kennyzir youtube-intel · YouTube内容情报
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。
两种模式
Monitoring（竞品监测）
触发词：
- "盯着 XXX 频道"
- "监测这几个频道"
- "这个频道最近发了什么"
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
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
第一步：需求分析
目标： 拿到一个类目请求时，先理解用户真正要的是什么。
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：
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]
第二步：策略制定
目标： 为每个子分类制定搜索策略。
6. 制定搜索词矩阵
对每个子分类，确定：
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 |
8. 搜索执行计划
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）
第三步：数据获取
使用 browser 工具执行搜索。
YouTube 搜索
URL 格式：https://www.youtube.com/results?search_query={关键词}
解析字段（from snapshot）
| 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 |
数据记录格式
每条视频记录：
video:
title: 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
第四步：数据清洗
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：
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：
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
第五步：识别筛选
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
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"
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
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
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
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
第六步：保存与呈现
15. 保存到 Memory
每个子分类的分析结果保存为：
memory/content-discovery/{sub-category-slug}/{date}.md
文件结构：
# 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
## 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]
16. 结构化报告输出
最终输出格式：
【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）
---
## 🎯 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
...
## 🔍 子分类详细分析
[每个子分类的分析]
## 💡 最高价值机会
[排序后的机会列表，含切入角度和数据支撑]
## ⚠️ 风险提示
[注意事项]
## 📊 数据明细
[备查的原始数据]
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
触发规则汇总
| 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） |
注意事项
- 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