wehub-resource-sync
6.3 KiB
Starter Rubric：教程 / How-to 内容 — v0 cold-start 占位
**这是给完全没数据的新作者用的占位 rubric。**它会打错。前 5 篇预测精度大概 ±50%——这是 cold-start 的数学事实，不是 rubric 失败。
跑完 5 篇（每篇都走完 /cheat-predict → 发布 → /cheat-retro 闭环）之后，你会有第一份个人校准数据，可以提议第一次 /cheat-bump 升级到 v1。
v0 综合分公式（等权占位）
composite = (ER + HP + QL + NA + AB + SR + SAT) / 7 × 2.0
每个维度 0-5 整数分。综合分范围 0-10。
为什么等权：你没有数据支持任何特定权重。等权能让你在数据出来之前对每个维度都给"中立的关注"。第 5 篇之后你的复盘数据会告诉你哪些维度真的预测了你的教程的传播。
7 个维度
ER — Emotional Resonance（"啊哈"时刻）
读者 / 观众跟完教程后，能不能产生*"原来这么简单"或"终于搞懂了"*的顿悟感？
教程的情感共鸣不是催泪——是认知突破带来的满足感和掌控感。
- 0 — 纯步骤搬运；跟完了但没有"懂了"的感觉
- 3 — 能解决问题，但方式平淡、缺乏洞察
- 5 — 教程本身揭示了一个更深的原理，读者不仅学会了"怎么做"还理解了"为什么"
HP — Hook Potential（问题陈述清晰度）
开头能不能在 10 秒内让读者确认"这就是我要解决的问题"？
教程的钩子 = 精准的问题描述。读者搜到你的教程时，开头必须让他确认"找对了"。
- 0 — 标题模糊（"Python 学习笔记"）；开头在介绍技术历史
- 3 — 问题描述清晰但缺乏"痛点共鸣"（"本文介绍如何..."）
- 5 — 开头就是读者的具体痛点场景（"你在本地跑得好好的，部署到服务器就报错..."）
QL — Quotable Lines（可复制内容密度）
教程里有没有"能直接 copy-paste 用的"代码片段、命令、配置、步骤清单？
教程的"金句"就是可直接复用的内容片段——读者收藏教程的核心原因。
- 0 — 全是概念讲解，没有可直接使用的内容
- 3 — 有代码 / 步骤但需要大量修改才能用
- 5 — 多个可直接复制使用的代码片段 / 命令 / 配置模板，有清晰注释
NA — Narrativity（教程递进感）
教程有没有清晰的从简到难的递进弧线？
- 0 — 步骤之间没有逻辑关系；可以随机跳读
- 3 — 有线性顺序但缺乏"每一步为什么在这里"的解释
- 5 — 明确的递进（先跑通最小示例 → 逐步添加功能 → 处理边界情况），读者能感受到能力在增长
AB — Audience Breadth（问题普遍性）
这个教程解决的问题有多少人会遇到？
- 0 — 极小众工具 / 极特殊场景
- 3 — 特定技术栈的常见问题（如某框架的部署问题）
- 5 — 几乎所有同领域从业者都会遇到的问题（如 Git 合并冲突、环境配置）
SR — Social Resonance（技术趋势共振）
这个教程的话题与当下的技术趋势 / 行业热点有关吗？
- 0 — 已过时的技术 / 纯经典内容
- 3 — 稳定技术栈的常规教程
- 5 — 正处在风口上的技术（如当前的 AI 工具链）——搜索量正在飙升
SAT — Satire Depth（教学人格感）
教程在"讲人话"和展示个性方面做到什么程度？
教程的"讽刺深度"不是讽刺——是教学人格：你是一个有温度的人在教，还是一份文档在输出。
- 0 — 纯文档式；没有任何个性
- 3 — 有自然的口语化表达 / 偶尔的吐槽（"这个 API 的设计确实反人类"）
- 5 — 有鲜明教学人格——幽默、自嘲、对坑的真实愤怒——读者会"因为喜欢你的风格"关注你
如果你的教程走严谨技术文档路线，SAT 给 2-3 当占位即可。
Bucket 预测：比率桶方案
⚠️ 新人的 bucket 不能用绝对数字——头部技术博主的"1w 阅读是正常"对新号来说不适用。
第 1 篇：平台通用默认
技术博客 / 掘金 / CSDN / Dev.to / YouTube 教程频道新号第 1 篇的典型分布：
| Bucket | 范围（阅读 / 播放数） | 先验概率 |
|---|---|---|
| 底部 | < 50 | 25% |
| 基础盘 | 50 - 500 | 40% |
| 命中 | 500 - 5,000 | 25% |
| 小爆 | 5,000 - 50,000 | 8% |
| 大爆 | > 50,000 | 2% |
教程类内容有长尾效应——发布后 1-6 个月内持续有搜索流量。Bucket 评估建议在发布 30 天后做第一次。
第 2 篇起：用比率桶
baseline = 上一篇发布 30 天后的实际阅读数（或最近 3 篇中位数）。
| Bucket | 倍数范围 | 含义 |
|---|---|---|
| 退步 | < 0.3 × baseline | 明显下滑 |
| 持平 | 0.3 - 1 × baseline | 同档 |
| 命中 | 1 - 3 × baseline | 中度突破 |
| 小爆 | 3 - 10 × baseline | 显著破圈 |
| 大爆 | > 10 × baseline | 量级跃迁 |
第 5 篇后跑 /cheat-bump --bucket-only 重新校准边界。
Cold-start 战略（简版）
前 5 篇的"预测"不是预测——是数据采集。
- 建立纪律：发布前写下盲判断
- 记录 7 维评分：复盘后每条样本变成 (打分, 实绩) 配对
- 取样策略：主动选维度组合差异最大的教程——1 篇深度原理 (ER 主导)、1 篇热门工具速成 (SR 主导)、1 篇代码片段集 (QL 主导)、1 篇完整项目实战 (NA 主导)、1 篇综合中等
| 校准样本 | 你能相信什么 |
|---|---|
| N=0-2 | 啥都别信 |
| N=3-5 | 相信"哪个维度可能重要"的方向 |
| N=5-10 | 相信 bucket 排序 |
| N=10-20 | 中枢可信 ±30% |
| N≥20 | rubric 真正成为"作弊器" |
重要警告
- cold-start 期 composite 的置信度低——不要基于 v0 分数决定要不要发某篇教程
- 教程有长尾流量——retro 建议在发布 30 天后做，不要看 Day 1 数据就下结论
- 前 5 篇每篇必须走完整闭环（predict → 发布 → retro），跳过任何一篇复盘 = 整个校准失败
- 第 5 篇后必须跑
/cheat-bump升级
最重要的一句话
前 5 篇你不是在做决策，你是在收集数据。 教程的长尾特性意味着你需要更多耐心——给每篇足够的时间窗口再做复盘。