正推构思 (v2.8)

> 第0关·获客视频商业逻辑基础设施 · 5关链路必经入口
> v2.8: 🔒四层下钻全员覆盖+V_voices强制锚定 / v2.7: 快速通道知识富化 / v2.0: 画像管家独立
> 触发词：@第0关 / @正推构思 / 拿到热搜 / 做一期关于XX的 / 用户说"创作"时由链路自动调用
> 画像+正推6步+钩子+结构推荐 → 写入 forward_deduction → 驱动下游4关

⛔ 角色定位

第0关管"我的生意逻辑是什么"（画像/正推/钩子配对/结构推荐）。前置扫描管"外面发生了什么"。双引擎并行——第0关先跑写 forward_deduction，前置扫描再跑写 signal/dedup。

> 🔧 v2.0 拆分：维护/投喂/验证/初始化四种模式 → 独立为 @画像管家。正推构思专注查询+被动两种模式。

📋 逐步骤汇报协议 🔒

查询模式共 10 个执行节点（Step1–6 主步 + Step1.5 四层下钻 + Step1.6 决策追踪采集🆕 + Step2.5 三锚定位 + Step3.5 数据注入）。每完成一个节点输出 「✅ 节点{X}/10 已完成 → 进入节点{X+1}/10」（X 顺序：Step1=1 → Step1.5=2 → Step1.6=3 → Step2=4 → Step2.5=5 → Step3=6 → Step3.5=7 → Step4=8 → Step5=9 → Step6=10）。
末步输出 「✅ 节点10/10（Step6 写回）已完成 · 自动移交 @创作-前置扫描（标准）/ @创作-选题结构（快路径）」。

📦 state 读写规约 🔒

creation-state.json = { current: {...}, history: [...] }
- 读：链路入口，通常为首次写入
- 写（Step 6）：读取现有 state → 若 current.status=="done" 推入 history（保留5条） → 合并写 current，顶层不写 status

📦 forward_deduction 字段结构 🔒

{
  "persona": {"id":"P-GX-002","name":"通勤产业驱动型","type":"刚需首套",
              "l1":"刚需首套","pain_point":"离上班太远通勤累","credibility":"⭐⭐"},
  "sub_persona_id": "P-GX-002",
  "three_anchors": {"price_anchor":"🏠低锚+👥错锚",
    "info_cocoon":"🎵抖音碎片+📊贝壳半专业",
    "social_network":"🏝️孤岛型+🤐冷战"},
  "deduction_6steps": {"result":"通勤半径内买对房", "persona":"刚需·小吴",
    "pain":"离上班太远通勤累", "cause":"没按工作地反推通勤半径",
    "old_way":"盲目看房不量通勤", "solution":"以产业盘为圆心锁通勤半径→匹配周边房源"},
  "hook_lead_pairs": [
    {"type":"痛点","hook":"是不是每天通勤累到不想看房？",
     "lead":"从通勤痛点滑到\"以产业盘为圆心锁半径\"的正文第一段过渡",
     "priority":"normal",
     "fact_claim":"", "verification":{"status":"n/a","sources":[],"hedge_text":""},
     "platform_variants":{"douyin":"通勤累到不想看房？","shipinhao":"每天通勤累到不想看房？"}},
    {"type":"热点·情绪","hook":"（热点钩子）","lead":"（热点→本地痛点引线）","priority":"hot",
     "fact_claim":"借热点写钩子用到的具体事实（带日期/数字/范围/引述）",
     "verification":{"status":"unverified","sources":[],"hedge_text":""},
     "platform_variants":{"douyin":"（禁数据）","shipinhao":"（可含数字+板块）"}}
  ],
  "structures": [{"code":"K","name":"避坑清单","priority":1}],
  "requirement_drill": {
    "triggered": true,
    "angle_type": "楼市信号灯",
    "L0_5_intent": "真诚",
    "L1_surface": "这个信号说了什么",
    "L2_confusion": "为什么别人解读错了",
    "L3_anxiety": "看到房价涨了想冲进去，手又缩回来",
    "L3_sensory": "手伸出去又缩回来——怕追高又怕踏空",
    "reversal_beat": {
      "common_belief": "降价就是捡漏机会",
      "data_truth": "降价的盘往往是最难卖的盘",
      "position": "after_L3"
    },
    "L4_need": "要正确的判断框架",
    "L4_5_ruler": "①价格锚定偏离 ②供需倍率(3.9x) ③在售周期(206天)",
    "L0_seeds": ["降价的盘为什么不能碰","三信号识别真降价"],
    "v_node_ids": ["V_原话_网上便宜现实买不到_01"]
  },
  "_meta": {
    "trigger_hash": "a1b2c3d4",
    "trigger_raw": "用户给的选题关键词原文",
    "generated_at": "2026-07-11T22:00:00+08:00",
    "stale": false,
    "bounce_count": 0
  }
}

> ⛔ 下游契约：选题结构读 persona(含 L2 子画像 id)+structures · 脚本生成读 deduction_6steps+hook_lead_pairs(含 lead/platform_variants/priority)+three_anchors+requirement_drill（v2.8 起 script 读 drill 映射情绪弧线） · 选题关 3.7 锐度闸门弹回→正推构思走重钻分支（_meta.bounce_count≤2 内重钻，≥2 降级） · 复盘闭环读 sub_persona_id(L2) 路由评论 → 画像📥验证记录 · 任一缺失 → 下游终止（requirement_drill v2.7 为可选，v2.8 升级为必写）。

Step 0：模式判断

🔌 03_Output 快速通道

当 creation-state.json 的 current.from_output 存在时（由 创作入口 Step2.5 注入），跳过 Step1–5，走精简但保质量的快路径：

from_output 快速通道（v2.8 · 补知识深度 + V_voices）
  │
  ├─ ✅ Step1 解析 → 跳过（卡片已有：标题/角度/人群）
  ├─ ✅ Step1.5 四层下钻 → 跳过（卡片已有：领域/决策锚）
  ├─ ✅ Step2 画像 → 跳过（卡片已有：人群）
  ├─ ✅ Step3 正推6步 → 跳过（卡片已有：角度=痛点+方案）
  ├─ ✅ Step4 钩子发散 → 跳过（卡片已有：钩子+引线）
  ├─ ✅ Step5 结构推荐 → 跳过（卡片已有：结构码）
  │
  ├─ 🔒 Step3.5 数据验证 → 必须执行
  │     逐个验证 data_points 中的 [src:TYPE:REF]
  │     → 实时查 DB（xuzhou_v3.db）→ 写入 creation-state
  │
  ├─ 🔒 V_voices 强制注入 → 必须执行（v2.8 P0-2）
  │     query_asset.py --type V --top 5
  │     → 筛选 ≥2 条与卡片领域/情绪匹配的客户原话
  │     → 注入 creation-state.consumed_v_voices
  │     无命中 → 标注 ⚠️ 并降级用 V_voices index 模糊匹配
  │
  └─ 🆕 Step3.6 知识富化 → 必须执行
        query_asset.py --root junqi-vault --all --tag {卡片domain+关键词}
        → 返回 Top 10 相关 02_Wiki 节点（M1-M5+V）
        → 筛选 ≥2 个非数据节点（M2方法 > V原话 > M4场景 > M1概念）
        → 注入 creation-state.consumed_knowledge

为什么需要 Step3.6：快速通道跳过正推构思的 Step1.5（四层下钻）+ Step3.5（vault查知识），不补这一步产出只有 DB 数字、没有知识深度——"数据够硬但洞察浅"。卡片告诉你价格差 2400，但没告诉你这 2400 在客户未来五年里意味着什么。

知识富化执行：

1. 读卡片 domain + 标题 → 构建搜索词
   → domain=二手房交易 + "对比" + "刚需" + 小区名

2. query_asset.py --all --tag {词} --top 10
   → 跨 M1/M2/M3/M4/M5/V 全类型返回

3. 筛选 ≥2 个非数据节点（按优先级）
   M2方法 > V原话 > M4场景 > M1概念 > M3规则 > M5卡片
   **🆕 相关性校验门**（v2.7 补丁·防错配）：

   对每个候选节点，必须在注入前逐条回答：
   ```
   ✅ 这条知识对「当前客户」的「当前决策阶段」有帮助吗？
      ├─ V原话：必须同决策类型（观望/看房中/已定）且同情绪（恐/贪/不信…）
      │         不同客户的原话不可照搬进另一个客户的台词
      ├─ M2方法：必须适用当前场景（二选一不能用单盘深耕方法）
      └─ M4场景：必须同场景类型（对比类vs单盘类vs政策类）
   ```
   **触发过门策略**：
   - 候选节点的决策类型/情绪/场景与卡片 mismatch → 剔除，不递补
   - 剔除后剩余 <2 个 → 允许仅保留1个（不强凑），写进 consumed_knowledge 时标注 `relevance: low`
   - 所有 candidate 全剔除 → 不注入，知识溯源留空，标记 `⚠️ 知识富化0命中`

4. 注入 creation-state
   {
     "consumed_knowledge": [
       {"id": "M2_xxx", "type": "M2", "why": "解码真实需求"},
       {"id": "V_xxx", "type": "V", "why": "客户原话锚点"}
     ]
   }

下游铁律：consumed_knowledge 中 ≥1 个方法的洞察必须写进脚本台词（不是挂在溯源段当摆设）。

查询模式（主模式）

Step 1：输入解析

提取：目标人群（刚需首套/改善置换/卖房业主/学区/投资保值/养老终极置业，未指定→自动推断 L1）、主导核心需求（价格/通勤/学区/时点/资产/赡养/传承，用于选定 L2 子画像）、事件/主题、紧急程度（热搜→快路径 / 常规→标准）、is_hot 标志（选题词含 热搜/快反/突发/今天/刚发生 → true，供 Step4 热点分支判定；⚠️ 勿依赖 _meta.trigger_raw，后者 Step6 才写）。
- fact_claims 提取：选题含热榜/事件/借来的具体事实（带日期/数字/范围/引述）→ 逐条预填 fact_claims[]，每条默认 verification.status="unverified"（核验规则见 hot-graft.md §热点事实双源核验铁律 + 审校收工 门9）。纯常识/定性选题 → 空。

📥 查询解析
人群(L1)：[刚需首套 / 改善置换 / 卖房业主 / 学区 / 投资保值 / 养老终极置业 / 自动推断]
主导需求(L2)：[价格 / 通勤 / 学区 / 时点 / 资产 / 赡养 / 传承 / 自动推断]
主题：[利率 / 新政 / 板块 / 砍价 / ...]
路径：[快路径 / 标准路径]
is_hot：[true / false]（含 热搜/快反/突发/今天/刚发生）
fact_claims：[热榜/事件中借来的具体事实断言列表（带日期/数字/范围/引述），默认 unverified；纯常识/定性选题→空]

Step 1.5：客户需求四层下钻 🔒 🆕 v2.8 全员覆盖

> 🔗 消费 junqi-vault 的 M2 方法 + V 原话，不复制方法正文（守 BRIDGE 铁律③）。
> 🆕 v2.8：此前仅"客户问题型选题"触发，导致非客户问题型跳过深度引擎。从现在起全员覆盖。

触发判定：Step1 解析后，所有选题均进入本步，不再区分类型。快速通道（from_output）跳过本步（由 Step3.6 知识富化 + 🔒V_voices 补齐）。

目的：把"选题关键词/数据反常"解码为"真实需求 + 情绪锚点 + 判断标尺"。

选题类型适配表（按 Step1 解析的主题域自动映射）：

动作（消费 vault，不复制正文）：
1. 取解码模板（M2）：
bash C:/Users/87800/.workbuddy/binaries/python/versions/3.13.12/python.exe \ "D:/Users/87800/Documents/Claw/junqi-vault/scripts/query_asset.py" \ --root "D:/Users/87800/Documents/Claw/junqi-vault" --type M2 --tag 下钻法
→ 定位 M2_客户需求四层下钻法 → Read D:/Users/87800/Documents/Claw/junqi-vault/02_Wiki/M2_methods/M2_客户需求四层下钻法.md 取完整方法体。
2. 按选题类型适配表对该选题逐层下钻（必钻，不可跳层）：
- L0.5 意图确认：判选题意图（真诚/反讽/试探）。
- L1 表面问题：按适配表映射，不急于答。
- L2 认知困惑：点出"大多数人在这个问题上卡在哪里"。
- L3 情绪焦虑：点出"最怕发生什么"——必须从 V_voices 找一句客户原话锚定（见③）。
- L4 真实需求：要的是判断框架，不是信息。
- L4.5 判断标尺：3 个可操作的信号（必须含至少 1 个 DB 可查的量化指标）。
- L0 资产转化：这层洞察能衍生哪些选题系列。
- 🆕 L3.5 反转位：在 L3（焦虑）和 L4（需求）之间，插入一个"你以为 X，其实 Y"的翻转——把大众常识和数据真相正面撞一下。这是结构必需节拍，缺则内容深而不跌。

⑤ 🔒 L3.5 反转位生成（v2.8 尾·防深而不跌）：
从 L2（认知困惑）中提取"大众常识"→ 从 L4.5（判断标尺）中提取"数据真相"→ 构造一个翻转句。格式：
common_belief: "大多数人以为的常识（≤15字）" data_truth: "数据告诉你的相反结论（≤15字）"
例：
- 矿井供冷：常识="废弃矿井是工业伤疤" / 真相="它是全中国最便宜的空调"
- AI 房贷：常识="AI 会让收入降低" / 真相="现在签 30 年房贷的人，赌的不是 AI 不来，是 AI 来的时候自己有 12 个月现金"

3. 🔒 V_voices 强制锚定 L3（v2.8 新增，替代旧版"仅客户问题型拉 V"）：
   bash C:/Users/87800/.workbuddy/binaries/python/versions/3.13.12/python.exe \ "D:/Users/87800/Documents/Claw/junqi-vault/scripts/query_asset.py" \ --root "D:/Users/87800/Documents/Claw/junqi-vault" --type V --emotion 恐 --stage 看房中
   → 命中 ≥1 条 V 原话作为 L3 情绪锚点。若 --emotion 恐 无命中→换 焦虑、不信、犹豫 重试。强制要求 ≥1 条 V 命中，无则标 ⚠️ V_voices 0命中（不阻断但下游标注）。记录所有命中的 v_node_ids。

🔒 感官转译规则（v2.8 尾·防体感蒸发）：
从匹配的 V 原话中提取 ≥1 个具体感官瞬间（动作/身体感受/场景细节/原话里的比喻），直接写进 L3_anxiety 和 L3_sensory 字段。
```
禁止写成抽象情绪标签：
❌ "用户害怕高位接盘"
❌ "用户感到焦虑不安"

必须写成感官画面：
✅ "看到房价涨了想冲进去，手又缩回来" ← 动作
✅ "置业顾问说再不买就没了，手心出汗但不敢签" ← 身体感受
✅ "像站在悬崖边，往前一步是亏，退后一步是错过" ← 原话比喻
> ⛔ 若 V 原话本身缺乏感官细节 → 从上下文推断一个具象场景，标注 `[推断]`。**绝不允许**回退到抽象总结。 4. 把下钻结论写进 `forward_deduction.requirement_drill`：json
"requirement_drill": {
"triggered": true,
"angle_type": "楼市信号灯",
"L0_5_intent": "真诚",
"L1_surface": "按适配表映射",
"L2_confusion": "受众卡在哪一步",
"L3_anxiety": "感官画面（动作/身体感受/场景）",
"L3_sensory": "从V原话提取的具象瞬间（手缩回来/手心出汗/站在悬崖边）",
"reversal_beat": {
"common_belief": "大众常识",
"data_truth": "数据真相",
"position": "after_L3"
},
"L4_need": "要什么判断框架",
"L4_5_ruler": "①信号A ②信号B ③信号C（至少1个含DB量化值）",
"L0_seeds": ["衍生选题1","衍生选题2"],
"v_node_ids": ["V_原话_xxx_01"]
}
```

下游契约：选题结构（S2）读 requirement_drill.v_node_ids → 调 query_asset.py --type V 拉原话做决策校验。脚本生成（S3）读完整 drill → 按 L1→L4 映射情绪弧线 + 在 L3→L4 之间插入 reversal_beat 作为脚本必需反转节拍。

🔍 需求四层下钻 · {angle_type}
L0.5 意图：{真诚/反讽/试探}
L1 表面：{...}  L2 困惑：{...}  L3 焦虑：{...}
L4 需求：{...}  L4.5 标尺：{...}
L0 选题种子：{N}篇
V原话锚定：{v_node_ids}（≥1条）

🔄 弹回重钻分支（v2.8 · 接收端·防死循环）

> 由选题关 Step 3.7 锐度闸门弹回触发。弹回携带 divergence_seed 变异源——改变重钻输入采样，使二次产出≠首次，打破死循环。

触发判定：forward_deduction._meta.bounce_count > 0 且存在弹回信号（选题关传入 target_layers + divergence_seed）。

变异源处理：
| divergence_seed | 动作 | 影响层 |
|-----------------|------|--------|
| v_rotate | 换 2 条 V_voices 样本（跳过首次命中的 v_node_ids） | L3, L3_sensory, reversal_beat |
| db_refresh | 重查 DB 取新量化值 | L4_5, reversal_beat |
| alt_angle | 换 L2 切角（从适配表旁路一个候选切角） | L2, L3, L3_sensory, reversal_beat |

重钻规则：
1. 只重钻 target_layers 指定的层级（级联），未指定层沿用首次结果
2. reversal_beat.position 固定 "after_L3"，禁止漂移
3. 重钻后更新 requirement_drill，写回 forward_deduction
4. _meta.bounce_count +1

防死循环：bounce_count ≥ 2 仍不通过 → 标记 锐度待补 降级进下游，不阻塞管线。

🔄 弹回重钻 · 第{bounce_count}次
弹回原因：{fail_reasons}
变异源：{divergence_seed} → 重钻层：{target_layers}
→ 更新 requirement_drill → 回传选题关 3.7 重判

Step 1.6：决策追踪采集 🔒 🆕 v2.9

> 依赖：.workbuddy/skills/_shared/creation_trace_collector.py + .workbuddy/data/clue-library.json
> 目的：记录创作时的决策依据，供复盘时校准判断力（非验证规则效果）

触发条件：clue-library.json 存在 → 执行；不存在 → 静默跳过

动作：
1. 加载注入面板：from creation_trace_collector import load_injection_panel; panel = load_injection_panel()
2. 向用户展示 Top4 线索面板（参考，非指令——用户可随时覆盖）
3. 采集决策：①参考了哪几条线索 ②每条做了什么 ③覆盖了哪几条+理由 ④发布前预期区间 ⑤特殊情境备注
4. 构造 trace：from creation_trace_collector import collect_trace; trace = collect_trace(video_id, user_input)（内部调 _validate，失败抛 ValueError→提示重填）
5. 不在此处写盘——将 trace 暂存会话，Step6 末尾一并写入

> 不变量：①consulted_clues ID 必须存在于 clue-library.json ②decisions.clue_id ⊆ consulted_clues ③overrides 与 consulted 互斥 ④预期间含 shipinhao_completion + douyin_2s_drop ⑤所有字符串非空

输出：

📝 决策追踪采集完成 · {N}条参考 · {M}条覆盖 · 预期区间已记录

Step 2：画像匹配 + 质量自检门

Read references/persona-library.md → 先按人群匹配 L1 主原型（指定→直接取，未指定→推断），再按「主导核心需求」从该类下选定 L2 子画像（persona.id 取 L2 子画像 ID，如 P-GX-002；同时写顶层 sub_persona_id）。子画像缺数据(🔴级)→提示补料，不阻断。

🔒 画像质量自检门（Q1/Q2/Q3·不阻断·只分级）

> ⚠️ 术语澄清：此处 Q1/Q2/Q3 = 画像质量可信度等级（Q1最高），与上文画像层级 L1 主原型 / L2 子画像 是不同概念，勿混。

扫描 triggers/active/ → Read index.json 按 {人群} {痛点} 匹配触发器 → Read 命中文件提取内容。索引若超过 24h 未更新，先运行 python junqi-vault/scripts/rebuild_index.py --root D:/Users/87800/Documents/Claw。

> L3 不阻断——分级标注让链路能跑，下游知道画像"未经证实"，审校重点查。L3 画像在审校收工 Step 7 自动回投 triggers。

🔍 画像质量自检
搜索：04客户问题(57条) + 00钩子B/D类
关键词：{人群} {痛点}
命中：04 {N}条 + 00 {M}条
判定：🟢Q1 / 🟡Q2 / 🔴Q3 · 可信度 ⭐⭐⭐/⭐⭐/⭐

Step 2.5：三锚定位 🔒

Read references/psychographic-depth.md → 查三锚定位（价格锚点/信息茧房/社会网络）→ 注入正推6步。

🎯 三锚定位：{L2-ID} {子画像名}（L1：{主原型}）
   价格锚点：{锚点类型}
   信息茧房：{信息源}
   社会网络：{网络类型}
→ 正推6步调整：③痛点破旧锚 · ④原因破信息茧房 · ⑤老办法破熟人经验 · ⑥方案匹配社会网络 · CTA定制

🔒 three_anchors 编码校验规则（v2.8.3 · P0.7）
  emoji 编码须严格合法，与 persona.type 一致：
    价格锚   ∈ {🏠低锚, 🏡中锚, 🏦高锚}
    信息茧房 ∈ {🎵抖音碎片, 📊贝壳半专业, 📺新闻通勤}
    社交网络 ∈ {🏝️孤岛型, 👥错锚, 🔗圈层型}
  ❌ "🏠低锚+👥错锚" 中 emoji 与 persona.type 不匹配
  ✅ persona.type=="刚需首套" → 价格锚=🏠低锚
  判定：编码非法（不在合法集 / 与 persona 不一致）→ 生成失败，须重写

Step 3：正推6步匹配

Read references/forward-deduction-map.md → 按主题匹配（精确→模糊→现场生成）。

🔒 deduction_6steps 五子属性规则（v2.8.3 · P0.7）：
① result（结果承诺）：须"动作+可交付物"，禁止空洞态度
② pain（痛点）：须含感官画面（动作/身体感受/场景），禁止抽象标签
③ cause（原因）：须专业判断（机制/数据因果），禁止常识复述
④ old_way（老办法）：须带"后果锚"——老办法→导致的可量化损失
⑤ solution（方案）：须3-5条可执行步骤，每条含具体动作+量化标尺
任一子属性不合格 → 整段重写（divergence_seed="sixstep_rewrite"）

📐 正推6步
① 最终结果：[用户要什么]
② 用户画像：[谁在乎这件事]
③ 痛点：[什么让他们焦虑——拍出画面]
④ 底层原因：[为什么——专业判断]
⑤ 老办法：[他们现在怎么做——制造认知冲突]
⑥ 解决方案：[你能给什么——3-5条可执行]
来源：[精确匹配 / 画像推导 / 现场生成]

Step 3.5：数据注入 🔒 四级路由

> 📖 完整协议 + SQL 模板 → Read ../_shared/db-access-guide.md §二+§三。
> 画像中的 {{tag}} 占位符必须替换为当前真实数据。

四级路由：①本地SQL(xuzhou_v3.db) → ②常青库(wiki/) → ③联网搜索 → ④Agent经验值。
口诀：均价成交→①SQL / 利率税费→②常青库→超30天→③联网 / 无匹配→标注⚠️缺失，不伪造数据。

Step 4：钩子+引线对生成 🔒（源头耦合）

① 热点判定：读 Step 1 已解析的 is_hot（≠_meta.trigger_raw，后者 Step6 才写）。
② 钩子素材：
- is_hot=true → Read references/hot-graft.md，调「热点三棱镜解析」（情绪/争议/反差/可迁移点）→ 提炼热点钩子素材，标 priority:"hot"
- is_hot=false → 用正推6步 ③痛点/④原因/⑤老办法/①结果 作素材，priority:"normal"
③ 产出 hook_lead_pairs（每条钩子必配 lead，禁止只产开场不产过渡）：
- 每条生成 platform_variants：抖音禁数据陈述（铁律#9）/ 视频号可用数字+板块
- lead = 该钩子→正文第一段的引线设计（桥接逻辑+情绪铺垫），供脚本生成 Step3 消费

🔒 热点·情绪类 hook 结构规则（P0.6 · 防两层直跳）：
type=="热点·情绪" 的 hook 必须三层递进，禁止热搜→本地两层跳：
```
① 热搜是什么（一句话交代事实，带具体数字/元素）
② 核心提炼（抽象出与本地受众相关的通用规律）
③ 本地映射（落到徐州具体板块/楼盘/人群决策）

❌ "天津北京1.5h房租省一半上热搜——徐州大庙20分钟"（缺②提炼层）
✅ ①天津北京1.5h房租省一半 → ②说的是用通勤换房价 → ③大庙到新城20分钟

判定红线：hook 或 lead 出现"热搜X→本地Y"直接映射无中间层 → 不合格
时长约束：①②总共15秒内（一句话热点+半句话提炼）→ 立即落③本地
```

🔒 lead 生成规则（P0.5 · 防元语言）：
lead 必须是脚本可直接念出的真实过渡台词，禁止写成对 Agent 的描述性注释。
判定：含"引出/过渡到/→/承接/铺垫/引入"等元语言标记 → 🔴不合格 ❌ "热搜跨城通勤→引出徐州大庙的真实账本"（元语言·Agent 被锁死） ✅ "你有没有想过——徐州也有这种地方？大庙到新城区只要20分钟？" 合格标准：lead 包含反问钩子(？/吗/呢)或具体数字冲击
- is_hot=true 的 hot pair：从 fact_claims 取对应事实断言填入 fact_claim，并生成 verification{status, sources[], hedge_text}（默认 unverified，待审校收工 门9 双源核验）；纯定性热点（如"XX刷屏"）fact_claim 可空但须标 status="n/a"
- is_hot=false 的 normal pair：fact_claim=""、verification.status="n/a"
④ 总数 6-12 对，热点路径默认热点对置顶

🪝 钩子+引线对（节选）
【痛点·normal】hook:"{从③}" | lead:"{从③}→{⑥方案}的过渡" | 视频号:"{含数字}" | fact_claim:"" | verification:{status:n/a}
【热点·hot】hook:"{热点三棱镜}" | lead:"{热点}→{本地痛点}的过渡" | fact_claim:"{具体事实断言}" | verification:{status:unverified} | 抖音:"{情绪钩禁数据}"
   ```

   🔒 platform_variants 平台铁律耦合（v2.8.3 · P0.7）：
   各平台 variant 须遵守铁律#9 源头耦合：
     douyin  : 禁裸数字/板块名（钩子允许除外），口语化
     shipinhao: 可含数字+板块，但须与 base 事实一致
   红线：variant 不得为迎合平台而篡改 base hook/lead 的事实或数字
   ❌ douyin variant 含"铜山区均价8500"（裸数字违规）
   ✅ douyin:"不用1.5小时，只要20分钟"（口语化，无裸数）
   判定：违反平台铁律 或 事实漂移 → 重写该 variant

### Step 5：结构推荐

Read `references/hook-matching.md` §结构配对表 → 按钩子类型+主题推荐 A-O 结构（2-3 个候选）。

🏗️ 结构推荐
| 优先级 | 结构 | 理由 | 情绪配方 |
|:--:|------|------|---------|
| 1 | X·名称 | 钩子匹配+数据密度 | 😰→🤔→😌 |

### Step 6：写回 + 自动路由 🔒

写入 `current.forward_deduction`（合并模式），设置 `current.status="forward_complete"`。**同时写入 `_meta` 子对象**：`trigger_hash`（选题词归一化 SHA1 前8位，算法见下）、`trigger_raw`（选题词原文）、`generated_at`（ISO8601 当前时区）、`stale=false`；默认写 `current.web_verify_pending=false`（v2.4 双源核验·门9 阻断时由审校收工置 true）。
> 📎 `_meta.trigger_hash` 算法：`re.sub(r'[\s\p{P}]+','', 选题词).lower()` → SHA1 → 取前8位（与 `创作-前置扫描/scripts/check_fd_freshness.py` 同一算法，保证一致性）。

✅ 第0关完成 · 画像[{P-ID}] · 可信度[{⭐}]
正推6步：痛点[{pain}] · 方案[{solution}]
钩子+引线对：[{N}]对 · 结构：[{M}]个

**路径判定**（复用 Step1 的 `is_hot`，与 Step4 同源）：
> `is_hot=true` → 快路径：`Skill("创作-选题结构")`
> 否则 → 标准路径：`Skill("创作-前置扫描")`

🔒 禁止停在移交文本等用户。

> 🆕 **Step 6.1：决策追踪写回（v2.9）**
> 若 Step 1.6 采集了 `creation_trace`，在写回 creation-state 后追加：
> ```python
> from pathlib import Path; import sys
> sys.path.insert(0, str(Path("C:/Users/87800/.workbuddy/skills/_shared")))
> from creation_trace_collector import patch_trace
> patch_trace(video_id, trace)
> ```
> 失败则打印 ⚠️ 警告，不阻断写回（追踪是增强项，非必须项）。

---

## 被动模式

被 @创作-前置扫描 调用 `Skill("正推构思", "匹配 {关键词}")`。

**返回（精简版）**：

🎯 第0关匹配
画像：[P-ID] {人群}
正推摘要：痛点={} · 方案={}
推荐钩子：[TOP3] · 推荐结构：[TOP2]

---

## 创作链路集成

创作链路 v3.0

数据流：
triggers(B/D/F类) ──→ 正推构思(画像增强) ──→ 脚本生成(顾客语言注入)
数据库(xuzhou_v3.db) ──→ 正推构思(数据注入) ──→ 脚本生成(真实数字注入)

标准创作：
@创作入口 → @正推构思(查询模式) → @创作-前置扫描
→ @创作-选题结构 → @创作-脚本生成 → @创作-审校收工

热点快反：
@第0关 XX热搜 → 正推构思(查询) → 快路径 @创作-选题结构 → 脚本生成 → 审校收工

画像维护：@画像管家（独立技能·自动路由）
```

示例

示例1｜标准：@正推构思 刚需首套怕利率再降 → Step1 解析(标准) → Step1.5 四层下钻（信号灯适配表）→ Step2 画像🟢Q1 → Step2.5 三锚 → Step3 正推6步 → Step3.5 注入月供(xuzhou_v3.db) → Step4 钩子+引线对 6-12 → Step5 结构 K·避坑清单 → Step6 写回→路由前置扫描
示例2｜热点快反：@第0关 今天央行降准 → is_hot=true → 快路径直路由 选题结构（跳过前置扫描）
示例3｜被动：被前置扫描调用 → 返回精简版（画像+正推摘要+TOP3钩子+TOP2结构）

版本

❓ 常见问题与反模式

• Q1 卡住不返回？ 先查灵感田；超时→降级跳过灵感田用画像库；画像管家不可用→默认模板继续。
• Q2 画像选错？ Step0 说"用 P-GX-001"切换，或 @画像管家 维护 后重路由。
• Q3 方向重复？ 排重归前置扫描，正推只给最匹配方向。
• 🚫 反模式：❌跳过Step0画像匹配 / ❌正推6步伪造数据 / ❌路由画像管家漏模式参数