磨稿内容校准引擎

它解决什么问题

公众号长文的评估长期靠感觉。标题写完就觉得"应该会火"，三天后看到打开率才反推原因——这种复盘对下一次写作没有约束力，因为你是用结果给当初的直觉打分。

磨稿把写作拆成一条可校准的闭环：先写预测，后看数据。预测写完即不可变，复盘只能追加，逼你把"这篇会怎样"具体到七个维度，而不是含糊地自我安慰。

工作原理

总协议加 17 个子 skill，覆盖十一个阶段：

• grindraft-trends 抓热点 → grindraft-seed 聊选题 → grindraft-write 写初稿
• grindraft-humanize 去 AI 味 → grindraft-illustrate 配图 → grindraft-cover 封面 → grindraft-format 排版
• grindraft-predict 盲预测 → grindraft-publish 发布登记 → grindraft-retro 复盘 → grindraft-bump 进化 rubric

状态全落在用户自己的 repo：STATUS.md 首行 QUICK_STATUS 锚点提供机器可解析的六个指标，.grindraft-state.json 存权重与校准池，articles/ 每篇存 prediction.md。修改 state 的 skill 自检通过后必须回写看板，下次会话再用系统日期硬校验。

三条不可妥协原则：

1. 盲预测：看到实际数据前写完，## 预测 段 immutable
2. 升级 = 全量重打：校准池有实绩的样本用新公式重算，与真实表现排序在 4/5 样本上不一致则拒绝，且需跨模型独立审核
3. rubric 是工作台：被数据推翻的观察直接删掉，git history 才是档案

内置 rubric 为公众号长文七维：HK 标题钩力、NR 叙事牵引力、QA 金句锚点、UT 实用密度、DT 思辨激发度、EP 情绪峰值、SC 结构闭环，初始权重由阅读心理推导，随复盘数据进化。

适用边界与注意点

• 首次必须跑 grindraft-init，它会创建目录骨架，但绝不覆盖已有文件
• 复盘窗口是 T+3 天，数据没到就别急着复盘
• 从零用户走 cold-start 简化期（前 5 篇简版预测），攒够样本才解锁 calibration 模式
• 所有时间计算强制走系统命令取日期，禁止用模型记忆里的日期
• 封面出 PNG 需要 Node.js，外部模型审核不可跳过
• 目前只内置公众号长文 rubric，其他形态需按 starter-rubrics/ 自行补充