正推构思

痛点与定位

很多获客视频的失败，在于内容停留在“数据搬运”和“常规科普”层面。创作者看到客户询问“徐州房价”或某个板块的涨跌，第一反应往往是直接列出均价、成交套数或政策条文。这种“两层直跳”的内容缺乏逻辑支撑：它回答了“是什么”，却没有解释“为什么”，更没有触达客户真正的焦虑和决策痛点。

本技能定位于内容创作链路的 “第0关：获客视频商业逻辑基础设施”。它负责在生成具体脚本之前，先构建完整的商业逻辑闭环：从选题词出发，推导出目标人群画像、需求痛点和情绪锚点，并为后续的创作关卡提供结构化的商业假设（forward_deduction）。

核心能力与执行步骤

技能内部采用 查询模式（10 个执行节点） 和 快速通道（03_Output 适配） 双轨并行，主要核心动作如下：

• 四层需求下钻 (Step 1.5)：不再只解析字面问题。技能会将选题逐层解码为 L1 表面问题 → L2 认知困惑 → L3 情绪焦虑 → L4 真实需求 → L4.5 判断标尺。特别是在 L3（情绪焦虑）层，会强制锚定 V_voices 中的客户原话和感官瞬间，并生成 L3.5 反转位，防止内容深而不跌。
• 画像与正推匹配 (Step 2 & 3)：结合 persona-library.md 选定 L1 主原型与 L2 子画像。按主题匹配“正推 6 步”（结果承诺、痛点、原因、老办法、方案），严格约束各子属性必须包含具体动作、量化标尺和感官画面。
• 数据注入与钩子引线 (Step 3.5 & 4)：四级路由获取真实数据（如本地 xuzhou_v3.db 或常青库）。产出 6-12 对 钩子+引线对（hookleadpairs），区分热点与常规，并依据平台特性（如抖音禁裸数据、视频号可用数字）生成差异化文案。
• 结构推荐与写回 (Step 5 & 6)：按钩子类型匹配视频结构（如 A-O 结构），并将逻辑写入 forward_deduction 后自动移交至下游选题/脚本关卡。

适用边界与注意点

• 强依赖下游链路：本技能产出的是商业假设（forward_deduction），若下游没有审校系统处理 fact_claims，热点内容存在事实风险。
• 知识库维护：V_voices 的强制锚定依赖高质量的客户原话库。如果库中缺乏对应场景的原话，技能只能降级处理或依赖推断。