X Mastery Mentor

What it does

When your agent uses it

• Tasks that involve Social media posts

Example prompts

• “/x-mastery-mentor”

Workflow steps

3 steps, taken from the first numbered list in SKILL.md.

1. 1Hook 用了哪个公式（好奇缺口 / 可信度锚点 / Value Equation）？说不出 = 凭感觉写
2. 2字符数控制了吗（短推文 120-130 / Thread 单条 ≤280）？没数 = 算法不友好
3. 3外链放第一条回复了吗？还在正文 → 触达折半，必移

What it can do on your machine

Read from SKILL.md and the folder at commit f913c72. It shows what the files ask for, not the result of running them.

• Tool permissions

  Pre-approves nothing: there is no allowed-tools line, so your agent's usual permission prompts apply.

  From allowed-tools in the SKILL.md frontmatter.

• Runs code

  Shell commands in SKILL.md call:

  • git

  From the folder's file list and the shell code blocks in SKILL.md.

• Network

  Hosts in commands or code, which the agent is likely to contact:

  • x.com

  From URLs in SKILL.md, links to its own repository left out.

• Credentials

  Names no API keys, tokens, secrets or passwords.

  From names ending in _API_KEY, _TOKEN, _SECRET, _KEY or _PASSWORD in SKILL.md.

Context cost

X Mastery Mentor loads about 2.3k tokens when it runs, and up to ~42k if it reads all its reference files. Until then it costs about 90 tokens; SKILL.md has 518 words of instructions outside code blocks.

Always · name and description, kept in context so the agent knows when to use it

~90

When it runs · the whole SKILL.md, loaded when a task matches

~2.3k

With references · SKILL.md plus every file in references/, read only if the agent opens them

~42k

Estimates: characters ÷ 4, the usual rule of thumb; real counts depend on the model's tokenizer. Scripts and assets cost tokens only if the agent reads them.

Safety

Automated static check — not a guarantee. Review scripts before installing. It scans the text of SKILL.md for risky patterns (piping downloads into a shell, reading credential files, hidden Unicode, destructive commands); files beside SKILL.md are not scanned.

SKILL.md

The full file from alchaincyf/x-mentor-skill at commit f913c72, republished under its MIT licence (© alchaincyf). 518 words, ~2,338 tokens.

name

x-mastery-mentor

description

$10K/hr级X/Twitter运营导师。基于Nicolas Cole、Dickie Bush、Sahil Bloom、Justin Welsh、 Dan Koe、Alex Hormozi六位顶级创作者的方法论 + X开源算法深度分析 + AI/科技赛道专精策略， 提炼6个核心心智模型、10条决策启发式、完整的选题-写作-增长操作手册。 通用方法论为底座，AI/科技赛道为专精。 当用户提到「X运营」「推特」「Twitter」「怎么写推文」「怎么涨粉」「X策略」「推特选题」「tweet」「thread」「X算法」时使用。 即使用户只是说「这条推文怎么写」「帮我想个X内容」「推特增长」「发推」「write a tweet」「X account」「grow on X」也应触发。

Step 1: 确认类型和目标
  → 短推文 or Thread？目标受众？英文/中文？
  → 默认值（用户没说时）：短推文、中文、面向AI/tech从业者
  → 如有user-data，从strategy.md读取用户定位作为受众假设

Step 2: 生成3个版本的Hook
  → 每个标注用了哪个公式（好奇缺口/可信度锚点/Value Equation）
  → 标注建议发布时间
  → 【检查点】展示3个hook，用户选或改

Step 3: 完善正文
  → 遵循1/3/1节奏
  → Thread用四段结构（Hook→Main→TL;DR→CTA）
  → 短推文控制120-130字符

Step 4: 质量检查
  → 对照质量检查清单逐项过（读取 quality-analytics.md）
  → 标注外链风险（如有链接，建议移到第一条回复）
  → 标注发帖时间建议

Step 1: 了解上下文
  → 最近在做什么产品/项目？（Build in Public素材）
  → AI赛道有什么热点？（超级碗响应检查）

Step 2: 用4A矩阵生成选题
  → 基于用户的主题桶，每个角度出1-2个选题
  → 标注每个选题的预期效果（拉新/留人/引发讨论）
  → 【检查点】用户选择方向

Step 3: 展开为写作brief
  → 推荐格式（短推文/Thread/Thread+Newsletter）
  → 给出Hook方向和结构建议

Step 1: 判断内容类型（短推文/Thread/Bio/Profile）

Step 2: 用诊断框架逐层检查（读取 quality-analytics.md）
  → 算法层：有外链？>2个hashtag？发帖时间？
  → Hook层：好奇缺口？可信度？具体性？打分1-10
  → 内容层：1/3/1节奏？每条推进？Rate of Revelation？
  → CTA层：有明确行动召唤？有newsletter导流？

Step 3: 展示诊断结果
  → 【检查点】展示各层诊断评分和主要问题
  → 用户确认后再给改写版（有些用户只要诊断，不要改写）

Step 4: 输出完整审阅报告
  格式：
  ---
  Hook评分：X/10（理由，参考 writing-workshop.md 的Hook改进示例）
  主要问题：1-3条
  改进建议：每条附改后示例
  改写版本：完整的改进版（仅用户确认需要时）
  ---

Step 1: 确认当前阶段
  → 粉丝量？（决定路由到0-1K/1K-10K/10K-100K）
  → Premium？（影响所有建议）
  → 如果用户没说粉丝量，直接问「你现在X上大概多少粉丝？有Premium吗？」
  → 如果用户说「不多」「刚开始」→ 默认按0-1K处理

Step 2: 诊断瓶颈
  → 如果用户说「涨粉变慢」→ 先用诊断框架排查（算法层→内容层→受众层）
  → 【检查点】展示瓶颈假设（如「可能是内容类型单一」或「缺少评论区互动」），确认后再给方案

Step 3: 给出阶段性行动计划（读取 growth-monetization.md）
  → 引用对应阶段策略
  → 给出具体每周行动计划（不是原则，是行动）
  → 标注预期增长速率、参考案例、需要的时间投入
  → 【检查点】展示行动计划，用户确认可执行后结束
  → 如有user-data，结合用户历史数据定制（如「你的橙皮书类内容ROI是评论类的13倍，建议加大」）

Step 1: 获取用户X账号信息
  → 要求用户提供X账号用户名（如 @AlchainHust）
  → 检查 user-data/{username}/ 目录是否已有历史数据
  → 如有：告知上次采集时间，问「要用现有数据直接出报告，还是重新采集？」
  → 如无：进入Step 2

Step 2: 采集近100条推文数据
  按优先级依次尝试，每种方式失败后自动切到下一种：

  方式1（首选）：computer-use 工具
    → 打开 https://x.com/{username}
    → 截图确认页面加载成功
    → 逐屏滚动（每次scroll后等2秒），截图提取每条推文的：
      文本、likes/retweets/replies/bookmarks/views、时间、媒体类型
    → 目标100条，每滚动一屏约10条，需滚动约10次
    → 失败判定：页面显示登录墙/404/超时3次 → 切方式2

  方式2（备选）：claude-in-chrome 浏览器工具
    → navigate到用户主页 → read_page获取DOM
    → javascript_tool提取推文列表（article元素）
    → 多次scroll + read_page累积数据
    → 失败判定：扩展未连接/DOM结构变化无法解析 → 切方式3

  方式3（兜底）：用户手动提供
    → 告知用户以下任一方式：
      a) 登录 analytics.x.com 导出CSV，拖拽到对话
      b) 用浏览器插件（如 tweets-exporter）导出JSON
      c) 手动复制最近50-100条推文文本到对话
    → 如用户只能提供部分数据（<50条），标注样本量不足，照做但在报告中注明

  → 【检查点】展示采集结果概览（条数、时间跨度、总互动），确认后继续

Step 3: 数据整理与存储
  → 保存到 user-data/{username}/：
    - tweets_{YYYYMMDD}.json（结构化，每条含id/text/time/likes/rt/replies/bookmarks/views/media）
    - tweets_{YYYYMMDD}.md（可读版：数据概览 + Top5 + 全部推文列表）
    - profile.md（粉丝数/Bio/Premium/账号类型判断）

Step 4: 生成诊断报告（读取 quality-analytics.md 的报告模板要求）
  → 6维分析：KPI概览、内容ROI（按话题分类）、传播漏斗、时间分析、品牌叙事、行动建议
  → 输出为经济学人风格HTML报告，保存到 user-data/{username}/report_{YYYYMMDD}.html
  → 同时在对话中输出关键发现文字摘要（5条以内）

Step 5: 个性化策略更新
  → 生成/更新 user-data/{username}/strategy.md
  → 如有历史报告，对比趋势变化（粉丝增长率、ER变化、内容配比偏移）
  → 提醒：「建议下个月再跑一次，看看策略调整的效果」

© alchaincyf, MIT. Rendered from Markdown: HTML in the file is shown as text, images as links, and headings moved down two levels. Raw file

Files

SKILL.md and 23 other files (references, assets) in the repository root of alchaincyf/x-mentor-skill.

• SKILL.md
• .DS_Store
• .gitignore
• LICENSE
• README.md
• assets/hero.gif
• examples/account-diagnosis-demo.md
• examples/routing-diagram.html
• examples/routing-diagram.png
• examples/routing-infographic.html
• examples/routing-infographic.png
• references/algorithm-niche.md
• references/growth-monetization.md
• references/mental-models-heuristics.md
• references/quality-analytics.md
• references/research/01-writing-methods.md
• references/research/02-growth-engines.md
• … and 7 more

Open the folder on GitHubat commit f913c72