技能介绍

它解决什么问题

选红人时最麻烦的不是找不到候选，而是候选之间难以比较。你拿到一批 handle、几页粉丝数截图，以及“感觉挺合适”的判断，但很难向团队解释为什么某个红人值预算、另一个不值。这个技能的目标就是把这类判断拆成可审计的评分：用品牌/活动背景、目标受众定义、活动目标和候选清单作为输入，产出 1-5 分的加权总分、逐维度理由和明确的 go/pass 结论。

评分如何运转

核心流程是先定框架，再逐人打分，最后汇总比较：

定义框架：按活动目标设置五个维度及其权重，默认使用 1-5 分制；若目标偏转化，可把受众匹配放在更高权重。
读取上下文：从用户输入或上游技能读取品牌背景、目标受众、活动目标、候选 handle；如已有 memory/influencer/audience-mapper/ 或 memory/influencer/competitor-tracker/，可作为参考。
运行 ACE 否决门：在排序前检查 C³ Creator 相关否决项，例如 A2 真人粉丝率。一旦触发，结论直接是 Pass，并且 Final Rating 封顶在 Poor / Below-Average 区间（≤ 2.9 / 5）。
逐维度评分：对每个候选人给出 Audience Match、Engagement Quality、Brand Safety 等维度的原始分，再汇总为加权总分；价值/审美/信息契合这类品牌专属项不混入 ACE，而按 ROI.Orchestration 处理。
保存与交接：报告写入 memory/influencer/fit-scorer/YYYY-MM-DD-.md，排名最高的候选和结论会提升到 memory/hot-cache.md，方便下游技能继续处理。

可选地，YouTube 候选可通过 python3 "${CLAUDE_PLUGIN_ROOT}/scripts/connectors/youtube.py" videos @handle --limit 10 获取近期视频的观看、点赞、评论等实测信号，用它们替代截图里的数字。

边界与注意点

它不是红人数据库或自动采集器。在没有集成时，需要用户提供评分表请求的各项值；框架和权重仍能产出排名，但输入质量直接决定结论可信度。对已纳入 memory/creators/.md 的 roster 红人，联系历史和数据来源可提升 Partnership Potential 判断；否则这部分仍需补料。评分适合对短名单做结构化比较，不应替代对异常数据、刷量风险和品牌安全的具体调查。

截图预览

使用场景

电商团队在启动品牌活动前已有候选博主，需要输入品牌背景、活动目标与目标受众，通过五个维度加权评分比较候选人适配度。
市场团队从 influencer-discovery 拿到候选清单后，需要逐人输出 1-5 分加权总分和 go/pass 结论，再把高分候选写入 hot-cache 供后续联系。
候选名单较大时，需要先按 A2 真人粉丝率等 ACE 否决项筛选，触发否决的红人直接判 Pass，并将最终评分封顶在 2.9/5。
品牌以转化为目标时，需要调整 Audience Match 与 Engagement Quality 的权重，再对同一候选做加权汇总和排名比较。