三剪客 · 爆款标题工坊

> ## ⚠️ 先申请你自己的 API Key
>
> 本 Skill 不内嵌任何密钥，也不代付费用。 请到
> 算力集市 api.a7w.cn 注册并创建你自己的 API Key
> （新用户有赠送点数，可以先免费试跑几条）。
>
> 拿到后填进环境变量 A7W_API_KEY，或直接传给 --key 参数。
> 请勿使用他人提供的 Key —— 用量与费用都记在 Key 所属账号上。

能做什么

给一个主题或产品，自动产出 N 个标题并四维打分排序，附 A/B 测试组合建议。
它替代的是运营每天最耗时的那个环节：不是"想不出标题"，而是"想出 30 个之后不知道该用哪个"。

一条命令跑完四件事：

1. 出稿 —— 按你选的平台口径一次生成 N 个标题（默认 30），四套公式轮换，避免同一句式刷屏
2. 打分 —— 点击欲望 / 信息量 / 平台适配 / 合规，各 1~10 分，加权合成总分降序排列
3. 卡两道闸 —— 本地内置广告法违禁词表 + 模板污染检查（公式名/占位符泄漏），
   命中就标红、强制压分、退出码变 3，能进 CI 当门禁
4. 给打法 —— 从排行里挑出"只差一个变量"的标题配对，告诉你这一对测什么变量、赢了说明什么

怎么用（命令行）

第 0 步：获取 API Key

到 api.a7w.cn 注册，创建一个 API Key（形如 sk-...）。

第 1 步：装依赖

零依赖。 不需要 pip install 任何东西，只要机器上有 Python 3.7+：

python3 --version

包里自带的 scripts/a7w.py 是零依赖客户端（只用 urllib / json / mimetypes），
scripts/run.py 也只用标准库。

第 2 步：填 Key

# Linux / macOS
export A7W_API_KEY=sk-你的key

# Windows PowerShell
$env:A7W_API_KEY="sk-你的key"

也可以存进配置文件反复用（推荐）：

python3 scripts/a7w.py login --key sk-你的key

第 3 步：先确认网关通（免费，不花点数）

python3 scripts/run.py models

这个命令打的是 GET https://api.a7w.cn/api/v1/models，会列出当前在架的模型。

> 模型名会变，一定用 models 子命令现查，别写死在脚本里。
> 但要注意：deepseek-chat 这个别名实测可用（会路由到 deepseek-flash），
> 而它不在 /api/v1/models 的返回列表里 —— 所以"列表里没有"不等于"不能用"。

第 4 步：跑第一个例子

python3 scripts/run.py gen --topic "便携榨汁杯" --platform xiaohongshu --count 12

输出是按总分降序的 Markdown 排行表 + 逐条说明，命中违禁词的标题会标红并压分。
想先看不花钱的提示词：

python3 scripts/run.py gen --topic "便携榨汁杯" --platform xiaohongshu --dry-run

完整工作流

# 1) 生成 30 条并落盘（JSON，便于后续处理）
python3 scripts/run.py gen --topic "便携榨汁杯" --platform xiaohongshu --count 30 \
    --evidence "实测一次榨 350ml、清洗 40 秒、USB-C 充电 90 分钟满" \
    --json --out titles.json

# 2) 拿 A/B 配对建议
python3 scripts/run.py ab --file titles.json

# 3) 给已有的标题单独打分（不改写原文）
python3 scripts/run.py score --file my-titles.txt --platform zhihu

直接用 curl 调（不依赖本包脚本）

标题工坊底层就是一个标准的 OpenAI 兼容调用：

curl -sS -X POST "https://api.a7w.cn/api/v1/chat/completions" \
  -H "Authorization: Bearer $A7W_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-chat",
    "messages": [{"role": "user", "content": "给「便携榨汁杯」写 5 个小红书标题，只输出 JSON"}],
    "temperature": 0.8,
    "max_tokens": 2048,
    "response_format": {"type": "json_object"}
  }'

参数说明

全局

gen —— 生成并打分

score —— 给已有标题打分

score 只打分不改写原文；模型漏掉的条目会用原文补回并按默认分兜底，保证一条不丢。

ab —— A/B 配对建议

ab 是纯本地确定性逻辑，不再花 token。它优先在同公式的标题之间配对
（同公式 = 钩子相同，差异只来自句式与信息密度），这样跑出来的胜负才可归因。

models —— 列出在架模型

四维评分与权重

两个本地硬闸门（模型自评会被覆盖）：

• 违禁词：命中按风险等级封顶合规维（高=1 / 中=4 / 低=7）
• 模板污染：标题里残留 { 或 }、出现公式名本身、或以「公式名＋：/、/—/｜」起头，
  一律把合规维封顶到 3 分。这类标题不可直接发布——公式名和占位符都不是文案。
• 抄提示词示例（prompt_echo）：标题与提示词里的示例去掉标点后相等、
  字符二元组 Jaccard ≥ 0.75、或示例的二元组覆盖度 ≥ 0.60，三条任一命中就按模板污染处理。
  第三条是补漏：Jaccard 会被长度差摊薄——示例原样嵌进更长的标题里，实测相似度掉到 0.696
  （放行），而覆盖度是 1.00（拦下）。覆盖度只看"示例被抄了多少"，不看产出有多长。
  长度门槛是相对的 max(6, 示例长度/2)，不是写死的 12。
  为什么单列一条：实测模型会锚定提示词里的示例，曾有一轮最高分 89.0 的标题
  一字不差就是提示词示例——最高分变成"抄标准答案"而不是"真最好"，排序就废了。
  提示词侧的对策是不出现任何可复制的完整标题，举例统一用不同主题（电动车充电桩）。

两闸门任一命中都会标红 + 汇总到 stderr + 退出码变 3。

总分 = (点击欲望 × 0.35 + 信息量 × 0.25 + 平台适配 × 0.25 + 合规 × 0.15) × 10

评分细则见 references/scoring-rubric.md。

退出码（可直接用于 CI）

--json 输出契约（给流水线与 agent 消费，只在 --json 下生效）：

• 成功：结果对象里多一个 "ok": true；顶层是数组时包成 {"ok": true, "data": [...]}
• 失败：stdout 输出一个 JSON 信封，形如
  {"ok": false, "exit": 3, "error": {"kind": "gate", "message": "…"}}（exit 就是本次真实退出码），
  kind 取 gate / usage / budget / call / interrupt / internal。
  internal 是没预料到的异常（代码 bug）的兜底：此时 stdout 给信封、
  完整 traceback 原样打到 stderr、退出码固定 1 —— 报 bug，不藏 bug
  —— 只有在本次还没吐过任何 JSON 结果时才补这个信封；已经吐过结果时
  （例如跑到一半才发现比例不合格），ok 就写在那个结果里，退出码不变
• 人读文案照旧走 stderr；退出码语义一个都不变；非 --json 模式输出与以前完全一致
• --json 写在子命令前面或后面都可以

平台字数上限

已知特性：产出普遍明显短于上限，这是有意保留的行为，不是缺陷。

实测（每平台 2 轮 × 12 条，主题"便携榨汁杯"）：

上限在这个包里只当"硬红线"用，不当目标值。 我们试过加一条"长度建议落在上限
70%~90%"的描述性约束，四平台各跑 2 轮，结果是回退掉了（依据见下）：

回退理由：
1. 效果不一致——抖音/公众号变长，小红书几乎不动，知乎反而更短；
小红书两轮之间就差了 2.2 字，只有 2 次采样时这个改动的收益落在噪声范围内。
2. 最需要变长的知乎（上限 25，实测最短）恰好没反应，说明"提问式/反直觉"这类
平台结构本身有长度天花板，加一句比例约束撬不动它。
3. 引入了新的坏味道——96 条里出现 2 条（2.1%）填充词标题（"通勤包里塞它真的不占地"），
即约束里明令禁止的"真的"仍被用来凑长度。为长度指标引入语言质量风险，不划算。

所以：远短于上限是可接受的，不要用指标去拽它。 如果你确实需要更长的标题，
优先用 --evidence "…" 提供具体事实（信息量自然变长），
而不是加长度约束——前者是加信息，后者是加字。

排错

收集排错信息时请附上：完整命令、--dry-run 的输出、原始报错文本。
不要在报错信息或截图里带上你的 API Key。

文件结构

sanjianke-title-workshop/
├── SKILL.md                       本文件
├── README.md                      给人看的说明
├── LICENSE.md                     MIT，署名三剪客
├── references/
│   ├── title-formulas.md          各平台标题公式与字数口径
│   ├── scoring-rubric.md          四维评分标准与权重
│   └── compliance.md              合规红线与违禁词
└── scripts/
    ├── a7w.py                     api.a7w.cn 零依赖客户端
    └── run.py                     标题生成 / 打分 / A/B 配对 / 模型清单

端点速查

协议是 OpenAI 兼容：Authorization: Bearer <Key>，请求体用
model / messages / temperature / max_tokens / response_format。

联系我们

• 技术微信：9872659 —— 加好友时说一下是从哪个 Skill 找过来的，直接给你配套的 API Key 与能跑的示例。
• 要算力 / 要 API Key：算力集市 · 注册领 API Key —— 一个 Key 调用全部 AI 算力，注册、充值、创建 Key 都在这里。
• 更多 AI 插件与接口：AI 插件市场。

相关链接

• 算力集市 api.a7w.cn（注册领 Key）：https://api.a7w.cn/
• 平台标题公式：references/title-formulas.md
• 四维评分标准：references/scoring-rubric.md
• 合规红线与违禁词：references/compliance.md

> 免责声明：本包内置的违禁词表与判定口径是启发式自检工具，来自公开经验整理，
> 不构成法律意见，也不代表任何平台的官方审核标准。标题与内容的使用与合规责任由使用者承担；
> 医疗、保健食品、金融、母婴、特殊化妆品等高风险类目必须人工复核。