三剪客 · 风格克隆体
## ⚠️ 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
学一个账号的调性,然后按它写。
喂 3~20 篇同一个账号的稿子 → 抽出风格档案(全是数字)→ 按档案写新稿 →
风格一致性自检(新稿逐指标 vs 档案)→ 迭代到贴合。
它替代的是这么一件事:矩阵号、代运营、品牌统稿,都需要"把这个号的调性复制给另一个写手"。
常见的做法是甩几篇范文过去说"照着写",或者写一句"让模型模仿这个风格"。
这两种做法都没有验收标准——"像不像"没人能反驳,也就没人能用它做门禁。
本包换了个做法:
| 常见做法 | 本包 |
|---|---|
| "照着这几篇的调性写" | 抽出一份数字档案:平均句长 23.8、带宽 ±15、第一人称 77%… |
| "读起来挺像的" | 新稿的每一项重新数一遍,逐项给偏差值,超出容差就标红 |
| 容差拍脑袋定 | 容差由样本自身的偏差分布自标定,并打印自证通过率 |
| 抄范文也算"学会了" | 三层判据 + 片段级有序覆盖,把"搬样本原句"抓出来 |
这个包存在的理由,是"像不像"可以被证伪。 见下面「可测量,还是读起来像」一节——
那里有反例测试的实测数字。如果指标区分不了同风格与异风格,这个包就不该存在。
| 你最关心 | 答案 |
|---|---|
| 多少钱 | 只调大模型。实测一次 all(2 轮迭代)4715 token;单次 write 约 2500 token。很便宜 |
| 要多久 | 抽档是纯本地、零成本、秒级;单次 write 实测 5~8 秒 |
| 要装什么 | 什么都不用装。只用 Python 标准库,不需要 pip install 任何东西 |
| 抽档要钱吗 | 不要。 profile / verify / diff / baseline 全是纯本地统计,不调模型 |
| 抽档靠模型吗 | 不靠。 档案里的每一项都是本地数出来的,模型插不进话——所以同一批样本抽两次,档案逐字节相同 |
风格档案长什么样(每一项都能在新稿上重新数)
| 类别 | 指标 |
|---|---|
| 句长分布 | 平均句长 + 带宽、句长标准差、篇间离散、中位数、p10/p90、短句(≤12字)占比、长句(≥30字)占比 |
| 段落节奏 | 平均段长 + 带宽、最长段、序数开头段占比(一、/1./第一,) |
| 人称分布 | 我/我们、你/你们、他/她/他们的占比,以及主导人称与逐篇投票 |
| 标点密度 | 每百字:叹号 / 问号 / 省略号 / 破折号 / 冒号 / 引号 / 逗号 / 顿号 / 全部 |
| 词组密度 | 每百字:缓和词(其实/大概)、转折词、序数词、顺承词、比喻词 |
| 口头禅 | top-5,按"出现在几篇里"排序(跨篇复现的才是调性,单篇复读的是内容词) |
| 开场套路 | 逐篇句式类别 + 票数:疑问式 / 场景对白 / 时间切入 / 第一人称叙事 / 共鸣现象式 / 数据切入 / 结论前置 / 陈述式 |
| 结尾套路 | 逐篇句式类别 + 票数:行动召唤 / 鼓励收束 / 价值升华 / 留白反问 / 总结归纳 / 回扣开头 / 平铺收束 |
| 自相似基线 | 样本两两风格指纹相似度(均值/最低/最高)+ 自相似阈值(判"算不算同一个账号") |
| 容差自标定 | 每个指标的容许偏差倍数(dev_limit)+ 样本观测到的最大相对偏差 |
反例(模型形容词)在本包里一个都没有。档案里出现"幽默风趣"这种词,
就意味着下一句只能靠感觉——那就没法验收。
可测量,还是读起来像
这是本包唯一值得你花时间看的一节。**如果 verify 的指标区分不了"同风格"与"不同风格",
那它就是假绿,这个包的卖点不成立。** 所以本包把"能不能区分"做成了可重复的实测。
实测设置:6 篇同一作者/同一账号的样本(推广长文体,均 ~1850 汉字),
档案从这 6 篇抽出;对照组是 4 篇别的风格的稿子(学术论文体,均 ~600 汉字)
——主题同样在"视频画质/内容运营"这个圈里,只换调性。
| 被测稿子 | 一致度 | 偏离项 | verify 结论 |
|---|---|---|---|
| 样本 1~6(同账号,逐篇) | 86.0 ~ 93.0 | 0 / 26 | ✅ 全部通过(6/6) |
产出的新稿(all 第 2 轮,跑通的那次) | 80.6 | 0 / 26 | ✅ 通过 |
同一产线重跑一次(all 第 2 轮) | 57.6 | 4 / 26 | ❌ 拦下 |
| 异风格 01 | 10.3 | 10 / 26 | ❌ 拦下 |
| 异风格 02 | 19.4 | 8 / 26 | ❌ 拦下 |
| 异风格 03 | 37.7 | 6 / 26 | ❌ 拦下 |
| 异风格 04 | 38.0 | 6 / 26 | ❌ 拦下 |
1. 同风格样本 6/6 全过。 这是容差自标定的自证:容差就是按"样本自己必须先过得去"定的。
如果同账号的样本自己对不上自己的档案,那这份档案就是假的,后面所有结论都不用看。profile 与 baseline 都会打印这个通过率。
2. 异风格 4/4 被拦下。 这才是关键的一半。判"像"很容易,判"不像"才需要指标真的有判别力。
3. 判别力来自哪几项(异风格样本被拦的项):
| 指标 | 档案(同账号) | 异风格实测 | 相对偏差 |
|---|---|---|---|
| 平均句长 | 23.75 汉字 | 38.79 汉字 | 1.00(超容差) |
| 第一人称占比 | 0.77 | 0.00 | 3.83 |
| 第三人称占比 | 0.16 | 1.00 | 4.18 |
| 长句(≥30字)占比 | 0.32 | 0.64 | 2.15 |
| 平均段长 | 65.43 汉字 | 100.17 汉字 | 1.52 |
| 口头禅命中 | 需 ≥2 个 | 0 个 | 1.00 |
4. 花 token 的独立检验(不依赖本包的指标)。 本地指标只能证明"数字对上了",
不能证明"读起来像"。所以做了一次盲判:把 3 篇样本的首尾片段当"作者原文"给裁判模型,
再给三份候选——本包产出、别人的稿子、同一作者的另一篇样本——打乱顺序,问"哪几份同一人写的"。
两轮(不同顺序)结果一致:
| 候选 | 第 1 轮(顺序 CAB) | 第 2 轮(顺序 BCA) |
|---|---|---|
| 本包产出 | same_author=True,8/10 | same_author=True,7/10 |
| 别人的稿子 | same_author=False,1/10 | same_author=False,1/10 |
| 作者另一篇原文 | same_author=True,9/10 | same_author=True,8/10 |
裁判给出的可指认证据(原文引用):
"开场同样是具体场景+身体细节的第一人称(「手心是潮的」),与原文「我盯着后台看了很久」同款;
核心修辞是「不是A,是B」的重新定义句……"
—— 与本包的指标(第一人称 77%、开场句式、句长带宽)指向同一批证据。
5. 所以答案是:真的可测量。 但要说清可测量的边界:
换风格后指标会塌,说明它测的是"调性"这一层(句长/人称/段落/标点/口头禅),
不是"主题"这一层。同风格但换选题,指标照样成立;换了作者的调性,指标塌得很明显。
6. 已知的假绿风险(写出来,不藏):容差是相对量,样本本身越齐,容差越紧;
样本本身很杂(比如一个号的稿子本来就有两种写法),容差会被撑宽,判别力下降。
所以 baseline 会打印自相似阈值与逐篇通过情况——**如果你的样本自相似阈值很低,
先用它筛样本,别急着写稿。**
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:抽风格档案(免费,不花钱)
把同一个账号的 3~20 篇稿子放进一个目录,然后:
python3 scripts/run.py profile --samples ./样本目录 --json --out profile.json
这一步不调模型、不花钱、不用 Key。 档案是数出来的:
平均句长 23.8 汉字(允许 8.8~38.7)
平均段长 65.4 汉字(允许 42.5~88.3)
人称占比:我/我们 77%|你/你们 7%|他/她 16%|主导人称:我/我们
标点密度(每百字):破折号 1.03|逗号 5.74|顿号 1.36
口头禅:「不超过」(14 次/6 篇)、「用多少」(9 次/6 篇)…
开场句式:疑问式×4、第一人称叙事×1、陈述式×1
同时会打印自证:6 篇样本套这份档案,通过 6/6 = 100%。
第 4 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 5 步:按档案写稿
python3 scripts/run.py write --profile profile.json --topic "短视频代运营的第一次报价"
想先看不花钱的提示词:
python3 scripts/run.py write --profile profile.json --topic "…" --dry-run
第 6 步:风格一致性自检
# 自检刚写出来的稿子
python3 scripts/run.py verify --profile profile.json --result 结果.json
# 拿**别人的**稿子来验(这就是反例测试)
python3 scripts/run.py verify --profile profile.json --file 别人的稿子.md
verify 会给一张逐指标对照表:档案值、允许区间、新稿值、偏差、相对偏差、结论。
超容差的项标红并进入 stderr 汇总,退出码变 3。
完整工作流
# 0) 先看样本之间像不像同一个账号(免费)——样本杂就别急着写
python3 scripts/run.py baseline --samples ./样本目录
# 1) 抽档(免费)
python3 scripts/run.py profile --samples ./样本目录 --json --out profile.json
# 2) 一条命令跑完:抽档 → 写 → 自检 → 迭代(要花 token)
python3 scripts/run.py all --samples ./样本目录 --topic "选题" \
--iterations 3 --outdir D:/styleclone/out
# 3) 只对照指标,不出结论(免费)
python3 scripts/run.py diff --profile profile.json --result 结果.json
直接用 curl 调(不依赖本包脚本)
本包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": "按这些指标写一篇稿子,只输出 JSON:平均句长 23.8、第一人称 77%…"}],
"temperature": 0.7,
"max_tokens": 4096,
"response_format": {"type": "json_object"}
}'
成功响应不带
code字段。 实测成功时返回的就是标准 OpenAI 形态
(id/object/created/model/choices/usage/system_fingerprint),"code" in payload为False。code==1那套信封只用于生成应用的响应,
不适用于本端点——所以别拿code判成败。
参数说明
全局
| 参数 | 说明 |
|---|---|
--key | 临时指定 Key;优先级最高。别把它写进脚本或文档 |
--json | 以 JSON 输出,写在子命令前面或后面都可以;JSON 模式下 stdout 只有一个完整 JSON,人读进度走 stderr |
--out <文件> | 把结果写到文件。--json 下写 JSON,否则写 Markdown |
--outdir <目录> | 产出目录。指到包内直接 exit=2 |
--model | 模型名,默认 deepseek-chat(实测可用)。用 models 现查在架模型 |
--temperature | 采样温度,默认 0.7 |
--max-tokens | 最大输出 token,默认 4096 |
--dry-run | 只打印将发送的提示词,不调模型、不花钱 |
--no-json-mode | 不要求上游返回 JSON 对象(个别模型不支持 response_format 时用) |
样本输入(profile / baseline / all / cost / verify 共用)
| 参数 | 说明 |
|---|---|
--samples <路径> | 样本目录或文件,可重复多次。目录会递归找 .md / .txt / .markdown |
--sample-files <文件> | 单个样本文件,可重复多次 |
--force | 样本自相似阈值过低时强行继续(默认拒绝,exit=2) |
样本量硬门槛:少于 3 篇拒绝抽档(exit=2);超过 20 篇只取前 20 篇并提示
(样本越多,档案越像"跨主题的平均值",平均值没有调性)。
profile —— 抽风格档案
纯本地统计,零成本,不调模型。 同一批样本抽两次,档案逐字节相同。
write —— 按档案写新稿
| 参数 | 说明 |
|---|---|
--profile <文件> | 必填。profile --json --out 生成的档案 |
--topic "选题" | 必填 |
--brief "要求" | 额外要求 |
--evidence "素材" | 可以使用的真实素材。没写就不许编数字 |
--price-in / --price-out | 单价(点/百万 token),配合 --budget 用 |
--budget <点> | 预算上限。超了就地中止,exit=5 |
verify —— 风格一致性自检(纯本地,零成本)
| 参数 | 说明 |
|---|---|
--profile <文件> | 必填 |
--result <结果.json> | write / all 的结果文件 |
--file <稿子.md> | 直接给一篇稿子 —— 拿别的风格的稿子跑就是反例测试 |
--text "正文" | 直接给正文 |
--samples <路径> | 可选;给了就额外做"与样本全文的相似度"防换皮检查 |
diff —— 指标对照表(纯本地)
输出档案 vs 新稿的并排指标表,比 verify 更简短,只列关键项。
baseline —— 自证与反例判据(纯本地)
打印:样本自证通过率、逐篇偏离项、风格指纹两两相似度、自相似阈值、
自标定出的每个指标的 dev_limit。
all —— 抽档 → 写 → 自检 → 迭代
| 参数 | 说明 |
|---|---|
--iterations <N> | 最多迭代几轮,默认 2;指标全过就提前停 |
| 其余 | 同 write(含 --budget) |
迭代不是单调变好的,所以本包保留"最好的一轮",不是最后一轮。
实测(同一批样本、同一选题、3 轮):
| 轮次 | 一致度 | 偏离项 |
|---|---|---|
| 1 | 47.7 | 5 |
| 2 | 71.0 | 1 |
| 3 | 75.8 | 1 |
第 3 轮和第 2 轮卡在同一批指标上,来回摆。如果最后吐的是"最后一轮",
产出质量就取决于轮数奇偶——所以记分规则是:偏离项少者优先,同分看一致度,
再同分保留更早的那一轮(少花钱)。采用哪一轮会写进结果(best_round)与 stderr。
cost —— 只算钱
| 参数 | 说明 |
|---|---|
--samples <路径> + --topic | 按样本集与选题估算 |
--from-result <结果.json> | 读真实调用记录里的 token 数(不是估算) |
--price-in / --price-out | 单价,单位「点/百万 token」 |
--budget | 预算上限。超了 exit=5 |
--iterations | 按几轮估算,默认 2 |
为什么不给默认单价:实测 GET /api/v1/pricing 的规则里不含文本大模型;GET /api/v1/models 的记录里也没有任何价格字段;chat/completions 的成功响应里usage 只有 prompt_tokens / completion_tokens / total_tokens,没有点数。
所以拿不到可信的文本模型单价,本包拒绝凭空编一个——
token 数我们估(实测标定),金额必须由你给单价。
models —— 列出在架模型
| 参数 | 说明 |
|---|---|
--type | 模型类型,默认 text;传 all 看全部 |
--json | 原始 JSON |
六道硬闸门
硬闸门 = 命中即拦截 + 标红 + stderr 汇总 + 退出码非 0。不许只警告。
| # | 闸门 | 判什么 | 退出码 |
|---|---|---|---|
| 1 | 合规 | 广告法违禁词;「最X」按可枚举语境豁免,句首不豁免 | 3 |
| 2 | 占位符残留 | {}、[待填]、XXX、(此处省略)、待补充、TODO/TBD、【待填】 | 3 |
| 3 | prompt_echo | 与提示词示例(样本首尾句)去标点后相等 / 字符二元组 Jaccard ≥ 0.75 / 覆盖度 ≥ 0.60;外加片段级有序覆盖 ≥ 0.75 | 3 |
| 4 | 风格偏离 | 新稿的每一项指标 vs 档案,超出自标定容差即拦,逐项列偏差值 | 3 |
| 5 | 样本量 | 有效样本 < 3 篇 → 拒绝抽档 | 2 |
| 6 | 成本上限 / 产出位置 | --budget 超限就地中止;--outdir/--out 指到包内 | 5 / 2 |
外加一项防换皮:新稿与样本全文的二元组 Jaccard ≥ 0.50 → 拦(≥ 0.35 只提示)。
为什么第 3 道闸门在本包里格外重要
本包的提示词里确实会放样本 —— 不放假样本,模型无从知道这个账号的句式长什么样。
但只放每个样本的开场句与结尾句(最多 2N 句),不放正文:
- 放正文 → 模型的最优策略就是"把样本改几个词",闸门会一直响,而它也确实没别的办法可用;
- 只放首尾句 → 模型必须自己造正文,这才是"学调性"与"抄样本"的分界。
代价是"把首尾句原样搬进新稿"变成最省力的写法,所以这道闸门在本包里不是防意外,
是防必然。三层判据(去标点相等 / Jaccard / 覆盖度)之外还加了片段级判据:
把示例原句后面接几个字(…就是没关系,第一步本来就是这样走出来的这个道理。),exact 不成立(不是完全相同)、jaccard 只有 0.53(够不到 0.75)、contain 被长度窗口挡住(目标 37 字 > 示例 16×1.5=24)—— 三条全漏,而人眼一看就是抄的。
所以补了一条"等长窗口 + 最长公共子序列"的有序覆盖判据:
| 形态 | 有序覆盖度 | 是否抓住 |
|---|---|---|
| 原句照抄 | 1.000 | ✅ |
| 原句 + 补 3 字 | 1.000 | ✅ |
| 原句揉进长句开头 | 1.000 | ✅ |
| 原句揉进长句中间 | 1.000 | ✅ |
| 同构改写(换 4 处词) | 0.778 | ✅ |
| 非照抄语句(133 条实测) | 最高 0.148 | 不误伤 |
阈值 0.75,两侧余量都在 5 倍以上。
退出码(可直接用于 CI)
| 退出码 | 含义 |
|---|---|
0 | 全部干净 |
2 | 参数/配置错误(样本不足 3 篇、--outdir 指包内、给了 --budget 没给单价) |
3 | 有硬闸门命中(合规 / 占位符 / 照抄示例 / 风格偏离 / 防换皮) |
4 | 调用失败(网络 / 鉴权 / 点数 / 模型名) |
5 | 预算超限,已就地中止 |
1 | 未预料的内部异常(--json 下给 kind:"internal" 信封 + stderr 完整 traceback) |
130 | 用户中断 |
--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: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
(风格偏离、照抄示例、预算超限都是这一类),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
容差是怎么定的(不是拍脑袋)
每个指标的容许偏差 = band × dev_limit,而 dev_limit 由样本自身的偏差分布标定:
- 先按标准口径(
dev_limit = 1.0)算出指标带宽band; - 拿每篇样本逐篇与(含它自己在内的)档案比对,记录每项的相对偏差;
dev_limit = clamp(样本观测到的最大相对偏差 × 1.5, 1.0, 2.0)—— 留 1.5 倍余量给没见过的稿子;- 类别型指标(开场/结尾句式):样本内部类别不统一 → 这一项放开。
这四步的意义是:同一个人写的稿子必须先过得去,闸门才有资格拦别人。
容差写死会出现两种坏结果之一——严到样本自己都过不去(闸门一直响,最后没人看),
或者松到什么都能过(那就是假绿,比闸门失效更糟)。
baseline 会把自标定结果整张表打出来,可以自己核。
排错
| 现象 / 报错 | 原因 | 怎么办 |
|---|---|---|
Missing or invalid relay API key(HTTP 401) | Key 无效、已过期或写错 | 重新到 https://api.a7w.cn/ 领取;确认没把 Bearer 重复写进环境变量 |
| 点数不足(HTTP 402) | 账号点数用完 | 到 https://api.a7w.cn/ 充值后重试 |
| 模型不存在(HTTP 404) | 模型名写错或已下架 | python3 scripts/run.py models 现查在架模型名 |
| 样本不足 3 篇(exit=2) | 有效样本 < 3 | 再补样本,或 --samples 多指一个目录。这是硬闸门,不是警告:宁可拒绝抽档,也不给一份不可信的档案 |
--outdir 指到了技能包内部(exit=2) | 产出目录在包里 | 换包外目录。包内只放文档与脚本,扩展名白名单只允许 .md .py .txt .json .sh .js .yaml .yml .csv,图片一律不许进包 |
给了 --budget 就必须给单价(exit=2) | 预算没有单价就没意义 | 补 --price-in / --price-out(点/百万 token) |
样本自相似阈值…疑似混了别的作者(exit=2) | 样本里混了不属于这个账号的稿子 | 用 baseline 看是哪一对相似度最低,把那篇剔掉;确认无误可加 --force |
| 风格偏离(exit=3) | 新稿的某些指标超出容差 | 看 stderr 的逐项偏差;用 all --iterations 2 让脚本把偏离项喂回模型定点修。别把闸门改成只警告 |
| 照抄示例(exit=3) | 新稿里有句子与样本首尾句太近 | 重跑;或在提示词侧调整(本包已禁止照抄,仍在抄说明模型在偷懒)。三层判据 + 片段级判据都会报 |
| 合规命中「最X」但你看不出问题 | 可能是程度副词作描述 | 最X 前一个字是计量类名词(量/率/数/分/位/条/次/段/部/集/页/个/天/月/年)且后面紧跟「的/之」时会豁免但登记(gates.compliance.exempted),报告里会说明;句首不豁免 |
| 合规命中「第一」,但那是在说"第一次/第一步" | 序数用法不是排他性宣称 | 已排除 第一次 / 第一步 / 第一天 / 第一周(实测误伤逼出来的排除项)。仍有残留就人工确认后放行,别改成只警告 |
模型返回的不是合法 JSON | 模型在 JSON 前后多吐了字符 | 脚本已用 json.JSONDecoder.raw_decode 扫第一个完整对象。仍失败就加 --no-json-mode 并换模型 |
模型没返回 choices / 产出为空 | 输出被 max_tokens 截断 | 加大 --max-tokens(长篇建议 4096 以上) |
| 换了在架模型后正文被截断、或只吐出一段思考 | models 列表里有推理模型,会先花 completion token 出思维链再给答案 | 用默认的 deepseek-chat(实测非推理、最快);非要用推理模型就把 --max-tokens 提高 1.5~2 倍 |
HTTP 200 但 model:null、内容为空、usage 为空 | 把 deepseek-flash(deepseek-chat 的路由目标名)当请求名用就是静默失败,状态码骗人 | 请求名用 deepseek-chat;要换模型就用 models 列表里的名字 |
| 档案文件不是合法 JSON(exit=2) | 用 profile --out 但没加 --json,写出来的是 Markdown | 加 --json,或用 --outdir(它会同时落 style-profile.json 与 style-profile.md) |
| 迭代到某一轮分数不再涨、甚至回退 | 定点修到天花板后来回摆 | 本包已保留"偏离最少的一轮"并在 stderr 说明采用了第几轮。想省 token 就 --iterations 2 |
| Windows 下中文乱码 | 控制台代码页不是 UTF-8 | 先执行 chcp 65001,或加 PYTHONIOENCODING=utf-8 |
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、退出码。
不要在报错信息或截图里带上你的 API Key。
文件结构
sanjianke-style-clone/
├── SKILL.md 本文件
├── README.md 给人看的说明
├── LICENSE.md MIT,署名三剪客
├── references/
│ ├── style-quantification.md 风格量化方法:每个指标怎么数、为什么这么数
│ ├── metrics-and-tolerance.md 指标口径与容差自标定、反例判据
│ └── compliance-and-troubleshooting.md 合规红线、违禁词、排错手册
└── scripts/
├── a7w.py api.a7w.cn 零依赖客户端(全族逐字节一致)
└── run.py 抽档 / 写稿 / 自检 / 对照 / 基线 / 成本 / 模型清单
端点速查
| 用途 | 方法与路径 |
|---|---|
大模型对话(write / all 走这个) | POST https://api.a7w.cn/api/v1/chat/completions |
| 模型清单 | GET https://api.a7w.cn/api/v1/models |
| 计费规则表(实测不含文本模型) | GET https://api.a7w.cn/api/v1/pricing |
协议是 OpenAI 兼容:Authorization: Bearer <Key>,请求体用model / messages / temperature / max_tokens / response_format。
profile / verify / diff / baseline 一个请求都不发,纯本地。
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/
- 风格量化方法:
references/style-quantification.md - 指标口径与容差自标定:
references/metrics-and-tolerance.md - 合规红线与排错:
references/compliance-and-troubleshooting.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。风格档案是统计描述,
不是对任何作者或账号的法律意义上的"风格归属"认定;样本的使用必须已取得合法授权。