用途
Outlier Hunter 面向 YouTube 创作者，用于从市场已验证的爆款中提取可复用内容格式，降低试错成本。其原则是 MrBeast 式的“不要复制粘贴，要有品位地借鉴”，只在改编成功格式到自身品牌时才追求原创性。
主要能力
- 异常视频识别：将播放量达到频道近 20 条视频平均播放量 3 倍以上的视频标记为异常爆款，并排除因新闻提及或算法异常等外部事件造成的假异常。
- 多圈层扫描：覆盖直接领域、相邻领域、完全不同的领域以及靠单条视频崛起的新频道。
- 格式拆解：从标题结构、缩略图元素、标题与缩略图关系，以及开场 30 秒钩子、节奏、张力、结局等维度拆解异常视频，剥离具体题材，提炼底层结构。
- 品牌适配：把格式套用到自身领域、语气、独特角度（专业度、经验、反主流观点）与受众痛点上，并将高成本格式按预算压缩，保留核心张力。
- 开拍前验证：检查格式是否有 3 倍以上异常证明需求、改编是否增加独特价值、标题与缩略图是否先于脚本构思、创作者本人是否兴奋、格式是否服务受众需求。
- 结构化输出：产出频道分析表、异常视频表、提取的格式、前三项可直接拍摄的改编方案（含格式来源、独特角度、缩略图方向、预估上限与兴奋度自检）。
使用方式
该技能以指令形式调用，参数为要研究的领域或主题（资料中记为 $ARGUMENTS）。执行时先遵循“研究优先”协议：收集该领域或相邻领域当前排名前十的视频与频道、异常倍数、包装模式、趋势信号及成本收益现实；若公开数据不足，则要求创作者提供最近 3 条视频的点击率、平均观看时长、30 秒留存和净增订阅，否则明确标注为假设。资料还建议每周跨 5 个行业研究异常视频、每周投入约 4 小时研究 YouTube，并在自己发布 50 条视频后分析自身表现最好与最差的各 5 条。
适用场景
适用于选题策划、频道增长诊断、跨领域格式迁移、新系列设计，以及将高预算爆款格式压缩为低预算版本。
限制
资料未提供该技能的具体安装命令、运行环境、收费与价格信息，暂未提供。其效果依赖可获取的公开数据与创作者自有指标，缺少数据时结论只能作为带标注的假设。资料引用的统计（如 88% 视频不到 1000 次播放、教育类内容 80% 播放来自上传 6 个月后、不到 0.05% 频道达到百万订阅）仅作背景参考，未说明来源与时效。