推特爆款优化器
基于 Twitter(X)开源推荐算法的公开洞察,分析并优化推文内容,最大化触达与互动率。
使用场景
| 场景 | 触发条件 | 说明 |
|---|---|---|
| 推文重写 | 已有草稿推文 | 基于算法偏好重写,提升互动预测 |
| 发布时机 | 准备发布 | 推荐最佳发布时间窗口 |
| 话题策略 | 需要标签建议 | 推荐高流量低竞争标签组合 |
| 线程优化 | 多推文线程 | 优化线程结构和钩子 |
| 账号诊断 | 账号互动低迷 | 分析近期推文,找出改进点 |
工作流
1. 推文分析
- 接收推文内容:文本、图片(可选)、发布时间、目标受众
- 算法因子评分:基于 Twitter 算法公开因子打分
- 互动权重(回复/转发/点赞/书签的相对权重)
- 内容负面信号(过多标签/外链/敏感词)
- 用户亲和度(作者与潜在读者的互动历史)
- 新鲜度(发布后的时间衰减) - 输出评分卡:当前推文的算法友好度评分(0-100)
2. 推文重写
- 钩子优化:首行用问题/数据/反常识/故事抓住注意力
- 长度控制:短推文(280字符内)优先,长推文用线程
- 互动诱导:结尾设计提问/投票/引发回复的钩子
- 标签策略:1-2 个高相关标签,避免标签堆砌
- 媒体建议:建议配图/GIF/视频,多媒体推文互动率更高
- 生成 3-5 个重写版本:不同风格供 A/B 测试
3. 发布时机
- 受众活跃分析:基于目标受众时区和生活习惯
- 最佳时间窗口:工作日 9-11点、13-15点、18-20点(受众时区)
- 避开竞争时段:避免与大V同时发布被淹没
- 发布日历:规划一周发布节奏
4. 线程结构优化
- 首推钩子:线程第一条必须强钩子,决定打开率
- 节奏控制:每条推文一个完整观点,避免断句
- 高潮前置:核心价值在前 3 条,不要埋太深
- 结尾行动号召:最后一条引导关注/转发/访问链接
5. 互动预测与复盘
- 互动预测:基于历史数据和算法因子预测互动区间
- 发布后追踪:T+1h/T+24h/T+7d 互动数据对比
- 偏差分析:预测 vs 实际,校准预测模型
- 改进建议:基于复盘数据优化下一篇
算法洞察(基于 Twitter 开源信息)
- 书签权重高:书签的算法权重高于点赞,鼓励用户书签
- 回复权重:回复互动的权重高于点赞
- 外链降权:推文含外链会降低触达,建议回复中放链接
- 多媒体加成:图片/视频/GIF 提升互动率
- 标签限制:过多标签(>3)被视为垃圾信号
- 新鲜度:发布后 24 小时内是黄金传播期
输出规范
- 优化报告:
output/{tweet-id}/optimization.md - 重写版本:
output/{tweet-id}/rewrites.md - 评分卡:
output/{tweet-id}/scorecard.md - 发布建议:
output/{tweet-id}/timing.md
依赖说明
运行环境
- Agent平台: Claude Code / Cursor / Codex / Gemini CLI / Windsurf 等支持SKILL.md的任意Agent
- 操作系统: Windows / macOS / Linux
- 运行时: 需要Agent支持exec(命令行执行)能力
第三方依赖
| 依赖项 | 类型 | 是否必需 | 获取方式 |
|---|---|---|---|
| LLM API | API | 可选 | 由Agent内置LLM提供内容分析 |
| 联网搜索 | 工具 | 可选 | WebSearch收集热门话题 |
API Key 配置
- 本Skill无需额外API Key配置
纯Markdown使用说明
本Skill为Twitter/X内容优化方法论指导。核心分析由Agent LLM完成。
只需将SKILL.md文件放入Agent的skills目录即可直接使用。
如果Skill中包含exec工具调用,需要Agent支持命令行执行能力。
可用性分类
- 分类: MD+EXEC
- 说明: 纯Markdown,但需要exec能力(命令行执行),用于文件读写和命令调用
