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