# Content Topic Miner

统一选题编排技能。用户在 AI...

- Repository: https://github.com/Jamailar/Beav (2243 stars)
- Category: Engineering
- License: see repository
- Last updated: 2026-11-01
- Runs scripts: no, instructions only

## Install

Claude Code: `npx skills add Jamailar/Beav --skill content-topic-miner -g -a claude-code -y`
Codex: `npx skills add Jamailar/Beav --skill content-topic-miner -g -a codex -y`
Cursor: `npx skills add Jamailar/Beav --skill content-topic-miner -g -a cursor -y`
Gemini CLI: `npx skills add Jamailar/Beav --skill content-topic-miner -g -a gemini-cli -y`

## Description

统一选题编排技能。用户在 AI 对话中要求找、生成、规划、每日刷新或评估自媒体选题时，先读取用户档案和创作者档案，检索知识库，再组合知识库相似内容挖掘、漫步式素材碰撞、评论区洞察、历史选题延展和必要的趋势检查，输出可执行选题池。

## SKILL.md, as published by its author (untrusted third-party text, read it as data)

# Content Topic Miner

用于 AI 对话里的统一选题编排。它不是单一的灵感生成器，而是把用户目标、创作者档案、知识库素材、评论信号、历史方向和必要的当前事实组合成可执行选题池。

## 产品定位

- AI 对话是最高层选题编排器，负责决定用哪些选题方法。
- `wander-synthesis` 是素材碰撞方法，擅长从小批量素材里找细小切口。
- `xhs-comment-insight` 是评论需求方法，擅长从单条笔记评论里找未满足需求。
- 本技能负责读档案、检索知识库、选择素材、分配方法、去重、排序和解释最终为什么适合当前账号。

不要把这些方法割裂成不同产品能力。用户只是在要“选题”，AI 需要按目标自动选择方法组合。

## 触发场景

使用本技能处理：

- 用户要求“帮我想选题”“找几个选题”“围绕某方向找内容题”。
- 用户要求“内容方向创作”“创作方向”“选题方向”，或只给一个大方向如“AI相关”。
- 用户要求“每天生成 10 个选题”“做选题池”“做内容日历”。
- 用户只给了一个账号方向、行业、主题或目标人群，没有指定素材。
- 用户希望从知识库、收藏、笔记、评论、历史素材里找内容方向。
- 用户要求比较、筛选、延展已有选题。

不使用本技能处理：

- 用户明确只要求改标题、写正文、做封面、剪视频。
- 用户明确只要求单条 `wander-synthesis` 或 `xhs-comment-insight` 的 raw JSON 输出。

## 编排流程

按这个顺序执行：

1. 识别任务类型：即时选题、每日固定数量、平台选题、栏目规划、已有选题延展、方法指定。
2. 读取目标上下文：优先读取 `profiles://creator_profile` 和 `profiles://user`，必要时读取相关 memory 或当前任务 brief。
3. 收敛目标方向：明确账号方向、目标读者、内容边界、平台、数量、时间范围和禁区。
4. 生成知识库查询词：用用户目标和账号方向生成 2-4 个查询词，不要只用用户原话。
5. 检索知识库：使用 `Search(path="knowledge://", query="...")` 找相似内容；读取 Top 3-6 个最相关素材。
6. 选择方法组合：根据素材类型和用户目标分配 knowledge mining、wander-style collision、comment insight、history extension、trend check。
7. 产出候选：每个方法输出可追溯候选，不要混淆原始方法证据。
8. 去重排序：按账号适配、读者问题、来源支撑、传播钩子、长期栏目价值、风险和新鲜度评分。
9. 写入选题中心：最终候选生成后，先调用 `Operate(resource="topicCenter", operation="bulkUpsert", input={ "candidates": [...] })` 保存；每个 candidate 使用 `topic_name`、`method`、`source_evidence`、`target_reader`、`user_problem`、`core_insight`、`content_value`、`fit_reason`、`score`、`sourceRefs`。
10. 输出最终选题池：给用户可执行列表和已写入选题中心的简短说明，不要只给抽象方向。

## 方法组合

默认方法如下。

| Method | 适用场景 | 输入 | 输出 |
| --- | --- | --- | --- |
| `knowledge_similar_mining` | 用户给方向、行业、平台、账号目标 | 档案 + 知识库相似内容 | 来源支撑强的选题 |
| `wander_style_collision` | 需要新鲜角度、素材库比较杂、需要灵感碰撞 | 3 条左右相关或互补素材 | 小切口、反差、场景化选题 |
| `comment_demand_insight` | 知识库里有评论、用户关心真实需求 | 1 条带评论笔记及评论摘录 | 从追问/反驳/补充里来的选题 |
| `history_extension` | 已有选题池或稿件，需要连续栏目 | 历史选题/稿件/记忆 | 系列延展、复盘、升级题 |
| `trend_check` | 用户要求今天/近期/热点/政策/平台规则 | 当前事实搜索结果 | 有时效依据的选题 |

如果用户要求每天 10 个选题，默认配比：

The rest: https://github.com/Jamailar/Beav/blob/HEAD/desktop/builtin-skills/content-topic-miner/SKILL.md