Content Boom Monitor

一个用于监控 小红书 / 抖音关键词与对标账号的 Codex Skill。

它通过 Just One API 采集公开内容数据，完成标准化、去重、账号相对表现评分和重点内容筛选，并把结果沉淀到飞书多维表格。

目标是把“搜索关键词找爆款”和“盯对标账号异常作品”变成稳定的数据流程，让人只处理值得关注的少量结果。

能做什么

• 同时监控小红书、抖音关键词；
• 监控指定对标账号的近期作品；
• 统一不同平台的作品、作者和互动字段；
• 按 平台 + 作品ID 跨来源去重；
• 计算平台差异化互动值；
• 用账号历史中位数计算相对表现 R；
• 标记 T1 潜力 / T2 爆款 / T3 现象级 等审阅等级；
• 生成包含关键词表现、账号异常、Top 10 和数据限制的监控简报；
• 让 Codex 在生产模式下自动对最多 10 条候选做有证据边界的 AI 拆解；
• 预览并发布到飞书内容作品库；
• 读取飞书中的关键词和账号主页，把人的输入压缩到最少。

两套监控引擎

例如输入 AI工具，系统会让小红书按热度、抖音按点赞量搜索近 7 天内容，再根据已取得的点赞、收藏、评论和分享计算互动值，返回该关键词下最值得优先查看的爆款候选。它不负责发散新话题，也不把一次搜索结果包装成全网爆款认证。

关键词结果标记为“关键词爆款候选”，不需要账号历史基线；对标账号结果才使用同账号作品基线计算相对表现 R。两套判断规则互不混用。

工作流程

flowchart LR
    A[飞书快速录入关键词 / 账号主页] --> B[生成试跑或生产配置]
    B --> C[Just One API小红书 / 抖音]
    C --> D[标准化与保留原始响应]
    D --> E[平台 + 作品ID 去重]
    E --> F[关键词爆款排序账号相对评分]
    F --> G[生成 AI 候选清单]
    G --> H[Codex 自动拆解摘要 / 因素 / 选题]
    H --> I[预览并写入飞书]
    I --> J[人工轻量反馈]

稳定、可复现的环节由程序完成；需要语义理解的内容拆解交给 AI；内容是否符合业务最终由人判断。

对标账号监控是怎么工作的

每次运行都会执行下面这条确定性链路：

1. 从飞书「对标账号」表读取未停用、未暂停的账号；
2. 从主页链接识别小红书或抖音，并解析平台账号 ID；
3. 调用账号作品接口，每个账号最多保留最近 8 条；
4. 把两个平台的作品转换成统一字段；
5. 用 平台 + 作品ID 去重：新作品准备新增，已有作品准备更新；
6. 计算每条作品的互动值；
7. 用这条作品与同账号本轮其他可用作品的互动值中位数比较，得到 R；
8. 按 T1/T2/T3 等级排序，生成报告并写入飞书。

例如某账号本轮其他作品互动值中位数为 100，一条新作品互动值为 850，则 R = 8.5。当它同时达到绝对互动证据门槛时，会标记为 T3 现象级，优先交给人复盘。

如何变成每天自动运行

当前仓库提供的是可重复执行的监控流程，不绑定某一种调度器。可以用 Codex Automation、cron、CI 或服务器定时任务依次运行：

python3 scripts/build_config_from_feishu.py \
  --mode production \
  --direction "你的内容方向" \
  --output run-config.json

python3 scripts/pilot_monitor.py \
  --config run-config.json \
  --output-dir run-output

# Codex 根据 analysis_candidates.json 自动生成 analysis.json 后：
python3 scripts/apply_analysis.py \
  --candidates run-output/analysis_candidates.json \
  --analysis run-output/analysis.json \
  --rows run-output/feishu_rows.json \
  --report run-output/report.md

python3 scripts/publish_feishu.py \
  --input run-output/feishu_rows.json \
  --write

将 --write 放入无人值守任务前，应先完成一次人工试跑，并明确授权这个定时流程可以写入指定 Base。

如果要识别“这条作品今天正在快速起量”，还需要在下一阶段保存上轮点赞、收藏、评论和分享快照，再计算跨轮增量和单位时间增长速度。当前版本识别的是同账号作品之间的相对异常，不是跨天增长速度。

安装

1. 克隆到 Codex Skills 目录

git clone https://github.com/xintu1314/content-boom-monitor.git \
  ~/.codex/skills/content-boom-monitor

也可以克隆到其他目录，再按你的 Codex 环境配置 Skill 搜索路径。

2. 准备依赖

• Python 3；
• 可正常使用的 Codex；
• Just One API Token；
• 已完成用户授权的 lark-cli；
• 一个包含关键词表、账号表和内容作品表的飞书多维表格。

配置

Just One API

export JUSTONE_API_TOKEN=""

不要把真实 Token 写进 Skill、配置文件、报告、日志或飞书。

飞书 Base

export CBM_FEISHU_BASE_TOKEN=""
export CBM_FEISHU_KEYWORD_TABLE_ID=""
export CBM_FEISHU_ACCOUNT_TABLE_ID=""
export CBM_FEISHU_CONTENT_TABLE_ID=""

也可以在运行脚本时传入对应参数。具体表结构见 references/feishu-schema.md。

推荐的日常输入

飞书只需要向人展示：

• 监控关键词 / 快速录入：关键词、可选监控平台；
• 对标账号 / 快速录入：可选账号名称、可选平台、主页链接；
• 内容作品库 / 重点内容：重点指标、AI 洞察、作品链接和处理状态。

关键词平台留空表示同时监控小红书与抖音；账号平台可以从主页链接自动识别。

第一次试跑

先进入 Skill 目录：

cd ~/.codex/skills/content-boom-monitor

1. 从飞书生成限量配置

python3 scripts/build_config_from_feishu.py \
  --direction "你的内容方向" \
  --output pilot-config.json

默认上限：

• 3 个关键词；
• 每个平台 2 个对标账号；
• 每个任务 1 页；
• 每个关键词最多保留 5 条；
• 每个账号最多保留 8 条。

2. 执行采集和评分

python3 scripts/pilot_monitor.py \
  --config pilot-config.json \
  --output-dir pilot-output

3. 检查输出

pilot-output/
├── raw/               # 脱敏后的原始 API 响应
├── normalized.json    # 标准化、去重后的作品
├── scored.json        # 互动值和账号相对评分
├── analysis_candidates.json # AI 待分析候选与输出规范
├── feishu_rows.json   # 飞书字段映射结果
└── report.md          # 监控简报

在发布前，重点抽查：

• 作品 ID、作者和链接是否正确；
• 缺失指标是否保持为空；
• API 是否出现无法识别的作品列表；
• 账号评分是否至少有 5 条可用历史作品；
• report.md 中的事实和 AI 推断是否清楚分开。

4. 预览飞书写入

python3 scripts/publish_feishu.py \
  --input pilot-output/feishu_rows.json

5. 获得授权后正式写入

python3 scripts/publish_feishu.py \
  --input pilot-output/feishu_rows.json \
  --write

发布器使用 平台 + 作品ID 去重：已有作品更新，新作品批量创建。

切换到生产模式

第一次试跑确认接口、字段、去重和飞书写入都正确后，改用：

python3 scripts/build_config_from_feishu.py \
  --mode production \
  --analysis-max-items 10 \
  --direction "你的内容方向" \
  --output run-config.json

生产模式会读取飞书里全部启用的关键词和对标账号，不再使用“3 个关键词、每个平台 2 个账号”的试跑截断。为控制费用和报告质量，每个关键词仍只保留 Top 5，每个账号仍只保留 8 条作品，默认只请求 1 页。

采集脚本会额外输出 analysis_candidates.json。Codex 随后自动选择与内容方向相关的候选、生成 analysis.json，并运行：

python3 scripts/apply_analysis.py \
  --candidates run-output/analysis_candidates.json \
  --analysis run-output/analysis.json \
  --rows run-output/feishu_rows.json \
  --report run-output/report.md

这一步会自动填充 AI摘要、爆款因素、可复用选题 和 分析置信度。事实与推断必须分开；正文缺失时不能根据标题脑补正文。使用 Codex Skill 运行时不需要另配大模型 API，语义分析由 Codex 完成，脚本负责校验和合并。

评分方式

互动值

小红书：

点赞 + 2 × 收藏 + 2 × 评论

抖音：

点赞 + 2 × 收藏 + 3 × 评论 + 4 × 分享

只使用接口实际提供的指标，不把缺失指标描述成真实的 0。

账号相对表现

R = 当前作品互动值 ÷ 同账号本轮其他可用作品互动值中位数

至少需要 5 条对比作品。

等级用于安排审阅优先级，不是流量预测或成功保证。完整规则见 references/scoring.md。

人需要做什么

日常只需要：

1. 添加关键词；
2. 粘贴对标账号主页；
3. 对重点作品标记 值得跟进 / 继续观察 / 不相关 / 已采用。

作品 ID、作者 ID、互动指标、评分、采集时间和运行状态都应由自动化处理。

项目结构

content-boom-monitor/
├── SKILL.md
├── agents/
│   └── openai.yaml
├── references/
│   ├── feishu-schema.md
│   ├── justoneapi.md
│   ├── pilot-config.md
│   └── scoring.md
└── scripts/
    ├── apply_analysis.py
    ├── build_config_from_feishu.py
    ├── pilot_monitor.py
    └── publish_feishu.py

当前边界

当前版本已经覆盖：生产模式全量读取启用目标、关键词/账号采集、字段标准化、去重、相对评分、自动 AI 辅助拆解、监控简报和飞书入库。

尚未内置：

• 定时调度；
• 多轮指标快照与增量速度；
• 视频下载、封面转存和 ASR；
• 评论区分析；
• 飞书群日报与异常告警；
• 自动创建单条爆款拆解文档。

独立运行 Python 脚本时，仍需要一个 Agent 或大模型根据 analysis_candidates.json 生成 analysis.json；在 Codex Skill 中这一步会自动完成。建议先用小样本验证字段、成本和相关性，再切换生产模式，谨慎增加页数和详情接口调用。

安全与使用说明

• 仅处理你有权使用的公开数据；
• 遵守平台规则、API 服务条款和适用法律；
• 不要提交 .env、真实 Token、飞书 Base 标识或原始采集数据；
• 正式写飞书前先预览，并获得明确授权；
• 本项目提供的是监控和审阅辅助，不保证内容表现。

参考资料

• Just One API 中文文档
• 飞书：如何用 Coze 和飞书搭建爆款监控系统

License

当前仓库尚未指定开源许可证。未经许可，不代表自动获得复制、修改或分发权。