【免费下载链接】revenue-centric-designProduct-design, conversion behavioral-science principles for SaaS项目地址https://gitcode.com/gh_mirrors/re/revenue-centric-design点击查看免费下载revenue-centric-design把 101 条 SaaS 产品设计与增长原则转化落地页、Onboarding 激活、流失挽回、定价心理学等打包成了一个 Agent Skill。它的背后是一条用 Python 搭建的可复现流水线通过X API 抓取作者推文、用 LLM 做原则蒸馏、再由refresh_meta.py自动更新README/SKILL 元数据。本文将带你逐文件拆解这条自动更新流水线的实现原理。项目概览一条流水线如何养大一个 SkillSkill 的入口是 SKILL.mdAgent 只读它、references/ 和 assets/。真正的生产线藏在 updater/它不属于安装的 Skill纯粹是维护者工具。整体更新循环是一条清晰的流水线discover_new.py → 人工筛选 → new_posts.txt → update.py → 蒸馏 REVIEW → 粘贴进 references/ → refresh_meta.py → commit (可选:找新帖) (增量拉取暂存) (LLM 蒸馏,人工把关) (合并入册) (同步数字)对应 5 个核心脚本完整清单见 updater/README.md文件职责依赖updater/skill_lib.pySnowflake 日期解码、已收录 ID、主题/覆盖率/计数助手纯标准库updater/fetch_posts.pyX API v2 抓取器原文 引用帖 媒体识别 X ArticleBearer Tokenupdater/update.py增量差集检测 拉取新帖 生成蒸馏暂存包Bearer Tokenupdater/distill.py可选Claude API 自动起草原则条目anthropic API keyupdater/refresh_meta.py重算并回写 README/SKILL 的计数与覆盖日期纯标准库updater/prompts/distill.md蒸馏规范全流水线唯一的真理源—核心机制技能即清单零 API 调用算覆盖率这条流水线最巧妙的设计写在 updater/skill_lib.py 的注释里不存在独立的已收录清单。已覆盖的推文集合是从references/*.md中每条原则末尾的richardrx · …Source 链接反向解析出来的正则匹配作者 status 链接里的数字 ID而每条推文的发布日期则直接从推文 ID 本身解码——Twitter Snowflake ID 的高位就是毫秒时间戳纪元1288834974657右移 22 位再加纪元即得创建时间见 updater/skill_lib.py 的snowflake_date()。带来两个直接好处覆盖率与计数零 API 调用coverage()扫一遍本地 Markdown 就能算出最早/最晚日期与去重后帖子数永远不会与实际内容漂移增量更新天然安全new_posts.txt里留旧 URL 也没关系update.py会先算差集已收录的直接跳过。增量更新update.py 的三步拉取 暂存人工把值得收录的推文 URL一行一个写进 updater/new_posts.txt 后运行python update.pyupdater/update.py 做三件事算差集读取候选 URL用skill_lib.included_ids()过滤掉已在references/中的 ID只拉真正的新帖抓取复用 updater/fetch_posts.py 的 API 逻辑媒体下载被重定向到staging/media/暂存stage每条新帖生成三样东西——staging/posts/id.md规范化文本、staging/media/id__*.jpg原图、以及staging/prompts/id.md把蒸馏规范 updater/prompts/distill.md 该帖文本 图片路径预先拼好的提示词文件。也就是说update.py结束时LLM 蒸馏所需的一切已经打包就绪下一步只剩翻译 提炼。X API v2 抓取原理批量、展开与限流处理updater/fetch_posts.py 是唯一的网络出口几个实现细节值得新手学习批量接口走https://api.x.com/2/tweets?ids…最多 100 条 ID 一次请求chunked(ids, 100)91 条的完整重建只需一次调用一次拿全expansions参数展开attachments.media_keys、referenced_tweets.id引用帖与作者tweet.fields额外请求note_tweet长文和articleX Articles字段见 updater/fetch_posts.py两轮抓取Pass A/B第一轮拉目标帖子被引用quote的推文在第一轮里媒体经常不完整脚本收集这些 ID 再发第二轮按主帖身份重取保证引用帖的媒体与作者信息完整解析见 updater/fetch_posts.py媒体取原图照片直接拼接nameorig拿原始分辨率视频则选bit_rate最高的 mp4 变体best_media_url文本择优长文note_tweet X Article 正文 短推textfull_text并保留原始 JSON 到data/raw/id.json以便日后重放健壮性429 限流时读取x-rate-limit-reset响应头自动等待重试401/403 直接给出检查 Bearer Token的明确报错网络错误最多重试 5 次YAML frontmatter每篇输出都带source url、点赞/转发数、is_article、long_form等字段其中themes与use_in_skill两个开关是留给人工策展编辑的。输出汇总在data/index.json逐条记录抓取状态整批可审计。原则蒸馏把一条推文变成一条原则蒸馏的作业要求只有一份updater/prompts/distill.md。它要求把推文忠实译成英文并压缩成一条 60–110 词的固定格式条目## 祈使句标题 **Principle.** 1–3 句核心启发式 **Apply when.** 触发场景 **The move.** 具体动作必须保留命名机制decoy effect、GBB、Swiss Knife Index… **Evidence.** 仅当原文引用研究/数据/案例 **Visual.** 信息型图片说明 — ../assets/filename **Voice.** 原文金句翻译后保留作者口吻 **Source.** richardrx · YYYY-MM-DD两条铁律只留原则不做全文翻译保留有名字的机制——认知偏见的命名本身就是价值诱饵效应、损失厌恶、峰值终末定律……。执行蒸馏有两条路updater/README.md辅助式推荐把staging/prompts/id.md交给 Claude Code 等 Agent它能查看图片来判断哪些图承载信息、从而写出**Visual.**行自动式python distill.pyupdater/distill.py把每条暂存提示连同图片base64 编码发给 Claude用 pydantic 结构化输出解析出{theme_slug, entry_markdown}草稿写入staging/drafts/id.md。无论哪条路人工必须逐条审阅——规范再严格品味与准确性把关在人。审阅通过后原则按新帖在前的顺序粘贴进对应的 references/ 主题文件保留的图片从staging/media/拷入 assets/。合并阶段还有两条原则性规则updater/README.md默认只增不改已有条目与各自的 Source 帖、日期绑定任何更新都不会重写历史作者修订框架时如 RCD 原则从 10 条早期稿变为 9 条正典新条目入库、旧条目标注 (earlier version) … superseded by …这是人工决策流水线永不自动改写策展文本边界随内容携带updater/prompts/distill.md 明确禁止产出涉赌/博彩/赌场类原则——这是作者授权复用时的硬性前提。元数据同步与成本refresh_meta.py 收尾最后一步python refresh_meta.pyupdater/refresh_meta.py让文档数字自动对齐内容它从references/*.md重算原则总数、主题数、每主题表格计数与覆盖日期区间再用正则替换补丁回写 README.md 和 SKILL.md含 shields.io 徽章。用法上有三层--check先干跑预览也是幂等性自检不带参数则只应用确定性修复加--updated YYYY-MM-DD才动Last updated日期避免无意义的日期跳动。成本几乎可忽略X API 按量计费$0.005/条帖读取同一资源在 24 小时 UTC 窗口内去重计费——一次典型更新几条新帖 引用帖 时间线扫描只花几分钱而refresh_meta.py与差集检测完全离线。另有两个收尾细节posts.txt是全量重建清单配合 updater/fetch_posts.py 可干净重建data/新增 URL 记得手工追加——但活的真理源永远是references/密钥updater/.env、data/、staging/均被 gitignore脚本与文档入库保证流程可复现、可审计。总结技能即清单已收录集合从references/的 Source 链接反推日期从 Snowflake ID 解码覆盖率统计零 API 调用、永不漂移拉取可重放fetch_posts.py批量 两轮展开 原图下载raw JSON 与 index 全量留档蒸馏有规范、有人工闸口一份 updater/prompts/distill.md 定义输出形状人审阅后才入references/元数据自动对齐refresh_meta.py保证 README/SKILL 的数字永远由内容算出而不是手填。整条流水线只用 Python 标准库唯一的可选依赖是anthropic循环是discover → curate → update → distill → merge → refresh任何一步都可以重跑而不会破坏既有内容。赞分享【免费下载链接】revenue-centric-designProduct-design, conversion behavioral-science principles for SaaS项目地址https://gitcode.com/gh_mirrors/re/revenue-centric-design点击查看免费下载相关推荐如何快速搞懂收入中心设计RCDrevenue-centric-design九大核心原则完整解读如何快速搞懂收入中心设计RCDrevenue centric design九大核心原则完整解读 如果你正做一个流量不少、收入不多的 SaaS 或创业产品revenue-centric-design怎么用10大主题参考库与原则卡片机制的Agent使用指南revenue centric design怎么用10大主题参考库与原则卡片机制的Agent使用指南 revenue centric design 是一个面向Onboarding九种模式怎么选revenue-centric-design新手引导模式选择与TTV优化指南Onboarding九种模式怎么选revenue centric design新手引导模式选择与TTV优化指南 做 SaaS 产品新手引导Onboardi上一篇AI视频切片工具AutoClip插件化扩展空间前瞻5个开放API与插件系统设计思路下一篇WeChatMsg免费离线微信聊天记录导出与年度报告工具创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/10/23 6:21:27 · 阅读 1.2k revenue-centric-design 开发者指南：X API 抓取、原则蒸馏与自动更新流水线完整解析
【免费下载链接】revenue-centric-designProduct-design, conversion behavioral-science principles for SaaS项目地址https://gitcode.com/gh_mirrors/re/revenue-centric-design点击查看免费下载revenue-centric-design把 101 条 SaaS 产品设计与增长原则转化落地页、Onboarding 激活、流失挽回、定价心理学等打包成了一个 Agent Skill。它的背后是一条用 Python 搭建的可复现流水线通过X API 抓取作者推文、用 LLM 做原则蒸馏、再由refresh_meta.py自动更新README/SKILL 元数据。本文将带你逐文件拆解这条自动更新流水线的实现原理。项目概览一条流水线如何养大一个 SkillSkill 的入口是 SKILL.mdAgent 只读它、references/ 和 assets/。真正的生产线藏在 updater/它不属于安装的 Skill纯粹是维护者工具。整体更新循环是一条清晰的流水线discover_new.py → 人工筛选 → new_posts.txt → update.py → 蒸馏 REVIEW → 粘贴进 references/ → refresh_meta.py → commit (可选:找新帖) (增量拉取暂存) (LLM 蒸馏,人工把关) (合并入册) (同步数字)对应 5 个核心脚本完整清单见 updater/README.md文件职责依赖updater/skill_lib.pySnowflake 日期解码、已收录 ID、主题/覆盖率/计数助手纯标准库updater/fetch_posts.pyX API v2 抓取器原文 引用帖 媒体识别 X ArticleBearer Tokenupdater/update.py增量差集检测 拉取新帖 生成蒸馏暂存包Bearer Tokenupdater/distill.py可选Claude API 自动起草原则条目anthropic API keyupdater/refresh_meta.py重算并回写 README/SKILL 的计数与覆盖日期纯标准库updater/prompts/distill.md蒸馏规范全流水线唯一的真理源—核心机制技能即清单零 API 调用算覆盖率这条流水线最巧妙的设计写在 updater/skill_lib.py 的注释里不存在独立的已收录清单。已覆盖的推文集合是从references/*.md中每条原则末尾的richardrx · …Source 链接反向解析出来的正则匹配作者 status 链接里的数字 ID而每条推文的发布日期则直接从推文 ID 本身解码——Twitter Snowflake ID 的高位就是毫秒时间戳纪元1288834974657右移 22 位再加纪元即得创建时间见 updater/skill_lib.py 的snowflake_date()。带来两个直接好处覆盖率与计数零 API 调用coverage()扫一遍本地 Markdown 就能算出最早/最晚日期与去重后帖子数永远不会与实际内容漂移增量更新天然安全new_posts.txt里留旧 URL 也没关系update.py会先算差集已收录的直接跳过。增量更新update.py 的三步拉取 暂存人工把值得收录的推文 URL一行一个写进 updater/new_posts.txt 后运行python update.pyupdater/update.py 做三件事算差集读取候选 URL用skill_lib.included_ids()过滤掉已在references/中的 ID只拉真正的新帖抓取复用 updater/fetch_posts.py 的 API 逻辑媒体下载被重定向到staging/media/暂存stage每条新帖生成三样东西——staging/posts/id.md规范化文本、staging/media/id__*.jpg原图、以及staging/prompts/id.md把蒸馏规范 updater/prompts/distill.md 该帖文本 图片路径预先拼好的提示词文件。也就是说update.py结束时LLM 蒸馏所需的一切已经打包就绪下一步只剩翻译 提炼。X API v2 抓取原理批量、展开与限流处理updater/fetch_posts.py 是唯一的网络出口几个实现细节值得新手学习批量接口走https://api.x.com/2/tweets?ids…最多 100 条 ID 一次请求chunked(ids, 100)91 条的完整重建只需一次调用一次拿全expansions参数展开attachments.media_keys、referenced_tweets.id引用帖与作者tweet.fields额外请求note_tweet长文和articleX Articles字段见 updater/fetch_posts.py两轮抓取Pass A/B第一轮拉目标帖子被引用quote的推文在第一轮里媒体经常不完整脚本收集这些 ID 再发第二轮按主帖身份重取保证引用帖的媒体与作者信息完整解析见 updater/fetch_posts.py媒体取原图照片直接拼接nameorig拿原始分辨率视频则选bit_rate最高的 mp4 变体best_media_url文本择优长文note_tweet X Article 正文 短推textfull_text并保留原始 JSON 到data/raw/id.json以便日后重放健壮性429 限流时读取x-rate-limit-reset响应头自动等待重试401/403 直接给出检查 Bearer Token的明确报错网络错误最多重试 5 次YAML frontmatter每篇输出都带source url、点赞/转发数、is_article、long_form等字段其中themes与use_in_skill两个开关是留给人工策展编辑的。输出汇总在data/index.json逐条记录抓取状态整批可审计。原则蒸馏把一条推文变成一条原则蒸馏的作业要求只有一份updater/prompts/distill.md。它要求把推文忠实译成英文并压缩成一条 60–110 词的固定格式条目## 祈使句标题 **Principle.** 1–3 句核心启发式 **Apply when.** 触发场景 **The move.** 具体动作必须保留命名机制decoy effect、GBB、Swiss Knife Index… **Evidence.** 仅当原文引用研究/数据/案例 **Visual.** 信息型图片说明 — ../assets/filename **Voice.** 原文金句翻译后保留作者口吻 **Source.** richardrx · YYYY-MM-DD两条铁律只留原则不做全文翻译保留有名字的机制——认知偏见的命名本身就是价值诱饵效应、损失厌恶、峰值终末定律……。执行蒸馏有两条路updater/README.md辅助式推荐把staging/prompts/id.md交给 Claude Code 等 Agent它能查看图片来判断哪些图承载信息、从而写出**Visual.**行自动式python distill.pyupdater/distill.py把每条暂存提示连同图片base64 编码发给 Claude用 pydantic 结构化输出解析出{theme_slug, entry_markdown}草稿写入staging/drafts/id.md。无论哪条路人工必须逐条审阅——规范再严格品味与准确性把关在人。审阅通过后原则按新帖在前的顺序粘贴进对应的 references/ 主题文件保留的图片从staging/media/拷入 assets/。合并阶段还有两条原则性规则updater/README.md默认只增不改已有条目与各自的 Source 帖、日期绑定任何更新都不会重写历史作者修订框架时如 RCD 原则从 10 条早期稿变为 9 条正典新条目入库、旧条目标注 (earlier version) … superseded by …这是人工决策流水线永不自动改写策展文本边界随内容携带updater/prompts/distill.md 明确禁止产出涉赌/博彩/赌场类原则——这是作者授权复用时的硬性前提。元数据同步与成本refresh_meta.py 收尾最后一步python refresh_meta.pyupdater/refresh_meta.py让文档数字自动对齐内容它从references/*.md重算原则总数、主题数、每主题表格计数与覆盖日期区间再用正则替换补丁回写 README.md 和 SKILL.md含 shields.io 徽章。用法上有三层--check先干跑预览也是幂等性自检不带参数则只应用确定性修复加--updated YYYY-MM-DD才动Last updated日期避免无意义的日期跳动。成本几乎可忽略X API 按量计费$0.005/条帖读取同一资源在 24 小时 UTC 窗口内去重计费——一次典型更新几条新帖 引用帖 时间线扫描只花几分钱而refresh_meta.py与差集检测完全离线。另有两个收尾细节posts.txt是全量重建清单配合 updater/fetch_posts.py 可干净重建data/新增 URL 记得手工追加——但活的真理源永远是references/密钥updater/.env、data/、staging/均被 gitignore脚本与文档入库保证流程可复现、可审计。总结技能即清单已收录集合从references/的 Source 链接反推日期从 Snowflake ID 解码覆盖率统计零 API 调用、永不漂移拉取可重放fetch_posts.py批量 两轮展开 原图下载raw JSON 与 index 全量留档蒸馏有规范、有人工闸口一份 updater/prompts/distill.md 定义输出形状人审阅后才入references/元数据自动对齐refresh_meta.py保证 README/SKILL 的数字永远由内容算出而不是手填。整条流水线只用 Python 标准库唯一的可选依赖是anthropic循环是discover → curate → update → distill → merge → refresh任何一步都可以重跑而不会破坏既有内容。赞分享【免费下载链接】revenue-centric-designProduct-design, conversion behavioral-science principles for SaaS项目地址https://gitcode.com/gh_mirrors/re/revenue-centric-design点击查看免费下载相关推荐如何快速搞懂收入中心设计RCDrevenue-centric-design九大核心原则完整解读如何快速搞懂收入中心设计RCDrevenue centric design九大核心原则完整解读 如果你正做一个流量不少、收入不多的 SaaS 或创业产品revenue-centric-design怎么用10大主题参考库与原则卡片机制的Agent使用指南revenue centric design怎么用10大主题参考库与原则卡片机制的Agent使用指南 revenue centric design 是一个面向Onboarding九种模式怎么选revenue-centric-design新手引导模式选择与TTV优化指南Onboarding九种模式怎么选revenue centric design新手引导模式选择与TTV优化指南 做 SaaS 产品新手引导Onboardi上一篇AI视频切片工具AutoClip插件化扩展空间前瞻5个开放API与插件系统设计思路下一篇WeChatMsg免费离线微信聊天记录导出与年度报告工具创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考