Community Ops Assistant

事情是这样的。

做社群支持的时候，很多问题看起来都很小。用户问入口在哪，问规则怎么算，问链接是不是官方的，问自己是不是操作错了。单独拎出来，好像就是一句回复的事。

但如果同类问题一直出现，它就不只是客服问题了。

它可能是公告没讲清楚，可能是新手路径太绕，可能是活动规则有歧义，也可能是用户已经开始不信任项目了。这个 Skill 做的就是把这些碎片先捡起来，分类、判断风险、沉淀 FAQ、改公告、写日报周报，再把高频反馈变成后续能继续追的任务。

网页只展示能力概览，不公开核心模板、内部数据、用户隐私和完整分析规则。说真的，运营工具可以展示方法，但不能把真实用户和项目细节拿出来当素材。

截图分析样例

下面这些都是模拟脱敏样例。重点不是证明我有多少数据，而是展示我会怎么从截图里看见问题，哪些只是普通咨询，哪些已经开始变成风险和运营动作。

它解决什么问题

• 新用户不知道从哪里开始，社群需要更清晰的 onboarding。
• Web3 用户担心钱包、授权、资产和真假链接，需要更谨慎的风险提醒。
• AI 用户不是不用工具，而是不知道怎么把需求说清楚。
• 活动规则一旦解释不清，会快速消耗社群信任。
• 只拿到截图时，也需要判断可见数据、运营优劣势和下一步改进方向。
• 重复问题如果没人整理，就无法反向优化内容、产品和社群机制。

我做了什么

• 设计了适合 Web3/AI 社群的用户问题分类框架。
• 加入截图分析能力，可从社群聊天、活动看板、GitHub 页面和运营数据截图中提取可见信号。
• 设计了 P0-P3 风险分级，用来区分资产风险、群体误解和普通咨询。
• 沉淀了用户回复、FAQ、公告改写、日报周报、优劣势分析、改进建议和 GitHub Issue/Discussion 的输出模板。
• 整合 GitHub 社区运营资料，把 community health files、issue templates、labels、Discussions 变成可执行的运营动作。
• 保留可更新结构，后续可以继续加入脱敏案例、提示词、自动化脚本和社群数据面板。

这个作品证明什么

我不只是能回复用户问题，也能把用户问题整理成可复用的运营资产。

我能理解 Web3 和 AI 社群里的信任门槛、理解门槛和行动门槛。

我能基于截图做客观分析，区分可见事实、合理推断和缺失数据，并输出优势、劣势、风险与改进建议。

我能把 GitHub 上成熟的社区运营方法，转化成适合个人项目和社群支持岗位的轻量工作流。

参考方向

• GitHub Docs: Community profile checklist
• GitHub Docs: Community management and moderation
• Open Source Guides: Building Welcoming Communities
• Mattermost Community Playbook