在中国 3C 市场做营销时，用结构化知识库生成创意…

适用于为中国市场的手机、笔记本、耳机、可穿戴和智能家居等 3C 消费品生成有来源依据的营销创意、竞品威胁分析、翻车风险评估和新品类破局策略。

适用场景

解决思路

1. 克隆仓库：运行 git clone https://github.com/killsnake01/China-Marketing-Copilot-Skill.git，再运行 cd China-Marketing-Copilot-Skill。
2. 基本使用不需要额外依赖，知识库为纯 Markdown；可选数据预处理时运行 pip install pandas。
3. 运行数据预处理：python scripts/preprocess.py --input raw_data.csv --output knowledge-base/。
4. 按目录使用：docs/templates/ 存放输出格式（creative、insights、risk）；docs/references/ 存放 KOL 数据库、平台规则、人设；docs/ecosystem/ 存放行业术语、要避免的梗；knowledge-base/mobile/ 存放手机品牌矩阵、价格段；knowledge-base/headphones/ 存放耳机评测、夹耳式对比；knowledge-base/laptops/ 存放笔吧笔记本选购指南；knowledge-base/wearables/ 存放智能手表/手环市场数据；knowledge-base/smart-home/ 存放扫地机器人评测、案例研究；scripts/preprocess.py 作为数据清洗工具。
5. 作为 AI agent 上下文使用时，生成创意活动必须基于真实市场数据，分析竞品威胁必须交叉引用产品评测，评估营销风险必须包含社交媒体翻车场景，提供品类洞察必须来自专家评测（如爱否科技、笔吧评测室等），模拟受众反应必须覆盖 5 种人设，进入新品类必须使用已验证 playbook 策略。
6. 强制执行数据纪律：不编造数字，必须标注来源，推测必须标记。
7. 生成创意活动：使用 docs/templates/creative-output.md 模板，每次请求生成 3-5 个创意，每个创意包含 Hook、Core Message、Execution、Risk Flag。
8. 生成创意活动前检查 docs/templates/used-ideas.md，生成后把新创意追加进去，防止重复。
9. 在 AI agent prompt 中加载知识库：context = load_knowledge_base('knowledge-base/mobile/')，然后要求生成 3 个中端手机（2000-3000 RMB）创意，芯片为 Snapdragon 8 Gen 3，聚焦 Xiaohongshu 平台，并遵循 creative-output.md 模板。
10. 为创意活动生成配置触发短语：帮我想几个创意、写个传播方案、手机发布会创意。
11. 竞争分析：用 trigger 如 XX发布了,对我们有什么威胁、分析竞品、横评对比 来触发。
12. 竞争分析数据源：读取 knowledge-base/mobile/_index.md 获取 16 个手机品牌、芯片阵营、价格段；读取 knowledge-base/laptops/_index.md 获取笔吧 2025 笔记本指南、8 个价格段；读取 knowledge-base/headphones/_index.md 获取 12 款夹耳式耳机对比（爱否科技）。
13. 用 load_category_data(category) 加载 knowledge-base/{category}/_index.md，用正则提取品牌矩阵表，返回 category、brands、raw_content，再喂给 AI agent 做竞品威胁分析。
14. 竞争分析输出使用 docs/templates/insight-output.md，必须包含 Market Position（价格段、功能定位）、Competitive Threats（直接重叠产品）、Differentiation Gaps（竞品弱点）、Data Sources（必须引用 KOL 名+平台+日期）。
15. 风险评估：用 trigger 如 会不会翻车、风险评估、有没有负面 来触发。
16. 风险评估使用 docs/templates/risk-assessment.md，包含 Technical Risk（参数夸大、测量技巧）、Social Risk（5 人设翻车模拟）、Platform Risk（内容规范违规）、Historical Precedent（类似失败活动）。
17. 从 docs/references/comment-personas.md 加载 5 种人设：参数党、解构找茬、真实体验派、品牌信仰、吃瓜群众。
18. 用 simulate_comment_section(campaign_text, personas) 对每种人设生成预测负面评论：对每个 persona_type 写 prompt，如 As a {persona_type} ({description}), critique: {campaign_text}，再喂给 AI agent 生成 critique。
19. 整合真实翻车案例：读取 knowledge-base/laptops/_index.md 中的 Lenovo Y9000P 散热问题；读取 knowledge-base/smart-home/ 中的扫地机器人 deceptive cleaning 丑闻。
20. 新品类 playbook：使用 docs/templates/new-category-playbook.md 中的 5 个已验证方法。
21. 实现方法 1 认知刷新法：找人类极限基准 → 产品打破它 → 数据可视化；示例 DJI ROMO 2 小时清洁 500㎡ 别墅（人工基准 4+ 小时）；返回 human_baseline、product_performance、visualization、data_source；必须引用测试环境和条件。
22. 实现方法 5 专业信任纪录片法：招募真实专业人士（非演员），进行 6 个月实地测试，采用极简纪录片风格（不用夸张语言），案例为 DJI 农业无人机与真实农民。
23. 数据导入与预处理：用 trigger 如 处理新数据、我导入了新文件 来触发。
24. 用 scripts/preprocess.py 的 clean_review_data(input_file, output_dir) 清洗并验证评论数据后加入知识库。
25. 验证规则：数字必须有单位；评分必须有量表（如 5/5）；价格必须包含货币和日期；来源必须包含 KOL 名+平台+发布日期。
26. 检查必需列：product_name、metric、value、unit、source、date；若缺失则 raise ValueError。
27. 检查 source 格式：若 source 不含 | 或按 | 分割后少于 3 段，则警告；期望格式为 KOL名|平台|日期，如 爱否科技|Bilibili|2025-03。
28. 导出到知识库：category = df['category'].iloc[0]；output_path = f'{output_dir}/{category}/_data.json'；用 df.to_json(output_path, orient='records', force_ascii=False, indent=2) 导出；打印处理记录数。
29. 运行预处理示例：python scripts/preprocess.py earphone_reviews.csv knowledge-base/。
30. 可选个性化配置：创建 user-config.json，包含 brand、category、target_price_range、competitors、platforms、risk_tolerance、kol_preferences。
31. 可选 API 集成：创建 .env 文件，设置 XIAOHONGSHU_API_KEY、BILIBILI_API_KEY、MARKET_DATA_SOURCE；用 load_dotenv() 和 os.getenv() 加载。
32. 完整活动生成流程：用 load_knowledge_base(category) 读取 knowledge-base/{category}/_index.md。
33. 用 load_template(template_name) 读取 docs/templates/{template_name}.md。
34. 用 load_used_ideas() 读取 docs/templates/used-ideas.md，并用正则提取 markdown 列表中的 Hook，返回 used_hooks。
35. 用 generate_campaign(product_spec, platform) 生成活动 prompt：拼接知识库、模板、used_hooks、产品规格 JSON、目标平台；要求生成 3 个创意，每个数字有来源引用，无 AI 陈词滥调（无 值得注意的是、首先其次），Hook 不在 used_hooks 中，每个想法附风险评估。
36. 调用示例：product = {'category': 'mobile', 'name': 'SuperPhone X1', 'chipset': 'Snapdragon 8 Gen 3', 'price': 2499, 'key_features': ['120Hz OLED', '5000mAh battery', '67W charging']}；campaign_prompt = generate_campaign(product, 'Xiaohongshu')；把 prompt 发给 AI agent。
37. 风险评估工作流：用 assess_campaign_risk(campaign_text) 加载人设、从 smart-home 知识库加载历史失败案例并提取 case studies。
38. 风险评估 prompt 要求检查：技术可信度（参数党能否揭穿）、感知技巧（解构找茬是否会曝光方法）、平台合规（内容规范）、类似历史失败；按 risk-assessment.md 模板输出。
39. 跨品类竞争分析：用 cross_category_comparison(product_a, product_b) 加载两个品类知识库，提取来源，验证来源兼容性；若不兼容则返回 Error: Cannot compare - data sources not aligned (different test methodologies)。
40. KOL 生态整合：用 select_kols_for_category(category, budget) 读取 docs/ecosystem/kols.md，用正则提取对应品类 KOL，得到 name、followers、estimated_cost，再筛选 parse_cost(k[2]) <= budget 的 affordable_kols。
41. Meme/行话验证：用 validate_campaign_language(text) 读取 industry-memes 模板，提取 risky_phrases，逐条检查文本；命中时返回 phrase、risk、explanation。
42. 示例：检查「我们的产品遥遥领先」会输出 phrase=遥遥领先、risk=high、explanation=Huawei meme - used ironically。
43. 故障排除：知识库暂无此数据时，运行 python scripts/preprocess.py new_product_data.csv knowledge-base/，或手动创建 markdown 文件，如 knowledge-base/mobile/new-brand.md。
44. 来源归属缺失时，用 validate_sources(content) 检查数字和 [来源:...] 数量；若数字多于来源则 raise ValueError。
45. 出现 AI 陈词滥调时，用 AI_CLICHES 列表检测：值得注意的是、首先其次最后、我们可以发现、不是A而是B、在...背景下、赋能、生态；命中则用口语化或数据驱动表述重写。
46. 数据源冲突时，用 compare_metrics(metric_a, metric_b)；若 test_method 不同，返回 comparable=False，并说明不同测试方法。
47. 缺失风险标志时，用 enforce_risk_check(campaign)；若 campaign 中没有 [风险评估]，则加载人设生成风险评估并追加到 campaign。
48. 最终输出前运行质量检查 QUALITY_CHECKS。
49. 数据纪律检查：每个数字有来源引用；无编造统计；推测标为 [推测]；竞品数据来自同一来源。
50. 去 AI 化检查：无 值得注意的是；无 首先其次最后；无通用企业行话。
51. 风险覆盖检查：模拟 5 人设；检查历史案例；验证平台合规。
52. 用 run_quality_check(content) 运行完整质量验证。
53. 高级用法 DataProcessor 子代理：由 处理新数据 触发；activate_data_processor(raw_data) 按步骤执行：1 纠错（修复编码、格式）；2 判断类型（review/spec/comment）；3 清洗（去除广告、提取事实）；4 提取（结构化数据提取）；5 更新索引（更新知识库索引）；然后执行预处理流水线。
54. 高级用法 FactChecker 子代理：由 帮我检查 触发；activate_fact_checker(content) 执行：数据核验 verify_data_sources、遗漏检测 check_missing_citations、幻觉扫描 detect_fabrications、逻辑一致性 validate_logic_chain。
55. 了解知识库覆盖：Mobile ⭐⭐⭐ 16 品牌、芯片阵营、价格段；Earphones ⭐⭐⭐ 爱否科技 12 产品夹耳式评测；Laptops ⭐⭐⭐ 笔吧 2025 指南、8 价格段；Wearables ⭐⭐⭐ IDC 2025 市场份额、品牌矩阵；Smart Home ⭐⭐⭐⭐ 4 个交叉引用扫地机器人评测、DJI ROMO 案例。

适用边界 · 注意事项

• 不适用于非中国市场的 3C 营销，或非手机、笔记本、耳机、可穿戴、智能家居品类；除非先扩展知识库。
• 不适合缺少对应知识库数据的产品/品牌；需要先导入数据或手动创建 markdown，否则会返回知识库暂无此数据。
• 不适合直接要求实时平台数据或 API 集成但未配置 .env 中 XIAOHONGSHU_API_KEY、BILIBILI_API_KEY、MARKET_DATA_SOURCE 的场景。