cheat-on-content 是一个面向内容创作者的 Agent Skill 项目。它试图把内容创作从“凭感觉发布”变成一个可记录、可预测、可复盘、可迭代的循环。
它的基本链路是：
打分 -> 盲预测 -> 发布 -> T+3d 复盘 -> 更新 rubric
我参与这个项目的价值，不在于写了多少代码，而在于进入了一个真实开源项目的协作场景：读协议、理解设计约束、发现流程问题、提交修正、跟随版本演进。
我关注的点
这个项目最有意思的地方，是它没有把 AI 当成“代写工具”，而是当成一个判断校准系统。
- 预测必须在看到数据前写完，避免事后解释
- 复盘不能只写感受，要把预测和实际表现对账
- rubric 不是收藏夹，而是会随着数据被修正的工作台
- blind scoring 需要隔离实际数据，避免模型偷看答案
这些约束听起来繁琐，但正是它们让“我觉得会火”变成可以被校准的判断。
参与过程
我主要参与了内容修正、问题反馈和流程细节优化。最近的本地分支记录里，涉及复盘观察应该写入哪里、预测日志结构如何对齐、模板字段如何保持一致等问题。
这些改动不一定显眼，但对工具类项目很重要：一个小字段放错位置，后续复盘、升级和迁移都会被影响。
学到的东西
这段经历让我更具体地理解了 GitHub 协作：
- 一个 PR 不只是“改代码”，还要解释为什么改
- 文档、模板和协议本身也是产品的一部分
- 工作流工具最怕含糊，字段名、文件名、触发条件都要稳定
- 当系统依赖长期数据时，迁移和兼容性不能事后再想
它也影响了我对个人知识库和网站的看法：真正有价值的记录，不是把所有东西都保存下来，而是让记录能进入下一次判断。