AI Topic Scout (Feishu Edition)

AI 短视频选题追踪系统 — 飞书多维表格版

自动抓取指定 YouTube 博主视频和 Twitter 博主推文，分析内容，聚合跨平台热点主题，生成带热度评分和选题建议的分析报告，结果写入飞书多维表格。

功能

1. 抓取内容

   • YouTube: 指定频道最新视频（标题、描述、观看数、发布时间）
   • Twitter/X: 指定账号最新推文（内容、互动数、发布时间）

2. 智能分析

   • 提取核心主题和关键词
   • 跨平台话题聚合（发现同一主题在多个平台出现）
   • 热度评分（基于互动数据 + 发布时间）
   • 生成选题建议

3. 数据管理

   • 自动写入飞书多维表格
   • 支持去重（避免重复抓取相同内容）
   • 按热度排序展示

使用场景

• 定时抓取 AI 领域博主内容
• 分析短视频选题热度
• 跨平台话题聚合
• 生成内容创作灵感

触发词

• "抓取选题"
• "分析选题"
• "选题 scout"
• "AI 选题追踪"
• "更新选题表"

配置

在使用前，需要配置:

1. 创建飞书多维表格

首次运行时，系统会自动创建一个名为 "AI 选题追踪" 的多维表格，包含以下 4 个数据表:

数据表 1: YouTube 频道列表

• 频道 ID (文本, 如 @channelname 或 UCxxxxxx)
• 频道名称 (文本)
• 订阅数 (数字)
• 最后抓取时间 (日期)
• 是否启用 (复选框)
• 备注 (文本)

数据表 2: Twitter 博主列表

• 用户名 (文本, 不含 @)
• 显示名称 (文本)
• 粉丝数 (数字)
• 最后抓取时间 (日期)
• 是否启用 (复选框)
• 备注 (文本)

数据表 3: 原始内容

• 平台 (单选: YouTube / Twitter)
• 博主名称 (文本)
• 内容标题/正文 (文本)
• 发布时间 (日期)
• 互动数据 (数字: 观看数/点赞数/评论数等)
• 链接 (超链接)
• 数据源 (关联字段 → YouTube频道列表 或 Twitter博主列表)
• 抓取时间 (创建时间)

数据表 4: 选题分析

• 主题名称 (文本)
• 关键词 (多选)
• 热度评分 (数字, 1-100)
• 跨平台出现次数 (数字)
• 选题建议 (文本)
• 相关内容 (关联字段 → 原始内容)
• 创建时间 (创建时间)

2. 配置数据源

方式一: 直接在飞书多维表格中管理 (推荐)

在多维表格的 "YouTube 频道列表" 和 "Twitter 博主列表" 数据表中手动添加记录:

系统会自动读取表中已启用的数据源进行抓取。

方式二: 通过配置文件初始化

首次创建表格时，可在 config.yaml 中定义初始数据源:

sources:
  youtube:
    - channel_id: "@channelname"
      name: "博主A"
    - channel_id: "@another"
      name: "博主B"
  
  twitter:
    - username: "username1"
      name: "推主A"
    - username: "username2"
      name: "推主B"

创建表格时会自动导入这些数据源。

3. API 密钥 (可选)

如果需要更高的抓取频率，可配置:

• YouTube Data API key
• Twitter API bearer token

工作流程

第一次运行

用户: "创建 AI 选题追踪表"

系统会:

1. 创建飞书多维表格 (4 个数据表)
2. 设置字段和关联关系
3. 导入初始数据源 (如果 config.yaml 中有定义)
4. 返回表格链接

管理数据源

添加新数据源:

用户: "添加 YouTube 频道 @3blue1brown"

系统会在 "YouTube 频道列表" 中插入新记录。

禁用某个数据源:

用户: "禁用 Twitter 账号 karpathy"

系统会将该记录的 "是否启用" 字段设为 false。

日常使用

用户: "抓取选题"

系统会:

1. 读取配置的数据源
2. 抓取最新内容（过去 7 天）
3. 分析主题和热度
4. 写入多维表格
5. 返回摘要报告

查看分析

用户: "查看选题分析"

系统会:

1. 读取多维表格中的选题分析
2. 按热度排序
3. 展示 Top 10 热门选题

技术实现

内容抓取

• YouTube: 使用 yt-dlp 或 YouTube RSS feed
• Twitter: 使用 nitter.net 公开接口或 Twitter API

分析引擎

使用 LLM 进行:

• 主题提取
• 关键词标注
• 跨平台相似度匹配
• 选题建议生成

热度评分算法

热度 = (互动数 × 平台权重) × 时间衰减系数
- 互动数: 观看/点赞/评论等
- 平台权重: YouTube=1.2, Twitter=1.0
- 时间衰减: 7天内=1.0, 7-14天=0.7, 14-30天=0.4

执行逻辑

Step 1: 初始化检查

# 检查是否已存在多维表格
if not table_exists():
    create_feishu_bitable()

Step 2: 抓取内容

# 从多维表格读取已启用的数据源
youtube_sources = get_enabled_sources("YouTube频道列表")
twitter_sources = get_enabled_sources("Twitter博主列表")

# YouTube
for source in youtube_sources:
    videos = fetch_youtube_latest(source["频道ID"], days=7)
    for video in videos:
        if not exists_in_table(video.url):
            insert_to_raw_content_table(video, source_id=source["记录ID"])
    
    # 更新最后抓取时间
    update_source_last_fetch_time(source["记录ID"])

# Twitter
for source in twitter_sources:
    tweets = fetch_twitter_latest(source["用户名"], days=7)
    for tweet in tweets:
        if not exists_in_table(tweet.url):
            insert_to_raw_content_table(tweet, source_id=source["记录ID"])
    
    # 更新最后抓取时间
    update_source_last_fetch_time(source["记录ID"])

Step 3: 内容分析

# 获取未分析的内容
raw_contents = get_unanalyzed_contents()

# 使用 LLM 批量分析
analysis_prompt = """
分析以下内容，提取:
1. 核心主题（一句话概括）
2. 关键词（3-5个）
3. 选题建议（为什么值得做？如何切入？）

内容列表:
{raw_contents}
"""

analysis_result = llm_analyze(analysis_prompt)

# 聚合相似主题
topics = aggregate_similar_topics(analysis_result)

# 计算热度并写入
for topic in topics:
    topic.heat_score = calculate_heat_score(topic)
    insert_to_topic_analysis_table(topic)

Step 4: 返回报告

# 生成摘要
summary = f"""
✅ 抓取完成

📊 数据统计:
- YouTube 视频: {youtube_count} 条
- Twitter 推文: {twitter_count} 条
- 新增主题: {new_topics_count} 个

🔥 热门选题 Top 5:
{top_5_topics_with_heat_score}

🔗 查看完整表格:
{feishu_bitable_url}
"""

return summary

自动化运行

可配置 OpenClaw cron 定时执行:

# gateway config
cron:
  jobs:
    - name: "AI选题追踪"
      schedule:
        kind: cron
        expr: "0 9,21 * * *"  # 每天 9:00 和 21:00
        tz: "Asia/Shanghai"
      payload:
        kind: agentTurn
        message: "抓取选题"
        timeoutSeconds: 300
      sessionTarget: isolated
      delivery:
        mode: announce

依赖工具

• feishu_bitable_app: 管理多维表格 App
• feishu_bitable_app_table: 管理数据表
• feishu_bitable_app_table_field: 管理字段
• feishu_bitable_app_table_record: 读写记录
• web_search: 补充信息查询
• exec: 执行 yt-dlp 等工具

进阶功能 (可选扩展)

• 自动生成脚本大纲: 基于选题分析生成短视频脚本框架
• 竞品监控: 追踪同行业创作者的选题方向
• 趋势预测: 基于历史数据预测未来热门话题
• 飞书通知: 发现高热度选题时自动推送飞书消息

示例对话

用户: "创建 AI 选题追踪表"
助手: ✅ 已创建多维表格 "AI 选题追踪"
      包含 4 个数据表:
      - YouTube 频道列表
      - Twitter 博主列表  
      - 原始内容
      - 选题分析
      🔗 https://xxx.feishu.cn/base/xxxx

用户: "添加 YouTube 频道 @3blue1brown"
助手: ✅ 已添加到 YouTube 频道列表
      频道名称: 3Blue1Brown
      状态: 已启用

用户: "抓取选题"
助手: [执行抓取和分析流程]
      
      ✅ 抓取完成
      
      📊 数据统计:
      - YouTube 视频: 12 条 (来自 3 个频道)
      - Twitter 推文: 28 条 (来自 5 个账号)
      - 新增主题: 7 个
      
      🔥 热门选题 Top 5:
      1. AI Agent 工作流优化 (热度: 89)
      2. OpenAI o3 模型解读 (热度: 85)
      3. 本地部署 LLM 实战 (热度: 78)
      4. Prompt Engineering 新技巧 (热度: 72)
      5. AI 视频生成工具对比 (热度: 68)
      
      🔗 查看完整表格: [链接]

用户: "分析 'AI Agent 工作流' 这个选题"
助手: [从表格读取详细信息并展示]

注意事项

1. 频率控制: YouTube/Twitter 有请求限制，建议每天运行 2-3 次
2. 去重逻辑: 使用 URL 作为唯一标识，避免重复抓取
3. 隐私保护: 不要抓取包含敏感信息的私有账号
4. 飞书授权: 首次使用需完成用户 OAuth 授权

故障排查

Q: 抓取失败，返回 403/429 错误 A: 触发了平台限流，稍后重试或配置 API 密钥

Q: 重复内容写入表格 A: 检查去重逻辑，确保使用正确的唯一标识字段

Q: LLM 分析结果不准确 A: 调整 prompt 或使用更强的模型（如 opus）

Q: 飞书多维表格写入失败 A: 检查用户授权状态，运行 feishu_oauth revoke 后重新授权

作者 & 许可

改编自钉钉版 AI Topic Scout，适配飞书多维表格 License: MIT