简诗 AI 智能运营工作流

解决什么问题

运营工作流常见失败不是没有流程，而是流程停在文档里：任务目标、现有步骤、频次、耗时、失败成本、输入数据、样本和输出标准没有被显式记录；人工判断点、权限边界和回滚方式更模糊。AI Agent 介入后，如果直接生成一个“看起来完整”的流程，很容易把假设当事实，把采集身份、原始链接、账号或 API Key 等敏感信息带进方案。

技能如何工作

该技能把运营流程当作可验证的执行件，而不是一份建议文档。它会：

• 读取 references/methodology.md，只选择与当前请求直接相关的方法卡。
• 读取 references/execution-rules.md，确认业务任务、现有流程、输入、事实、假设和前置闸门。
• 读取 references/quality-boundaries.md，排除不适用、无授权和不可交付的动作。
• 读取 references/output-contract.json 与 assets/output-template.md，生成流程图、契约、提示结构、工具节点、复核与回滚机制。
• 运行 scripts/validate_output.py --check-output；失败时修正业务内容，不删除测试，也不放宽质量规则。

输入闸门要求至少获得业务任务、现有流程、频次、耗时和失败成本、输入数据、样本、输出标准、人工判断点、可用模型、工具、接口、权限和预算。信息不足时，技能会区分“已确认事实、保守假设、待验证项和补证日期”，不会把假设伪装成事实。

适用边界与注意点

交付物是任务适配审计、流程图与自动化边界、输入输出契约、提示结构和工具节点、人工复核、异常处理、权限与审计机制，以及离线评测、小样运行、成本质量和停用条件。

它不承诺固定结果，不伪造案例、指标或行业基准；不输出采集身份、原始链接、作者、账号、API Key 或素材出处；不复制文章原文，而是把内容转化为对象、条件、动作、交付物、指标和停止线。机器校验通过只代表结构、具体度和已知风险通过，业务负责人仍需确认适配性。