content-orchestrator

Content Orchestrator 内容编排器

版本: v1.1.0 | 优先级: P0（内容生产统一入口） | 所属部门: 内容部

使用场景

• 一键视频发布: "帮我生成一条AI热点短视频并发布到抖音和视频号"
• 图文矩阵分发: "生成一组产品图文，发到小红书+头条+知乎"
• 日常运营: "执行今日日常运营任务"（热点→选题→生成→排期发布）
• 口型同步视频 / 漫画视频
• 素材转商品: "把这组图文素材转成闲鱼商品发布"（PL-PRODUCT管道）
• 热点选品上架: "发现热点后自动生成商品并上架闲鱼"（PL-HOTSPOT管道，热点→选品→商品→发布）
• 小说连载: "生成今日2章小说并发布到图文平台"（PL-NOVEL管道，InkOS→章节生成→发布）
• 短剧生成: "取今日小说章节生成1集短剧并发布到视频平台"（PL-DRAMA管道，章节→剧本→分镜→视频→发布）

成功指标

通信风格

content-orchestrator以专业数据驱动的风格编排内容生产，语言风格参考IDENTITY.md。

• 语气: 专业沉稳，管道执行结果以结构化数据呈现
• 输出: 简洁明了，管道选择+引擎路由+发布结果以JSON输出
• 交互: 主动建议内容生产方向（如热点选题、素材复用、小说连载排期）

十条内容管道

PL-NOVEL 小说连载管道

PL-NOVEL通过InkOS(v2.3.2)的7 Truth Files系统生成连载小说章节，并发布到图文自媒体平台。支持多租户隔离和每日自动生成。

输入: {topic: str, tenant_id: str, genre: str, style_config: dict}

步骤:

1. 小说初始化 — novel_bridge.init_novel

   • 调用InkOS book create创建书籍项目（含7 Truth Files初始化）
   • 写入风格配置（genre/chapter_words/writing_style/inkos_style_ref）
   • PG novel_books表插入书籍元数据（book_id为InkOS slug字符串）
   • 工作目录: data/books/{tenant_id}/{book_id}/

2. 章节生成 — novel_bridge.generate_chapters

   • 调用InkOS write next --count 2 --words 3000生成2章
   • InkOS自动维护World State/Character Matrix/Pending Hooks等Truth Files
   • PG novel_chapters表插入章节（含content_full完整正文，content_preview前500字）
   • 4级错误降级: 重试(5s/15s/45s)→标记失败+入sync_queue→连续3章告警→人工介入

3. 标题生成 — title-generator.generate

   • 基于章节内容生成吸引人的标题

4. 营销注入 — market-copywriter.adapt_platform（🔴门控检查）

5. SEO优化 — seo-optimizer.optimize

6. AI声明注入 — risk-detector.inject_ai_declaration

7. 多平台发布 — content-publisher.publish（知乎/头条/微信公众号）

输出: {success:bool, data:{book_id, chapters_generated, chapters:[{chapter_number, title, word_count}]}}

PL-DRAMA 短剧生成管道

PL-DRAMA取PL-NOVEL生成的最新章节，转换为短剧剧本并生成视频，发布到视频平台。

输入: {tenant_id: str, book_id: str(可选)}

步骤:

1. 章节获取 — novel_bridge.get_latest_chapter

   • 从PG novel_chapters查询最新章节（返回content_full完整文本，≥3000字）
   • narrato-mcp generate_short_drama_script需要3000+字输入

2. 剧本转换 — novel-to-script.convert

   • 将小说章节文本转换为短剧剧本格式（场景/对话/动作描述）

3. 系列管理 — series-manager.generate

   • 维护角色一致性（voice_id/face_ref跨集一致）
   • 生成系列元数据（集数/前情提要/下集预告）

4. 分镜生成 — narrato-mcp.generate_short_drama_script

   • 基于剧本生成分镜脚本（注意: action名称为generate_short_drama_script，非generate_script）

5. 配音生成 — tts-adapter-mcp.synthesize(BUG-V6-015副作用同步: 替换已删除的gpt-sovits-mcp)

6. 画面生成 — kling-mcp.text_to_video

7. 视频合成 — video-generator.compose_video

8. 字幕生成 — video-generator.generate_subtitle

9. 一致性验证 — series-manager.validate（角色/场景/剧情连贯性检查）

10. 营销注入 — market-copywriter.adapt_platform（🔴门控检查）

11. AI声明注入 — risk-detector.inject_ai_declaration

12. 多平台发布 — content-publisher.publish（抖音/快手/B站）

输出: {success:bool, data:{video_url, subtitle_url, episode_number, platforms_published}}

PL-PRODUCT 素材→商品转换管道（可选）

PL-PRODUCT将已生成的图文素材自动复用为闲鱼商品，实现内容素材→电商商品的跨域转换。该管道为可选管道，不影响现有PL-IMAGE/PL-VIDEO/PL-SHORT管道。

输入: 已生成的图文素材（图片URL列表+文案文本）

步骤:

1. 图片规格转换 — 内容平台尺寸→闲鱼商品图尺寸

   • 调用ai-capabilities-mcp图片处理工具
   • 闲鱼商品图要求: 主图800×800px以上，正方形比例1:1，最多9张（来源:01手册§四4.1）
   • 内容平台原图若为竖版(如小红书3:4)→裁剪为1:1正方形+居中构图
   • 输出: 闲鱼规格图片URL列表

2. 文案风格转换 — 内容平台风格→闲鱼商品描述风格

   • 调用ai-capabilities-mcp文本生成工具
   • 内容文案特点: 种草/分享/叙事风格 → 闲鱼商品描述特点: 卖点直击/价格透明/售后明确
   • 转换规则: 去除emoji装饰→提炼核心卖点→补充商品属性→添加交易引导语（来源:01手册§四4.3）

3. 5要素注入 — 补充闲鱼商品必需字段（来源:01手册§四4.1+4.3）

   • 商品名称: 从文案提取+优化为闲鱼标题格式(≤30字，关键词前置)
   • 价格: 从UTD.price读取，无则使用默认定价策略（来源:01手册§七7.1）
   • 规格: 从UTD.specs读取，无则生成默认规格描述
   • 发货方式: 虚拟商品默认"自动发货"，实体商品默认"快递"（来源:01手册§五5.1）
   • 售后说明: 按商品类型注入标准售后模板（来源:01手册§四4.3）

4. 调用fishclaw-mcp.publish_item发布 — 将转换后的商品规格传递给fishclaw-mcp MCP

   • 输入: {title, account_id}（title从步骤3商品参数生成获取，account_id默认default）
   • DEF-01修复(TECH-DEBT-032): 原xianyu-manager是SKILL(梯度SKU生成)非MCP,实际发布走fishclaw-mcp.publish_item
   • 发布间隔≥5秒（来源:01手册§十10.1风控安全线）

输出: {success:bool, data:{product_id, xianyu_url, converted_images:N, pipeline:"PL-PRODUCT"}}

PL-HOTSPOT 热点→商品自动上架管道（可选）

PL-HOTSPOT将trend-discovery发现的热点数据自动转化为闲鱼商品并上架，实现热点趋势→选品→商品发布的全链路自动化。该管道为可选管道，不影响现有6条内容管道和3条E2E管道。

输入: trend-discovery输出的热点数据 {topic: str, heat: int, platforms: list[str], trend: str}

步骤:

1. 热点→选品方向转换 — 提取热点关键词作为选品方向
   • 从热点数据提取topic作为direction（选品方向关键词）
   • 按heat值排序: heat>80的热点优先处理，heat≤30的热点跳过（低热度不值得选品）
   • 从trend字段提取趋势方向(上升/稳定/下降)，仅处理上升趋势热点
   • 输出: {direction: str, heat: int, trend: str, source_topic: str}

1.5. 竞品数据采集(可选,Token优化) — 采集同类商品在社交平台的用户评价和卖点话术

• 调用media-crawler-mcp.search_posts(platform="xiaohongshu", keyword=direction, limit=10)
• 调用media-crawler-mcp.format_for_prompt(data=结果, max_posts=3) → 压缩为≤200 token精简文本
• 将精简文本注入步骤3的AI生成prompt中作为"竞品参考"段落
• Token控制: 竞品参考≤200 token,不超过总prompt的15%
• 失败不阻断: 采集失败→跳过,记录warning日志
• 完成后调用media-crawler-mcp.stop_service()关闭容器节省资源

1. 调用unified-product-ops选品分析 — 基于选品方向进行选品

   • 调用unified-product-ops Skill，传入direction关键词
   • unified-product-ops返回选品报告: {niche, competition, demand, pricing_range, suggested_products}
   • 若unified-product-ops返回无合适选品→终止管道，返回{success:false, error:"no_suitable_product", code:"HR-002"}
   • 输出: 选品报告数据

2. 选品报告→商品参数转换 — AI辅助生成闲鱼商品参数

   • 调用ai-capabilities-mcp文本生成工具，基于选品报告+热点数据生成商品参数:
     • 商品名称: 热点关键词+商品类型，≤30字，关键词前置（来源:01手册§四4.1）
     • 商品描述: 融合热点趋势描述+选品分析结论+商品卖点，卖点直击+价格透明+售后明确（来源:01手册§四4.3）
     • 定价建议: 从选品报告的pricing_range提取，结合01手册§七7.1动态定价策略
     • 商品规格: 从选品报告的suggested_products提取规格描述
   • 输出: {title, price, description, specs, delivery_type, after_sale}

3. 调用fishclaw-mcp.publish_item发布商品 — 将商品参数传递给fishclaw-mcp MCP

   • 输入: {title, account_id}（title从步骤3商品参数生成获取）
   • DEF-01修复(TECH-DEBT-032): 实际闲鱼商品发布走fishclaw-mcp.publish_item(已注册MCP)
   • 发布间隔≥5秒（来源:01手册§十10.1风控安全线）
   • 5要素注入在前面_MARKETING_SEO_GEO_REVIEW_STEPS中已执行，本步骤仅负责发布

4. 结果回写 — 将发布结果与热点数据关联

   • 记录热点→商品的映射关系: {hotspot_topic, product_id, xianyu_url, pipeline:"PL-HOTSPOT"}
   • 用于后续追踪热点商品的销售表现

输出: {success:bool, data:{product_id, xianyu_url, hotspot_topic, heat, pipeline:"PL-HOTSPOT"}}

PL-UPLOAD 用户上传内容处理管道

PL-UPLOAD接收用户上传的文件（文本/图片/PDF），自动检测格式并提取内容，路由到对应的内容生成管道。支持多租户隔离。

输入: {pipeline_type:"PL-UPLOAD", tenant_id, upload_files:[{path, type, filename}]}

流程:

1. 文件格式检测: 文本(.txt/.md/.docx)→文本提取, 图片(.jpg/.png/.webp)→图片分析, PDF(.pdf)→OCR(paddleocr-mcp)
2. 内容解析: 文本→分章节/分场景, 图片→描述生成, PDF→全文提取
3. 智能路由:
   • 小说文本→PL-NOVEL（继续连载或从头生成）
   • 故事文本→PL-COMIC（生成漫剧）
   • 图片素材→PL-IMAGE（生成图文卡片）
   • 混合内容→PL-DRAMA（生成短剧）
4. 调用目标管道执行生成+发布

输出: {success:bool, data:{pipeline:"PL-UPLOAD", routed_to:"PL-COMIC", upload_count:N, generated_items:[...]}}

PL-NEWPROD 9商品内容生产专属管道（v1.1新增 2026-06-03）

PL-NEWPROD是面向NEW-PROD-01~09 AI服务商品矩阵的专属内容生产管道，将商品信息拉取→热点监控→选题决策→文案生成→配图/视频生成→个人IP特质注入→写作风格特质注入→去AI味→营销注入→SEO优化→GEO优化→内容审核→AI声明注入→多平台发布→排期调度→效果分析整合为16步端到端自动化流程。

输入:

• 默认: 全量9商品(product_id="all")
• 自定义: 指定商品ID列表(product_id="NEW-PROD-01,NEW-PROD-02")
• 可选: tenant_id(代运营场景)

步骤:

商品→引擎路由映射 (来源:xianyu-manager v1.1 NEW-PROD-01~09):

与content-publisher v4.4 newprod_publisher.py协作: PL-NEWPROD管道的"多平台发布"步骤可调用content-publisher v4.4新增的newprod_publisher.batch_publish作为批量发布加速入口，实现9商品×3平台×3梯度=81次发布的批量编排能力。

输出: {success:bool, data:{pipeline_type:"PL-NEWPROD", total_steps:16, steps:[...]}}

三条端到端管道

营销注入门控(强制)

所有5条内容管道(PL-VIDEO/PL-IMAGE/PL-AUDIO/PL-LIPSYNC/PL-COMIC)在发布前必须通过营销注入门控。PL-PRODUCT和PL-HOTSPOT管道例外: 闲鱼商品描述属交易属性，非内容属性，不强制营销注入。

门控流程

1. 调用market-copywriter Skill，输入内容摘要+目标平台+受众
2. 获取核心卖点(selling_points)+情绪钩子(emotional_hook)+CTA话术
3. 将营销元素注入到内容文案中(开头钩子+中间卖点+结尾CTA)
4. 门控判定:
   • market-copywriter返回success=true → ✅通过门控，继续发布流程
   • market-copywriter返回success=false → 重试1次(降级为基础营销模板)
   • 重试仍失败 → ❌拦截发布，返回{success:false, error:"MARKETING_GATE_FAILED", code:"MG-001"}

降级策略(重试时)

重试时使用品类差异化基础营销模板替代market-copywriter:

品类判定规则: 根据内容标题/描述中的关键词匹配品类，无匹配时使用通用模板。

与AI声明注入的关系

营销注入门控在AI声明注入之前执行。流程: 营销注入门控→AI声明注入→发布。两者均为强制步骤，任一不通过则拦截发布。

内容吸引力评分门控(强制)

所有5条内容管道(PL-VIDEO/PL-IMAGE/PL-AUDIO/PL-LIPSYNC/PL-COMIC)在发布前必须通过内容吸引力评分门控。PL-PRODUCT和PL-HOTSPOT管道例外: 闲鱼商品描述属交易属性，非内容属性，不强制评分。

评分维度

评分方式

调用LLM对生成内容进行0-100分评分:

1. 将内容标题+正文摘要+目标平台传入LLM
2. LLM按5个维度分别打分(0-100)
3. 加权计算总分: 总分=标题×0.30+钩子×0.25+深度×0.20+CTA×0.15+SEO×0.10
4. LLM评分使用SILICONFLOW_API_KEY，base_url=os.getenv("SILICONFLOW_BASE_URL", "https://api.siliconflow.cn/v1")，model=os.getenv("SILICONFLOW_MODEL", "Qwen/Qwen3-8B")

门控规则

LLM评分Prompt模板

你是一位内容营销评分专家。请对以下内容进行吸引力评分(0-100分)。

目标平台: {platform}
内容标题: {title}
内容摘要: {summary}

评分维度:
1. 标题吸引力(权重30%): 是否包含数字/疑问/对比/悬念等钩子元素
2. 开头3秒钩子(权重25%): 前50字是否能抓住注意力
3. 内容深度(权重20%): 是否有独特见解/数据支撑/实操步骤
4. CTA清晰度(权重15%): 行动号召是否明确可执行
5. SEO适配度(权重10%): 关键词布局是否合理

评分锚点(防止评分虚高):
- 30分: "XX产品很好用，推荐大家购买" (无钩子/无深度/无CTA/纯广告)
- 50分: "还在为XX发愁？试试XX产品，效果不错哦~" (有痛点钩子但无深度/CTA模糊)
- 70分: "3个方法帮你解决XX问题，第2个最有效！1.XX 2.XX 3.XX 私信我获取完整方案" (有数字钩子+有步骤+有CTA)
- 90分: "我花了3个月测试了5种XX方案，发现只有第3种真正有效(附数据对比)。1.方案A:效果X但成本Y 2.方案B:效果Z但耗时W 3.方案C:效果最佳+成本最低+实操步骤→私信'XX'获取完整教程" (数据支撑+对比+深度+明确CTA)

请参照锚点严格评分，不要因为内容"还行"就给70+。大部分AI生成内容应在50-70分区间。

严格输出JSON:
{"title_score": N, "hook_score": N, "depth_score": N, "cta_score": N, "seo_score": N, "total_score": N, "suggestion": "优化建议"}

评分失败降级

• LLM调用失败 → 跳过评分门控，记录警告日志，允许发布(评分门控为质量提升手段，非安全红线)
• SILICONFLOW_API_KEY未设置 → 跳过评分门控，记录警告日志

AI展示声明注入

所有10条管道(7条内容管道+3条E2E管道)在发布前必须执行AI展示声明注入步骤。PL-PRODUCT和PL-HOTSPOT管道例外: 闲鱼商品描述不注入AI声明(商品描述属交易属性，非内容属性)。

注入流程

1. 读取目标平台的ai_declaration配置(来源: content-publisher/scripts/platform_specs.json)
2. 判断enabled字段: false→跳过该平台(如TikTok)
3. 按format字段选择声明格式，将template内容注入到内容末尾(标题/描述)
4. 注入后继续执行发布步骤

平台声明格式差异

跳过规则

• TikTok: ai_declaration.enabled=false，跳过注入(来源:platform_specs.json tiktok配置，海外平台豁免AI声明避免合规风险)
• 未在platform_specs.json注册的平台: 跳过注入，记录警告日志
• required=false的平台(如B站、百家号): 仍注入声明(展示AI能力)，但不强制

注入位置

• 视频: 注入到描述(description)末尾
• 图文: 注入到正文(body)末尾
• 音频: 注入到标题(title)末尾

智能路由5步决策

1. 解析意图 → 提取内容类型(视频/图文/音频/口型/漫画/商品/热点选品)
2. 选择管道 → 匹配7条内容管道(含PL-PRODUCT素材转商品、PL-HOTSPOT热点选品)
3. 选择引擎 → 按可用性+成本+质量排序(kling→pixelle→mpt逐级降级)
4. 代理注入 → proxy-pool-mcp获取可用代理，不可用→降级直连
5. 平台路由 → 查平台注册表，映射到对应MCP Server发布

内容差异化检查(强制)

同一主题内容在矩阵账号多平台分发时，必须通过差异化检查，防止内容同质化导致平台降权。

差异化维度

差异化规则

• 24小时同主题多平台规则: 同一主题在24小时内发布到不同平台时，至少2个维度必须不同
• 矩阵账号规则: 同一矩阵内多个账号发布同主题内容时，至少2个维度必须不同
• 自动调整: 当差异化检查不通过时，自动调整切入角度或情绪基调，无需人工干预

相似度检查

矩阵账号发布前执行内容相似度检查:

1. 提取待发布内容的4个差异化维度值
2. 与24小时内同主题已发布内容的维度值逐一比对
3. 计算相似度: 相同维度数/总维度数×100%
4. 相似度>70% → ❌拒绝发布，要求重新生成(调整至少1个维度)
5. 相似度≤70% → ✅通过差异化检查

检查流程

1. 路由决策完成后，发布前执行差异化检查
2. 查询24小时内同主题已发布内容的差异化维度
3. 计算与待发布内容的相似度
4. 相似度>70% → 返回DIFFERENTIATION_FAILED，附带建议调整的维度
5. 相似度≤70% → 继续发布流程

平台注册表(17平台)

完整16平台注册表、UTD/UPR输入格式、输出格式详见 scripts/content_orchestrator_reference.json

多租户感知(v1.2 DEF-U49 P2)

当UTD含tenant_id时，自动注入租户上下文:

1. agency-client-manager.query → 获取方向/平台/风格/人设/预算
2. tenant-style-config.get → 获取视觉风格(prompt_prefix/frame/color/font)
3. pps-mcp.get_persona_profile → 获取人设档案(配音/外观/照片/文字风格)
4. pps-mcp.get_distill_fingerprint → 获取蒸馏21维指纹(DEF-U49 P2新增)
   • persona_profile(4维人物IP) + style_fingerprint(6维写作风格)
   • video_style_fingerprint(6维视频风格) + longform_structure(5维长文结构)
   • brand_analysis(品牌分析缓存)
5. 注入UTD → platform/agent_id/style可设为"auto"自动填充 + 5蒸馏字段注入step_params

蒸馏数据消费分工(DEF-U49 P2):

• content-orchestrator: 预查询蒸馏数据并注入step_params(本Skill)
• content-template: 消费style_fingerprint/longform_structure(模板渲染,P2示范)
• market-copywriter/seo-optimizer: 待P3接入(按需消费persona_profile/brand_analysis)
• 注: 下游Skill用setdefault注入,不读则用默认值,不报错(非致命降级)

租户约束: 内容方向→directions范围 / 目标平台→仅租户配置平台 / 视觉风格→注入prompt / 人设绑定→统一配音外观 / 预算限制→成本过滤 / 钩子结尾图→引流图注入 / 素材优先→租户素材库 / 蒸馏指纹→21维注入下游

完整租户注入流程、7项约束详情、UTD扩展字段详见 scripts/content_orchestrator_reference.json

异常处理

输入格式

支持自然语言指令或JSON结构化输入:

• 自然语言: "帮我做一条AI热点短视频发到抖音和视频号"
• JSON结构化: {"pipeline":"PL-VIDEO","tenant_id":"t_001","platforms":["douyin","shipinhao"],"topic":"AI头像生成"}
• 热点驱动: trend-discovery输出 {topic, heat, platforms, trend} 自动触发PL-HOTSPOT
• 素材驱动: 用户上传素材列表 {"materials":[...],"target":"xianyu_product"} 触发PL-PRODUCT

输出格式

统一返回JSON结构(符合exec脚本规范):

{
  "success": true,
  "data": {
    "task_id": "co-20260519-001",
    "pipeline": "PL-VIDEO",
    "published": {"douyin": {"status":"success","url":"..."}},
    "marketing_gate": "passed",
    "attractiveness_score": 85
  },
  "error": null,
  "code": null
}

异常时: {"success":false,"data":{},"error":"MARKETING_GATE_FAILED","code":"GATE_BLOCKED"}

业务交付物

运营报告模板见 docs/templates/content_report.md，exec脚本生成报告时填充实际数据。

业务工作流(高层)

内容生产全链路遵循以下业务闭环:

1. 选题: trend-discovery热点发现+content-research选题决策,确定内容方向
2. 素材: 竞品数据采集+用户上传素材处理,准备创作原料
3. 生成: 按管道类型(视频/图文/音频/漫画/小说/短剧)调用对应引擎生成内容
4. 质检: 质量门控+营销注入门控+吸引力评分+AI声明注入+差异化检查
5. 发布: content-publisher多平台分发,支持排期/定时/批量
6. 复盘: content-analytics效果分析(72h窗口),指导下一轮选题

以下"工作流"为管道执行层详细步骤,业务工作流为其提供高层上下文。

热点驱动发布工作流(B3-04/R-92闭环连接)

本章节集中声明热点→发布完整闭环链路,满足R-92闭环连接规范。链路通过两条管道实现:E2E-DAILY(热点→内容→多平台发布)和PL-HOTSPOT(热点→选品→商品→闲鱼发布),均以trend-discovery为统一热点输入源(B2-05已完成dailyhot-mcp统一)。

闭环链路图

trend-discovery(获取热点)
    │
    ├─[内容分发路径]──> E2E-DAILY管道 ─────────────> content-publisher(多平台发布)
    │                     ↓
    │               AI选题→自动选管道→AI声明注入→排期发布
    │
    └─[商品上架路径]──> PL-HOTSPOT管道 ────────────> fishclaw-mcp+content-publisher(闲鱼+多平台)
                          ↓
                    选品方向→unified-product-ops选品→商品参数转换→发布

链路依赖声明

工作流步骤(完整闭环)

1. 热点获取 — trend-discovery通过dailyhot-mcp统一采集4平台热榜(抖音/微博/知乎/B站,R-75碎片化统一化),输出{topic, heat, platforms, trend}
   • 触发方式: Cron每2小时自动触发 / 手动调用 / E2E-DAILY管道内置
   • 数据源: trend-discovery/SKILL.md v1.4已声明dailyhot-mcp为唯一数据源(B2-05完成)
2. 热点路由判定 — content-orchestrator接收trend-discovery输出,按热点类型路由:
   • 内容型热点(教程/科普/娱乐) → E2E-DAILY管道(热点→内容→多平台发布)
   • 商品型热点(可电商化) → PL-HOTSPOT管道(热点→选品→闲鱼商品发布)
3. 内容生成(E2E-DAILY路径) — AI选题→自动选择PL-VIDEO/PL-IMAGE/PL-NOVEL等管道→内容生成
4. 选品上架(PL-HOTSPOT路径) — 热点→选品方向→unified-product-ops选品→商品参数转换→5要素注入
5. 质检门控 — 营销注入门控+吸引力评分+AI声明注入+差异化检查+敏感词检测
6. 多平台发布 — content-publisher.publish统一分发到12平台(抖音/快手/小红书/B站/视频号/百家号/微信公众号/头条号/知乎/微博/抖音图文/TikTok),支持排期/定时/批量
7. 闲鱼商品发布(PL-HOTSPOT路径) — fishclaw-mcp.publish_item发布到闲鱼,发布间隔≥5秒(来源:01手册§十10.1)
8. 结果回写 — 发布结果回写product_catalog(PL-HOTSPOT)或content_catalog(E2E-DAILY),记录热点→内容/商品映射关系
9. 复盘优化 — content-analytics效果分析(72h窗口),指导下一轮热点选题,形成闭环

异常处理

验证状态

• ✅ trend-discovery SKILL.md v1.4(2026-07-17) B2-05已完成dailyhot统一
• ✅ content-publisher dependencies已声明trend-discovery(第15行)
• ✅ content-publisher协作关系表已声明trend-discovery(第377行,"热点结合排期")
• ✅ content-orchestrator业务工作流已声明trend-discovery为选题输入(第561行)
• ✅ E2E-DAILY管道定义完整(trend-discovery→AI选题→自动选管道→AI声明注入→排期发布)
• ✅ PL-HOTSPOT管道定义完整(17步,热点获取→...→多平台内容分发→发布反馈)
• ✅ PL-HOTSPOT.json管道文件存在(pipelines/PL-HOTSPOT.json,17步完整定义)
• 结论: 热点→发布链路已连接,验证通过

内容闭环工作流(B3-08/R-99闭环连接)

本章节集中声明内容发布→采集→分析→优化的4步闭环链路,满足R-99闭环连接规范。闭环以content-orchestrator为编排中心,串联content-publisher(发布)→media-crawler(采集)→content-analytics(分析)→content-calibrator+seo-optimizer(优化)四个环节,形成持续迭代的内容优化循环。本闭环与content-analytics Skill的6步闭环(发布→推荐→反馈→分析→优化→学习)互补:content-analytics(v25.0合并content-closed-loop)是闭环执行引擎,本工作流是编排层声明。

闭环链路图

content-publisher(发布) ───> 多平台内容上线(12平台)
    │
    └─[发布结果回写]──> content_catalog(发布日志+post_ids)
                              │
                              ▼
                    media-crawler(采集) ───> 互动数据(播放/点赞/评论/分享)
                              │                 ┌─opencli-mcp(小红书/B站/知乎/微博 4平台真实数据)
                              │                 └─估算数据(抖音/快手/视频号等无API平台,标注REAL_DATA_UNAVAILABLE)
                              ▼
                    content-analytics(分析) ───> S/A/B/C评级+优化建议
                              │                 (播放量25%+完播率25%+互动率20%+转化率20%+分享率10%)
                              ▼
                    content-calibrator+seo-optimizer(优化) ───> 内容质量校准+SEO优化
                              │                 (7维评分:ER情感/HP钩子/SR议题/QL金句/NA叙事/AB受众/PV实用)
                              ▼
                    下一轮内容生成(注入优化建议+校准rubric)

链路依赖声明

4步闭环工作流(完整链路)

1. 发布(content-publisher) — 内容生成完成后,通过content-publisher多平台分发

   • 输入: 已生成内容(视频/图文/音频)+目标平台列表+tenant_id
   • 执行: content-publisher.publish_now → 12平台分发(抖音/快手/小红书/B站/视频号/百家号/微信公众号/头条号/知乎/微博/抖音图文/TikTok)
   • 质检门控: 营销注入门控+吸引力评分+AI声明注入+差异化检查+SimHash去重
   • 输出: {content_id, post_ids:{platform:url}, status:"published"}
   • 结果回写: content_catalog表+memory/YYYY-MM-DD.md发布日志

2. 采集(media-crawler) — 发布后72小时窗口采集互动数据

   • 真实数据采集: media-crawler-mcp采集小红书/B站/知乎/微博4平台(opencli-mcp兼容)
   • 无API平台降级: 抖音/快手/视频号等使用估算数据,标注REAL_DATA_UNAVAILABLE(来源:DEF-10)
   • 竞品数据采集(可选): media-crawler.search_posts采集同类竞品内容,format_for_prompt压缩为≤200 token
   • 输出: {views, likes, comments, shares, click_rate, data_source:"real|estimated"}
   • 失败处理: 采集失败→标记feedback为pending状态,等待真实API数据回填

3. 分析(content-analytics) — 计算内容效果指标+评级+优化建议

   • 数据源优先级: data-copilot-mcp > postgres-mcp > analytics_cache > memory发布记录
   • 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 / 分享率=shares/views
   • 评级生成: S(>90)/A(70-90)/B(50-70)/C(≤50),权重:播放25%+完播25%+互动20%+转化20%+分享10%
   • 优化建议: C→详细 / B→基础 / A/S→成功要素总结
   • 常青内容识别: 30天持续流量>发布首日30%→标记常青(DEF-51)
   • 发布时机优化: 分析90天历史数据推荐最佳发布时段(DEF-51)
   • 输出: {rating, score, metrics, score_breakdown, suggestions, evergreen}

4. 优化(content-calibrator+seo-optimizer) — 内容质量校准+SEO优化,指导下一轮生成

   • content-calibrator(质量校准): 7维LLM评分(ER情感/HP钩子/SR议题/QL金句/NA叙事/AB受众/PV实用)+盲预测+T+3d复盘+rubric进化
     • 综合分校式: composite = (ER×1.5 + HP×1.5 + SR×1.5 + QL + NA + AB + PV) / 8.5 × 2.0
     • 盲预测: 仅喂稿件+rubric,不读对话历史,预测互动表现
     • T+3d复盘: 预测vs实际数据对比,计算偏差,更新rubric
   • seo-optimizer(SEO优化): 关键词布局优化+标题SEO适配+标签优化
     • 来源:content-orchestrator PL-NOVEL步骤5/通用流程步骤6
   • 优化建议回写: 写入memory/analytics/{content_id}.json+data/content-calibrator/rubric_{platform}.json
   • 下一轮注入: content-orchestrator下一轮内容生成时,从memory/analytics读取历史优化建议,注入到管道step_params

异常处理

与content-analytics Skill的关系(原content-closed-loop已合并)

content-analytics(v25.0合并content-closed-loop,R75.5 Skill去重)是6步闭环执行引擎(发布→推荐→反馈→分析→优化→学习),本工作流是content-orchestrator编排层的4步闭环声明。两者互补:

• content-orchestrator(本工作流): 编排层,声明闭环链路,负责发布→采集→分析→优化的Skill调度
• content-analytics: 执行层,执行6步闭环的完整循环,含推荐+反馈+学习步骤(v25.0合并自content-closed-loop)
• 协作方式: content-orchestrator在业务工作流第6步"复盘"中可调用content-analytics执行完整6步闭环,本4步闭环是其核心子集

验证状态

• ✅ content-publisher Skill存在(skills/content-publisher/SKILL.md v4.5.3)
• ✅ media-crawler Skill存在(skills/_lazy/media-crawler/SKILL.md,依赖media-crawler-mcp)
• ✅ content-analytics Skill存在(skills/content-analytics/SKILL.md v1.5,dependencies声明content-publisher)
• ✅ content-calibrator Skill存在(skills/content-calibrator/SKILL.md v1.0,7维评分+盲预测+T+3d复盘)
• ✅ seo-optimizer Skill存在(skills/seo-optimizer/SKILL.md)
• ✅ content-analytics Skill存在(skills/content-analytics/SKILL.md v2.0,v25.0合并content-closed-loop,6步闭环引擎)
• ✅ content-orchestrator业务工作流第6步已声明content-analytics(第566行)
• ✅ content-orchestrator PL-NEWPROD步骤10已声明content-analytics(第265行)
• ✅ content-orchestrator PL-HOTSPOT步骤1.5/PL-NEWPROD步骤2.5已声明media-crawler-mcp
• ✅ content-orchestrator PL-NOVEL步骤5/通用流程步骤6已声明seo-optimizer
• ✅ content-analytics dependencies已声明content-publisher(反向依赖,分析层依赖发布层)
• ✅ content-calibrator dependencies已声明published-track(发布记录统一入口)
• 结论: 内容发布→采集→分析→优化闭环已连接,验证通过

工作流

智能路由流程

1. 接收请求: 解析用户意图,识别管道类型(VIDEO/IMAGE/NOVEL/DRAMA/PRODUCT/HOTSPOT等13种)
2. 平台注册表路由: 根据目标平台自动选择发布MCP(sau-mcp视频/device-operations-mcp图文/wechat-official-account-mcp公众号)
3. 代理自动注入: 根据tenant_id自动注入租户配置(风格/人设/素材/平台隔离)
4. 管道执行: 按管道定义顺序执行各阶段(生成→营销门控→AI声明→发布)
5. 结果回写: 发布结果回写product_catalog(PL-PRODUCT/PL-HOTSPOT)或content_catalog(内容管道)

FIX-V3-009动态依赖发现: 管道Skill(video-generator/content-publisher/cosyvoice/flux/kling/pps等)在运行时由编排器自动发现和加载,而非通过frontmatter dependencies硬编码声明。编排器根据管道类型和阶段需求,动态匹配并调用对应的Skill。metadata.dynamic_dependencies=true启用此模式。

通用流程(所有管道)

1. 管道类型识别 → 2. 租户配置注入 → 3. 素材/热点获取 → 4. 内容生成 → 5. 🔴营销注入门控 → 6. SEO优化 → 7. AI声明注入 → 8. 多平台发布 → 9. 结果回写

经验回写(自生长闭环)

内容生成与发布完成后,自动回写经验到自生长系统,供后续生成参考(自生长引擎路径: skills/_lazy/self-growth/scripts/self_growth_engine.py,支持action: extract/learn/query/stats):

1. 生成前查询历史经验: python skills/_lazy/self-growth/scripts/self_growth_engine.py --action query --keyword "内容编排" --limit 5 --agent-id default — 注入历史经验到管道参数,优化管道路由决策
2. 生成成功后记录经验: python skills/_lazy/self-growth/scripts/self_growth_engine.py --action extract --from content-orchestrator --success true --result-data '{"pipeline":"...","published":{...}}' --agent-id default — 记录成功生成模式
3. 生成失败时记录错误教训: python skills/_lazy/self-growth/scripts/self_growth_engine.py --action learn --scenario "内容编排失败" --lesson "[错误码和原因]" --category error --importance 8 --agent-id default — 错误经验自动记录,避免重复犯错
4. 定期统计经验: python skills/_lazy/self-growth/scripts/self_growth_engine.py --action stats --agent-id default — 统计经验积累情况

已有管道自生长接入文档化

content-orchestrator已通过以下管道在脚本层面接入自生长闭环(调用self_growth_activator.record_feedback):

• PL-HOTSPOT管道: content_orchestrator.py L1077 — 热点→商品发布后调用 self_growth_activator.record_feedback 记录热点选题经验
• PL-PRODUCT管道: content_orchestrator.py L1093 — 素材→商品发布后调用 self_growth_activator.record_feedback 记录产品生成经验
• fallback路径: content_orchestrator.py L379 — self_growth_activator.py存在于scripts/目录,作为exec脚本的fallback路径

注: PL-HOTSPOT和PL-PRODUCT管道定义内置于content_orchestrator.py中(非外部JSON文件),在"多平台内容分发"步骤后自动执行"发布反馈(U13)"步骤调用self_growth_activator。

质量门控

每条管道的关键阶段输出通过scripts/quality_gate.py执行质量门控检查，综合得分≥阈值（默认0.7）才允许进入下一阶段。质量门控在内容生成完成后、营销注入门控之前执行，是管道阶段间的硬性质量卡点。

门控执行方式

python skills/content-orchestrator/scripts/quality_gate.py \
  --pipeline-name PL-VIDEO \
  --stage content \
  --content-file data/content/draft.txt \
  --threshold 0.7

• --pipeline-name: 管道名称（如PL-VIDEO/PL-IMAGE/PL-NOVEL等）
• --stage: 检查阶段（draft/script/content/final，不同阶段最低字数要求不同）
• --content-file: 待检查内容文件路径
• --threshold: 通过阈值（默认0.7，综合得分≥阈值且敏感词检查通过才放行）

四个检查维度

门控规则

• 综合得分 = (长度得分 + 关键词得分 + 格式得分 + 敏感词得分) / 4
• 综合得分≥阈值 且 敏感词检查通过 → ✅放行，进入下一阶段
• 综合得分<阈值 或 敏感词命中 → ❌拦截，返回修改建议，要求优化后重新检查
• 敏感词检测为一票否决项：即使综合得分达标，敏感词命中也直接拦截

输出格式

{
  "success": true,
  "data": {
    "passed": true,
    "score": 0.85,
    "pipeline": "PL-VIDEO",
    "stage": "content",
    "threshold": 0.7,
    "checks": {
      "length": {"passed": true, "score": 1.0, "detail": "字数620/500达标"},
      "keywords": {"passed": true, "score": 1.0, "detail": "覆盖率100%"},
      "format": {"passed": true, "score": 0.67, "detail": "问题:缺少标题"},
      "sensitive": {"passed": true, "score": 1.0, "detail": "无敏感词"}
    },
    "suggestions": ["优化格式:添加标题和段落分隔"]
  },
  "error": null,
  "code": null
}

示例

一键视频发布

1. 输入: "帮我做一条AI热点短视频发到抖音和视频号"
2. 解析→PL-VIDEO→narrato-mcp脚本→cosyvoice配音→kling画面→合成→AI声明注入→发布
3. 输出: {success:true, data:{task_id:"co-20260519-001", pipeline:"PL-VIDEO", published:{douyin:{status:"success"}}}}

热点选品上架

1. 输入: trend-discovery输出热点数据 {topic:"AI头像生成", heat:92, platforms:["小红书","抖音"], trend:"上升"}
2. 解析→PL-HOTSPOT→热点→选品方向→unified-product-ops选品→商品参数转换→xianyu-manager发布
3. 输出: {success:true, data:{product_id:"xy-20260528-001", xianyu_url:"https://...", hotspot_topic:"AI头像生成", heat:92, pipeline:"PL-HOTSPOT"}}

UTD调用/E2E日常运营示例详见 scripts/content_orchestrator_reference.json