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

  1. 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
你最关心答案
多少钱按 tokens 计费,一次生成 30 条标题通常几千 token,成本很低
要多久一次调用出一批,实测十几秒到一分钟(取决于模型与条数)
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
支持哪些平台小红书 / 抖音 / 公众号 / 知乎,字数上限与语感口径各不相同
会瞎编数据吗不提供 --evidence 就不许编数字,提示词里写死了这条约束

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

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(gen --json --out titles.json 可直接喂给 ab);JSON 模式下 stdout 只有一个完整 JSON,人读的进度与提示走 stderr
--out <文件>把结果写到文件
--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 0.8;想要更发散用 1.0,想更稳用 0.5
--max-tokens最大输出 token,默认 4096;生成 30 条标题建议不低于 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)

gen —— 生成并打分

参数说明
--topic必填。主题 / 产品 / 选题
--platformxiaohongshu(默认) / douyin / wechat / zhihu
--count要几条标题,默认 30
--product产品名(与 topic 不同时用)
--audience目标人群
--evidence可用的真实证据(实测数据 / 检测报告)。没写就不许编数字

score —— 给已有标题打分

参数说明
--titles "标题1" "标题2"直接给标题,可多条(也可直接跟在命令后当位置参数)
--file <文件>从文件读:.txt 一行一条;.json 读 gen --json 的结果
--platform按哪个平台口径打分,默认 xiaohongshu

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

参数说明
--file <文件>gen --json --out 的结果文件(推荐用法)
--titles ...也可直接给标题(此时按默认分配对)
--platform平台口径;用 --file 时默认跟随文件里记录的平台
--pairs最多给几对,默认 5

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

参数说明
--type模型类型,默认 text;传 all 看全部在架模型
--json原始 JSON

四维评分与权重

维度权重打分依据
点击欲望35%陌生人刷到会不会停一下
信息量25%看完标题是否知道能得到什么
平台适配25%字数上限与语感口径(超字数会被强制压分)
合规15%绝对化用语 / 虚假承诺 / 医疗投资功效 / 站外导流(命中会被强制封顶);模板污染也计在这一维

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)

退出码含义
0全部干净
3有标题命中违禁词,或有模板污染(结果已输出,必须人工复核后才可发布)
4调用失败(网络 / 鉴权 / 点数 / 模型名)
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: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

平台上限(字符)语感口径
xiaohongshu20口语、真诚、像朋友安利,emoji 最多 2 个
douyin15前 3 个字出冲突或悬念,口语到能直接念
wechat25双段式或完整句,偏理性克制,有信息势能
zhihu25专业、有信息密度,提问或结论前置

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"):

平台上限实测均字数占上限
小红书2010.8 ~ 12.454% ~ 62%
抖音159.2 ~ 9.361% ~ 62%
公众号2514.8 ~ 16.859% ~ 67%
知乎2514.9 ~ 15.860% ~ 63%

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):

平台加约束前加约束后变化
小红书11.611.9+2%(两轮 13.0 / 10.8,轮间差 2.2 字)
抖音9.211.0+19%(最有效的平台)
公众号15.817.6+11%
知乎15.414.9-3%(反向)

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。

  1. 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。

  1. 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

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
鉴权失败(401)A7W_API_KEY 为空或含空格echo $env:A7W_API_KEY 检查;用 --key 临时覆盖验证
模型返回的不是合法 JSON模型在 JSON 前后多吐了字符或解释脚本已用 json.JSONDecoder.raw_decode 扫描第一个完整对象。仍失败就加 --no-json-mode 并换模型
模型没产出任何可用标题输出被 max_tokens 截断加大 --max-tokens(30 条建议 4096 以上),或减小 --count
标题全部挤在 8 分以上模型没在区分,标尺漂移把 --temperature 提到 1.0 重跑,或换一个模型
标题超字数很多模型无视字数上限脚本已把超限标题的平台适配分强制压到 5 分(超 5 字以上压到 3 分)并标注超字数
标题里出现「结论前置:」这类公式名模型把公式名当成了标题前缀脚本已把它判为模板污染:合规维封顶到 3 分、标红、退出码 3。删掉公式名前缀即可发布
大量标题命中违禁词主题本身涉及医疗 / 金融等高压类目见 references/compliance.md,改动文案角度,或直接人工重写
PermissionError / [Errno 13]输出目录不可写换 --out 路径;确认不在只读目录里跑
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。
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

用途方法与路径
大模型对话(本包全部能力都走这个)POST https://api.a7w.cn/api/v1/chat/completions
模型清单GET https://api.a7w.cn/api/v1/models

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。

同类文章