creator-insights

Twitter 创作者洞察

此技能为 Twitter/X 内容创作者提供实用情报，帮助了解账号表现、所在领域的热门话题以及竞争情况。包含账号分析、爆款内容发现、帖子串／粉丝洞察以及 AI 驱动的内容生成。

何时使用此技能

在以下情况调用此技能：

• 创作者请求分析自己的 Twitter 账号或其他账号
• 用户询问特定领域的热门内容或爆款推文
• 用户想了解自己所在领域中哪些内容表现良好
• 用户需要改进 Twitter 策略的建议
• 用户询问竞争对手或类似账号的动态
• 用户想寻找某个领域有影响力的账号
• 用户想识别 VIP 粉丝或“隐藏宝藏”账号（新增）
• 用户询问哪些帖子串吸引了高价值互动（新增）
• 用户需要 AI 协助起草推文或分析爆款模式（新增）
• 用户想在发布前优化现有推文（新增）

核心工作流

此技能采用获取 → 分析 → 评分 → 推荐流程：

1. 账号分析阶段

目标：深入分析 Twitter 账号的表现和内容模式。

流程：

1. 运行 python scripts/twitter_analyzer.py --username [handle] --tweets 100
2. 系统获取：
   • 用户资料（粉丝数、简介、认证状态）
   • 最近的推文（最多 100 条）
   • 互动指标（点赞、转推、回复、引用、浏览量）
3. 计算：
   • 互动率（按粉丝数加权）
   • 内容模式（话题标签使用情况、帖子串频率、推文类型）
   • 发帖时间安排优化
   • 爆款内容识别（高于平均值 >2σ 的异常值）

关键指标：

• 互动率：（点赞数 + 转推数 + 回复数）/ 粉丝数 × 100
• 点赞／转推比：反映被动与主动互动的比例
• 帖子串表现：帖子串与单条推文的对比
• 爆款倍数：推文表现超过平均水平的倍数

输出结构：

TWITTER ANALYSIS: @username
├── Profile metrics (followers, tweets, verification)
├── Engagement metrics (rates, averages, ratios)
├── Viral content (top 5 tweets with multiplier)
├── Thread analysis (performance comparison)
├── Hashtag performance (which hashtags drive engagement)
├── Posting schedule (best times based on data)
└── Recommendations (7 actionable insights)

2. 领域检测阶段

目标：识别创作者的内容领域和发帖风格。

流程：

1. 运行 python scripts/profile_analyzer.py --profile @username
2. 分析最近 30 条推文，检查：
   • 14 个预定义领域中的关键词频率
   • 内容主题（最常见的话题）
   • 语气分析（专业、随意、教育性、娱乐性）
   • 发帖节奏与一致性

领域类别：

• 科技、AI/ML、加密货币/Web3、商业、营销
• 游戏、健身、美妆、美食、旅行
• 喜剧、教育、音乐、艺术

评分方法：

niche_score = Σ(keyword_matches) for niche in all_niches
primary_niche = max(niche_scores)
secondary_niches = scores > (primary_score × 0.5)

3. 趋势发现阶段

目标：发现特定领域的爆款内容和热门话题。

流程：

1. 运行 python scripts/trend_aggregator.py --niche "[topic]" --viral-examples --limit 10
2. 搜索匹配以下条件的推文："{niche}" min_faves:1000 -is:retweet
3. 按总互动量排序：likes + (retweets × 2) + (replies × 1.5)
4. 分析爆款因素：
   • 话题标签使用模式
   • 推文长度优化
   • 帖子串与单条推文
   • 基于提问的互动
   • 引用推文比例（发起讨论的指标）

爆款因素检测：

if len(hashtags) > 0: "used {n} hashtags"
if '?' in text: "engaged audience with question"
if len(text) > 200: "detailed/thorough content"
elif len(text) < 100: "concise and punchy"
if quotes > retweets/2: "sparked conversation"

4. 竞争情报阶段

目标：识别某个领域中的顶尖表现者和新兴账号。

流程：

1. 运行 python scripts/trend_aggregator.py --niche "[topic]" --find-accounts --limit 10
2. 汇总该领域排名前 50 的爆款推文
3. 按作者分组并计算：
   • 所有推文的总互动量
   • 每条推文的平均互动量
   • 粉丝数
4. 按互动量／粉丝数比排序（效率指标）

账号评分：

account_score = (total_engagement / follower_count) × tweet_frequency
# Identifies accounts that punch above their weight

5. 线程智能分析阶段 NEW

目标：识别表现出色的线程，并跟踪有影响力账户的互动情况。

流程：

1. 运行 python scripts/thread_intelligence.py --username [handle] --tweets 50 --threshold 10000
2. 获取用户的时间线并识别多条推文组成的线程
3. 对于每个线程：
   • 获取完整的线程上下文
   • 获取所有回复
   • 识别高价值回复者（默认指粉丝数 >10K 的账户）
   • 跟踪互动模式
4. 按高价值回复数量对线程进行排名

影响力阈值：

high_value_account = follower_count >= threshold  # Default: 10,000
# Configurable via --threshold parameter

输出结构：

THREAD INTELLIGENCE: @username
├── Thread Statistics (total, high-value reply count, engagement rate)
├── Top Threads (ranked by high-value replies)
│   ├── Thread text preview
│   ├── Tweet count in thread
│   ├── Total replies vs high-value replies
│   └── Reply engagement score
├── Top Thread Details (deep-dive on #1 thread)
│   ├── Full text preview
│   ├── High-value repliers list
│   └── Follower counts
└── Most Engaged High-Value Accounts (across all threads)
    ├── Reply count per account
    └── Number of threads engaged with

对比模式：

python scripts/thread_intelligence.py --username [handle] --compare --tweets 50

将线程表现与独立推文进行比较，以确定最佳内容形式。

6. 粉丝智能分析阶段 NEW

目标：结合影响力评分和互动跟踪，发现 VIP 粉丝。

流程：

1. 运行 python scripts/follower_intelligence.py --username [handle] --tweets 20 --max-followers 500
2. 获取用户的粉丝（按最新关注时间排序，最多 500 位）
3. 跟踪近期推文的互动情况：
   • 谁转发了推文（通过 get_tweet_retweeters 端点）
   • 谁回复了推文（通过 get_tweet_replies 端点）
4. 计算每位粉丝的影响力评分：

   influence_score = (followers × 0.7) + (engagement_count × 1000 × 0.3)
   

5. 识别特殊群体：
   • VIP 粉丝：影响力评分排名前 50
   • 隐藏宝藏：粉丝数 <5K，但互动次数 ≥2
   • 高互动者：不论粉丝数，互动次数最多的用户

影响力评分公式：

# Balanced scoring: audience size (70%) + actual engagement (30%)
influence = (follower_count × 0.7) + (total_interactions × 1000 × 0.3)

# Example:
# Account A: 100K followers, 0 interactions = 70,000 influence
# Account B: 10K followers, 5 interactions = 8,500 influence
# Account C: 2K followers, 10 interactions = 4,400 influence (hidden gem!)

输出结构：

VIP FOLLOWERS: @username
├── Engagement Statistics
│   ├── Total followers analyzed
│   ├── Engaged followers (who interacted)
│   └── Engagement rate %
├── Top VIP Followers (by influence score)
│   ├── Username, follower count, verified status
│   ├── Engagement breakdown (RTs, replies)
│   └── Influence score
├── Hidden Gems (high engagement, low followers)
│   └── Rising creators to nurture
└── Top Engagers (most interactions)
    └── Your biggest supporters

增长分析模式：

python scripts/follower_intelligence.py --username [handle] --growth --max-followers 200

分析粉丝质量分布（微型、小型、中型、大型、超大型）。

7. AI 内容生成阶段 NEW

目标：使用 AI 和 Claude 3.5 Sonnet 分析病毒式传播模式、撰写推文并优化内容。

三种 AI 操作：

A. 病毒式传播模式分析

python scripts/content_generator.py --action analyze --username [top_creator] --tweets 50 --min-engagement 100

流程：

1. 获取互动量较高的推文（默认互动量 >100）
2. 筛选病毒式传播内容
3. 将表现最好的 5 条推文发送给 AI，并附上提示词：
   • “分析表现最佳的内容主题”
   • “识别推文结构模式”
   • “确定最佳发布时间”
   • “评估标签策略”
   • “了解互动模式”

输出：AI 生成的多章节分析，包含可执行的洞见。

B. 推文撰写

python scripts/content_generator.py --action draft --topic "Your topic here" --username [style_reference] --variations 5

流程：

1. 可选：分析参考账户的风格（若提供了 --username）
2. 将主题和风格上下文发送给 AI
3. AI 生成 3-5 个版本，包含：
   • 每个版本采用不同的切入角度／吸引点
   • 字符数（确保 ≤280）
   • 策略说明
   • 预估互动水平

输出：包含元数据的推文版本 JSON 数组。

C. 推文优化

python scripts/content_generator.py --action optimize --text "Your tweet draft" --goal engagement

目标：engagement、reach、replies、clarity

流程：

1. 将原始推文和优化目标发送给 AI
2. AI 提供：
   • 优化后的版本
   • 2-3 种替代方案
   • 改进说明
   • 发布策略建议

输出：优化后的推文及详细的优化理由。

8. 增强型病毒式传播分析 IMPROVED

病毒式传播因素检测已通过多维模式分析得到显著增强：

之前（简单）：

if len(hashtags) > 0: "used hashtags"
if '?' in text: "question"

现在（精细）：

# 1. FORMAT DETECTION
- Thread detection (🧵, "thread", "1/")
- Question count (single vs multiple)
- List/numbered format (1. 2. 3.)
- Emotional hooks (amazing, shocking, breaking)
- Call-to-action (let me know, check out, reply with)

# 2. MEDIA DETECTION
- Visual content presence (images/videos)

# 3. LENGTH OPTIMIZATION
- Comprehensive (>240 chars)
- Concise (<80 chars)
- Optimal range (120-180 chars)

# 4. HASHTAG STRATEGY
- Strategic use (3+ hashtags)
- Focused single hashtag

# 5. ENGAGEMENT PATTERN ANALYSIS
- High reply ratio (>25% = discussion starter)
- High retweet ratio (>20% = shareable)
- Viral coefficient (quotes+RTs >30%)

# 6. TEMPORAL ANALYSIS
- Peak posting window (9-11 AM, 1-3 PM)
- Low-competition hours (9 PM - 6 AM)
- Weekend timing advantage

# 7. ADVANCED PATTERNS
- Data-driven credibility (study, research, analysis)
- Storytelling hooks (story, remember when)
- Controversy/debate (unpopular opinion, hot take)

增强型输出示例：

🔥 Why viral: Question encouraging replies; emotional hook driving curiosity;
comprehensive detail (long-form); highly shareable content

为每条病毒式传播推文返回最相关的 4 个因素。

互动评分框架

遵循 head-of-content 方法论，我们使用加权互动指标：

WEIGHTS = {
    'bookmarks': 4.0,  # Strongest intent signal
    'replies': 2.0,    # Direct conversation
    'retweets': 1.5,   # Amplification
    'quotes': 2.5,     # Conversation + amplification
    'likes': 1.0,      # Baseline engagement
    'views': 0.01      # Reach indicator
}

engagement_score = Σ(metric × weight)

异常值检测： 得分高于 mean + (2.0 × standard_deviation) 的内容会被标记为病毒式传播内容。

输出格式

文本输出（默认）

易于阅读的报告，包含：

• 章节标题和分隔线
• 关键洞见的项目符号
• 数值排名
• 可执行的建议

JSON 输出

机器可读的数据，可用于：

• 与其他工具集成
• 历史跟踪
• 创建自定义仪表板
• 多账户对比

示例：

python scripts/twitter_analyzer.py --username handle --output json > analysis.json

配置

配置文件（config.yaml - 可选）：

# AI content generation settings
openrouter:
  default_model: "anthropic/claude-3.5-sonnet"
  temperature: 0.7
  max_tokens: 2000

# Influence scoring for follower/thread intelligence
influence:
  follower_weight: 0.7           # 70% weight on follower count
  engagement_weight: 0.3         # 30% weight on engagement
  high_value_threshold: 10000    # 10K+ followers = high-value
  hidden_gem_threshold: 5000     # <5K followers = potential gem
  min_engagement_interactions: 2 # Minimum interactions to count

# Viral analysis thresholds
viral:
  min_engagement: 100            # Minimum total engagement
  min_likes: 500                 # For trending searches
  high_reply_ratio: 0.25         # >25% replies = discussion
  high_retweet_ratio: 0.20       # >20% RTs = shareable
  viral_coefficient: 0.30        # >30% quotes+RTs = viral

# Tweet generation defaults
generation:
  num_variations: 5              # Default tweet variations
  max_length: 280                # Twitter character limit
  style_sample_size: 10          # Tweets to analyze for style

settings:
  rate_limit: 100                # Requests per minute
  default_timeframe: "30d"       # Analytics window
  cache_duration: 15             # Minutes to cache trends

错误处理

速率限制：

• 达到 API 限制时自动退避
• 重试前冷却 60 秒
• 重试期间保留进度

身份验证失败：

• 如果发生身份验证错误，请检查平台配置

网络超时：

• 每个请求的超时时间为 10 秒
• 使用指数退避自动重试
• 优雅降级（返回部分结果）

无效用户名：

Could not fetch info for @username

→ 确认账号存在且未被暂停

高级用法

批量分析

分析多个账号：

for account in account1 account2 account3; do
    python scripts/twitter_analyzer.py --username $account --output json > ${account}_analysis.json
done

自动化监控

每日趋势跟踪：

# Add to crontab
0 9 * * * cd /path/to/skill && python scripts/trend_aggregator.py --niche "AI" --viral-examples --limit 10 >> daily_trends.log

对比分析

对比两个账号：

python scripts/twitter_analyzer.py --username account1 --output json > a1.json
python scripts/twitter_analyzer.py --username account2 --output json > a2.json
# Then compare engagement_rate, viral_multiplier, etc.

相关脚本

核心分析：

• scripts/twitter_analyzer.py - 全面的账号分析
• scripts/profile_analyzer.py - 细分领域识别和内容分类
• scripts/trend_aggregator.py - 病毒式内容和账号发现（增强版）
• scripts/analytics_calculator.py - 历史表现指标

高级情报（新增）：

• scripts/thread_intelligence.py - 主题串分析和高价值互动跟踪
• scripts/follower_intelligence.py - VIP 粉丝发现与影响力评分
• scripts/content_generator.py - AI 驱动的病毒式传播分析和推文生成

基础设施：

• scripts/api_client.py - 核心 Twitter API 封装（增强支持 10+ 个端点）
• scripts/ascii_formatter.py - 精美的终端仪表盘格式化
• scripts/test_new_features.py - 验证测试套件
• scripts/setup_config.py - 交互式配置向导

与其他技能集成

此技能可补充：

• 内容规划技能：利用病毒式传播模式为内容策略提供参考
• 文案写作技能：分析成功的推文结构
• 营销技能：了解受众互动模式

指标术语表

• 互动率：与内容互动的粉丝占比
• 病毒式传播倍数：高于平均值的标准差数量
• 点赞/RT 比率：被动（点赞）与主动（RT）互动的对比
• 主题串表现：主题串推文与单条推文的平均互动量
• 一致性评分：发帖规律性（0-10 分）
• 引用率：带引用的回复（对话质量指标）

最佳实践

1. 每周分析你的账号，以跟踪趋势
2. 与所在细分领域的竞争对手比较，作为基准
3. 根据病毒式传播模式采取行动——复用有效做法
4. 根据你的数据监控建议发帖时间
5. 跟踪话题标签表现并不断优化
6. 如果数据显示主题串表现更好，就进行尝试
7. 关注互动率，而非虚荣指标

故障排除

“超过速率限制” → 等待 60 秒后重试

“请求超时” → 减小 --tweets 参数，或重试（网络问题）

结果为空 → 尝试更宽泛的细分领域关键词，或降低 min_faves 阈值

代理连接问题 → 检查 sc-proxy 是否正在运行，并确认其在 Star Child 中配置正确

v2.0 新增内容：

• 主题串情报：识别主题串中的高价值互动（10K+ 粉丝）
• 粉丝情报：通过影响力评分算法发现 VIP 粉丝
• AI 内容生成：集成 OpenRouter，用于病毒式传播分析和推文起草
• 增强的病毒式传播分析：7 类复杂模式检测
• API 扩展：新增 10+ 个 TwitterAPI.io 端点（粉丝、转推者、回复、主题串）
• ASCII 仪表盘：精美的终端可视化，带进度条
• 全面配置：记录所有阈值和参数的设置

Module Summary:

1. twitter_analyzer.py - Account analytics (v1.0 feature)
2. profile_analyzer.py - Niche detection (v1.0 feature)
3. trend_aggregator.py - Viral discovery (enhanced in v2.0)
4. thread_intelligence.py - Thread analysis (NEW in v2.0)
5. follower_intelligence.py - VIP follower tracking (NEW in v2.0)
6. content_generator.py - AI-powered content (NEW in v2.0)