rainday/analyze

Blog Analyze — 文章品質分析

工作流程

Step 1：讀取文章

1. 讀取指定的文章檔案
2. 提取 YAML frontmatter
3. 分離正文內容

Step 2：內容分析

讀取 skills/blog/references/content-rules.md 的評分標準，對文章執行以下分析：

2a. 結構分析

• 計算 H1/H2/H3 數量
• 檢查標題層級是否正確（無跳級）
• 計算 H2 問句比例
• 檢查 Answer-First 格式（H2 前 40-60 字 / 中文 60-100 字含統計）

2b. 段落分析

• 計算每段字數
• 找出超過 150 字的段落
• 計算理想範圍（中文 60-120 字 / 英文 40-80 字）的段落比例

2c. 引用分析

• 計算統計數字數量
• 計算有來源歸因的統計數量
• 計算無來源的統計數量
• 分析來源等級（Tier 1/2/3）

2d. 視覺元素

• 計算圖片數量和 alt text 覆蓋率
• 計算 SVG 圖表數量

2e. FAQ 分析

• 是否有 FAQ 段落
• FAQ 問題數量

2f. 連結分析

• 內部連結數量
• 外部連結數量
• 錨文字品質

Step 3：AI 內容偵測

Humanizer 29 模式掃描

讀取 skills/blog/references/humanizer-patterns.md，掃描文章中出現的 AI 寫作模式：

• 逐條對照 29 個模式的監控詞
• 計算偵測到的模式數量
• 扣分規則（從 AI 引用就緒度扣）：
  • 0-3 個：扣 0 分
  • 4-8 個：扣 2 分
  • 9-15 個：扣 5 分
  • 16+ 個：扣 8 分
• 列出偵測到的具體模式和位置

注意： humanizer 模式與下方觸發詞掃描有部分重疊（模式 #7 ⊃ 觸發詞列表），不重複扣分。

句長爆發性（Burstiness）

• 計算每個句子的字數
• 算出標準差 / 平均值 = 變異係數
• ≥0.4 = 自然，0.3-0.4 = 邊界，<0.3 = AI 風險

AI 觸發詞掃描

• 掃描禁止觸發詞列表（見 content-rules.md）
• 計算每 1,000 字的觸發詞密度
• ≤3/千字 = 正常，3-5 = 注意，>5 = 高風險

被動語態估算

• 計算「被」字句和被動結構的比例
• ≤10% = 正常，10-15% = 注意，>15% = 高風險

Step 4：評分

根據 content-rules.md 的 100 分標準打分：

| 類別 | 滿分 | |------|------| | 內容品質 | 30 | | SEO 優化 | 25 | | E-E-A-T 訊號 | 15 | | 技術元素 | 15 | | AI 引用就緒度 | 15 |

Step 5：輸出報告

## 品質分析報告：[檔案名稱]

### 總分：[N]/100 — [等級]

| 類別 | 得分 | 滿分 |
|------|------|------|
| 內容品質 | [N] | 30 |
| SEO 優化 | [N] | 25 |
| E-E-A-T 訊號 | [N] | 15 |
| 技術元素 | [N] | 15 |
| AI 引用就緒度 | [N] | 15 |

### AI 內容偵測
- 句長爆發性：[數值]（[自然/邊界/AI風險]）
- AI 觸發詞：[N]/千字（[正常/注意/高風險]）
- 被動語態：[N]%（[正常/注意/高風險]）

### 問題清單（依嚴重度排序）

#### 🔴 致命
[列出致命問題]

#### 🟡 高優先
[列出高優先問題]

#### 🟠 中優先
[列出中優先問題]

### 改善建議
[前 3 個最有影響力的改善行動]

Step 5b：PageSpeed 整合（選用）

如果文章的 frontmatter 包含 url 或 canonical 欄位：

1. 檢查 ~/.config/smart-blog-skills/config.json 是否存在
2. 如果有 → 呼叫 PageSpeed API，將結果納入技術元素評分
3. 如果沒有 → 跳過，使用純內容分析

Step 6：PDF 輸出（--pdf）

如果使用者加了 --pdf flag：

1. 將 Markdown 報告轉換為 HTML
2. 使用 Python + WeasyPrint 生成 PDF
3. 輸出到與文章相同的目錄：{filename}-analysis.pdf

需求： Python 3.11+ 和 WeasyPrint (pip install weasyprint)

/c/Users/EricHsu/AppData/Local/Programs/Python/Python313/python.exe scripts/pdf_report.py --input report.md --output report.pdf

如果 Python 或 WeasyPrint 未安裝，提示使用者安裝方式，繼續輸出 Markdown 報告。

Step 7：Monitor 快照（自動）

分析完成後，如果 docs/monitor/ 目錄存在：

1. 自動將分析結果存為 JSON 快照到 docs/monitor/snapshots/{today}/{slug}.json
2. 更新 docs/monitor/index.json
3. 告知使用者：「分析結果已同步到 monitor 快照」

如果 docs/monitor/ 不存在，跳過此步驟。

批次分析

如果使用者提供目錄路徑：

1. 用 Glob 找出所有 .md / .mdx / .html 檔案
2. 逐一分析
3. 輸出摘要表格，按分數排序
4. 如果 docs/monitor/ 存在，自動建立批次快照