需要基于真实表现数据评分或修改 LinkedIn…

当用户要求评分、评审、点评或改进一条 LinkedIn 帖子，并希望参考其自身历史帖子真实表现时使用。

适用场景

解决思路

1. 在 Codex 或 Claude 中运行时，只使用当前任务实际可用的工具；AskUserQuestion 示例只描述要问的问题，不要求特定 API；使用可用提问工具在其限制内提问，或在聊天中提问；复用用户已提供的答案和源材料。
2. 在用户选定的项目中工作；进行个性化工作前读取 about-me.md、voice.md 和相关品牌文件；如果文件冲突或包含初始默认值，确认预期作者；询问缺失事实或运行 voice-builder；绝不继承维护者的身份、账号或私人文件。
3. 相对于本技能文件夹解析内置 references/；若用户明确要求刷新档案，则就地读取并更新规范文件 about-me.md、voice.md 或 newsletter-voice.md，保留无关的用户事实和规则；下游消费者必须重新读取这些规范文件；仅当新交付物会与无关现有文件冲突时才使用新文件名；仅安装技能本身绝不启动访谈或写入文件；除非被要求，不要写入持久学习内容。
4. 优先使用已提供的证据；需要时通过可用搜索/来源工具验证外部声明；如果来源或集成不可用，指明缺失能力并提供已提供文本/导出输入；绝不编造事实、第一人称经历、指标或成功的工具运行。
5. 仅通过用户现有账号连接所选路线所需的服务；绝不打印凭证或覆盖连接；起草、保存和审阅不授权发布、发送消息或更改账号。
6. 当此技能触发时，直接进入 Step 1；不要总结，不要解释评分方法，立即开始。
7. 如果用户在同一条消息中已粘贴帖子，直接使用它；否则说“Paste the LinkedIn post you want scored.”并等待帖子。
8. 如果存在，从项目读取 about-me.md 和 voice.md；如果缺失，记录缺失并在没有声音匹配的情况下评分。
9. 检查所选项目中用户提供的导出或缓存帖子数据；使用前核实作者、采集日期和覆盖范围；绝不搜索其他用户的文件夹，也不回退到维护者的基准。
10. 如果数据缺失，提供三个选项：使用上传的用户帖子导出和聚合互动计数；通过用户授权的 Apify 连接抓取用户帖子正文和聚合计数，付费运行前确认账号、范围和当前费用，调用前核实 actor 当前文档化的输入 schema，不要猜测备用 actor 输入；现在做编辑评审，并将表现对比标记为不可用。
11. 对于 Apify 运行，现有提供者路线是 apimaestro/linkedin-profile-posts；使用小的请求批次，最多 100 篇帖子；仅请求帖子正文和聚合计数；绝不抓取评论或回复，包括通过 deepScrape 或 numComments；如果 actor 无法排除评论文本，改用其他已验证的仅帖子路线或请求导出；不要先运行评论抓取再事后丢弃。
12. 将生成的获准帖子数据保存到项目中的 outputs/post-scorer/，并记录作者和采集日期；如果 Apify 不可用，保留草稿并提供导出/编辑路线；不要声称已抓取历史。
13. 当有表现数据时，评分前先分析头部表现者。
14. 为每篇帖子计算互动分：total_reactions + (aggregate_comment_count x 3)，这是编辑权重，不是私域 reach 分析。
15. 按互动分识别前 10% 帖子。
16. 从这些头部帖子提取最常出现的 hook 类型：contrarian、number-led、bold claim、personal story、question、news。
17. 从这些头部帖子提取平均帖子长度，按词数计。
18. 从这些头部帖子提取格式分布：纯文本、图片、轮播、视频。
19. 从这些头部帖子提取 CTA 模式：newsletter mention、comment gate、repost ask、question、none。
20. 从这些头部帖子提取在互动上超指数的主题簇。
21. 从这些头部帖子提取句子节奏：平均句长、每篇段落断行数。
22. 同时记录底部 10% 模式，以识别失败因素。
23. 在本次评审中记录来源、日期、样本量、模式；除非被要求，不写入持久记忆；未知计数是缺失而非零；当样本太小或经过选择不足以支持表现对比时说明。
24. 在 5 个标准上评分，每项 1 到 10；将编辑判断与可测量的历史对比分开；如果既没有声音档案也没有确认的作者样本，将 Voice match 标记为不可用，并报告总分以 40 分为满分；否则使用 50 分；任何数字总分都不意味着预测表现。
25. Hook strength（1 到 10）：将草稿开头行与前 10% 的 hook 类型比较；它是否使用对该作者历史上有效的 hook 类型；是否具体，包含数字、名称或具体细节；根据其数据中实际能停止滚动的内容，它是否能停止滚动；有历史时引用相关模式；没有历史时，将 hook 分数标为编辑判断，并将历史匹配留为不可用。
26. Voice match（1 到 10）：如果 voice.md 存在，检查帖子是否匹配 voice.md 的语气、节奏、句长；是否违反 voice.md 的 absence patterns 部分中的任何规则，即这个声音从不做什么；句长是否匹配其头部表现者的平均值；如果没有 voice 文件，使用其帖子数据中确认的作者样本；如果两者都不可用，标记此标准不可用。
27. Value density（1 到 10）：与用户表现最好的帖子比较；他们最好的帖子是教学、给出步骤、分享数据还是讲故事；此草稿是否匹配该价值模式；要点是否足够具体到有人会收藏或分享；将词数与他们的前 10% 平均值比较；若明显超出或不足则标记。
28. Structure and format（1 到 10）：基于其数据判断哪种格式，文本、图片或轮播，对他们获得最多互动；草稿结构是否匹配头部帖子的断行和段落节奏；帖子在移动端是否易扫描；CTA 是否匹配其最佳表现者的模式。
29. Publish readiness（1 到 10）：检查所有声明是否有支持、必需项目是否覆盖、编辑是否完成；不要根据风格推断作者身份；根据其发帖历史，此帖子是否会自然融入其 feed；检查红旗：voice.md absence patterns 中列出的违禁词、泛泛短语、企业腔；与其头部表现者相比，长度是否合适。
30. 在代码块中输出 scorecard，模板包含：LINKEDIN POST SCORE；Data source: [verified author export / verified Apify results / editorial only]；Posts analysed: [number or unavailable]；Top 10% avg engagement: [measured number or unavailable]；Hook strength: [X] / 10 [hook type detected]；Voice match: [X] / 10；Value density: [X] / 10；Structure and format: [X] / 10 [format: text/image/carousel]；Publish readiness: [X] / 10；TOTAL: [XX] / [50 or 40, excluding unavailable voice]；VERDICT: 一句话引用具体数据；TOP PERFORMER COMPARISON: 你的头部帖子平均 [X] 词，使用 [hook type] hooks，并包含 [CTA pattern]；此草稿因 [specific reason] 而 [matches/differs]；FIXES: 1. [基于数据的具体修复] 2. [基于数据的第二修复] 3. [如有需要的第三修复]。
31. 历史对比引用实际证据；仅编辑评审时，省略 top-performer comparison，并给出具体的文案/结构修复，标记为 editorial；绝不用编造指标填充模板；评分前对照确切草稿检查每个必需 roster item 或 step。
32. scorecard 之后询问：“Want me to rewrite the weakest section using patterns from your top posts, or ship it?”
33. 如果要求改写，应用修复，并在代码块中输出修订后的帖子。
34. 回退到通用建议前，始终尝试使用真实数据。
35. 将每项发现标记为源自数据/历史，或编辑判断。
36. 高编辑分不证明历史匹配或预测触达。
37. 诚实；宽容的评分者无用。
38. 如果数据过期，14+ 天，建议在评分前刷新。
39. 运行 Apify 抓取前告知用户它会花钱。
40. 任何输出中绝不使用 em dash。
41. 全文使用英式英语。
42. 保持 scorecard 紧凑；它需要在大屏幕活动上看起来好。

适用边界 · 注意事项

• 没有用户授权的 LinkedIn 帖子导出、缓存数据或 Apify 连接时，不要声称做了基于历史表现的评分；只能做编辑评审，并明确表现对比不可用。
• 不要抓取、保存或事后丢弃评论/回复，包括通过 deepScrape 或 numComments；也不要使用评论数据来替代仅帖子正文和聚合计数。
• 不适用于预测实际 reach；编辑评分高不代表历史匹配或触达表现好。