content-ops 是一个通用型评分与迭代改进引擎，用于评估并优化内容或策略。它会根据被评估对象的类型自动组建专家小组，进行打分并循环修订，直到总分达到 90 以上。
用途：对任意内容或策略打分、评估并迭代改进，适用于文案、序列、落地页、标题、图表、策略、候选人评估等。
主要能力：
- 信息收集（Step 1）：收集或推断待评分内容、内容类型、报价背景、变体及来源技能。
- 自动组建专家小组（Step 2）：按内容类型和领域构建 7–10 名专家；从 experts/ 目录选取预建面板，再加入 1–3 名领域/报价专家；始终包含 AI Writing Detector（权重 1.5 倍）与 Brand Voice Match；最多 10 名，超出则合并重叠角色；如存在 references/patterns.md 会据此扣分。
- 选择评分量表（Step 3）：按内容类型从 scoring-rubrics/ 选择对应量表：内容质量、策略质量、转化质量、视觉质量、评估质量；无匹配时合成最接近的两个。
- 递归评分循环（Step 4）：目标 90/100，最多 3 轮；每轮输出专家评分表、加权平均、前三项弱点与所做修改；评分须如实，不以凑到 90 为目的；若 3 轮后仍低于 90，返回最佳版本并附真实分数与说明。
- 变体比较模式：对 A/B/C 各自独立评分并排名，仅对最佳变体迭代。
- 输出格式（Step 5）：先给获胜者与分数，再给最终内容、迭代轮数与专家名单；变体模式显示获胜者与亚军分数；评分历史以折叠形式附于结果下方。
- 反馈回源（Step 6）：当被评内容来自其他技能时，生成 Source Improvement Brief，指出低分模式、建议改进与应新增规则。
- 记忆（Step 7）：用户批准或拒绝后，按格式向 references/patterns.md 添加新模式（类型、内容类型、规则、示例、日期、扣分），并在后续每轮评分前核对该文件先行扣分。
使用方式：技能启动时运行版本检查与遥测初始化命令，用法保留如下： python3 telemetry/version_check.py 2>/dev/null || true python3 telemetry/telemetry_init.py 2>/dev/null || true
隐私：使用情况仅本地记录于 ~/.ai-marketing-skills/analytics/，远程遥测为选择性加入，不收集代码、文件路径或仓库内容，详见 telemetry/README.md。
参考文件：experts/humanizer.md（每次评分运行）、experts/[domain].md（领域匹配时）、scoring-rubrics/ 下各量表（按评分类型）、references/patterns.md（每次评分运行）、references/expert-assembly.md（构建不熟悉的专家面板时）。
限制：目标 90 分非硬性保证，最多 3 轮，仍不达标则返回最佳版本；专家上限 10 名；评分依赖本地参考文件是否存在，缺失时可能影响效果。