li-audit

用途：对用户已发布的 LinkedIn 内容做复盘。核心观点是：唯一诚实的“什么有效”来源就是该账号本身，所有 LinkedIn 指南规则（包括本套件内的）都只是先验，用户最近 30 条帖子才是证据。\n\n输入：让用户提供其拥有的任意一种资料——LinkedIn 分析导出（Analytics -> Content -> Export，CSV）；每篇帖子的截图，含曝光、反应、评论、转发；或仅帖子与反应数，足以做第一轮分析。若存在 ~/.claude/linkedin/log.md，也应读取，因为它记录每篇帖子用了哪个 hook 公式。\n\n主要度量：原始曝光是最没用的数字，因为主要由既有粉丝量决定。应计算并展示过程：互动率（反应+评论+转发）/曝光，看帖子是否配得上其触达；评论比 评论/反应，看是否引发讨论还是只得到点头；触达倍数 曝光/粉丝数，看是否超出既有受众；若有，保存/发送率，它是未来触达最强的单一预测指标。按互动率和触达倍数排名，而非曝光。900 曝光 40 评论的帖子胜过 12,000 曝光 6 评论的。\n\n找规律：把前 5 与后 5 并列，看真正区分它们的因素，并愿意得出用户不爱听的结论：hook 公式（hooks.json 中哪些数字进入前 5）、格式（文字、文档、图片、视频）、长度、主题、日期与时间（最后再看，且仅当前四项无发现时；几乎从不是原因）、第一小时评论（用户在 1 小时内回复与否）。以带证据的论断形式陈述发现，并说明置信度：30 篇能看出模式，6 篇不能，此时应说明而非编造。\n\n输出：格式如 AUDIT · 31 posts · Jun 12 - Sep 5，列出按互动率排名的前 5 与后 5，然后是“数据说明什么”，最后给出 STOP 与 DO MORE 结论，并把结论交给 /li-plan，使下周计划建立在用户自身证据而非默认之上。\n\n限制：需用户提供数据；样本不足时无法可靠归纳。其他细节暂未提供。