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点击查看免费下载本文以crews/main/calibration/xhs/rubric_notes.md全平台统一的评分公式为核心骨架系统讲解 xiaobei为 OPC/中小微企业打造的自媒体获客智能体内容校准系统的 7 维评分模型、composite 综合分公式、按平台 baseline 派生的 Bucket 档位方案以及维度/权重变更规则并深入crews/main/skills/content-calibrator/的源码与脚本展示这套评分公式如何被打分校验、盲预测落盘、复盘偏差检测与 rubric 升级验证所调用。读完本文你将完整掌握这套评分公式的每一个参数、它在真实发布流程中的落地方式以及如何安全地迭代它。一、这份文档在项目中的位置一份全平台统一的评分公式crews/main/calibration/xhs/rubric_notes.md不是小红书专属的独立评分标准而是全平台统一评分公式Rubric Notes的一份引用载体。文档头部明确声明其适用范围当前版本v0适用范围全平台统一一个作品一个打分 ⇒ 一个评分标准可读性边界blind sub-agent盲打分子代理可读此文件而 rubric-memo / .cheat-state / audience / benchmark / 各 work 的 retro不可读在crews/main/skills/content-calibrator/SKILL.md中这一设计被概括为per-work 归集 统一 rubric作品的内在内容质量与发布平台无关因此打分/预测/复盘按作品归集rubric 全平台统一放行阈值也全局统一质量门是作品本身的事不分平台。平台差异baseline 量级、受众、对标账号仅作为预测的输入数据按平台保留。在calibration/根目录如 crews/main/calibration/rubric_notes.md保存着同一份公式原文而各平台目录如crews/main/calibration/xhs/下没有独立 rubric——audience.md与benchmark.md只是平台数据平台目录里的rubric_notes.md是指向根级的软链读它等于读根级。这一点在 SKILL.md 中特别强调以避免 subagent 在平台目录中找错 rubric。二、当前评分维度7 个维度 × 0-5 整数分rubric 衡量的是作品的内在内容质量与发布平台无关平台差异体现在预测的 bucket/baseline 上不体现在打分维度上。每维 0-5 整数分维度与锚点如下维度代号0 分锚点5 分锚点权重情感共鸣ER纯信息罗列无情感触点读者强烈代入说的就是我有具象画面或经历×1.5钩子强度HP标题平庸开头无悬念标题/开头一句话锁定注意力制造信息差或反差×1.5社会议题共振SR纯个人/产品向无社会讨论触及当下社会讨论有立场可议×1.5金句密度QL全文无独立可传播的表达≥3 句可脱离上下文独立传播的金句×1.0叙事性NA纯观点堆砌无故事弧线清晰的起承转合读者被故事牵引×1.0受众广度AB极窄垂直仅特定人群关心跨人群普适如搞钱、职场、AI焦虑×1.0实用价值PV纯情绪/观点无可操作信息读者可获得具体方法/工具/步骤×1.0设计上ER / HP / SR 三个传播杠杆维度权重 ×1.5QL / NA / AB / PV 四个维度权重 ×1.0。在 crews/main/skills/content-calibrator/scripts/score-only.sh 中权重表被硬编码为WEIGHTS([ER]1.5 [HP]1.5 [SR]1.5 [QL]1.0 [NA]1.0 [AB]1.0 [PV]1.0)并在计算 composite 的同时找出最弱贡献维度worst_dim/worst_contrib帮助 Agent 一眼定位短板。三、综合分公式加权平均 → 归一化 → 缩放到 10 分制文档给出的公式composite (ER×1.5 HP×1.5 SR×1.5 QL NA AB PV) / 8.5 × 2.0参数说明归一化常数 8.5即 7 个维度的权重之和1.5×3 1.0×4 8.5使加权总分落在 0~5 区间缩放因子 2.0把 0~5 的加权均值放大到 0~10理论范围0 - 10精度约定整数维度分composite 保留两位小数。这个公式在三个脚本中被同一套 Python 逻辑重复实现可作为公式正确性的交叉验证依据score-only.shcomposite (er*1.5 hp*1.5 sr*1.5 ql na ab pv) / 8.5 * 2.0输出print(f{composite:.2f})commit-prediction.sh落盘时用同一公式计算并写入score.json复盘阶段DB 中的cal_composite列见 detect-bump-signals.py 的字段引用保存这份综合分供偏差信号聚合时参考。为什么是 0-10 而不是 0-5从源码看归一化常数恰好等于权重和缩放因子 2.0 是为了让综合分与日常10 分制直觉对齐便于在阈值门与复盘讨论中使用更细的粒度。打分参数的范围校验源码级score-only.sh 与 commit-prediction.sh 都会对 7 个--cal-*参数做0-5 整数范围校验越界直接返回{ok:false,error:cal_score_XX... out of range (must be 0-5 integer)}。这意味着任何非 0~5 的分数都会被脚本层拦截从机制上保证打分符合 rubric 的取值约束。四、Bucket 方案按平台 baseline 派生档位冷启动期不做假精度文档强调一个关键设计bucket 边界按平台派生各平台 baseline 量级不同但档位定义统一。档位与边界如下以平台 baseline 为参照档位含义边界按平台 baseline退步低于基线 baseline × 0.3持平基线水平baseline × 0.3 ~ 1命中正常表现baseline × 1 ~ 3小爆超预期baseline × 3 ~ 10大爆现象级 baseline × 10各平台 baseline 存放在calibration/platform/.platform-state.json的baseline_plays字段例如小红书即crews/main/calibration/xhs/.platform-state.json该文件由content-calibrator的 Init 流程创建SKILL.md 中描述了其包含baseline / enabled / content_form三项。cold-start 纪律前 5 个作品全局计数见.cheat-state.json的calibration_samplesbucket 数字属于 false precision只给 7 维分 一句话 bet第 5 个作品复盘后才按实绩数据派生 bucket 边界并解锁完整预测每目标平台的 bucket 概率分布 中枢 反事实场景 关键校准假设。这一约束也被写进 content-calibrator 的流程cold-start 期预测是一句话 bet避免在样本不足时过度承诺数字。五、版本速查与变更规则rubric 是工作台不是博物馆版本速查版本公式签名日期v0ER1.5HP1.5SR1.5QLNAABPV / 8.5×22026-06-14每次升级后需在calibration/rubric-memo.md的Bump 升级 Memo段 append 升级详情含证据诊断Last bumped at字段同步更新。维度与权重变更规则维度和权重可以被修改但必须满足以下条件之一用户主动要求— 加个 XX 维度 / 把 SR 权重调到 2.0Agent 提议 用户确认— Agent 在 Bump 流程中检测到系统性偏差后提议变更必须等待用户明确同意才生效。变更流程变更维度增/删/替换→ 走 Bump 全量重打 排序一致性校验变更权重 → 走 Bump 流程变更被拒绝 → rubric 不动观察记入rubric-memo.md。这条规则的执行在源码中有两层保障cal-toggle.sh 的阈值门全局发布阈值score_threshold默认 0不拦截存放在根级.cheat-state.jsoncal-toggle.sh --set-threshold N校验 N 必须在 0~4因为每维需 threshold 才放行threshold 上限 4 才能让 5 分放行见 crews/main/skills/content-calibrator/scripts/cal-toggle.shvalidate-rubric.sh 的验证门新公式必须盲重打 10 篇 偏差信号降幅 ≥ 30%--reduction-threshold可调才可落地且旧公式信号数为 0 时直接 fail旧公式本无偏差无升级必要见 validate-rubric.py。Agent 不得自动升级 rubric 或改阈值。待验证假设文档末尾的待验证假设小节当前为空用于承载复盘后写入的观察在 bump 时验证或推翻——这与 rubric-memo 中被推翻/吸收的观察删除git history 是档案的哲学一脉相承。六、源码级纵深公式在发布闭环中的三次调用结合crews/main/skills/content-calibrator/的源码这套 rubric 公式实际贯穿打分盲预测 → 发布 → 记录 → T3d 复盘 → 进化 rubric的完整闭环打分盲预测(1A) → 发布 → 记录(1B) → T3d 复盘(3a 单篇 3b 综合评估) → Bump 升级1A·发布前自检score-only.sh commit-prediction.shAgent或 blind sub-agent按 rubric 给出 7 维分后先调score-only.sh校验并算 composite、判阈值门./skills/content-calibrator/scripts/score-only.sh \ --content-path output_articles/xxx/article.md \ --cal-er 3 --cal-hp 4 --cal-sr 3 --cal-ql 4 --cal-na 3 --cal-ab 4 --cal-pv 2返回 JSON 含passed与failing_dims每维需 全局score_threshold才算通过。--platform可选仅用于校验该平台是否启用 calibration读calibration/platform/.platform-state.json。通过后由commit-prediction.sh落盘work/calibration/score.jsonprediction.md./skills/content-calibrator/scripts/commit-prediction.sh \ --work-dir output_articles/xxx --platform wx_mp \ --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.mdscore.json记录rubric_version、platform、7 维 scores、composite与scored_at同 work 重复调用直接覆盖改稿重打。复盘·偏差检测detect-bump-signals.sh纯 DB 操作复盘阶段对每条cal_enabled1 AND cal_bump_evaluated0的记录把互动指标总量按log 桶归一化到 0-5actual_score0→0, 1-10→1, 11-50→2, 51-200→3, 201-1000→4, 1000→5然后与 7 维盲打分对比高估维度分 ≥3 但 actual ≤2低估维度分 ≤2 但 actual ≥3。实现见 detect-bump-signals.py其中SCORE_HIGH3、SCORE_LOW2、ACTUAL_HIGH3、ACTUAL_LOW2四个阈值就是 rubric 维度锚点0 分/5 分的工程化中间值。同向偏差按维度方向聚合≥3 次触发 bump 信号并在触发时自动清空cal_bias_signals未触发则保留跨轮累积。升级验证validate-rubric.sh新公式草案由 blind sub-agent 对最新发布且有数据的 10 篇作品盲重打validate-rubric.py用与 detect-bump-signals 完全一致的归一化逻辑算新旧信号数降幅 (旧信号数 - 新信号数) / 旧信号数 ≥ 30%默认→passtrue旧信号数 0 → 直接 failpass 后落地写回 rubric_notes.md、10 篇新分数写回 DBcal_score_*cal_rubric_version、重置cal_bump_evaluated0、归档 rubric-memo。七、实操建议如何用这份 rubric 打分与迭代打分前只读白名单稿件定稿 crews/main/calibration/rubric_notes.md硬禁读 rubric-memo / .cheat-state / 其他 work 的 calibration / audience / benchmark / 对话历史保证盲预测的纯度。每维对照 0 分/5 分锚点打分例如读者强烈代入、有具象画面才给 ER5≥3 句可独立传播的表达才给 QL5中间值按比例取整。用脚本做算术与门禁LLM 只负责出分score-only.sh负责 composite 计算与阈值判定避免人为算术误差。关注最弱维度score-only.sh输出的worst_dim/worst_contrib是改稿优先级的最直接信号。迭代必须走用户确认维度/权重变更只有用户主动要求或Agent 提议用户确认两条合法路径任何升级都要先通过盲重打 validate-rubric 验证。八、小结crews/main/calibration/xhs/rubric_notes.md看似只有一页公式实际是 xiaobei 内容校准系统的宪法7 维 × 0-5 整数分的统一评分模型、/8.5 × 2.0的 composite 公式、按平台 baseline 派生的五档 Bucket、cold-start 假精度规避、以及用户控制、Agent 建议、脚本验证三权分立的变更规则共同构成了一个可量化、可复盘、可进化的内容质量闭环。对开发者而言以本仓库 content-calibrator 的源码与脚本为参照即可把这套公式无缝接入自己的发布流程。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XHS-Downloader深度评测专业级小红书内容采集实战解析XHS Downloader深度评测专业级小红书内容采集实战解析 XHS Downloader是一款功能强大的小红书内容采集工具支持提取账号发布、收藏、点赞网页爬虫小贝xiaobei小红书图文内容调研与对标分析实战基于 SSR HTML 路线的无 Cookie 笔记抓取与竞品分析小贝xiaobei小红书图文内容调研与对标分析实战基于 SSR HTML 路线的无 Cookie 笔记抓取与竞品分析 导读 xhs content ops人工智能AI Agent大模型AI 应用媒体生成小北项目 Rubric 评分体系详解7 维内容质量打分公式与平台校准闭环小北项目 Rubric 评分体系详解7 维内容质量打分公式与平台校准闭环 本文面向运营者、Agent 开发者与自建内容质量评估系统的技术人员系统拆解开源项目人工智能AI Agent大模型AI 应用媒体生成上一篇GSLM 无监督语音重建Speech Resynthesis工具实战指南基于 fairseq textless_nlp 的 unit2speech 全流程下一篇如何通过开源工具实现网盘下载速度的全面优化创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考