youtube-research

用途

YouTube Research 用于研究细分领域内高表现的 YouTube 视频。它通过 TubeLab 的异常值检测 API 找出表现远超频道平均水平的视频（异常值），再用 AI 分析其中最相关的视频，最终生成可执行的报告，帮助内容创作者借鉴成功视频的钩子、结构和 CTA 策略。

主要能力

• 获取指定 YouTube 频道的视频标题和观看量数据。
• 分析频道，提取直接细分领域关键词、相邻领域关键词、受众画像和可复用标题模板。
• 通过 TubeLab API 搜索异常值视频，支持直接细分领域（5K+ 观看阈值）和相邻受众（10K+ 观看阈值）两组关键词搜索。
• 输出异常值数据（outliers.json）、基础报告（report.md）、视频缩略图和字幕文本。
• 筛选最多 3 个与用户细分领域最相关的视频。
• 用 AI 分析视频，提取钩子技巧及可复制公式、内容结构、留存技巧和 CTA 策略。
• 生成最终报告，包含顶级钩子、内容结构模式、CTA 策略、所有异常值列表和可执行建议。

使用方式

前置条件

• 环境变量 TUBELAB_API_KEY，从 https://tubelab.net/settings/api 获取。
• 环境变量 GEMINI_API_KEY（用于视频分析）。
• Python 包 google-genai 和 requests。

工作流程

1. 创建运行文件夹：

   mkdir -p youtube-research/$(date +%Y-%m-%d_%H%M%S)
   

2. 获取频道 ID：读取 .claude/context/youtube-channel.md 获取频道 ID。

3. 抓取频道视频：

   python scripts/get_channel_videos.py CHANNEL_ID --format summary
   

   返回包含频道视频标题和观看量的 JSON。

4. 分析频道，提取：

   • keywords：4 个直接细分领域的搜索词
   • adjacent-keywords：4 个相同受众观看的相邻主题搜索词
   • audience：2-3 个受众画像，包含异议、转变和利害关系
   • formulas：可复用的标题模板 完整模式和示例输出见 references/channel-analysis-schema.md。

5. 搜索异常值：

   python .claude/skills/youtube-research/scripts/find_outliers.py \
     --keywords "keyword1" "keyword2" "keyword3" "keyword4" \
     --adjacent-keywords "adjacent1" "adjacent2" "adjacent3" "adjacent4" \
     --output-dir youtube-research/{run-folder} \
     --top 5
   

   运行两组搜索：直接细分领域（5K+ 观看阈值）和相邻受众（10K+ 观看阈值）。 输出文件：outliers.json、report.md、thumbnails/*.jpg、transcripts/*.txt。

6. 筛选相关视频：读取 outliers.json 和用户细分领域，选择最多 3 个最相关的视频，按标题相关性、字幕相关性、直接细分领域优先等标准筛选，跳过明显不符合用户内容风格的视频。将筛选结果写入 {RUN_FOLDER}/filtered-outliers.json。

7. 用 AI 分析顶级视频：

   python3 .claude/skills/video-content-analyzer/scripts/analyze_videos.py \
     --input {RUN_FOLDER}/filtered-outliers.json \
     --output {RUN_FOLDER}/video-analysis.json \
     --platform youtube \
     --max-videos 3
   

   从每个视频提取：钩子技巧及可复制公式、内容结构和章节、留存技巧、CTA 策略。

8. 生成最终报告：读取 outliers.json 和 video-analysis.json，生成 report.md。报告结构包括：顶级钩子（按参与度排名，含可复制公式）、内容结构模式表格、CTA 策略表格、所有异常值列表（直接细分领域和相邻受众）、可执行建议（4-6 条具体建议）。

快速参考

完整流程：

RUN_FOLDER="youtube-research/$(date +%Y-%m-%d_%H%M%S)" && mkdir -p "$RUN_FOLDER" && \
python .claude/skills/youtube-research/scripts/find_outliers.py \
  --keywords "k1" "k2" "k3" "k4" \
  --adjacent-keywords "a1" "a2" "a3" "a4" \
  --output-dir "$RUN_FOLDER" --top 5

然后筛选异常值（最多 3 个），运行视频分析，生成报告。

脚本参考

get_channel_videos.py

python .claude/skills/youtube-research/scripts/get_channel_videos.py CHANNEL_ID [--format json|summary]

• CHANNEL_ID：YouTube 频道 ID（24 字符）
• --format：json（完整数据）或 summary（用于分析）

find_outliers.py

python .claude/skills/youtube-research/scripts/find_outliers.py --keywords K1 K2 K3 K4 --adjacent-keywords A1 A2 A3 A4 --output-dir DIR [options]

• --keywords：直接细分领域关键词（推荐 4 个）
• --adjacent-keywords：相邻主题关键词（推荐 4 个）
• --output-dir：输出目录（必需）
• --top：每个类别的视频数（默认 5）
• --days：搜索回溯天数（默认 30）
• --json：同时保存原始 JSON 数据

输出：outliers.json、report.md、thumbnails/、transcripts/

评分算法

视频按 zScore × recency_boost 排名：

• zScore：视频超出其频道平均水平的程度
• recency_boost：当天为 1.0，每天衰减 5%（最低 0.3×）

适用场景

• 内容创作者研究细分领域内的高表现视频，寻找可借鉴的钩子和结构。
• 分析竞争对手或同类频道的成功视频模式。
• 为内容策略生成数据驱动的建议。

限制

• 需要 TubeLab API 密钥和 Gemini API 密钥。
• 依赖 Python 环境及 google-genai、requests 包。
• 视频分析最多处理 3 个视频。
• 异常值搜索默认回溯 30 天。
• 其他收费、价格、平台支持等细节暂未提供。