍

要解决什么问题

写长文、做 SEO 或运营社媒时，常见需求是：自动摘要、抽关键词、判断语气、查是否与旧稿重复、标题是否「像能点的」、以及排期发什么。很多方案依赖 numpy、jieba 或云端 API；在 Agent 技能或受限环境里，你希望只跑 Python 标准库就能完成一批可解释的文本分析。

content-studio（规范名 @user_053d27d0/content-studio-zx）把这类能力拆成 10 个独立函数，每个函数对应一种经典算法或规则模型，复杂度在文档里写清楚，便于你评估长文本下的耗时。

核心能力怎么组织

textrank_summary：句子分割 → 句间 TF-IDF 相似度矩阵 → PageRank 迭代 → 取 Top-K 句作为摘要。
tfidf_keyword_extraction：双字组/三字组分词，算 IDF 后排序关键词。
sentiment_analyzer：词典法，并处理否定词、程度副词与转折词。
seo_score_analyzer：10 维 SEO 评分模型，对正文做规则化打分。
readability_calculator：中文版 Flesch-Kincaid 可读性公式。
content_duplicate_checker：N-gram 指纹 + Jaccard 相似度，用于粗粒度查重。
social_media_caption_generator：模板 + 话题标签 + 表情与字数限制。
topic_cluster_analysis：简化 LDA（文档-词频矩阵 + Gibbs 采样）得到话题分布。
title_scorer：从数字、疑问、情感、长度、关键词等维度评标题。
content_calendar_planner：话题优先级、发布频率与时间槽调度（约 O(n log n)）。

整体无外部依赖，适合在技能调用链里把「分析/打分」和「生成文案骨架」拆开用，而不是当成黑盒大模型替代品。

适用边界

中文分词在 TF-IDF、LDA 等路径上是简化实现（双字/三字组），专业语料或英文为主时效果会打折扣。
情感分析是词典规则，对讽刺、新词、领域俚语不稳定；SEO/可读性/标题分也是启发式模型，应作参考分而非搜索引擎官方指标。
topic_cluster_analysis 与 textrank_summary 在长文档上复杂度偏高（文档中标注为含 n² 或 n*V*K*T 量级），批量处理前宜先截断或分块。
社媒文案依赖模板引擎，创意与品牌调性仍需人工润色。