Phy Content Compound — 物理内容复合体
v1.0.3用于社交媒体创作者的内容原子库构建器。扫描您过去的内容目录（markdown、文本文件），提取可重用的“内容原子”——论点、数据点、轶事、框架、反直觉观点和问题。为每个原子标记主题关键词和来源归属。给定一个新主题，检索您个人库中最相关的原子，并生成帖子大纲。类似于 Zettelkasten，但自动化——您写的每一篇帖子都能让下一篇更容易。通过消除“空白页”启动，解决了 77% 的创作者倦怠问题。研究支持（Zettelkasten serendipity 效应、Justin Welsh 730 天内容库、内容原子化 hub-and-spoke 模型）。零外部依赖。
by 运行时依赖
安装命令
点击复制技能文档
phy-content-compound — 内容原子库构建工具 77% 的社交媒体创作者报告了倦怠。原因 #1：每次都从空白页开始。 您已经写下了您想法的最佳版本 —— 在过去的帖子、评论、线程中。 问题是您无法找到并重新组合它们。 这个工具扫描您的过去内容，提取可重用的 "内容原子"，并在您需要写关于新主题时检索最相关的原子。 您写的每个帖子都使下一个帖子更容易。
快速开始 # 从内容目录构建原子库 python3 ~/.claude/skills/phy-content-compound/scripts/content_compound.py ~/Desktop/content-ideas/ # 构建库 + 查询主题 python3 ~/.claude/skills/phy-content-compound/scripts/content_compound.py ~/posts/ --topic "developer tools" # 查询特定原子类型 python3 ~/.claude/skills/phy-content-compound/scripts/content_compound.py ~/posts/ --topic "AI" --type data_point # 获取前 10 个结果 python3 ~/.claude/skills/phy-content-compound/scripts/content_compound.py ~/posts/ --topic "security" --top 10 # JSON 输出 python3 ~/.claude/skills/phy-content-compound/scripts/content_compound.py ~/posts/ --topic "growth" --format json
6 种原子类型 类型 图标 什么是它捕获的 检测模式 data_point 具体数字、百分比、指标 带有数字 + 单位的句子（%，$，K，M，x） claim 强烈的断言、论文陈述 "关键见解是..."，"结果是..."，"现实是..." anecdote 个人故事和经历 "我构建..."，"我们发布..."，"上个月我..." framework 结构化列表、步骤模型 3+ 个连续的项目符号或编号项 contrarian 挑战传统智慧的观点 "停止..."，"不要..."，"每个人都错了关于..." question 思想驱动的讨论句子 以 "?" 结尾的句子（>25 个字符）
工作原理 您的内容文件 (.md, .txt) ↓ [提取原子] —— 基于正则表达式的句子分类 ↓ [标记关键词] —— 上下文窗口关键词提取 ↓ [构建库] —— 6 种原子类型、来源归属、行号 ↓ [查询主题] —— 关键词重叠评分 + 文本存在匹配 ↓ [生成大纲] —— Hook（contrarian/data）→ Body（claims+data+proof）→ CTA（question）
示例输出 ================================================================== phy-content-compound — 内容原子库 ================================================================== 扫描文件：14 总原子数：591 ================================================================== 原子类型： data_point 485 个原子 framework 90 个原子 question 7 个原子 anecdote 4 个原子 claim 3 个原子 contrarian 2 个原子 为 "developer tools security" 查找的顶级原子
- [data_point] （相关性：5.0）"55 个自动化审计检查，映射到 OWASP Agentic Top 10" —— 源：skills-marketplace-guide.md:112
- [anecdote] （相关性：3.5）"我花了一周时间映射每个平台，扫描安全性" —— 源：skills-marketplace-guide.md:7
- HOOK：以数据为主（55 个自动化审计检查...）
- BODY：核心论点 + 支持数据 + 个人证明
- CTA：以真正的问题结尾
复合效应 库大小 临时性 写作速度 0-50 个原子 低 —— 仍在构建 与空白页相同 50-100 个原子 新兴 —— 旧原子出现相关连接 15-20% 更快 100-500 个原子 强 —— 大多数新主题都有 3-5 个相关原子 30-50% 更快 500+ 个原子 复合 —— 新帖子主要是重新组合 50-70% 更快
基于 Zettelkasten 研究：在 50-100 个相关笔记时出现 "临时性效应"。
内容管道集成 该工具是社交媒体飞轮的最后一块：COMPOUND（找到您过去的最佳原子）→ 编写草稿 → HUMANIZER（删除 AI 信号）→ RULES ENGINE（预飞平台检查）→ 发帖 → FORENSICS（分析什么有效）→ 反馈到 COMPOUND（增长您的原子库） 每个周期都使下一个周期更好。 库增长，检索改进，写作速度更快。
研究基础 来源 关键见解 我们如何使用它 Zettelkasten 方法 原子笔记 + 在 50-100 个笔记时出现临时性效应 6 种原子类型、关键词链接 Justin Welsh 730 天库 5 种风格 × 5 个主题 = 75+ 个想法；性能评级 参与提示标记 内容原子化（MarTech） 中心辐射：1 个想法 → 数十个衍生品 原子提取 + 重新组合 NLP 文本分段 基于正则表达式的句子分类 + 实体提取 原子类型检测模式
技术说明 零外部依赖 —— 纯 Python 3.7+ 标准库 支持的文件类型：.md, .txt（递归扫描） 跳过：.git/，node_modules/，__pycache__/，venv/ 关键词提取：上下文窗口 TF 方法（无外部 NLP 库） 评分：关键词重叠 × 2 + 文本存在 × 1.5 + 参与奖励 参与提示：从文件名推断