技能介绍

为什么需要内容校准适配器

内容评分预测的常见误区是：把「估算分数」当作「预测」，或用一套固定权重给所有视频打分。这会导致预测失真和规则漂移——尤其是当教程型内容和观点型内容混用同一 lane 时，校准结果完全不可信。本 skill 要解决的正是这个问题：它不做评分，而是把 episode 接到上游 cheat-on-content 的唯一校准引擎上，确保预测、迁移和回顾规则始终一致。

核心能力与工作流程

内容形态识别：读取 episodes/01-口播稿.md 与 00-选题.md，判断是教程型还是观点型，路由到对应 lane。无法判断时停止，不默认教程型。
盲预测输入准备：运行 prepare-cheat-prediction-input.mjs，生成 lane snapshot，写入预测 metadata（Script 与 Script Hash）。任何改稿都会使 hash 失效，必须重跑⑤、prepare 新快照并登记新 revision。
事实核验与深扫：固定调用 dbs-script-flow、dbs-resonate、dbs-ai-check 和 laohan-shencha CONTENT_CLAIMS；dbs-ai-check 只诊断具体命中句，不自动改写。dbs-hook 仅在首 5 秒被判弱时调用，需输出 10-15 条差异候选，严禁补造作者经历、数据或案例。
盲预测登记与校准报告：register-cheat-prediction.mjs 验证预测晚于快照、metadata 与快照一致，才写入 03-预测证据.json 并标 RECORDED。校准报告开头必须是 cheat-calibration，只摘要本期分数、关键修改点与上游预测文件路径。

适用边界与注意点

不可跨越的边界：禁止按固定权重打分，禁止估算后把分数当预测，禁止另写 PREDICT / RETRO / BUMP，禁止将 tutorial-video 的历史样本用于评估 opinion-video。
盲预测不可篡改：盲预测必须在拍摄、发布、查看本期实际数据之前，由上游 cheat-on-content 写入其 predictions/；预测段不可改写。
状态枚举规范：lane 尚无真实发布样本时，状态必须标为 COLD_START_DIAGNOSTIC，不是白话「冷启动诊断」；register/prepare 脚本按该枚举值机械判别。
历史数据只读：~/.openclaw/workspace-shared/content-ops 是旧的 tutorial-video 校准数据，升级到上游 schema 前保持只读；观点视频不得使用其旧教程型 composite 作为放行依据。