x-content-review
Skill4 starsChanged 4 months agoMITView on GitHub
X(Twitter) 账号数据内容复盘。分析上一周期的流量与内容表现:周度趋势、发帖时段转化(北京时间)、内容类别涨粉效率、单帖 A/B/C 分级,输出复盘报告并给出下周发帖指导(发什么、什么时候发)。 触发方式:/x-content-review、「X复盘」「出X周报」「跑X数据」「复盘推特数据」,或用户丢 X Analytics CSV 进运营目录。 X account content & traffic review. Analyzes weekly trends, posting time-slot conversion, category follower-efficiency, and post grading; outputs a review report with next-week posting guidance. Trigger: /x-content-review, "X review", "X weekly report", or new analytics CSVs.
- Reads credentials
1 other project uses a version of this, 1 of them edited.
Adopted by
Most recently taken up by
- anneheartrecord/charles-skilledited, first seen Aug 6, 2026
Other versions1 project uses a version of this.
Word for word · 0
None found.
Edited · 1
- anneheartrecord/charles-skill★ 395% same
Wrote their own version · 0
None found.
How matches are found. Word for word: the exact same text. Edited: shares passages with this file (“99% same” means 99% of its five-word phrases also appear here; 10% or more counts). Their own version: similar meaning, or, weakest, the same name. We can’t tell which project had it first. Projects are counted among the 200 most-starred candidates, and mentions are links to the repository we found, up to 50 per site, so both counts are a floor.
In this repository5 other files it gives its agents.
- x-account-auditSkill
- x-hotspot-radarSkill
- x-post-gateSkill
- x-postSkill
- x-scheduleSkill
The file
Files
X 数据内容复盘
把 X Analytics 数据变成可执行的运营决策:什么类别涨粉快、什么时段发效率高、哪些帖子该扩成系列、哪些该换头重发、哪些选题该停。
数据源(三条路,按优先级)
- API 模式(首选,配了官方 API 凭证时):X 官方 pay-per-use 接口读自己账号数据,$0.001/请求,一次复盘不到 1 美分。官方接口稳定,且
impression_count是真曝光数,口径与 analytics 后台对齐。凭证为四个 env(X_API_KEY/X_API_SECRET/X_ACCESS_TOKEN/X_ACCESS_TOKEN_SECRET),依赖 tweepy。 - Pulse 模式(免费兜底):cookie 登录态(env
X_AUTH_TOKEN/X_CT0,依赖 twscrape)拉公开指标,views 为公开浏览数。 - CSV 模式(增强,用户主动导出时):X Analytics 后台两份 CSV(
account_overview_analytics*.csv+account_analytics_content*.csv),独有「净涨粉/主页访问」,转化口径升级为「涨粉/万曝光」。运营目录里有 7 天内的新 CSV 对时自动改走 CSV 模式。
API 和 pulse 模式的涨粉趋势都靠粉丝数快照 JSONL 差值(每次跑自动追加快照,越用越准),转化口径为「收藏/万曝光」。
工作流程
第 1 步:选数据路径
- 先看用户运营目录(惯例
30-outputs/X 运营/)有无 7 天内导出的 CSV 对:有 → CSV 模式; - 没有,四个 API env 齐 → API 模式:
python3 <skill目录>/scripts/fetch_x_api.py --limit 100 \
--snapshot-file <运营目录>/x-follower-snapshots.jsonl > /tmp/x-pulse.json- API 凭证不全 → pulse 模式:
python3 <skill目录>/scripts/fetch_x_pulse.py --user <handle> --limit 100 \
--snapshot-file <运营目录>/x-follower-snapshots.jsonl > /tmp/x-pulse.json两个脚本输出同构 JSON,后续分析命令一样。凭证缺失时脚本会报错并给配置指引。
第 2 步:跑分析脚本
# API / pulse 模式(两者输出同构,统一走 --pulse)
python3 <skill目录>/scripts/analyze_x_data.py --pulse /tmp/x-pulse.json \
--snapshots <运营目录>/x-follower-snapshots.jsonl --days 7
# CSV 模式
python3 <skill目录>/scripts/analyze_x_data.py \
--overview <最新overview.csv> --content <最新content.csv> --days 7脚本输出 JSON(两种模式同构):
content.time_slots_beijing:北京时间 2 小时分桶的时段表现(CSV 模式从 Post id 雪花 ID 反推发帖时间)content.categories:类别转化,reply 单列;pulse 口径「收藏/万曝光」,CSV 口径「涨粉/万曝光」- pulse 另有
time_slots_beijing_window/categories_window:本窗口口径的时段/类别表——周报用这两个;不带_window的是累计口径,只供看板看长期结构,不进周报(2026-07-20 用户定) content.window_top_posts/repost_candidates_grade_b:窗口 Top 帖与 B 级(低曝光高收藏,换头重发候选)- pulse 另有
quote_repost_candidates:高收藏比 + 高赞比但低曝光的帖,适合 quote/repost 二次分发(HTML 看板数据复盘页展示) - pulse 另有
followers_now/follower_trend(粉丝快照趋势);CSV 另有overview.*(周度趋势/净涨粉)
类别关键词表可用 --categories 自定义.json 覆盖(格式:{"类别名": ["关键词", ...]})。
第 3 步:写复盘报告
基于 JSON 写 Markdown 周报,结构固定:
- 本周大盘:曝光、净涨粉、日均净涨粉(对照验收线,如日均 25+)、发帖数;与上周环比。
- 时段结论(本周口径):本周哪个北京时间段「涨粉/万曝光」最高,pulse 模式用
time_slots_beijing_window。注意剔除单帖爆款扭曲——若某时段数据由 1-2 条爆款贡献,要指出样本量问题,不要直接下结论。 - 类别结论(本周口径):本周各类别涨粉效率排名(pulse 用
categories_window),对照历史基准线,指出漂移。累计口径的时段/类别结构不进周报,去 HTML 看板(charles-media.html 数据复盘页)看。 - 单帖分级:A 级(扩成系列)、B 级(换头重发,列出候选)、C 级(停掉的选题方向)。
口径修订(2026-07-15):①curation 类目样本量常很小(少数爆款撑均值),报类别排名时标注样本数,别把小样本均值当稳定规律。②变现帖(开户 / affiliate)不进 A/B/C 涨粉分级——它不为涨粉、为 affiliate 转化,按涨粉效率会被误判成 C 停掉;变现帖单独看转化价值。
- 下周指导:发什么(3-5 个具体选题方向,可对照选题库)、什么时段发、避免什么。
报告落盘到用户运营目录(如 30-outputs/X 运营/),命名 X周报-YYYY-MM-DD.md。
第 4 步:选题库回环(可选)
把复盘结论直接变成下一轮选题:
python3 <skill目录>/scripts/topic_feedback.py --analysis /tmp/x-analysis.json输出 markdown:高效类别的投产建议、A 级帖(扩系列)、B 级帖(换头重发队列)。审阅后合并进用户 选题库.md,不要盲目覆盖。
第 5 步:顺手检查
- 若用户有 media kit 且数据超过 30 天未更新,提醒刷新。
- 若用户有账号运营手册/选题库,下周指导须与其对齐,不另起炉灶。
对标账号追踪(可选)
看对标在发什么、多勤、什么帖成了:
python3 <skill目录>/scripts/track_benchmarks.py --handles vista8,zarazhangrui --days 14
# 或 --config benchmarks.txt(每行一个 handle)输出各对标的粉丝、发帖频率(帖/天)、中位/均曝光、Top 帖。用来校准自己的发帖节奏和选题,不是抄内容。
cookie 健康检查
跑任何 cookie 路径前,可先验证登录态(定时 runner 已内置此检查):
python3 <skill目录>/scripts/fetch_x_pulse.py --user <handle> --check有效退出 0(打印粉丝数已过鉴权门);cookie 失效退出 1 并提示重新复制 cookie;代理/网络异常退出 1 并提示检查 X_PROXY。它打一个鉴权门后端点(401=失效),不是公开端点,能真正区分登录态失效 vs 只是可达。注意:build_api 每次先删后加账号,保证 ~/.config/secrets/api-keys.env 里刚更新的 cookie 立即生效(twscrape 的 add_account 遇已存在账号不会刷新 cookie)。
数据落盘与自动化
- 数据目录:
~/.local/share/x-operation-skills/(可用X_SKILLS_DATA_DIR覆盖)。twscrape 状态库accounts.db、粉丝快照x-follower-snapshots.jsonl、分析 JSON 都在这——刻意不放知识库运营目录,因 accounts.db 含登录态,避免误提交。 - 粉丝快照定时:
~/.agent-harness/bin/x-follower-snapshot.sh(launchdcom.charles.x-follower-snapshot,每日 23:30)每天记一次粉丝数,积累后周报环比才有值。 - 周报无人值守定时:
~/.agent-harness/bin/run-x-weekly-report.sh(launchdcom.charles.x-weekly-report,周一 10:00)全自动:cookie 检查 → 拉数+分析+归档 → 调 agent-runner(claude 主 / codex 兜底,headless)按30-outputs/X 运营/_X周报生成提示词.md直接写出X周报-日期.md并推送总结。cookie 失效时止损 + 弹通知,不硬跑。 - 环比:analysis JSON 的
content.period_comparison给本期 vs 上期(帖数/曝光/效率),粉丝环比需快照跨度够才有值。 - 看板联动:
scripts/pulse_to_dashboard.py把粉丝趋势 + 最新分析(类别/时段/环比/B级)刷进自媒体运营看板的<!-- X-PULSE -->标记段(收藏/万曝光口径,与看板 CSV 段的净涨粉口径并列不混)。两个定时 runner 跑完自动调它;标记缺失或看板不存在时安全跳过。
判断规则(硬口径)
- 涨粉效率一律用「涨粉数/万次曝光」,不用绝对涨粉数(消除曝光量差异)。
- A/B/C 分级:A=高曝光高收藏→扩系列;B=低曝光高收藏→内容好但包装/时机差,换头重发;C=双低→停选题。
- 时段/类别结论至少 3 条帖子样本才可下,不足时标注「样本不足,仅供参考」。
- reply 不参与时段分析(时间由对话决定,不是运营决策)。
- 所有时间以北京时间(UTC+8)表述。
登录态说明(Pulse 模式)
cookie 获取:浏览器登录 x.com → F12 → Application → Cookies → 复制 auth_token 和 ct0,存入 ~/.config/secrets/api-keys.env:
export X_AUTH_TOKEN="..."
export X_CT0="..."注意:退出 x.com 登录会使 cookie 失效;cookie 等同账号密码,绝不写入仓库或配置文件。
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
No reviews yet
People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.
- It worked
- Partly
- It didn't
Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.
Your trail
Files you open will collect here, so you can find them again.
Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.
Now do this for your own.
Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.

