x-research

X/Twitter 研究

研究已跟踪账号中表现出色的推文，找出异常值，并可选择分析视频内容的吸引点和结构。

前提条件

• 设置 APIFY_TOKEN 环境变量或将其配置在 .env 中
• 设置 GEMINI_API_KEY 环境变量或将其配置在 .env 中（用于视频分析）
• 安装 apify-client 和 google-genai Python 软件包
• 在 .claude/context/x-accounts.md 中配置账号

验证设置：

python3 -c "
import os
try:
    from dotenv import load_dotenv
    load_dotenv()
except ImportError:
    pass
from apify_client import ApifyClient
assert os.environ.get('APIFY_TOKEN'), 'APIFY_TOKEN not set'
" && echo "Prerequisites OK"

工作流

1. 创建运行文件夹

RUN_FOLDER="x-research/$(date +%Y-%m-%d_%H%M%S)" && mkdir -p "$RUN_FOLDER" && echo "$RUN_FOLDER"

2. 获取推文

python3 .claude/skills/x-research/scripts/fetch_tweets.py \
  --days 30 \
  --max-items 100 \
  --output {RUN_FOLDER}/raw.json

参数：

• --days：向前搜索的天数（默认：30）
• --max-items：每个账号的最大推文数（默认：100）
• --handles：使用指定账号句柄覆盖账号文件中的配置

API 限制： 每次查询至少需要 50 条推文。两次运行之间请等待几分钟。

3. 找出异常值

python3 .claude/skills/x-research/scripts/analyze_posts.py \
  --input {RUN_FOLDER}/raw.json \
  --output {RUN_FOLDER}/outliers.json \
  --threshold 2.0

输出 JSON 包含：

• total_posts：分析的推文数量
• outlier_count：发现的异常值数量
• topics：热门标签、提及和关键词
• content_patterns：表现出色的内容形式分析
• accounts：已分析的账号列表
• outliers：异常推文数组，包含互动指标

4. 使用 AI 分析视频（可选）

如果异常值中包含视频内容：

python3 .claude/skills/video-content-analyzer/scripts/analyze_videos.py \
  --input {RUN_FOLDER}/outliers.json \
  --output {RUN_FOLDER}/video-analysis.json \
  --platform x \
  --max-videos 5

注意：X/Twitter 以文本为主。视频分析是可选的，只有异常值中包含视频推文时才有用。

5. 生成报告

读取 {RUN_FOLDER}/outliers.json（以及可选的 {RUN_FOLDER}/video-analysis.json），然后生成 {RUN_FOLDER}/report.md。

报告结构：

# X/Twitter Research Report

Generated: {date}

## Summary

- **Total tweets analyzed**: {total_posts}
- **Outlier tweets identified**: {outlier_count}
- **Outlier rate**: {percentage}%

## Top Performing Tweets (Outliers)

### 1. @{username} ({name})

> {tweet_text}

- **URL**: {url}
- **Date**: {created_at}
- **Engagement**: {likes} likes | {retweets} RTs | {replies} replies | {bookmarks} bookmarks
- **Engagement Score**: {score}
- **Engagement Rate**: {rate}%
- **Followers**: {followers}

[Repeat for top 15 outliers]

## Top Performing Hooks (if video analysis available)

### Hook 1: {technique} - @{username}
- **Opening**: "{opening_line}"
- **Why it works**: {attention_grab}
- **Replicable Formula**: {replicable_formula}
- [Watch Video]({url})

## Trending Topics

### Top Hashtags
[From outliers.json topics.hashtags]

### Top Keywords
[From outliers.json topics.keywords]

### Top Mentions
[From outliers.json topics.mentions]

## Content Patterns in Outliers

| Pattern | Count | Percentage |
|---------|-------|------------|
| Contains media | {count} | {pct}% |
| Contains external link | {count} | {pct}% |
| Thread format | {count} | {pct}% |
| Quote tweet | {count} | {pct}% |
| Asks a question | {count} | {pct}% |
| List/numbered format | {count} | {pct}% |
| Short (<100 chars) | {count} | {pct}% |
| Medium (100-200 chars) | {count} | {pct}% |
| Long (>200 chars) | {count} | {pct}% |

## Actionable Takeaways

[Synthesize patterns into 4-6 specific recommendations]

## Accounts Analyzed

[List accounts]

重点提供可执行的洞察。内容形式和热门话题是 X/Twitter 研究的关键。

快速参考

完整流程：

RUN_FOLDER="x-research/$(date +%Y-%m-%d_%H%M%S)" && mkdir -p "$RUN_FOLDER" && \
python3 .claude/skills/x-research/scripts/fetch_tweets.py -o "$RUN_FOLDER/raw.json" && \
python3 .claude/skills/x-research/scripts/analyze_posts.py -i "$RUN_FOLDER/raw.json" -o "$RUN_FOLDER/outliers.json"

包含视频分析（可选）：

python3 .claude/skills/video-content-analyzer/scripts/analyze_videos.py -i "$RUN_FOLDER/outliers.json" -o "$RUN_FOLDER/video-analysis.json" -p x

然后读取 JSON 文件并生成报告。

互动指标

互动得分（加权）：

• 收藏：4 倍（最强信号——保存以供参考）
• 回复：3 倍（主动对话）
• 转推：2 倍（扩大传播）
• 引用：2 倍（附带评论的互动）
• 点赞：1 倍（被动认可）

异常值检测： 互动率 > 均值 +（阈值 × 标准差）的推文

互动率：（得分 / 粉丝数）× 100

输出位置

所有输出都写入带时间戳的运行文件夹：

x-research/
└── {YYYY-MM-DD_HHMMSS}/
    ├── raw.json            # Raw tweet data from Apify
    ├── outliers.json       # Outliers with metadata and topics
    ├── video-analysis.json # AI video analysis (optional)
    └── report.md           # Final report