内容路由器 · 素材该做成什么

cn.savantcatv1.0.1Updated Oct 6, 2026

给素材做 11 维内容画像，推荐跨媒介输出形态（PPT/信息图/短视频/漫画等 6 种）并给出可执行调度提示词

VerifiedSTDIODesktop onlyMedia & DesignProductivity & WorkflowKnowledge & Memory

Overview

AI-generated overview

Profiles a piece of content across 11 dimensions and recommends which cross-media format to produce, with a dispatch prompt.

What it does
The server exposes five read-only tools: analyze_content returns an 11-dimension content profile plus ranked format recommendations; recommend_formats returns only the ranked list with fit percentages and matched criteria; get_dispatch_prompt generates a scheduling prompt for a chosen format; list_formats describes the six cross-media output formats; profile_schema documents the profile dimensions and value ranges. It is a pure-computation engine that reads the supplied text and returns analysis, without writing files or making external requests.
When to use it
Useful when you have written material and want a reasoned suggestion about whether it suits a slide deck, infographic, short-video script, comic, newsletter or reusable skill, rather than guessing. Also suited to batch triage of a folder of drafts into a production decision table. It does not handle same-medium platform rewriting.
Requirements
Runs locally over stdio as a Python process; the README shows installing the mcp package (pip install "mcp>=2.1") and starting server.py, optionally with an HTTP transport and port. No API keys, accounts, environment variables or headers are declared, and no network access is needed.
Before you install
The server is described as read-only, non-destructive, idempotent and closed-world, with no disk writes and no external requests. Recommendations are heuristic and can be inaccurate, so the README advises reviewing multiple candidates and manually correcting profile dimensions. The referenced downstream workflows are private and not included, so dispatch prompts must be executed by your own agent or by hand.

Installation

In SourceWeft

  1. Open 内容路由器 · 素材该做成什么 in the dashboard and add it to a workspace.
  2. Enable the server for the chats that should use its tools.

Desktop only via STDIO. STDIO servers start a local process, so they need the SourceWeft desktop host.

Other MCP clients

Follow the launch instructions in the repository.

README

🔀 内容路由器 · Content Router

一份素材进去，多种成品出来。

写一次，改四次 —— 这是多平台创作者最耗命的地方。 内容路由器把「这篇该做成什么」变成一道可计算的问题：11 维内容画像 → 智能推荐 → 一键调度。

[License] [Python] [Deps]

[M8ven Verified]

🚧 先说边界：它管「做成什么」，不管「发到哪」

这是两件事，别混：

你的问题该用谁
这篇素材该做成什么？PPT、信息图、漫画还是短视频？内容路由器（本仓库）
文章写完了，怎么改成知乎版 / CSDN 版 / 小红书版？content-creator-skills 里的 multi-platform-rewrite
  • 路由器推荐的是跨媒介形态——媒介变了：文字 → 图表 / 视频 / 漫画 / PPT / 可复用技能。
  • 平台改写是同媒介换平台——还是文章，只换读者、语气和钩子。

两者的关系是上下游：先路由，再改写。路由器告诉你这篇值不值得做成视频，改写技能负责把它写成视频号能发的样子。 本仓库不碰平台改写，那条线交给 content-creator-skills。

😩 你是不是也这样

同一份素材，公众号写完，知乎版、CSDN 版、小红书版还得从头再改一遍，一晚上没了。

但比这更亏的是另一种累：你花了两天把一篇深度长文做成 60 秒短视频，结果它根本没有叙事张力，讲出来像念说明书； 另一篇随手记的案例，其实天生就是一张信息图，你却把它硬写成了长文。

你根本不知道这篇最适合做成什么。 凭感觉选，一半力气花在错的形态上。

✨ 它怎么解决

一篇素材  ──▶  ① 11维画像  ──▶  ② 匹配推荐（带分数+理由）  ──▶  ③ 生成调度提示词                字数/结构/密度           PPT ⭐⭐⭐                 交给你的 Agent 执行                视觉潜力/叙事张力…        信息图 ⭐⭐⭐                                        短视频脚本 ⭐⭐

不是模板填空。 先给内容做体检，再基于体检结果匹配形态，最后才谈转换。

📐 11 维内容画像

维度判定维度判定
① 字数短 / 中 / 长⑦ 叙事张力低 → 高
② 信息密度有效信息点占比⑧ 视觉叙事潜力能否改编漫画
③ 结构类型线性/并列/层级/碎片/流程⑨ 信息图解潜力核心观点 ≤8 个？
④ 视觉潜力可否图表化⑩ 实战可操作性读者要不要动手
⑤ 深度等级入门 / 中级 / 深度⑪ 时效性永久 → 时效
⑥ 情感色彩客观/积极/反思/警示

🎯 6 种跨媒介输出形态

形态适合什么内容对应工作流
📊 PPT 演示文稿方法论、层级框架、教学ppt-director-workflow
🎬 60 秒短视频脚本热点、情绪型短内容beat-plan-video-workflow
📊 信息图并列对比、概念梳理baoyu-infographic
🎨 漫画 / 视觉故事案例、故事、有人物对白baoyu-comic
📧 Newsletter深度 + 私密语感—
🛠️ Skill 封装方法论、可复用工作流—

以上都是媒介发生改变的形态。公众号版、小红书版这类同媒介换平台的改写，不在本仓库职责内， 请用 content-creator-skills。两件事分开做，才不会互相打架。

上表的「对应工作流」是 Hermes Agent 生态内的私有技能，未随本仓库开源。 但不影响使用：route() 只产出 dispatch_prompt 与目标技能名，你自己接上任意 Agent 或手工执行都行 —— 本仓库可独立运行，零强制依赖。

🚀 30 秒跑起来

bash
git clone https://gitee.com/savantcat/content-router.gitcd content-routerpython engine.py analyze README.md

输出：

📐 内容画像报告========================================字数:      1,551 字（中文）密度:      ░░░░░░░░░░ 0.09结构:      流程步骤视觉潜力:  ███    高深度等级:  入门叙事张力:  █      低情感色彩:  客观实战性:    █      低信息图解:  低漫画潜力:  中时效性:    永久
🏆 推荐输出（按适配度排序）----------------------------------------🥇 信息图           ⭐⭐  适配 44%  核心点10个+视觉高+图解低🥈 PPT演示文稿       ⭐⭐  适配 38%  结构流程步骤+视觉高+内容入门🥉 漫画/视觉故事       ⭐  适配 29%  漫画潜力中+张力低4. 结构化Skill封装    ⭐  适配 29%  实战低+结构流程步骤+深度入门5. 60秒短视频脚本      ⭐  适配 14%  张力低+情感客观+非时效

📦 批量路由：素材库 → 产出决策表

单篇分析只是玩具，批量才是刚需 —— 素材囤了一堆，一篇篇问太慢，也永远问不完。

bash
python engine.py batch ./我的素材库 --out 产出决策表.md

一张表告诉你每篇素材该做成什么，直接当工作计划用（实测输出）：

#素材字数结构首推形态适配度次选
1知识星球_专享版.md863并列观点信息图100%PPT演示文稿 / 60秒短视频脚本
2百家号_粘贴版.md1,010碎片集合信息图67%60秒短视频脚本 / PPT演示文稿
3公众号_AI客服国标MCP.md1,199并列观点60秒短视频脚本57%信息图 / PPT演示文稿
4CSDN_技术版_MCP服务端实战.md1,243并列观点信息图56%PPT演示文稿 / 60秒短视频脚本
📦 扫描到 7 篇素材**形态分布**：信息图 ×4、60秒短视频脚本 ×3**最值得先做的 5 篇**：- 知识星球_专享版.md → **信息图**（适配 100%）- 百家号_粘贴版.md → **信息图**（适配 67%）...

适配度 = 判据命中率（该形态得分 ÷ 该形态满分），跨形态可比。 首推 <40% 时它会直接告诉你「这篇还没有明显适合的形态，别急着动手」——不硬推，这是它可信的原因。

🧩 当库用

python
from engine import profile_content, recommend_formats, format_profile_report, format_recommendationfrom engine import ContentRouter
text = open("我的文章.md", encoding="utf-8").read()
profile = profile_content(text)print(format_profile_report(profile))recs = recommend_formats(profile)          # [{"format": ..., "score": ..., ...}]print(format_recommendation(recs))
# 一键调度：为选中形态生成 dispatch 提示词 + 落盘 JSON 报告router = ContentRouter(output_dir="./router_output")result = router.route("我的文章.md", target_formats=["PPT演示文稿", "信息图"])

🔌 作为 MCP 服务调用

server.py 把引擎包成标准 MCP server —— 别人的 Agent 可以直接调这几个工具，不必读源码、不必抄公式。

bash
pip install "mcp>=2.1"
python server.py                                # 本地 stdio（Claude Desktop / Cursor / 任意 MCP 客户端）python server.py --transport http --port 8769   # 远程 streamable-httppython server.py --selftest                     # 不走协议，直接遍历打全部工具
工具作用
analyze_content11 维画像 + 形态推荐（一次给全，最常用）
recommend_formats只出排序推荐：适配度% + 命中的判据
get_dispatch_prompt为指定形态生成调度提示词（交给任意 Agent 执行）
list_formats6 种跨媒介输出形态的定义与适用内容
profile_schema11 维画像的口径与取值范围

客户端配置（stdio）：

json
{ "mcpServers": { "content-router": { "command": "python", "args": ["server.py"] } } }

服务端为纯计算、纯读：5 个工具的四个 annotation hint 全部声明（readOnlyHint=true / destructiveHint=false / idempotentHint=true / openWorldHint=false），不写盘、不发起任何外部请求、不需要 API Key。

💻 命令行

bash
# 分析 + 推荐python engine.py analyze 我的文章.md
# 分析 + 推荐 + 调度python engine.py route 我的文章.md --formats PPT演示文稿,信息图,60秒短视频脚本
# 批量：整个素材目录 → 产出决策表（最实用的一步）python engine.py batch ./我的素材库 --top 20 --out 产出决策表.md

🛡️ 已知风险与规避

风险规避
画像不准支持手动修正画像维度后重新推荐
推荐偏差永远给多个候选 + 理由，把决定权交回给你
跨 Skill 调度按优先级排列，不可用的分支跳过并提示
长文超 token自动分段摘要后再画像

📁 项目结构

engine.py          单文件核心引擎（画像 / 推荐 / 调度 / CLI），纯标准库server.py          MCP 服务端（5 个工具，双通道 stdio / streamable-http）server.json        MCP 元数据（官方 Registry 格式）SKILL.md           Agent 技能定义 + 完整 API 说明skill-card.md      技能卡片（用途 / 输出 / 风险）_meta.json         元信息

🔗 相关仓库

📄 License

MIT — 见 LICENSE。

👤 作者

合尘猫 · AI 落地实践 · https://savantcat.cn

Source: README.md at commit 9856f95

Tools

0
Tool metadata has not been indexed yet.

Version history

1
  1. v1.0.1LatestOct 6, 2026