| T-mn7qct5b | 消化「互动短剧选题筛选」的调研数据。skillName: topic-selector, targetAgentId: topic-selector。输入: data/workspace/innovator/topic-selector/hunt/（包含选题筛选方法论.md、选题数据参考.md）。按 l2-digest skill 执行：审查Benchmark→逐项标注→特征提取→完善Benchmark。产出到 data/workspace/innovator/topic-selector/digest/。评分标准：10分制，及格线9.0（90分） | ⬚ 未开始 | innovator | P0 | 2026-03-26 17:12 | - |
| T-mn7qj47v | 消化互动剧编剧领域的调研数据。skillName: interactive-drama-screenwriting, targetAgentId: abc:screenwriter。输入: /Users/yibo/Documents/LemonAI/lemonboss/data/workspace/hunter/screenwriter/。按 l2-digest skill 执行：审查Benchmark→逐项标注→特征提取→完善Benchmark。产出到 /Users/yibo/Documents/LemonAI/lemonboss/data/workspace/digester/screenwriter/ | ✅ 完成 | innovator | P0 | 2026-03-26 17:17 | - |
| T-mn97bkkm | 消化 weibo-scraper 的调研数据。skillName: weibo_scraper, targetAgentId: weibo-scraper。输入: /Users/yibo/Documents/LemonAI/lemonboss/workspace/weibo-scraper/hunt/。执行：审查Benchmark→逐项标注→特征提取→完善Benchmark。产出到 /Users/yibo/Documents/LemonAI/lemonboss/workspace/weibo-scraper/digest/ | ✅ 完成 | innovator | P0 | 2026-03-27 17:54 | - |
| T-mn97cr6s | 消化微博爬取调研数据。skillName: weibo_scraper, targetAgentId: weibo-scraper。输入: workspace/weibo-scraper/hunt/。执行：审查Benchmark→逐项标注→特征提取→完善Benchmark。产出到 workspace/weibo-scraper/digest/ | ✅ 完成 | innovator | P0 | 2026-03-27 17:55 | - |
| T-mn97j6fn | 消化「微博数据爬取」的调研数据。
【背景】
- 目标: 为 weibo-scraper 模板构建 Benchmark
- 模板位置: /Users/yibo/Documents/LemonAI/lemonboss/data/system/templates/weibo-scraper/
- 已有技能文件: .claude/skills/main_skill/SKILL.md
【输入】
Hunt 阶段产出位置: /Users/yibo/Documents/LemonAI/lemonboss/workspace/weibo-scraper/hunt/
- knowhow.md
- toplist.md
- crawl/ (6个爬取文件)
【执行要求】
按照 l2-digest 技能执行 4 个 Step:
1. 审查 Benchmark - 理解微博爬取评估维度
2. 逐项标注 - 对爬取数据打标签（good/bad）
3. 特征提取 - 提取高质量数据的特征
4. 完善 Benchmark - 输出 benchmark.md + 评分标准
【输出位置】
workspace/weibo-scraper/digest/
- benchmark.md (评估维度、评分标准)
- good_testdata/ (高质量样本)
- bad_testdata/ (低质量样本)
- industry_avg_score (行业基准分数)
【验收标准】
- benchmark.md 包含 ≥5 个评估维度
- good_testdata/ 和 bad_testdata/ 各 ≥5 个样本
- industry_avg_score 定义明确 (建议 85 分)
- 输出最后必须以 [RESULT: DONE] 标记收尾 | ✅ 完成 | innovator | P0 | 2026-03-27 18:00 | - |
| T-mn9r7xu1 | 消化微博热搜详情页爬取+简报生成的知识。
## 任务背景
weibo-scraper Agent 已完成 Hunt 阶段调研。现在需要构建新的 Benchmark 来评估新增的技能：
1. 爬取当日微博热点新闻（热搜榜等）
2. 读取每个热点新闻 URL 的详细内容（文字内容）
3. 如果有图片，也保存图片
4. 将内容整理成【文字+图片简报】，保存为 HTML 或 Markdown 格式
## 输入
- /Users/yibo/Documents/LemonAI/lemonboss/data/system/templates/weibo-scraper/workspace/hunt/ (已有 knowhow.md)
- 现有的 benchmark_v3.md (用于参考)
## 任务
请执行以下步骤：
1. 审查现有 Benchmark 结构
2. 增加新的评估维度：详情页爬取能力、图片提取能力、简报生成能力
3. 为每个新维度制定评分标准
4. 准备测试数据（2-3 条合格的测试用例）
5. 计算行业基准分 (industry_avg_score)
## 输出路径
/Users/yibo/Documents/LemonAI/lemonboss/data/system/templates/weibo-scraper/workspace/digest/
## 产出要求
- benchmark_v4.md (新 Benchmark)
- good_testdata/ (新的测试数据)
- knowhow_v3.md (更新的知识文档) | ✅ 完成 | innovator | P0 | 2026-03-28 03:11 | - |
| T-mn9racyp | 对微博热搜详情页爬取+简报生成进行知识消化。
## 任务背景
weibo-scraper Agent 已具备热搜榜爬取能力。现在需要升级技能：增加详情页爬取和简报生成功能。
## 目标技能
1. 爬取当日微博热点新闻（热搜榜等）
2. 读取每个热点新闻 URL 的详细内容（文字内容）
3. 如果有图片，也保存图片
4. 将内容整理成【文字+图片简报】，保存为 HTML 或 Markdown 格式
## 输入
Hunter 产出的知识: /Users/yibo/Documents/LemonAI/lemonboss/data/system/agents/hunter/workspace/weibo-scraper/hunt/
- knowhow.md (方法论)
- toplist.md (标杆资源)
- crawl/.json (爬取示例)
## 执行
按照 Digester main_skill 执行：
- 审查 Benchmark 模板
- 逐项标注（从 hunt 产出中提取评分维度）
- 特征提取（生成测试数据）
- 完善 Benchmark
## 输出路径
workspace/weibo-scraper/digest/
- benchmark.md (评分标准)
- good_testdata/ (合格测试数据)
- bad_testdata/ (不合格测试数据)
- knowhow.md (知识体系总结)
## 验收标准
- benchmark.md 包含至少 5 个评分维度
- 至少有 3 条 good_testdata
- 至少有 2 条 bad_testdata | ✅ 完成 | innovator | P0 | 2026-03-28 03:13 | - |
| T-mn9rdhup | 消化互动剧编剧领域调研数据。skillName: interactive-drama-screenwriting, targetAgentId: abc:screenwriter。输入: /Users/yibo/Documents/LemonAI/lemonboss/data/workspace/hunter/screenwriter/。执行：审查Benchmark→逐项标注→特征提取→完善Benchmark。产出到 /Users/yibo/Documents/LemonAI/lemonboss/data/workspace/digester/screenwriter/digest/ | ✅ 完成 | innovator | P0 | 2026-03-28 03:16 | - |
| T-mn9rihng | 消化【微博热点新闻抓取+简报生成】的调研数据。skillName: weibo_hotnews_briefing, targetAgentId: weibo-scraper, domain: 微博热点新闻爬取+简报生成。
【任务背景】
weibo-scraper Agent 现有技能是基础热搜爬取，需要升级增加热点新闻详情页爬取+简报生成功能。
Hunter 已完成知识猎取，产出：
- workspace/weibo-scraper/hunt/knowhow.md
- workspace/weibo-scraper/hunt/toplist.md
【执行要求】
按 main_skill 执行 4 Step 流程：审查Benchmark→逐项标注→特征提取→完善Benchmark。
【产出路径】
必须写到: workspace/weibo-scraper/digest/ （这是目标 Agent 的目录）
【验收标准】
产出包含：
- benchmark_v1.md (基准评测文档，8-10 个评测维度)
- good_testdata/ (3-5 个优质测试数据)
- bad_testdata/ (2-3 个失败案例)
【关键评测维度建议】
1. 热搜榜获取完整性
2. 详情页内容提取准确性
3. 图片提取成功率
4. 简报生成质量 (HTML/Markdown)
5. 数据分类准确性
6. 反爬合规性 (UA轮换、频率控制)
7. 错误处理与容错能力
8. 输出格式规范性 | ✅ 完成 | innovator | P0 | 2026-03-28 03:20 | - |
| T-mn9rnjov | 消化淘宝桌面客户端交互的知识。
## 任务背景
taobao_client Agent 已完成 Hunt 阶段调研，现在需要构建 Benchmark 来评估其能力。
## 输入
- /Users/yibo/Documents/LemonAI/lemonboss/data/system/agents/hunter/workspace/taobao_client/hunt/ (已有 knowhow.md, toplist.md)
## 任务
请执行以下步骤：
1. 审查 Hunt 产出的 knowhow.md 和 toplist.md
2. 设计 Benchmark 评估维度，包括：
- 商品搜索能力
- 商品详情获取
- 购物车管理
- 订单管理
- 旺旺聊天（如果有）
3. 为每个维度制定评分标准
4. 准备测试数据（2-3 条合格的测试用例）
5. 计算行业基准分 (industry_avg_score)
## 输出路径
/Users/yibo/Documents/LemonAI/lemonboss/data/system/templates/taobao_client/workspace/digest/
## 产出要求
- benchmark_v1.md (Benchmark)
- good_testdata/ (测试数据)
- bad_testdata/ (可选)
- knowhow_v1.md (更新的知识文档)
## 目标 Agent
targetAgentId: taobao_client
skillName: taobao_native
请开始消化。 | ✅ 完成 | innovator | P0 | 2026-03-28 03:24 | - |
| T-mn9rqgaj | 消化 taobao_client 的调研数据。skillName: taobao-native, targetAgentId: taobao_client, domain: 淘宝桌面客户端购物交互。输入: workspace/hunter/taobao_client/hunt/。执行：审查Benchmark→逐项标注→特征提取→完善Benchmark。产出到 workspace/taobao_client/digest/ | ✅ 完成 | innovator | P0 | 2026-03-28 03:26 | - |
| T-mn9rt6fn | 消化 taobao-native 的调研数据。skillName: taobao-native, targetAgentId: taobao_client。输入: /Users/yibo/Documents/LemonAI/lemonboss/data/system/agents/hunter/workspace/taobao_client/hunt/。执行：审查Benchmark→逐项标注→特征提取→完善Benchmark。产出到 /Users/yibo/Documents/LemonAI/lemonboss/data/system/agents/innovator/workspace/taobao_client/digest/。验收标准：benchmark_v1.md 包含测试用例和评分标准，good_testdata/ 包含 ≥3 个成功案例，bad_testdata/ 包含 ≥2 个失败案例。输出最后必须以 [RESULT: DONE] 标记收尾。 | ✅ 完成 | innovator | P0 | 2026-03-28 03:28 | - |
| T-mn9rx0f7 | 消化【微博热点新闻抓取+简报生成】调研数据。
skillName: weibo_hotnews_briefing
targetAgentId: weibo-scraper
【任务背景】
Hunter 已完成知识猎取，产出在 workspace/weibo-scraper/hunt/。现在需要构建 Benchmark 和标注数据集。
【输入路径】
workspace/weibo-scraper/hunt/
【执行要求】
按 main_skill 执行 4 Step 流程：
1. 审查 Benchmark 模板
2. 逐项标注训练数据
3. 特征提取
4. 完善 Benchmark
【输出路径】
必须写到: workspace/weibo-scraper/digest/
【验收标准】
产出包含：
- benchmark_v1.md (至少 8 个评分维度)
- good_testdata/ (至少 2 个合格样本)
- bad_testdata/ (至少 1 个不合格样本)
- 行业基准: industry_avg_score | ✅ 完成 | innovator | P0 | 2026-03-28 03:31 | - |
| T-mnaiv0yp | 消化 shopping_assistant 的调研数据。skillName: shopping_assistant, targetAgentId: shopping_assistant, companyId: test。输入: data/companies/test/agents/shopping_assistant/workspace/hunt/。执行：审查Benchmark→逐项标注→特征提取→完善Benchmark。产出到 data/companies/test/agents/shopping_assistant/workspace/digest/ | ✅ 完成 | innovator | P0 | 2026-03-28 16:05 | - |
| T-mnaivm3l | 消化购物助手 (shopping_assistant) 的调研数据。skillName: shopping_assistant, targetAgentId: shopping_assistant, companyId: test, domain: 购物助手/产品推荐/比价搜索。输入: data/companies/test/agents/shopping_assistant/workspace/hunt/。执行：审查Benchmark→逐项标注→特征提取→完善Benchmark。产出到 data/companies/test/agents/shopping_assistant/workspace/digest/ | ✅ 完成 | innovator | P0 | 2026-03-28 16:06 | - |
| T-mnajlf22 | 消化微博热搜多榜爬取的调研数据。
【目标 Agent】weibo-scraper
【技能名称】weibo_scraper
【技能领域】微博热搜多榜爬取与数据整合
【输入位置】workspace/weibo-scraper/hunt/
- knowhow.md: 多榜API分析、技术方案、数据合并存储
- toplist.md: 榜单API清单、数据结构参考
- crawl/api_manifest.md: 5个榜单API调用示例
- crawl/data_structure.md: 数据结构参考
【执行要求】
1. 审查Benchmark → 调研现有的评分标准，设计微博多榜爬取的评分维度
2. 逐项标注 → 用实际爬取数据验证各榜单API的有效性
3. 特征提取 → 提炼高质量爬取的核心特征
4. 完善Benchmark → 生成 benchmark_v.md 评分标准文档
【产出位置】workspace/weibo-scraper/digest/
【验收标准】
- benchmark_v1.md: 包含评分维度（正确性、完整性、实时性、反爬合规等）
- good_testdata/: 至少3个榜单的成功爬取数据
- bad_testdata/: 至少1个失败案例
- knowhow.md: 消化后的知识文档 | ✅ 完成 | innovator | P0 | 2026-03-28 16:26 | - |
| T-mnajlusg | 消化微博热搜多榜爬取与数据整合的调研数据。
【目标 Agent】weibo-scraper
【技能名称】weibo_scraper
【技能领域】微博热搜多榜爬取与数据整合
【输入数据位置】
workspace/weibo-scraper/hunt/
【新需求背景】
用户要求改进微博热搜 Agent Template，需要支持以下新能力：
1. 多榜爬取（5个榜单）：
- 我的热搜: https://weibo.com/hot/mine
- 热搜榜: https://weibo.com/hot/search
- 文娱榜: https://weibo.com/hot/entertainment
- 生活榜: https://weibo.com/hot/life
- 社会榜: https://weibo.com/hot/social
2. 数据合并与存储：
(a) 把每天所有热搜榜的数据合并成一个数据库文件
(b) 文件既要包含所有的 List，也要包含每个热搜项的 URL 地址
(c) 包含点击进入后的相关微博内容、发布者、观看量、阅读量、评论量及热度等完整信息
3. 结果展现与输出：
(a) 将更新后的信息保存到每天的微博热搜总 List 中
(b) 提供一个 HTML 文档以便于展现信息
(c) 同时提供一个 JSON 文件用于数据存储
(d) 如果文件数据量过大，可以分成不同的文件夹，用来存储不同的内容详情
【执行要求】
1. 审查 Benchmark → 理解现有评测维度
2. 逐项标注 → 根据新需求设计新的评测维度：
- D1: 多榜爬取完整性
- D2: 数据合并与存储结构
- D3: 详情页爬取（内容/作者/观看量/阅读量/评论量/热度）
- D4: HTML 输出质量
- D5: JSON 输出质量
- D6: 文件夹分类管理
- D7: 反爬合规
- D8: 数据新鲜度
3. 特征提取 → 从 hunt 产出的 API 数据中提取特征
4. 完善 Benchmark → 生成 benchmark_v2.md
【产出位置】
workspace/weibo-scraper/digest/
【验收标准】
- benchmark_v2.md: 新的 8 维评分标准，包含新需求的评测维度
good_testdata/: 至少 3 个好的测试案例（包含多榜数据）
bad_testdata/: 至少 2 个差的测试案例
- industry_avg_score: 85 | ✅ 完成 | innovator | P0 | 2026-03-28 16:26 | - |
| T-mnb5msnf | 消化 interactive-video-selector 的调研数据。skillName: interactive-video-selector, targetAgentId: interactive-video-selector。输入: workspace/interactive-video-selector/hunt/。执行：审查Benchmark→逐项标注→特征提取→完善Benchmark。产出到 workspace/interactive-video-selector/digest/ | ✅ 完成 | innovator | P0 | 2026-03-29 02:43 | - |
| T-mnb5naas | 消化 AI 互动视频短剧选题领域的调研数据。
## 任务目标
基于 Hunter 的调研产出，构建 benchmark 评估体系。
## 输入
- 路径: ../../templates/interactive-video-selector/workspace/hunt/
- 包含: knowhow.md (行业知识体系)
## 输出要求
- 路径: ../../templates/interactive-video-selector/workspace/digest/
- 必须包含:
- benchmark_v1.md: 评估维度及评分标准
- good_testdata/: 成功案例 (至少 5 个)
- bad_testdata/: 失败案例 (至少 3 个)
- knowhow_v1.md: 知识体系优化版
## 评估维度要求
基于 knowhow.md，设计以下评估维度：
1. 题材适配度 (冲突性、情感张力、悬念性)
2. 改编可行性 (角色数量、场景、对话丰富度)
3. 形式适配性 (对话 vs 旁白选择)
4. 趣味性 (标题优化、情绪化处理)
5. 互动设计潜力 (可设计分支/投票/结局)
## 验收标准
- benchmark_v1.md 至少包含 5 个评估维度
- 每个维度有明确的评分标准和权重
- good_testdata 至少 5 个成功案例
- 行业基准分不低于 85 分 | ✅ 完成 | innovator | P0 | 2026-03-29 02:43 | - |
| T-mnb5nnxr | 消化 interactive-video-selector 的调研数据。
## skillName
video_selector (互动视频短剧选题)
## targetAgentId
interactive-video-selector
## 输入
workspace/interactive-video-selector/hunt/knowhow.md
workspace/interactive-video-selector/hunt/toplist.md
## 执行
基于调研结果设计 benchmark 评估维度：
1. 题材适配度 - 热点是否适合改编为互动短剧
2. 剧情潜力 - 是否有戏剧冲突、人物关系
3. 可演绎性 - 能否用对话/旁白等形式呈现
4. 受众广度 - 目标人群基数
5. 互动空间 - 是否有多个合理分支选项
6. 时效周期 - 热度能维持多久
产出到 workspace/interactive-video-selector/digest/ | ✅ 完成 | innovator | P1 | 2026-03-29 02:43 | - |
| T-mnb5no2z | 消化 interactive-video-selector 领域的调研数据。skillName: interactive-video-selector, targetAgentId: interactive-video-selector。
输入: /Users/yibo/Documents/LemonAI/lemonboss/data/system/agents/hunter/workspace/innovator/interactive-video-selector/hunt/knowhow.md
执行任务：
1. 审查 Benchmark：基于 knowhow 设计评估维度
2. 逐项标注：为每个维度定义评分标准（优秀/良好/一般/差）
3. 特征提取：从 knowhow 提取关键特征用于评估
4. 完善 Benchmark：生成完整的 benchmark_v1.md
产出要求：
- /Users/yibo/Documents/LemonAI/lemonboss/data/system/agents/digester/workspace/innovator/interactive-video-selector/benchmark_v1.md
- /Users/yibo/Documents/LemonAI/lemonboss/data/system/agents/digester/workspace/innovator/interactive-video-selector/good_testdata/（至少3个好的测试用例）
- /Users/yibo/Documents/LemonAI/lemonboss/data/system/agents/digester/workspace/innovator/interactive-video-selector/bad_testdata/（至少2个差的测试用例）
请开始执行 DIGEST 阶段。 | ✅ 完成 | innovator | P1 | 2026-03-29 02:43 | - |
| T-mnb5usj6 | 消化 interactive-video-selector 的调研数据。任务描述: 对 AI互动视频短剧/热点新闻选题领域进行知识消化。skillName: interactive-video-selector*targetAgentId: interactive-video-selectordomain: AI互动视频短剧/热点新闻选题输入* (workspace/hunt/):- knowhow.md - 选题方法论 (6大模块: 筛选标准/改编评估/形式选择/趣味设计/互动形式/流程总结)- toplist.md - 平台与案例- crawl/ - 3个爆款案例 (elite_01_tianchong.md, elite_02_fuchou.md, good_01_poxi.md)执行步骤:1. 审查现有 knowhow，构建 8 维度评分标准：覆盖度/准确度/相关性/原创性/时效性/结构化/可执行性/创新性2. 读取 crawl/ 中的案例，对每个案例按 8 维度逐项标注3. 提取特征：哪些维度是优秀案例的共同点？4. 完善 Benchmark，标注 3 个 good_testdata + 2 个 bad_testdata5. 计算 industry_avg_score (行业基准分)输出要求 (到 workspace/digest/):1. benchmark_v1.md - 8维度评分标准 + 详细说明2. good_testdata/ - 3个成功样本 (带评分)3. bad_testdata/ - 2个失败案例 (带评分)4. industry_avg_score 计算结果验收标准: benchmark.md 包含完整评分维度、good/bad testdata 各至少 2 个、industry_avg_score > 70 | ✅ 完成 | innovator | P0 | 2026-03-29 02:49 | - |
| T-mnbqudpv | 消化「古风互动剧本生成」的调研数据。skillName: 古风互动剧本生成, targetAgentId: lemonv_drama。输入: ../../templates/lemonv_drama/workspace/hunt/。执行：审查Benchmark→逐项标注→特征提取→完善Benchmark。产出到 ../../templates/lemonv_drama/workspace/digest/ | ✅ 完成 | innovator | P0 | 2026-03-29 12:36 | - |
| T-mnbuaomt | 消化 lemonv_drama 的增强调研数据。skillName: lemonv_drama, targetAgentId: lemonv_drama。输入: workspace/hunt/ (含 enhance_research.md)。执行：审查增强调研产出 → 提取API规范和JSON结构 → 整合到现有 benchmark。产出到 workspace/digest/ | ✅ 完成 | innovator | P0 | 2026-03-29 14:13 | - |
| T-mncujgfx | 消化 auto-publisher 的调研数据（browser automation + video upload）。
【目标】
- targetAgentId: auto-publisher
- skillName: 自动化视频发布
- domain: browser_automation_video_upload
【额外训练要求】
训练使用 OpenClaw 执行浏览器自动化，将视频片段上传到各社交平台并记录URL的能力
【输入路径】
HUNT 产出: ../../templates/auto-publisher/workspace/hunt/
【执行要求】
按照你的 main_skill 执行 4 Step 流程：
1. 审查Benchmark → 理解评测维度
2. 逐项标注 → 标注 good/bad testdata
3. 特征提取 → 提取成功特征
4. 完善Benchmark → 生成 benchmark_v1.md
【产出位置】
必须写入: ../../templates/auto-publisher/workspace/digest/
输出文件：
- benchmark_v1.md (评测基准)
- good_testdata/ (合格样本)
- bad_testdata/ (不合格样本) | ✅ 完成 | innovator | P0 | 2026-03-30 07:08 | - |
| T-mnculhkp | 消化 auto-publisher 的调研数据。
【目标】
- targetAgentId: auto-publisher
- skillName: 自动化视频发布
- domain: browser_automation_video_upload
【输入路径】
workspace/auto-publisher/hunt/
- knowhow.md (浏览器自动化方法论)
- toplist.md (平台排名)
- crawl/ (playwright_config.js, selectors.md, upload_script.js)
【执行要求】
按照你的 main_skill 执行 4 Step 流程：
1. 审查Benchmark
2. 逐项标注
3. 特征提取
4. 完善Benchmark
【产出位置】
必须写入: ../../templates/auto-publisher/workspace/digest/
输出文件：
- benchmark_v1.md (评分标准)
- good_testdata/ (至少3个成功案例)
- bad_testdata/ (至少2个失败案例)
- industry_avg_score: 基准分数 | ⬚ 未开始 | innovator | P0 | 2026-03-30 07:09 | - |
| T-mncumyfu | 消化 data-harvester 的调研数据。skillName: 数据抓取, targetAgentId: data-harvester。输入: ../../data/system/templates/data-harvester/workspace/hunt/。执行：审查Benchmark→逐项标注→特征提取→完善Benchmark。产出到 ../../data/system/templates/data-harvester/workspace/digest/ | ✅ 完成 | innovator | P0 | 2026-03-30 07:10 | - |
| T-mncunc8c | 消化【competitor-spy竞品侦察】的调研数据。skillName: 竞品情报, targetAgentId: competitor-spy。输入: hunter/workspace/competitor-spy/hunt/ (knowhow.md, toplist.md)。执行：审查Benchmark→逐项标注→特征提取→完善Benchmark。产出到 workspace/competitor-spy/digest/。 | ✅ 完成 | innovator | P0 | 2026-03-30 07:11 | - |
| T-mncuom5g | 消化 production-director 的调研数据。
目标模板: ../../templates/production-director
技能领域: AI生产指令精准下发
核心能力: 将需求指令精准下发 Spec 给 AI 图片生成引擎
输入目录: ../../templates/production-director/workspace/hunt/
Hunt 产出:
- knowhow.md - AI 生产指令核心知识（SD/MJ/DALL-E 语法、参数、质量标记）
- toplist.md - 场景化 Prompt 案例 TOP10
执行范围:
1. 审查并理解 hunt 产出的知识内容
2. 构建 Benchmark 评估标准（至少 10 个评分维度）
3. 创建 good_testdata/ (5个高质量 spec 案例)
4. 创建 bad_testdata/ (5个低质量 spec 案例)
5. 定义 industry_avg_score 基准线
产出位置: ../../templates/production-director/workspace/digest/
必须产出：benchmark_v1.md, good_testdata/, bad_testdata/
验收标准:
- Benchmark 包含至少 10 个评分维度
- Good testdata 包含 5 个不同场景的优质 spec
- Bad testdata 包含 5 个低质量 spec（常见错误） | ⬚ 未开始 | innovator | P0 | 2026-03-30 07:12 | - |
| T-mncupe7m | 消化 trend-scout-cn 的调研数据。skillName: trend_scout_cn, targetAgentId: trend-scout-cn。输入: /Users/yibo/Documents/LemonAI/lemonboss/data/system/templates/trend-scout-cn/workspace/hunt/。执行：审查Benchmark→逐项标注→特征提取→完善Benchmark。产出到 /Users/yibo/Documents/LemonAI/lemonboss/data/system/agents/digester/workspace/trend-scout-cn/digest/。目标: Benchmark Score ≥ 95。 | ✅ 完成 | innovator | P0 | 2026-03-30 07:12 | - |
| T-mncupgip | 对 story-architect 进行知识消化。
【目标 Agent】story-architect（模板目录: ../../templates/story-architect）
【技能名称】剧本大纲创作
【输入目录】../../templates/story-architect/workspace/hunt/
- knowhow.md（已生成）
- toplist.md（已生成）
- crawl/（案例数据）
【参考】lemonv_drama 的 benchmark 构建方式（位于 ../../templates/lemonv_drama/workspace/digest/benchmark_v2.md）
【执行要求】
1. 审查 Benchmark 设计：根据 knowhow.md 定义评分维度
2. 逐项标注：为每个维度设计评分标准和题目
3. 特征提取：从 crawl/ 提取优秀案例特征
4. 完善 Benchmark：生成 benchmark_v1.md
【额外训练要求/指令】
参考现有的 lemonv_drama 技能，训练从热点趋势生成剧本大纲、互动分支点、情感映射的能力。
【输出目录】../../templates/story-architect/workspace/digest/
- 需要创建 workspace/digest/ 目录
- 产出: benchmark_v1.md（评分标准）, good_testdata/(优秀案例), bad_testdata/(失败案例)
【验收标准】
- benchmark_v1.md 包含至少 5 个评分维度，每个维度有明确的评分标准
- good_testdata/ 至少包含 3 个优秀大纲案例
- bad_testdata/ 至少包含 2 个失败案例 | ⬚ 未开始 | innovator | P0 | 2026-03-30 07:12 | - |
| T-mncups4u | 消化 production-director (AI生产指令精准下发) 的调研数据。skillName: AI生产指令精准下发, targetAgentId: production-director, domain: AI图片生成Prompt工程。输入: ../../templates/production-director/workspace/hunt/。执行：审查Benchmark→逐项标注→特征提取→完善Benchmark。产出到 ../../templates/production-director/workspace/digest/ | ⬚ 未开始 | innovator | P0 | 2026-03-30 07:13 | - |
| T-mncupsxm | 消化 clickbait-copywriter 的调研数据。技能领域：爆款高CTR视频标题文案。输入路径：../../templates/clickbait-copywriter/workspace/hunt/。输出路径：../../templates/clickbait-copywriter/workspace/digest/。执行要求：1. 审查 knowhow.md 提取核心知识；2. 逐条分析 toplist.md 的标题案例，标注风格标签（悬念/情绪/数字/冲突/金句）；3. 构建 clickbait benchmark（包含评分维度：CTR效果预测/平台适配/情感强度/可执行性）；4. 准备 good/bad testdata 各3-5条。产出：benchmark_v1.md + good_testdata/ + bad_testdata/。 | ⬚ 未开始 | innovator | P0 | 2026-03-30 07:13 | - |
| T-mncuqxuz | 消化 trend-scout-cn 的调研数据。skillName: trend_scout_cn, targetAgentId: trend-scout-cn。输入: /Users/yibo/Documents/LemonAI/lemonboss/data/system/templates/trend-scout-cn/workspace/hunt/。执行：审查Benchmark→逐项标注→特征提取→完善Benchmark。产出到 /Users/yibo/Documents/LemonAI/lemonboss/data/system/templates/trend-scout-cn/workspace/digest/ | ⬚ 未开始 | innovator | P0 | 2026-03-30 07:14 | - |
| T-mncusls1 | 消化竞品侦察competitor-spy的调研数据。skillName: 竞品情报, targetAgentId: competitor-spy。输入: data/system/agents/hunter/workspace/competitor-spy/hunt/。执行：审查Benchmark→逐项标注→特征提取→完善Benchmark。产出到 data/system/templates/competitor-spy/workspace/digest/。额外要求：benchmark需覆盖国内外互动剧App监控、iOS/Android商店评价抓取能力 | ⬚ 未开始 | innovator | P0 | 2026-03-30 07:15 | - |
| T-mncusnkb | 对【社区运营/评论管理】领域进行知识消化。
## 目标 Agent
- id: community-manager
- 模板路径: /Users/yibo/Documents/LemonAI/lemonboss/data/system/templates/community-manager
## 输入
- /Users/yibo/Documents/LemonAI/lemonboss/data/system/templates/community-manager/workspace/hunt/knowhow.md
- /Users/yibo/Documents/LemonAI/lemonboss/data/system/templates/community-manager/workspace/hunt/toplist.md
## 训练技能
社区评论运营能力：
1. 评论区通过马甲号进行语义化回复
2. 神评点赞与筛选
3. 私信引导与转化
## 执行要求
按 digester main_skill 执行 4 Step 流程：
1. 审查Benchmark - 制定评分标准
2. 逐项标注 - 对 knowhow 中的知识点打分
3. 特征提取 - 提取可复用的模式
4. 完善Benchmark - 产出具化评测标准
## 产出要求
产出文件必须写入目标 Agent 的 workspace/digest/ 目录：
- /Users/yibo/Documents/LemonAI/lemonboss/data/system/templates/community-manager/workspace/digest/benchmark_v1.md
- /Users/yibo/Documents/LemonAI/lemonboss/data/system/templates/community-manager/workspace/digest/good_testdata/ (好评案例)
- /Users/yibo/Documents/LemonAI/lemonboss/data/system/templates/community-manager/workspace/digest/bad_testdata/ (差评案例)
## 验收标准
- benchmark_v1.md: 包含至少 5 个评分维度，每个维度有明确的评分标准 (1-5分)
- good_testdata/: 至少 3 个高质量互动案例
- bad_testdata/: 至少 3 个低质量/违规案例
- industry_avg_score: 基于行业水平设定基准分 (如 75 分) | ✅ 完成 | innovator | P0 | 2026-03-30 07:15 | - |
| T-mncuut1e | 消化 trend-scout-global 的调研数据。【目标模板】trend-scout-global【技能名称】Global Trend Scout (全球趋势发现)【领域】短视频趋势监控【输入】workspace/hunt/ (knowhow.md, toplist.md, crawl/)【产出位置】workspace/digest/执行流程：1. 审查并理解 Hunt 产出的所有 knowhow.md + toplist.md2. 构建 Benchmark 评估体系 (至少 5 个维度)3. 逐项标注训练数据 (good_testdata/bad_testdata)4. 完善 benchmark_v1.md产出要求：- benchmark_v1.md (5+ 评估维度)- good_testdata/ (至少 3 个案例)- bad_testdata/ (至少 2 个案例)【验收标准】每个测试案例需包含：输入描述 + 执行结果 + 评分理由 | ⬚ 未开始 | innovator | P0 | 2026-03-30 07:17 | - |
| T-mncuuuv1 | 对 story-architect 进行知识消化。输入目录: ../../templates/story-architect/workspace/hunt/（已有 knowhow.md, toplist.md, crawl/）。输出目录: ../../templates/story-architect/workspace/digest/。需要产出: benchmark_v1.md, good_testdata/, bad_testdata/ | ⬚ 未开始 | innovator | P0 | 2026-03-30 07:17 | - |
| T-mncuuvo6 | 消化 story-architect 的调研数据。
【目标 Agent】story-architect（模板目录: ../../templates/story-architect）
【技能名称】剧本大纲创作
【技能领域】网络小说/互动剧剧本架构设计
【输入目录】../../templates/story-architect/workspace/hunt/
- knowhow.md（12章节剧本大纲方法论）
- toplist.md（7章节标杆案例）
- crawl/（5个精品大纲案例：重生逆袭/甜宠恋爱/仙侠升级/悬疑推理/古风互动剧）
【核心能力要求】
1. 基于热点趋势生成剧本大纲
2. 设计互动分支点（选择肢）
3. 情感映射（好感度/体力等数值体系）
【执行要求】
1. 审查 Benchmark：定义评分维度（结构完整性/分支设计/情感映射/创新性/可执行性）
2. 逐项标注：对每个测试案例按维度评分
3. 特征提取：提取剧本结构模式、互动分支设计、情感数值体系
4. 完善 Benchmark：生成 benchmark_v1.md + good/bad_testdata
【输出目录】../../templates/story-architect/workspace/digest/
【验收标准】
- benchmark_v1.md 包含完整的评分维度和标准
good_testdata/ 包含至少 3 个高分案例
- bad_testdata/ 包含至少 2 个低分案例 | ⬚ 未开始 | innovator | P0 | 2026-03-30 07:17 | - |
| T-mncuw40n | 消化【内容策划效果评估】的调研数据。skillName: 内容策划效果评估, targetAgentId: strategy-reflector。输入: workspace/strategy-reflector/hunt/。执行：审查Benchmark→逐项标注→特征提取→完善Benchmark。产出到 workspace/strategy-reflector/digest/。额外要求：构建完整的评分体系，标注每个测试维度的评分标准 | ⬚ 未开始 | innovator | P0 | 2026-03-30 07:18 | - |
| T-mncuwbwa | 消化【社区运营/评论管理】的调研数据。
## 目标 Agent
- id: community-manager
- 模板路径: /Users/yibo/Documents/LemonAI/lemonboss/data/system/templates/community-manager
## 训练技能
社区评论运营能力：
1. 评论区通过马甲号进行语义化回复
2. 神评点赞与筛选
3. 私信引导与转化
## 输入数据
- workspace/hunt/knowhow.md - 方法论文档
- workspace/hunt/toplist.md - 标杆案例
- workspace/hunt/crawl/comment_scripts.md - 评论话术数据
## 执行要求
按 digester main_skill 执行 4 Step 流程：
1. 审查 Benchmark - 理解评分维度
2. 逐项标注 - 对输入数据打标签
3. 特征提取 - 提炼技能特征
4. 完善 Benchmark - 输出 benchmark_v1.md
## 产出要求
产出文件必须写入目标 Agent 的 workspace 目录：
- /Users/yibo/Documents/LemonAI/lemonboss/data/system/templates/community-manager/workspace/digest/benchmark_v1.md
- /Users/yibo/Documents/LemonAI/lemonboss/data/system/templates/community-manager/workspace/digest/good_testdata/ (标注数据)
- /Users/yibo/Documents/LemonAI/lemonboss/data/system/templates/community-manager/workspace/digest/bad_testdata/ (反例数据)
## 验收标准
- benchmark_v1.md: 包含至少 5 个评分维度，定义 industry_avg_score
- good_testdata/: 至少 5 个优质案例
- bad_testdata/: 至少 3 个反面案例 | ⬚ 未开始 | innovator | P0 | 2026-03-30 07:18 | - |
| T-mnczgrwi | 对「创意跑酷生成师」(idearrun-create) 的 create-drama 技能进行知识消化。skillName: create-drama, targetAgentId: idearrun-create。输入：data/system/templates/idearuncreate/skills/SKILL.md 作为模板 + workspace/hunt/ 的调研数据（如果存在）。执行：审查Benchmark→逐项标注→特征提取→完善Benchmark。产出到 workspace/idearrun-create/digest/ | ✅ 完成 | innovator | P0 | 2026-03-30 09:26 | - |
todo.md
34.3 KB