v25.0合并: content-closed-loop已合并到本Skill(R75.5 Skill去重)。6步闭环引擎(publish→recommend→feedback→analyze→optimize→learn)由content_closed_loop.py执行。原content-closed-loop目录已删除。

运行环境: exec脚本必须使用 Python 3.11.x (.venv/Scripts/python.exe) 执行。

Content Analytics Skill

内容效果分析、评级生成、优化建议、6步闭环。版本: v2.0(v25.0合并closed-loop) | 优先级: P1

使用场景

1. 效果分析: 发布后24小时/CEO查询 → 分析内容效果
2. 评级生成: 分析完成后 → S/A/B/C评级
3. 6步闭环(v25.0合并): CP-07内容闭环 → publish→recommend→feedback→analyze→optimize→learn
4. 优化建议: 评级低于B时 → 生成优化建议
5. 批量分析: Cron每日10:00 → 批量分析近期内容
6. 常青内容识别: 30天持续获得流量→标记为常青内容(DEF-51新增)
7. 发布时机优化: 分析历史数据推荐最佳发布时段(DEF-51新增)

工作流

效果分析流程

1. 接收(content_id/platform)，验证内容存在+平台有效
2. 读取memory/YYYY-MM-DD.md发布日志，获取发布记录
3. exec调用content_analytics.py获取互动数据(数据源优先级: data-copilot-mcp > postgres-mcp > analytics_cache > memory发布记录)
   • R6复核修复(BUG-FAKE-121+): exec使用psycopg2直连PG(data-copilot-mcp/postgres-mcp的MCP接口由Agent层调用,exec直连PG为CLI场景降级方案)
4. 计算指标: 播放量/完播率=complete_views/views / 互动率=(likes+comments+shares)/views / 转化率=follows/views
5. 生成评级: S(>90) / A(70-90) / B(50-70) / C(<=50)
6. 生成优化建议: C→详细 / B→基础 / A/S→成功要素总结
7. 存储至memory/analytics/{content_id}.json，评级C时通知CEO

常青内容识别流程(DEF-51新增)

1. 扫描30天内发布的内容
2. 检查持续流量指标: 30天后日均播放>发布首日30%
3. 标记为常青内容→写入data/content-analytics/evergreen.json
4. 常青内容策略: 定期更新/重发/关联新内容(来源:02手册§五5.2)

发布时机优化(DEF-51新增)

1. 分析历史发布数据，按平台+时段统计平均互动率
2. 推荐最佳发布时段(来源:02手册§五5.1)
3. 输出: {platform: "douyin", best_hours: [12,18,21], worst_hours: [2,3,4]}

批量分析流程

1. Cron每日10:00触发 → 查询过去24小时未分析内容
2. 逐个执行效果分析 → 生成汇总报告(平均评级/各平台对比/Top3/Bottom3)
3. 存储至memory/reports/daily_content_analytics.md

内容闭环流程(full-loop)

1. 同步: 从tenant_publish_records同步最近7天成功发布的内容(含真实互动指标view_count/like_count等)到content_publish_log
2. 推荐: 为内容推荐目标好友(基于兴趣embedding相似度)
3. 反馈: 尝试通过opencli获取最新平台数据(opencli不可用时使用已同步的真实指标)
4. 分析: 基于真实指标计算engagement_score/conversion_rate/roi_score,生成表现评级
5. 优化: 汇总近期内容表现,生成优化策略(urgent/engagement/content/scale/maintain)
6. 学习: 将分析结果存储为有意义经验(标题/平台/指标/互动率/ROI/建议)到agent_memory,供orchestrator注入后续内容生成

Fix-B/C/E: 闭环基于tenant_publish_records真实发布数据,不再创建fake content_id。经验文本包含标题、平台、真实指标、互动率、ROI和优化建议,orchestrator的_query_agent_memory_lessons可查询并注入到内容生成提示词。

评级标准

综合评分权重: 播放量25% + 完播率25% + 互动率20% + 转化率20% + 分享率10%

评级	综合分	处理
S	>90	总结成功要素，复制模式
A	70-90	保持当前策略
B	50-70	基础优化建议
C	<=50	详细优化建议，复盘

告警阈值(来源: 02手册§十一11.1): 互动率<2%→内容质量告警 / 发布成功率<95%→发布链路排查

输入格式

{
  "action": "analyze|batch_analyze|evergreen_detect|timing_optimize",
  "content_id": "content_20260407_001",
  "platform": "douyin|weibo|xiaohongshu|zhihu|bilibili|all",
  "date_range": {"start": "2026-06-01", "end": "2026-06-30"},
  "lookback_days": 30
}

字段说明:

• action: 操作类型(analyze单内容分析/batch_analyze批量分析/evergreen_detect常青内容识别/timing_optimize发布时机优化)
• content_id: 内容ID(analyze操作必填)
• platform: 平台筛选(douyin抖音/weibo微博/xiaohongshu小红书/zhihu知乎/bilibili哔哩哔哩/all全部)
• date_range: 日期范围(batch_analyze/report操作使用)
• lookback_days: 回溯天数(evergreen_detect默认30/timing_optimize默认90)

输出格式

{
  "success": true,
  "data": {
    "action": "analyze",
    "content_id": "content_20260407_001",
    "platform": "douyin",
    "rating": "A",
    "score": 75,
    "metrics": {
      "views": 10000,
      "completion_rate": 0.65,
      "engagement_rate": 0.08,
      "conversion_rate": 0.02,
      "share_rate": 0.03
    },
    "score_breakdown": {
      "views_score": 80,
      "completion_score": 75,
      "engagement_score": 70,
      "conversion_score": 65,
      "share_score": 85
    },
    "suggestions": ["开头3秒吸引力不错", "中段完播率下降,建议优化节奏"],
    "evergreen": false,
    "analyzed_at": "2026-04-08T10:00:00Z"
  },
  "error": null,
  "code": null
}

字段说明:

• rating: 评级(S>90/A 70-90/B 50-70/C<=50)
• score: 综合评分(0-100,权重:播放25%+完播25%+互动20%+转化20%+分享10%)
• metrics: 核心指标(views播放/completion_rate完播率/engagement_rate互动率/conversion_rate转化率/share_rate分享率)
• score_breakdown: 各维度得分(用于定位优化方向)
• suggestions: 优化建议数组(评级C→详细/B→基础/A/S→成功要素)
• evergreen: 是否常青内容(evergreen_detect操作返回)

异常处理

异常	错误码	处理
内容不存在	CONTENT_NOT_FOUND	返回错误提示
数据不足	INSUFFICIENT_DATA	返回空分析，标注数据不足
平台数据获取失败	PLATFORM_DATA_ERROR	记录错误，跳过该内容
脚本执行失败	SCRIPT_ERROR	记录错误日志，通知CEO

示例

单内容分析

1. 输入: {content_id:"content_20260407_001", platform:"douyin"}
2. exec调用content_analytics.py → 计算指标 → 评级A(75分)
3. 输出: {success:true, data:{rating:"A", score:75, metrics:{views:10000, completion_rate:0.65, engagement_rate:0.08}, suggestions:["开头3秒吸引力不错"]}}