从复盘评论数据派生 / 刷新账号的受众画像，写入 audience.md。这是和 rubric 平行的第二个派生物——rubric 答"怎么打分"，persona 答"谁在看"。cheat-seed 选题 / 写稿时读它。**audience.md 含实绩信号，cheat-score-blind 硬禁读**。触发词："
复制下面这句话，粘贴给 Claude Code、Codex、Cursor 等 AI 编程工具，它会读取安装说明并在你确认后完成安装。
请阅读 https://ai.atlankj.com/install/asset/gh-cheat-persona-d70d997e09c0 ，按照其中的说明把「cheat-persona」安装到你（当前 AI 工具）中。执行前先告诉我将运行的命令和写入的位置，等我确认。
查看 AI 将读取的安装说明正在读取 GitHub 原文…
内容来自 GitHub 原始文件，由原作者维护。在 GitHub 查看
从 predictions/*.md 复盘段的评论数据，聚类出账号真实受众画像，写入 audience.md。
persona 是和 rubric 平行的第二个派生物，不是 rubric 的一部分：
复盘数据（评论 + 完播 + 转粉）
├──→ rubric 进化（cheat-bump） —— "怎么打分"
└──→ 受众画像（cheat-persona） —— "谁在看"
两者都喂给 cheat-seed，但用途不同
绝不混：persona 不进打分公式。rubric 的 AB 维度（受众广度）可以参考 persona，但那是 cheat-bump 的事，不是这里。
audience.md 从复盘评论派生 = 含已发布作品的实绩信号。因此：
audience.md 在 cheat-score-blind 的 hard refusal list 里，refusal_code blocked_audience[用户：构造受众画像 / 更新 persona]
↓
[Phase 0: 收集数据 — 扫 predictions/*.md 复盘段评论 + benchmark.md]
↓
[Phase 1: 数据量判定 → 派生 Confidence 等级]
↓
[Phase 2: 评论聚类 — 自我认同 / 情绪寄存 / 反驳点 / 语言]
↓
[Phase 3: persona × rubric 交叉检验]
↓
[Phase 4: 写 audience.md（覆盖式重建，header 记 version + last_rebuilt）]
↓
[Phase 5: 控制台报告 + 跟上次画像的 diff]
💡 调用覆盖：
/cheat-persona — seed-from-benchmark（强制用 benchmark seed）/— rebuild（即使数据没变也重建）
| 来源 | 用途 |
|---|---|
predictions/*.md 的 ## 复盘 段 | 主数据源——top 评论（带赞数）。persona 的金矿 |
videos/*/report.md | 完播 / 转粉率——薄信号，推"留得住 vs 留不住" |
benchmark.md | 冷启动 seed——"看对标的人 ≈ 你想要的人" |
rubric_notes.md | Phase 3 交叉检验用——persona 食欲 vs rubric 校准现实 |
audience.md（如已存在） | 上一版画像，用于 Phase 5 diff |
predictions/*.md，对每个文件读 ## 复盘 段（只读复盘段——这是 channel A，本来就看实绩）N_retros、评论总数 N_commentsbenchmark.md（如存在）audience.md（如已存在）→ 留作 Phase 5 diff| 情况 | Confidence | 行为 |
|---|---|---|
N_retros == 0 且无 benchmark | 🔴 无数据 | 不强行造——告诉用户"persona 需要复盘数据。先跑几篇 cheat-retro，或导 benchmark"，退出 |
N_retros == 0 但有 benchmark | 🟠 benchmark-seed 未验证 | seed 一份 aspirational persona，全文标"未验证" |
N_retros 1-2 | 🟡 早期信号 | 能产出但特征多落"假设"段 |
N_retros 3-5 | 🟢 数据扎实 | 正常产出 |
N_retros ≥6 | 🔵 稳健 | 正常产出 + 可做更细的食欲分层 |
Confidence 等级写进 audience.md header。
对收集到的所有评论，按四个维度聚类：
聚类纪律：
MIN_COMMENTS_PER_TRAIT（3）条评论证据。不够 → 降到"假设特征"段读 rubric_notes.md 当前 rubric + 校准历史。检查：
诚实要求：两个派生物矛盾时不要强行调和。明确写"persona 说 A，rubric 校准说 B，待下次复盘澄清"——矛盾本身是信号。
覆盖式重建（不是 append）——persona 是活文档，每次 rebuild 重写全文。但：
Persona 版本 +1（v0 → v1 → v2）Last rebuilt 日期 + 数据基础（N 篇复盘 / M 条评论）+ ConfidencevN — 基于 M 篇复盘 / K 条评论，主要变化：...（这是唯一保留的历史；不搞 memo 累积——persona 是活文档不是公式）用 templates/audience.template.md 的结构。
⚠️ 不走版本 memo / 不调跨模型审——persona 不是高风险不可逆动作（写错了重跑一次就好），过度工程没必要。
✅ 受众画像已更新：audience.md（v2，🟢 数据扎实）
数据基础：4 篇复盘 / 87 条评论
核心画像：25-35 岁职场人，来找情绪共鸣不来找信息……
跟 v1 的主要变化：
- 新验证："深夜刷手机" 场景共鸣强（v1 是假设，本次 17 条评论验证）
- 新反画像：原以为"学生党"是受众，但评论里学生占比 <5% → 移到反画像
- ⚠️ 交叉检验 flag：persona 说受众爱"职场吐槽"，但 rubric 校准显示职场类 composite 偏低——下次复盘留意
下一步：
- cheat-seed 选题 / 写稿时会自动参考这份画像
- 再跑 3 篇复盘后建议再 /cheat-persona 刷新
user-asserted（未经数据验证）user-asserted 放"假设特征"段，不放"验证特征"。persona 的价值在于数据 vs 你的幻想之间的 gapcheat-retro 每完成一篇复盘 → flag "已累计 N 篇复盘，可跑 /cheat-persona 刷新画像"cheat-init 创建空 audience.md 骨架；如导了 benchmark → 提示可 /cheat-persona — seed-from-benchmarkcheat-seed Mode A/B/C 读 audience.md 作为"这个 persona 会在乎吗"的镜子cheat-recommend persona-fit 排序；cheat-status persona 新鲜度 nagcheat-score-blind 硬禁读 audience.md（refusal_code blocked_audience）