人工智能AI Agent大模型AI 应用媒体生成【免费下载链接】xiaobei为OPC/中小微企业量身打造的自媒体获客智能体项目地址https://gitcode.com/gh_mirrors/wi/xiaobei点击查看免费下载导读本文是《抖音起号参考手册》的完整技术化解读结合开源仓库gh_mirrors/wi/xiaobei中抖音发布、内容校准、发布追踪与追爆分析等源码级实现系统讲解一套先立观看理由、再做垂直标签、最后用数据复盘的抖音新号起号方法论。读完你将掌握如何用九条视频实验模板拿到第一批可比信号、如何用七模块框架搭建账号地基、如何用可复制的视频简报与 30 天节奏把方法论落到执行以及如何在智能体中用发布技能、打分预测循环和发布记录数据库把起号动作工程化闭环。一、使用原则起号是六件事不是玄学原文档把起号拆成六件事定位清楚、观看理由成立、标签稳定、内容有用、互动真实、复盘持续。这一拆法决定了后续所有模板和表格的编排逻辑——每一条视频、每一次复盘、每一份简报都要能落到这六个维度里的某一个。两条纪律贯穿全篇数字不做保证来源文章里的七个技巧和 TikTok 小样本案例只作为启发平台功能入口、算法权重、处罚规则一律按待确认信息处理不能当成官方规则引用。产出要能直接执行默认交付表格、清单、脚本简报、30 天节奏或复盘动作少写空泛建议多告诉用户下一条视频该怎么做。在仓库中这份手册被 主智能体 AGENTS.md 明确注册为抖音douyin起号咨询的知识文档当用户没有任何新媒体账号需要从 0 开始运营某个平台或者已有账号但运营思路比较混乱时主智能体即可引用该知识文档做梳理。这意味着本文所讲的不是纸面理论而是智能体在真实对客会话中的标准知识库内容。二、TikTok 小样本方法论一周 9 条视频找到增长信号这套方法来自一个一周 9 条视频找到增长信号的案例。迁移到抖音时不要复制平台结论要抽取更通用的内容判断陌生人为什么要看、这个人为什么值得记住、哪些内容明显高于账号基线。1. 先问观看理由每条视频先回答两个问题陌生人为什么要看完这条而不是划走看完之后他能记住账号的哪个身份、冲突、热情或承诺普通内容改造表原文档核心表格可直接套用平铺内容可看版本展示产品很好发起一个有趣的复刻、挑战、测评或对比系列讲自己很专业公开解决一个真实难题并展示判断过程直接教知识点带着具体场景、限制条件或失败案例去解决展示日常工作把工作过程包装成任务、闯关、实验或复盘2. 用真实短板建立人格真人或个人 IP 不必把自己包装成最厉害的人。可公开的短板、成长过程和热情往往比完美形象更容易产生记忆点。可用句式我以前一直卡在[短板]这次想用[方法]试着解决。我不是这个领域最强的人但我真的喜欢[主题]今天拿[任务]练一次。我做[行业/技能]时最常踩的坑是[问题]这条就把它拆开。边界红线不要编造悲惨经历、虚假失败、疾病、贫困、身份标签或用户案例。真实脆弱感是信任资产不是表演道具——这条边界同时呼应了本文末尾的合规替代表。3. 把内容放大放大不是装疯卖傻而是给普通信息增加一个更容易被看见的外壳五种放大方式场景放大在更有记忆点的环境里讲同一个知识点。动作放大边做一件有趣的事边讲主题例如实测、挑战、拆箱、复刻、限时完成。冲突放大把错误现场、反差结果或限制条件放在前面。系列放大让单条视频变成持续任务例如7 天改造9 条实验从不会到能做。人格放大让热情、短板、幽默感、审美或判断标准变成账号识别点。检查标准放大层必须服务内容本身不能让用户只记住噱头而忘记账号价值。4. 相对爆点不是运气新号不要只看绝对播放量。先看同账号内部的相对表现哪条明显高于其他条哪条评论质量更高哪条带来关注。复盘字段表视频播放/完播/互动是否高于账号中位数观看理由3秒身份信号人格张力评论为什么喜欢下一条验证复盘问题这条的第一秒让用户明白我是谁/我在做什么/哪里不一样了吗评论里用户是在夸信息、情绪、人物、场景还是系列设定高表现来自选题、钩子、人格、画面动作、评论争议还是发布时间等偶然因素下一条应该复用哪个变量只改哪个变量来验证只看账号内部中位数、只改一个变量的复盘纪律与仓库中内容校准技能的核心原则高度同构content-calibrator 要求盲预测必须在看到实际数据之前写完升级需盲重打验证本质上都是用相对基准和受控变量来逼近真实规律而不是凭感觉大改。5. 评论是用户给出的答案评论经常直接告诉你用户为什么喜欢、为什么质疑、为什么记住。不要只统计评论数要读评论动机。评论分类处理喜欢内容价值继续做同类教程、清单、案例。喜欢人物状态放大真实表达、成长线、幽默感。喜欢形式设定把挑战、复刻、实验、场景动作做成系列。提出具体问题转成下一条选题。非恶意吐槽轻松回应增加亲和力。恶意攻击不要对骂、挂人或扩大冲突必要时忽略、删除或举报。三、九条视频实验模板拿到第一批可比信号适合新号、低播放号、定位需要验证的账号。目标不是保证涨粉而是在一周左右拿到第一批可比较信号。前提9 条视频必须属于同一个定位和人群。每条只改变 1 到 2 个关键变量例如钩子、场景、选题角度或人格表达。每条都要有明确观看理由而不是为了凑数量发布。设计表序号选题角度观看理由3秒钩子人格/短板/热情放大层搜索词评论问题验证假设1痛点教程2失败复盘3公开挑战4案例拆解5反常识观点6清单避坑7评论答疑8场景实验9系列预告/总结复盘方式先排除违规、搬运、画质严重问题和标题误导。计算账号内部中位数找明显高于中位数的视频。读高表现视频评论标注用户喜欢的具体原因。选择一个最可能有效的变量做下一轮 3 条验证不要一次改完所有东西。四、七模块起号框架1. 标签反推让新号前期足够垂直目的让平台和用户都能快速识别账号。操作选 5 到 10 个对标账号优先筛选低粉高播、近期更新、评论真实、内容形式可学习的账号。为每个对标账号记录主标签、细分人群、核心场景、常见痛点、标题高频词、评论高频问题。汇总成1个主标签 2到4个场景词 3到5个人群痛点词。将这些词写进昵称、简介、置顶视频、前 10 条标题、正文首句、合集名称和结尾关注理由。输出表字段对标账号粉丝量级高播内容主标签场景词痛点词钩子形式评论信号可借鉴结构2. 搜索流量预埋吃住搜索长尾目的让短视频不只依赖推荐流也能长期吃搜索长尾。关键词分四层核心词赛道或问题本体例如辅食、职场沟通、AI工具、装修避坑。长尾痛点词用户真实搜索句例如宝宝辅食过敏怎么办、Excel自动汇总怎么做。场景词时间、人群、空间、预算、身份例如上班族、租房、小白、6月龄、第一次。转化词清单、步骤、模板、避坑、对比、测评、教程、案例。标题模板[人群/场景] [痛点] [解决结果][核心词]别急着做先看这[数量]个坑我用[方法]帮[人群]解决了[具体问题]正文埋词首句放长尾问题直接回应用户搜索意图中段用步骤、案例或清单证明内容有用结尾引导评论下一个相关问题形成下一条内容的搜索词。3. 3秒钩子与完播目的让用户在最初几秒知道这和我有关而且值得看完。钩子类型矛盾前置先展示反常识结果或错误现场再解释原因。数据冲击使用可解释的数据或样本不夸大来源。场景代入直接喊出具体人群和具体处境。悬念留白告诉用户后面有清单、步骤或结果但正文必须兑现。结果反差先给前后对比再拆过程。检查标准钩子是否对应账号定位钩子是否能在正文里兑现是否为了点击牺牲信任画面、字幕、口播是否在同一秒传递同一个重点。4. 评论暗号与互动用价值承接互动合规表达评论你的情况我挑3个做下一条。想要清单可以评论关键词我整理成下一条。你遇到的是A还是B评论区我帮你判断。这个系列会持续更新关注后方便找到下一集。避免表达点赞关注才发、不关注不给、私信暗号绕过平台、复制粘贴同一句评论刷互动。将评论转成内容评论问题所属痛点是否高频下一条选题搜索关键词是否进合集5. 私域冷启动真实人群拿到第一批反馈目的用真实相关的人群帮新视频获得第一批有效反馈不制造虚假互动。分层触达高信任朋友请对方判断内容是否有用重点要反馈。垂直社群分享一个具体问题的解决方法不刷屏、不要求统一互动。老客户/读者邀请补充真实问题或案例作为后续内容素材。可用话术我做了一条[人群]会遇到的[问题]短视频想请你帮我看一下它有没有讲清楚这条是给[场景]的人看的如果你身边有人正在遇到这个问题可以转给他。我在收集下一条选题你觉得这个问题里最容易踩坑的是哪一步底线不买量、不互刷、不群控、不强制点赞评论、不打扰无关人群。6. 合集滚雪球让垂直度可复访适合做合集的内容同一人群的连续问题同一能力的入门到进阶同一场景的多步骤教程同一产品或服务的系列答疑。合集命名[人群] [价值] [数量][场景] [从入门到进阶][痛点]避坑合集排序先解决最常见问题再进入进阶问题每条结尾提示下一集解决什么。7. 数据校准定位问题发生在哪一环目的用数据定位问题发生在哪一环而不是凭感觉大改账号。诊断表信号可能问题优先动作曝光低账号标签弱、内容垂直度不足、违规风险、样本太少收窄主题查风险词连续发布同一内容支柱点击低封面/标题没说清人群和收益重写标题首帧突出痛点和结果完播低钩子虚、节奏慢、信息密度不均前3秒改冲突中段改步骤删空话评论少缺少可回答问题内容没有争议点或共鸣点结尾问具体问题承接真实评论关注少账号承诺不清单条有用但系列价值弱加强主页、置顶、合集和结尾关注理由搜索少标题和正文缺少长尾词补关键词地图做搜索型选题记不住人身份信号弱、人格张力弱、内容太像资料搬运加入真实场景、短板、判断标准或系列任务评论质量低引导过浅或吸引错人改成场景问题减少泛福利引导阈值只作为经验提示不能机械判断。样本太小时先收集 10 到 20 条同类内容再做大调整。仓库侧印证这份数据校准思维在 content-calibrator 中被工程化为完整闭环——发布前对稿件做 7 维打分情感共鸣 ER、钩子强度 HP、社会议题共振 SR、金句密度 QL、叙事性 NA、受众广度 AB、实用价值 PV各 0-5 分与盲预测发布后由 published-track 的record.sh落库T3d 复盘对比预测与实际互动数据detect-bump-signals.sh按维度分 ≥3 但实际 ≤2高估、维度分 ≤2 但实际 ≥3低估聚合偏差信号同向偏差累计 ≥3 才触发 rubric 升级建议。这比人工看播放量判断问题出在哪一环更系统。五、视频简报模板下一条视频怎么做的落地单原文档给出了可直接套用的简报结构写脚本前先填这张表# 视频简报 - 账号定位 - 内容支柱 - 目标人群 - 观看理由 - 人格张力 - 用户痛点 - 搜索关键词 - 标题备选 - 3秒钩子 - 放大层 - 正文结构 1. 2. 3. - 画面/证据 - 评论引导 - 合集归属 - 风险检查 - 发布后重点观察这张简报恰好对应仓库中视频生产的轻加工分工主智能体 AGENTS.md 规定从零生产完整视频出脚本、规划分镜、端到端制作一律委托 content-producer而本文简报中的正文结构/画面/证据/风险检查正是 content-producer 各脚本script-write.py、shot-decompose.py、timeline-compose.py等见 crews/content-producer/skills/video-producer) 的输入约束。也就是说这份简报既是人工创作清单也可以直接作为智能体分镜与脚本生产的规格书。六、30 天起号节奏阶段天数重点动作定位筹备第 1-3 天定定位、做对标、建关键词地图、准备首批 10 个选题首轮冲刺第 4-10 天连续发布同一内容支柱下的 7 到 9 条视频重点观察观看理由、点击、完播、评论动机和关注理由系列化第 11-17 天挑选高于账号中位数的主题做系列化补 3 条搜索型内容开始整理合集放大评论第 18-24 天放大高质量评论做答疑、清单、案例、避坑类内容优化主页和置顶复盘迭代第 25-30 天复盘内容支柱保留有效格式淘汰弱假设形成下一个 30 天内容日历工程化提示在智能体中30 天节奏的发布环节对应 douyin-publish 技能复盘环节对应 published-track 的query-retro-pending.sh --days 3凌晨心跳自动扫描待复盘作品并带出互动数据与 content-calibrator 的 Step 3a/3b 复盘。节奏可以手工执行也可以用 heartbeat/cron 落成定时任务。七、合规替代表高风险做法与合规替代高风险做法风险合规替代点赞关注才给资料诱导互动、伤害信任评论问题后公开做下一条或合集搬运爆款脚本换词版权和原创风险提取结构用自己的案例和画面重写私域群统一点赞评论人为干预、数据失真请真实相关人群给反馈或补充问题夸大收益或效果虚假宣传风险明确适用条件、样本限制和不确定性隐藏联系方式绕规则平台处罚风险使用平台允许的主页、店铺、私信和企业号能力未标注AI生成内容规则与信任风险按平台现行规则标注并加入人工审核编造脆弱故事信任崩塌和虚假人设风险只使用真实可公开的成长过程和短板借吐槽攻击观众引战和账号形象风险轻松化解非恶意吐槽恶意攻击则忽略或处理仓库侧印证AI 生成内容标注不是空话——douyin-publish 的fill命令内部自动完成填标题 → 填简介 → 选自主声明内容由AI生成 → 点弹窗右下角粉色确定按钮的完整流程2026-07-17 真机确认声明下拉不存在时不阻断。也就是说智能体发布抖音视频时已经内置了 AI 声明动作正是合规表中未标注AI生成内容的工程化解法。八、常用产物字段起号计划、账号审计、周复盘起号计划字段账号目标、定位句、观看理由、人格记忆点、目标人群、内容支柱、关键词地图、主页文案、置顶视频、前30条选题、发布节奏、复盘指标、风险边界。账号审计字段当前定位、主页信号、内容垂直度、观看理由、标题/封面、钩子、搜索词、人格张力、评论质量、合集、合规风险、优先修复动作。周复盘字段本周发布、最高信号、最低信号、有效钩子、有效关键词、有效人格信号、评论素材、失败假设、下周实验、停做事项。这三类产物在仓库里都有对应的数据载体发布记录与互动指标落在 published-track 的 SQLite 数据库db/published_track.dbpub_douyin表特有指标为 plays/likes/comments/shares/favorites打分与盲预测落在work/calibration/score.json与prediction.md复盘落在work/calibration/retro.md。方法论字段 → 工程化字段的映射是完整的。九、把方法论接到工程发布、数据与追爆的完整链路为了让起号方法论真正跑起来仓库提供了从发布到数据回收的整条链路与本文方法论一一对应1. 发布链路对应内容有用、标签稳定的落地douyin-publish 是纯浏览器自动化发布技能。关键约束包括使用 camoufox-cli 持久化 sessiondouyin登录态 指纹冻结在 session profile严禁cookies import造会话登录态判定由 agent 在 open 上传页后按页面元素头像/用户名判断。发布前置必做douyin-publish open-page预热 cookie再走douyin-publish run --video 视频 --title 标题 --caption 描述run 内部串upload → fill → publish → get-link。分步可拆upload上传自动清掉上次未发布的视频草稿恢复框→fill填标题/描述 内置 AI 自主声明→publish注入拦截器捕获 aweme_id 写入 localStorage→get-link三级策略localStorage → 作品管理 list APIwork_list按create_time排序取最新 → 管理页 DOM 兜底。退出码语义0发布成功1参数错/DOM 改版/转码超时2SESSION_EXPIRED走 login-manager 有头重登3未捕获 aweme_id人工到管理页核实。已知坑位视频需 mp4/mov 且 ≤15 分钟、建议 100MB单抖音号每 24h 限 ≤5 条触发风控 30 分钟内不重试创作者中心 DOM 改版频繁selector 需真机验证。2. 打分预测链路对应复盘持续content-calibrator 实现打分盲预测 → 发布 → 记录 → T3d 复盘 → 进化 rubric闭环。核心命令# 打分校验 阈值门每维需 score_threshold默认 0不拦截 ./skills/content-calibrator/scripts/score-only.sh \ --platform douyin \ --content-path output_videos/xxx/script.md \ --cal-er 3 --cal-hp 4 --cal-sr 3 --cal-ql 4 --cal-na 3 --cal-ab 4 --cal-pv 2 # 落盘 score.json prediction.md 到 work 目录 ./skills/content-calibrator/scripts/commit-prediction.sh \ --work-dir output_videos/xxx --platform douyin \ --cal-er 3 --cal-hp 4 --cal-sr 3 --cal-ql 4 --cal-na 3 --cal-ab 4 --cal-pv 2 \ --prediction-file /tmp/prediction-draft.md # 平台打分开关与全局阈值 ./skills/content-calibrator/scripts/cal-toggle.sh --list ./skills/content-calibrator/scripts/cal-toggle.sh --platform douyin --enable注意视频的打分预测对象是脚本定稿storyboard/口播稿不是成片发布后预测不可覆盖复盘用detect-bump-signals.sh检测系统性偏差rubric 升级需用户确认 盲重打验证。3. 记录与数据链路对应复盘字段的自动化published-track 统一管理发布记录抖音对应pub_douyin表。发布成功后# 发布记录自动从 work/calibration/score.json 读分不打分场景显式 --no-cal ./skills/published-track/scripts/record.sh \ --platform douyin \ --title 视频标题 \ --content-type video \ --source-folder output_videos/xxx \ --publish-url https://www.douyin.com/video/aweme_id # 凌晨心跳自动更新互动数据探活 → API 抓取 → DB 写入 ./skills/published-track/scripts/fetch-and-update-metrics.sh \ --platform douyin --source-folder output_videos/xxx互动数据的底层抓取由 viral-chaser 的 douyin 客户端 实现走aweme/v1/web/aweme/detail/接口a_bogus 签名 COMMON_PARAMS webid/msToken/verifyFp 拼装抽到_shared/douyin-web.ts返回播放数play_count、点赞digg_count、评论comment_count——这正是方法论里播放/完播/互动三个复盘字段的数据来源。而 viral-chaser 的追爆分析能力则对应本文标签反推模块中低粉高播对标账号的信号采集。十、一张图串联方法论与工程闭环从《抖音起号参考手册》出发整套体系可以收敛为一条可执行的流水线定位与对标标签反推 TikTok 方法论→ 产出定位句、关键词地图、对标记录表存calibration/platform/audience.md与benchmark.md内容生产九条实验 视频简报→ 产出脚本定稿到output_videos/name/发布前自检打分盲预测 阈值门→ content-calibrator 出 7 维分与盲预测commit-prediction.sh落盘发布douyin-publish→ 浏览器自动化上传、填标题、AI 自主声明、发布、取链接记录published-track→record.sh落库pub_douyinT3d 复盘数据校准→ 凌晨心跳query-retro-pending.sh取待复盘列表detect-bump-signals.sh检测偏差信号进化 rubric形成下一个 30 天内容日历。其中每一步都在本仓库有对应源码与脚本可查、可运行、可验证这正是起号方法论在 OPC/中小微企业自媒体获客场景中从参考手册走向可执行系统的关键。赞分享人工智能AI Agent大模型AI 应用媒体生成【免费下载链接】xiaobei为OPC/中小微企业量身打造的自媒体获客智能体项目地址https://gitcode.com/gh_mirrors/wi/xiaobei点击查看免费下载相关推荐小贝 HEARTBEAT 心跳任务全解析自媒体获客智能体的凌晨数据复盘与内容校准闭环小贝 HEARTBEAT 心跳任务全解析自媒体获客智能体的凌晨数据复盘与内容校准闭环 导读 HEARTBEAT.md 是 xiaobei 仓库中 main a人工智能AI Agent大模型AI 应用媒体生成小贝 xiaobei基于 OpenClaw 的微信直连自媒体获客智能体——一键安装、多 Agent 团队与浏览器栈架构详解小贝 xiaobei基于 OpenClaw 的微信直连自媒体获客智能体——一键安装、多 Agent 团队与浏览器栈架构详解 小贝xiaobei是一个为 O人工智能AI Agent大模型AI 应用媒体生成小贝Xiaobei为 OPC / 中小微企业打造的自媒体获客智能体——main agent 身份设计与三大工作条块全解小贝Xiaobei为 OPC / 中小微企业打造的自媒体获客智能体——main agent 身份设计与三大工作条块全解 导读 本文以开源仓库 gh_mir人工智能AI Agent大模型AI 应用媒体生成上一篇免费让老款Mac重获新生OpenCore Legacy Patcher完整指南下一篇shadcn-vue Button 组件完全指南安装、变体系统与高级用法创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
