youtube-intel · diff
git:20260406.4104e3f to git:20260409.2646c29
297 added, 148 removed. Audit A to A.
---
name: youtube-intel
description: YouTube内容情报与竞品监测。当用户需要分析YouTube频道、追踪竞品动态、发现内容机会时触发。功能：1) Monitoring - 监测指定频道的更新频率、内容方向、数据表现；2) Discovery - 输入类目/关键词，扫描市场机会与竞争程度。用于选题策划、竞品分析、内容策略制定。
---
# youtube-intel · YouTube内容情报
- ## 核心功能
+ > **版本：** v2.0 — 重构版
+ > **核心理念：** 情报工作不是搜一个词等结果就完了。需求分析 → 策略制定 → 数据获取 → 清洗识别 → 保存呈现，缺一不可。
- ### Monitoring模式（竞品监测）
+ ---
+ ## 两种模式
+
+ ### Monitoring（竞品监测）
+
**触发词**：
- - "帮我盯着XXX频道"
+ - "盯着 XXX 频道"
- "监测这几个频道"
- "这个频道最近发了什么"
- **输出**：
+ ---
+
+ ### Discovery（选题发现）
+
+ **触发词**：
+ - "我想做 XX 类目，有没有机会"
+ - "帮我扫描 XX 市场"
+ - "分析这个赛道"
+
+ > ⚠️ 注意：Discovery 模式按下方六步工作流执行，**不**是搜一个词就出报告。
+
+ ---
+
+ ## Discovery 六步工作流
+
```
- 频道：XXX
- 最近更新：X期节目
- 平均播放量：X
- 更新频率：X期/周
- 内容方向：XXX
- 最近爆款：XXX（X万播放）
- 趋势：上升/平稳/下降
+ 第一步：需求分析 ← 理解用户真正想要什么，识别模糊性
+ 第二步：策略制定 ← 确定搜索词、子分类、数据源
+ 第三步：数据获取 ← 执行搜索
+ 第四步：数据清洗 ← 去重、过滤噪音、统一格式
+ 第五步：识别筛选 ← 识别子分类、竞争度、机会点
+ 第六步：保存呈现 ← 写入 memory，输出结构化报告
```
---
- ### Discovery模式（选题发现）
+ ## 第一步：需求分析
- **触发词**：
- - "我想做XX类目，有没有机会"
- - "帮我扫描XX市场"
- - "这个关键词竞争大吗"
+ **目标：** 拿到一个类目请求时，先理解用户真正要的是什么。
- **输出**：
+ **执行原则：永远先分析，再动手搜。**
+
+ ### 3. 判断类目粒度
+
+ | 粒度 | 示例 | 是否需要拆分 |
+ |------|------|------------|
+ | 模糊大类 | "AI"、"内容创作"、"电商" | ❌ 需拆分 |
+ | 明确子分类 | "AI 图像生成"、"YouTube 剪辑技巧" | ✅ 可直接搜 |
+ | 竞品监测 | "盯着 @某某频道" | ✅ 进入 Monitoring |
+
+ ### 4. 模糊类目必须拆分
+
+ 如果用户说"AI 工具"，直接拆解：
+
```
- 类目：XXX
- 市场热度：🔥/📉/📊（上升/下降/平稳）
- 搜索结果数：X
- 头部集中度：高/中/低（前三名吃掉XX%流量）
- 竞争格局：
- - 频道A：XX万订阅，内容方向XXX，平均X万播放
- - 频道B：XX万订阅，内容方向XXX，平均X万播放
- 切入机会：
- - 差异化角度：XXX
- - 建议标签：XXX
- - 建议标题方向：XXX
- 风险：
- - XXX
- 数据可信度：高中低（有X个频道数据来自直接抓取）
+ AI 工具
+ ├── AI 图像工具（Midjourney、Stable Diffusion...）
+ ├── AI 编程工具（Cursor、Copilot...）
+ ├── AI 写作工具（Jasper、Claude...）
+ ├── AI 视频工具（Sora、Runway...）
+ ├── AI 语音/音频工具（ElevenLabs...）
+ └── AI 办公工具（Notion AI、Gamma...）
```
+ **原则：** 一个搜索词 = 一个明确的子分类。找不到子分类就问用户。
+
+ ### 5. 需求记录
+
+ 把分析结果明确告知用户：
+ ```
+ 分析：
+ - 你说的"XXX"我理解为：[具体是什么]
+ - 拆解为以下子分类：[列表]
+ - 每个子分类独立搜索：[关键词列表]
+ ```
+
---
- ## 数据源（优先级排序）
+ ## 第二步：策略制定
- ### Primary（首选，真实可信）
- 1. **YouTube搜索** - `browser`工具，搜索关键词，解析视频列表
- 2. **YouTube频道页** - `browser`工具，直接访问频道页面抓数据
+ **目标：** 为每个子分类制定搜索策略。
- ### Secondary（备选）
- 3. **Social Blade** - `web_fetch`抓频道数据（socialblade.com/youtube/user/XXX）
- 4. **YouTube Data API** - 如果有API key可用
+ ### 6. 制定搜索词矩阵
- ### 搜索被拦截时的备选流程
+ 对每个子分类，确定：
+
```
- web_search/web_fetch 失败
- ↓
- 使用 browser 工具，profile="openclaw"，action="open" 打开YouTube搜索页
- ↓
- action="snapshot" 获取页面内容
- ↓
- 解析标题、播放量、频道名、发布时间
+ 子分类：AI 图像工具
+ ├── 核心搜索词：AI image generator tools 2025
+ ├── 长尾搜索词：best AI art tools comparison, free AI image generator
+ ├── 竞品搜索词：Midjourney alternatives, Stable Diffusion vs DALL-E
+ └── 趋势搜索词：AI image generator viral 2025
```
- ---
+ ### 7. 确定数据源优先级
- ## 数据抓取流程
+ | 数据源 | 用途 | 置信度 |
+ |--------|------|--------|
+ | YouTube 搜索（browser 抓取） | 热门视频、竞争度 | 🟢 高 |
+ | YouTube 频道页（browser 抓取） | 频道详细数据 | 🟢 高 |
+ | Social Blade | 订阅数、趋势 | 🟡 中 |
+ | Google 搜索 | 舆情热度佐证 | 🟡 中 |
+ | X（Twitter）| 新产品动态 | 🟡 中 |
- ### Discovery完整流程
- 1. 用 `browser` 打开 YouTube 搜索页
- 2. 解析搜索结果，提取：视频标题、频道名、播放量、发布时间
- 3. 对每个发现的相关频道，用 `browser` 访问频道页获取更多信息
- 4. 综合所有数据，生成市场竞争报告
+ ### 8. 搜索执行计划
- ### Monitoring完整流程
- 1. 接收频道URL或名称
- 2. 从memory读取历史数据（如果存在）
- 3. 用 `browser` 访问频道页面获取最新数据
- 4. 对比历史数据，输出差异变化
- 5. 更新memory频道档案
+ 在开始抓取前，先告诉用户：
+ ```
+ 搜索策略：
+ - 类目：AI 图像工具
+ - 搜索词：AI image generator tools 2025
+ - 数据源：YouTube 搜索 + 频道页
+ - 预期结果数：20-30 条视频
+ - 置信度：🟡 中（YouTube 模糊化数据）
+ ```
+
---
- ## 数据解析规则
+ ## 第三步：数据获取
- YouTube搜索结果解析（from snapshot）：
+ **使用 browser 工具执行搜索。**
+
+ ### YouTube 搜索
+
```
- - 标题：heading 或 link 的 text
- - 频道名：从 "前往频道：XXX" 或 "@XXX" 提取
- - 播放量：从 "X万次观看" 或 "X次观看" 提取
- - 发布时间：从 "X个月前" / "X天前" / "X年前" 提取
- - 视频URL：从 link href 提取（/watch?v=XXX）
+ URL 格式：https://www.youtube.com/results?search_query={关键词}
```
- ---
+ ### 解析字段（from snapshot）
- ## 数据模型（统一）
+ | 字段 | 解析规则 |
+ |------|---------|
+ | 标题 | heading 或 link 的 text |
+ | 频道名 | "前往频道：XXX" 或 @xxx 格式 |
+ | 播放量 | "X万次观看" / "X次观看" → 转换为数字 |
+ | 发布时间 | "X个月前" / "X天前" / "X年前" → 天数 |
+ | 视频 URL | link href → /watch?v=XXX |
+ | 视频 ID | 从 URL 提取 video_id |
- ```yaml
- channel:
- name: string
- url: string # YouTube频道URL
- handle: string # @xxx格式
- subscribers: number # 订阅数（估算）
- avg_views: number # 平均播放量（估算）
+ ### 数据记录格式
+ 每条视频记录：
+
+ ```yaml
video:
title: string
- url: string # /watch?v=XXX
- views: number # 播放量
- published_days_ago: number # 发布时间（天）
- channel: string
-
- market_analysis:
- keyword: string
- search_date: date
- total_results: number # 搜索结果总数
- top_channels[]:
- - name: string
- subscriber_count: string
- avg_views: number
- video_count_in_results: number
- data_source: string # "browser|youtube_api|social_blade"
- data_confidence: "high" | "medium" | "low"
- notes: string
+ video_id: string # 从 URL 提取
+ url: string # https://www.youtube.com/watch?v=XXX
+ channel_name: string
+ channel_handle: string # @xxx 格式
+ views: number # 播放量（统一为数字）
+ views_display: string # 原始显示文本
+ published_days_ago: number
+ published_display: string
+ duration: string # 时长
+ is_short: boolean # 是否 Shorts
```
---
- ## 注意事项
+ ## 第四步：数据清洗
- - **搜索结果只显示前20-30个**，不代表完整市场
- - **播放量为近似值**，YouTube有时模糊化显示（"1万次观看"）
- - **数据置信度标注**：来自直接抓取=高，来自估算=中，来自历史数据=低
- - Social Blade有速率限制，单次请求间隔≥5秒
- - browser工具有速率限制，每次操作间隔≥2秒
+ **目标：** 把原始数据变成可分析的情报。**
+ ### 9. 过滤规则
+
+ **必须过滤掉：**
+ - 广告内容（sponsored content、推广视频）
+ - 与目标子分类明显无关的视频
+ - 重复视频（同一视频 ID 只保留一条）
+
+ **保留观察：**
+ - Shorts 和长视频分开标记（两者是不同的内容形态）
+ - 不同频道名但同一人的情况（合并分析）
+
+ ### 10. 分类标记
+
+ 对每条视频，标记：
+
+ ```yaml
+ video:
+ ...
+ sub_category: string # 归属的子分类
+ content_type: "review" | "tutorial" | "list" | "comparison" | "news" | "other"
+ intent: "discover" | "learn" | "compare" | "工具推荐" | "行业趋势"
+ is_viral: boolean # 是否爆款（播放量 > 100万）
+ is_emerging: boolean # 是否新兴（发布 < 30天）
+ ```
+
+ ### 11. 频道聚合
+
+ 同频道的视频合并，计算：
+
+ ```yaml
+ channel_profile:
+ name: string
+ handle: string
+ total_videos_in_results: number
+ avg_views: number
+ max_views: number
+ latest_video_days_ago: number
+ content_type_distribution: {}
+ is_established: boolean # 有多条视频且平均播放高
+ is_emerging: boolean # 新账号但有爆款
+ ```
+
---
- ## 频道档案存储（Memory）
+ ## 第五步：识别筛选
- 每个监测频道在memory中存储：
+ **目标：** 从清洗后的数据里识别机会和风险。**
+
+ ### 12. 子分类竞争度评估
+
+ ```yaml
+ competition_assessment:
+ sub_category: string
+ total_videos: number
+ unique_channels: number
+ avg_views: number
+ top_video_views: number
+ established_channels: number
+ emerging_channels: number
+ saturation: "high" | "medium" | "low" | "blank"
+ competition_level: "red" | "yellow" | "green"
```
- memory/channels/{channel-handle}.md
+
+ **判断标准：**
+ - 🔴 红（高竞争）：头部视频 > 100万播放，成熟频道 > 5个
+ - 🟡 黄（中等竞争）：头部 30-100万，有空间但需要差异化
+ - 🟢 绿（低竞争 / 空白）：头部 < 30万，或新兴市场
+ - ⚪ 空白：新出现的子分类，无充分数据
+
+ ### 13. 切入机会识别
+
+ ```yaml
+ opportunity:
+ type: "differentiation" | "niche" | "format" | "timing" | "data"
+ description: string
+ evidence: string[] # 数据支撑
+ suggested_angle: string # 建议切入角度
+ risk: string # 风险提示
```
- 档案包含：
- - 最后更新时间
- - 最新视频列表
- - 关键数据指标
- - 趋势分析
+ **常见机会类型：**
+ - **差异化机会**：头部都在泛谈，垂直场景无人占
+ - **格式机会**：列表类视频多，教程类少
+ - **时机机会**：新兴话题，供给还没跟上需求
+ - **数据机会**：没人用真实数据做对比
+ ### 14. 爆款识别
+
+ ```yaml
+ viral_signals:
+ video_id: string
+ title: string
+ views: number
+ published_days_ago: number
+ why_viral: string # 分析原因
+ lessons: string[] # 可复用的规律
+ ```
+
---
- ## 输出目的地（Output Destinations）
+ ## 第六步：保存与呈现
- 默认输出到当前对话。如需输出到其他平台，使用以下指令：
+ ### 15. 保存到 Memory
- ### 输出到飞书文档
+ 每个子分类的分析结果保存为：
- **触发词**：
- - "输出到飞书"
- - "生成飞书文档"
- - "写到飞书"
+ ```
+ memory/content-discovery/{sub-category-slug}/{date}.md
+ ```
- **操作**：
- 1. 使用 `feishu_doc` 工具创建文档
- 2. 文档标题格式：`ContentIntel_报告_{类型}_{日期}`
- 3. 内容格式：Markdown，结构化报告
+ **文件结构：**
+ ```markdown
+ # Content Discovery · {子分类名}
+ **日期：** YYYY-MM-DD
+ **搜索词：** xxx
+ **数据源：** YouTube 搜索（browser 抓取）
+ **置信度：** 🟡 中
- **文档结构**：
+ ## 需求分析
+ [分析过程]
+
+ ## 搜索策略
+ [策略]
+
+ ## 原始数据
+ [视频列表]
+
+ ## 清洗后数据
+ [聚合后的频道数据]
+
+ ## 竞争度评估
+ [竞争度评级]
+
+ ## 机会识别
+ [机会列表]
+
+ ## 爆款分析
+ [爆款规律]
```
- # ContentIntel 报告
- ## 基本信息
- - 报告类型：Discovery / Monitoring
- - 生成时间：YYYY-MM-DD HH:mm
- - 数据来源：YouTube直接抓取
+ ### 16. 结构化报告输出
- ## 核心发现
- ...
+ 最终输出格式：
- ## 详细数据
- ...
+ ```
+ 【Discovery 报告】{类目名}
+ 生成时间：YYYY-MM-DD HH:mm
+ 数据来源：YouTube 直接抓取（置信度：🟡 中）
- ## 建议/结论
+ ---
+
+ ## 🎯 需求确认
+ 你所说的"XXX"已拆解为以下子分类：
+ 1. AI 图像工具（搜索词：xxx）→ 竞争度：🔴 高
+ 2. AI 编程工具（搜索词：xxx）→ 竞争度：🟡 中
...
- ```
- ### 输出到 Notion
+ ## 🔍 子分类详细分析
+ [每个子分类的分析]
- **触发词**：
- - "输出到Notion"
- - "生成Notion页面"
- - "写到Notion"
+ ## 💡 最高价值机会
+ [排序后的机会列表，含切入角度和数据支撑]
- **操作**：
- 1. 使用 Notion API 创建页面（需要配置 Notion Integration Token）
- 2. 页面标题：`ContentIntel_{类型}_{日期}`
- 3. 内容块：标题 + 表格 + 文本
+ ## ⚠️ 风险提示
+ [注意事项]
- **页面结构**：
- - 数据库模式（推荐）：建立 ContentIntel Reports 数据库
- - 属性：报告类型、关键词/频道、日期、置信度
- - 页面内容：报告正文
+ ## 📊 数据明细
+ [备查的原始数据]
+ ```
- **Notion配置（参考 references/notion-integration.md）**
+ ---
+ ## Monitoring 模式
+
+ **流程（保持不变）：**
+
+ ```
+ 1. 读取 memory 中的频道历史档案
+ 2. browser 访问频道页抓最新数据
+ 3. 对比历史：新增视频、播放变化、趋势判断
+ 4. 更新 memory 档案
+ 5. 输出变化报告
+ ```
+
---
- ## Bundled Resources
+ ## 触发规则汇总
- 详细数据模型定义：See [references/data-model.md](references/data-model.md)
+ | 用户说 | 模式 | 工作流 |
+ |--------|------|--------|
+ | "帮我盯着 XXX 频道" | Monitoring | 直接抓频道 → 对比 → 输出 |
+ | "XX 类目有没有机会" | Discovery | **六步工作流** |
+ | "分析这个赛道" | Discovery | **六步工作流** |
+ | "XX 关键词竞争大吗" | Discovery | **六步工作流** |
+ | "最近有什么新产品" | Discovery | 六步工作流（以"新产品"为子分类） |
- 工作流操作手册：See [references/workflow.md](references/workflow.md)
+ ---
- 飞书/Notion输出集成：See [references/output-integrations.md](references/output-integrations.md)
+ ## 注意事项
- Discovery报告模板与真实案例：See [references/discovery-template.md](references/discovery-template.md)
+ - **永远先分析需求再搜索**，不可以用一个搜索词直接出报告
+ - **模糊类目必须拆分**，否则输出是垃圾
+ - **置信度必须标注**，不掩盖数据来源的局限性
+ - **Shorts 和长视频分开分析**，两者是不同市场
+ - **数据保存到 memory**，形成积累，不每次从零开始