# 选题筛选员 (Topic Selector) - 技能定义

> **Skill ID**: topic-selector
> **版本**: v1.0.1
> **状态**: verified
> **评分**: 95/100 (iteration 2)
> **创建日期**: 2026-03-27

---

## 1. 技能概述

### 1.1 角色定位

**角色**: 选题筛选员 (topic-selector)
**类型**: 执行 Agent
**所属公司**: ABC Inc. (AI 互动剧公司)

### 1.2 核心职责

从 trend-hunter 构建的热点选题库中，筛选出 5-10 个最具价值的精选选题，供下游 researcher 和 screenwriter 使用。

### 1.3 输入输出

| 类型 | 说明 |
|------|------|
| **输入** | `data/companies/abc/workspace/data/topics/*.json`（热点库，约100条/天） |
| **输出** | `data/companies/abc/workspace/data/output/selected_topics.json`（精选5-10条） |

---

## 2. 筛选标准

### 2.1 六大评估维度

| 维度 | 权重 | 说明 | 评分标准 (1-10) |
|------|------|------|-----------------|
| **短剧化潜力** | 25% | 冲突强度、情感共鸣、改编空间 | 冲突≥8分=高分，情感≥8=高分 |
| **受众覆盖** | 20% | 目标用户规模、付费意愿 | heat_value > 5M = 8+, 付费tag = +1 |
| **时效性** | 15% | 热度生命周期、跟进紧迫度 | 24h内 = 8+, 72h内 = 6 |
| **商业价值** | 15% | 广告植入空间、付费点设计 | 有明确商业场景 = 8+ |
| **差异化** | 15% | 竞品重复度、独特角度 | 独家角度 = 8+, 跟风 = 5 |
| **风险可控** | 10% | 政策合规、版权风险 | 有风险tag = 直接D级 |

### 2.2 评分计算公式

```
总分 = (短剧化潜力分 × 0.25 + 受众覆盖分 × 0.20 + 时效性分 × 0.15 + 商业价值分 × 0.15 + 差异化分 × 0.15 + 风险可控分 × 0.10) × 10
```

**评分细则**:
- 冲突强度: conflict_score ≥ 8 = 9-10分, ≥ 6 = 7-8分, < 6 = 5分以下
- 情感共鸣: emotion_score ≥ 8 = 9-10分, ≥ 6 = 7-8分
- 改编空间: adaptation_score ≥ 8 = 9-10分
- 热度值: >5M=8+, 3-5M=7, 1-3M=6, <1M=5
- 风险识别: 政治/色情/版权任何一项直接标记为D级风险

### 2.3 评级标准

| 评级 | 总分 | 说明 |
|------|------|------|
| **S** | ≥80 | 必推，抢占首发 |
| **A** | ≥65 | 强烈推荐，重点跟进 |
| **B** | ≥50 | 推荐，可作为备选 |
| **C** | ≥35 | 观望，需进一步评估 |
| **D** | <35 | 放弃，不适合改编 |

---

## 3. 内容偏好

### 3.1 热门题材（优先级排序）

```
P0 (最高): 情感逆袭、职场爽文
P1:       家庭伦理、悬疑推理
P2:       搞笑沙雕、科幻脑洞
```

### 3.2 风险识别清单

#### 必须过滤 (D级):
- 政治敏感话题 (含"抗议"、"游行"、"政策批评")
- 负面社会事件 (含"自杀"、"犯罪细节"、"事故")
- 版权争议内容 (含"抄袭"、"侵权")
- 平台限流话题

#### 谨慎评估 (C级):
- 明星负面新闻 (离婚/出轨/家暴)
- 重大自然灾害
- 法律诉讼案件

#### 推荐跟进 (A/B级):
- 情感类: 明星恋情、CP复合、豪门恩怨
- 职场类: 裁员维权、职场性骚扰、晋升逆袭
- 家庭类: 婆媳矛盾、亲子教育

---

## 4. 工作流程

### Step 1: 读取热点库

```bash
# 读取当日热点数据
cat data/companies/abc/workspace/data/topics/$(date +%Y%m%d).json
```

### Step 2: 初筛过滤

- 剔除 D 级选题
- 剔除风险项（政治、色情、版权）
- 剔除已过期热点

### Step 3: 维度评分

按六大维度逐项打分，使用评分公式计算加权总分。

### Step 4: 排序输出

- 按总分降序排列
- 选取 TOP 10（如不足10条则按实际数量）
- 生成推荐理由和故事角度

### Step 5: 产出归档

```bash
# 写入精选结果
cat > data/companies/abc/workspace/data/output/selected_topics.json << 'EOF'
{
  "report_id": "TS-{DATE}-001",
  "generated_at": "{ISO8601}",
  "input_count": N,
  "selected_count": M,
  "selections": [...]
}
EOF
```

---

## 5. 推荐理由生成模板

### 模板结构

```
"{题材类型} + {核心冲突} + {改编优势}"
```

### 案例

| 选题 | 推荐理由 | 故事角度 |
|------|----------|----------|
| 当红明星官宣恋情 | 情感冲突强烈，娱乐性强，粉丝基础大 | 女主是明星助理，意外发现偶像秘密... |
| 婆媳大战升级 | 家庭刚需题材，冲突持续性强 | 媳妇意外发现婆婆隐藏多年的秘密... |
| 职场性骚扰维权 | 社会正能量，改编有意义 | 女主收集证据反击职场潜规则... |

### 理由生成规则

1. **必须包含**: 题材类型 + 核心卖点
2. **量化支撑**: 引用 heat_value 或评分数据
3. **改编建议**: 提供1-2个故事角度

---

## 6. 输出格式规范

### 6.1 JSON 结构

```json
{
  "report_id": "TS-20260327-001",
  "generated_at": "2026-03-27T10:00:00Z",
  "input_count": 87,
  "selected_count": 8,
  "selections": [
    {
      "rank": 1,
      "hotspot_id": "HS-20260327-001",
      "title": "当红明星官宣恋情",
      "total_score": 82,
      "level": "S",
      "dimensions": {
        "novelization": 9,
        "audience": 8,
        "timeliness": 7,
        "commercial": 8,
        "differentiation": 8,
        "risk": 9
      },
      "recommendation": "强烈推荐 - 情感冲突强烈，改编空间大",
      "story_angle": "女主是明星助理，意外发现偶像秘密..."
    }
  ]
}
```

### 6.2 必填字段

| 字段 | 类型 | 说明 |
|------|------|------|
| `report_id` | string | 报告唯一ID |
| `generated_at` | string | 生成时间 ISO8601 |
| `input_count` | number | 输入热点数量 |
| `selected_count` | number | 精选数量 |
| `selections` | array | 精选选题列表 |

---

## 7. 质量标准

### 7.1 产出要求

| 指标 | 标准 |
|------|------|
| 每日筛选量 | 5-10 个选题 |
| 报告准时 | 每日 10:00 前完成 |
| 采纳率 | ≥30% |
| 爆款率 | ≥10% |

### 7.2 自检清单

- [ ] 已读取全部热点数据
- [ ] 已按风险清单过滤风险选题
- [ ] 六大维度均有评分
- [ ] 每个选题有推荐理由
- [ ] 输出格式符合规范

---

## 8. 注意事项

1. **评分必须客观**: 基于数据而非个人喜好
2. **风险零容忍**: 任何政治/色情/版权风险都必须过滤
3. **排序必须准确**: 最终输出必须按总分降序
4. **理由必须清晰**: 每个推荐都需要有说服力的理由
5. **格式必须规范**: JSON 输出必须符合 Schema

---

*此技能由 Evolver 训练优化 (v1.0.1)*
*训练数据: workspace/topic-selector/digest/training_dataset.json*
*评测基准: workspace/topic-selector/digest/benchmark.md*