粘贴一篇 AI 媒体文章，三步还原被过滤掉的那些行。
算账局方法论工具。基于《理科生写不出爆款，不是因为数据不好》六参数框架，对任意 36kr / 量子位 / 新智元风格的 AI 报道执行逆向工程。
AI 媒体爆款文章的底层结构高度一致，可以被系统化识别。
以下六个参数覆盖了绝大多数叙事失真场景：
| # | 参数 | 定义 | 典型信号 |
|---|---|---|---|
| 1 | 成本降维 | 多维成本向量只报最小分量 | "算力仅¥X"，无人工/试错口径 |
| 2 | 信源自循环 | A 引 B 引 A，无外部锚点 | 来源指向另一家媒体或当事人本人 |
| 3 | 时序截断 | 只报 t=peak，后续 → ∅ | 有"首发"时间点，无后续追踪 |
| 4 | 参数选择性过滤 | 剔除低吸引力特征 | 团队极小/时间极短/成本极低，无误差范围 |
| 5 | 特征反转增益 | 预期 vs 实际差值最大的维度置于标题 | 标题核心是"意外"身份或"反常"结果 |
| 6 | 输出二值化 | 连续质量分布压缩为 {封神, 崩了} | 无中间评价，只有极值词汇 |
每个参数单独使用有效。六参数叠加可以生成"每个数字都是真的、对决策有用的信息量 = 0"的文章。
将 SKILL.md 安装为 Claude Skill，然后粘贴任意 AI 媒体文章（标题 + 正文，或标题 + 关键数字即可）。
输出三段内容：
- 参数诊断 — 哪些参数被激活，识别依据是文章原文的哪句话
- 信息还原 — 被过滤掉的原始数据应该包含什么，缺口在哪
- 核实清单 — 3-5 个用十分钟能查完的具体问题，按难易排序
将 SKILL.md 的内容粘贴到任意支持系统提示词的 LLM 中，然后粘贴目标文章。
SKILL.md ← 核心：直接可用的 Claude Skill 提示词
CONTRIBUTING.md ← 如何贡献新案例或报告数据错误
LICENSE ← MIT
examples/
01_huo_qubing.md ← 案例：AI短剧《霍去病》，¥3,000算力 vs 完整成本
02_github_pr.md ← 案例：文科生冲上 GitHub 全球贡献榜
03_nuclear_fusion.md ← 案例：量子位报道核聚变"重大突破"
04_vinext.md ← 案例：Cloudflare 用 $1,100 重写 Next.js
输入文章标题： 「文科生72小时杀入GitHub全球榜：我没写一行代码，但指挥了一支AI军队」
参数诊断输出：
[时序截断] 已识别 → "72小时"是工作时长切片，账号后续被封禁警告、113个PR遭拒未报
[特征反转增益] 已识别 → "文科生×GitHub全球榜"为最大ΔFeature维度
[参数选择性过滤] 已识别 → 报告"冲上全球榜"，过滤了PR通过率(15.7%)和拒绝数量
[输出二值化] 已识别 → "杀入"为正向二值输出
核实清单：
□ 查该GitHub账号当前状态（公开可查，2分钟）
□ 查PR merged/closed比例（仓库页面直接可见）
□ 查当事人此后是否继续贡献（时间线完整性）
□ 问：API调用费用算入成本吗？
- 诊断结果是概率性的，不是定论。某些参数可能是合理简化，不是操纵
- 目标是辅助读者决策，不是否定具体文章或具体媒体
- 框架本身也被自己的框架诊断过，见原文《理科生写不出爆款，不是因为数据不好》文末答案
算账局 · 帮你算清AI时代的账
公众号搜索「算账局」· 贡献案例 · MIT License