x-research · bradautomates — скилл для Claude Code: что делает и как установить
Скилл x-research ищет вирусные твиты и паттерны контента в X через Apify Tweet Scraper V2, собирая аналитику и темы в markdown-отчёт.
MIT 286 установок ★ 333 обновлён 2026-01-23
npx skills add bradautomates/head-of-content --skill x-research -a claude-codeЧто делает x-research
Скилл автоматизирует сбор публикаций из отслеживаемых аккаунтов X/Twitter с помощью Apify Tweet Scraper V2. Скрипт fetch_tweets.py выгружает посты за указанный период (минимум 50 твитов на запрос по лимитам API), а analyze_posts.py вычисляет аномально успешные публикации через взвешенную формулу вовлечённости: закладки дают вес 4x, ответы 3x, ретвиты и цитаты 2x, лайки 1x.
При наличии видеоконтента модуль analyze_videos.py разбирает хуки и структуру роликов через Gemini API. Итоговые данные складываются в папку с меткой времени: сырой JSON, список выбросов с ключевыми словами и хештегами, а также структурированный отчёт report.md.
Для работы обязателен токен APIFY_TOKEN и файл со списком профилей .claude/context/x-accounts.md. Без установленных библиотек apify-client и google-genai скрипты завершатся с ошибкой.
Какие задачи решает
- найти вирусные публикации конкурентов в X
- выявить рабочие форматы твитов и трендовые хештеги
- рассчитать взвешенный engagement score публикаций
- разобрать хуки из видеороликов через модель Gemini
Примеры запросов агенту
- Проведи ресерч трендов в X по аккаунтам конкурентов
- Собери вирусные твиты за последние 30 дней и выдели контентные паттерны
- Найди аномалии вовлечённости в X и подготовь сводный отчёт
Как установить x-research
1Через Skills CLI (Vercel)
npx skills add bradautomates/head-of-content --skill x-research -a claude-code2Вручную: положить файлы
~/.claude/skills/x-research/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/x-research/
1Через Skills CLI (Vercel)
npx skills add bradautomates/head-of-content --skill x-research -a codex2Вручную: положить файлы
.agents/skills/x-research/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add bradautomates/head-of-content --skill x-research -a cursor2Вручную: положить файлы
.cursor/skills/x-research/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install bradautomates/head-of-content .claude/skills/x-research2Вручную: положить файлы
.github/skills/x-research/SKILL.md1Через Skills CLI (Vercel)
npx skills add bradautomates/head-of-content --skill x-research -a gemini-cli2Командой платформы
gemini skills install https://github.com/bradautomates/head-of-content --path .claude/skills/x-researchВручную: положить файлы
.devin/skills/x-research/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add bradautomates/head-of-content --skill x-research -a opencodeClaude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о x-research
Как установить x-research в Claude Code?
Выполните команду npx skills add bradautomates/head-of-content --skill x-research -a claude-code.
Что делает x-research?
Скилл выгружает посты через Apify, находит статистические выбросы по вовлечённости с учётом закладок и ретвитов, а затем формирует аналитический отчёт.
Какие ключи API нужны для работы?
Обязательно требуется APIFY_TOKEN для выгрузки твитов. Ключ GEMINI_API_KEY нужен только в том случае, если вы анализируете видеоматериалы.
Исходный текст
SKILL.md · MIT
---
name: x-research
description: |
Research high-performing X/Twitter content from tracked accounts using Apify's Tweet Scraper V2.
Identifies outlier tweets, trending topics, and content patterns to inform content strategy.
Use when asked to:
- Find trending tweets or content in a niche
- Research what's performing on X/Twitter
- Identify high-performing tweet patterns
- Analyze competitors' X content
- Generate content ideas from X trends
- Run X/Twitter research
Triggers: "x research", "twitter research", "find trending tweets", "analyze x accounts",
"what's working on twitter", "content research x", "tweet analysis"
---
# X/Twitter Research
Research high-performing tweets from tracked accounts, identify outliers, and optionally analyze video content for hooks and structure.
## Prerequisites
- `APIFY_TOKEN` environment variable or in `.env`
- `GEMINI_API_KEY` environment variable or in `.env` (for video analysis)
- `apify-client` and `google-genai` Python packages
- Accounts configured in `.claude/context/x-accounts.md`
Verify setup:
```bash
python3 -c "
import os
try:
from dotenv import load_dotenv
load_dotenv()
except ImportError:
pass
from apify_client import ApifyClient
assert os.environ.get('APIFY_TOKEN'), 'APIFY_TOKEN not set'
" && echo "Prerequisites OK"
```
## Workflow
### 1. Create Run Folder
```bash
RUN_FOLDER="x-research/$(date +%Y-%m-%d_%H%M%S)" && mkdir -p "$RUN_FOLDER" && echo "$RUN_FOLDER"
```
### 2. Fetch Tweets
```bash
python3 .claude/skills/x-research/scripts/fetch_tweets.py \
--days 30 \
--max-items 100 \
--output {RUN_FOLDER}/raw.json
```
Parameters:
- `--days`: Days back to search (default: 30)
- `--max-items`: Max tweets per account (default: 100)
- `--handles`: Override accounts file with specific handles
**API Limits:** Minimum 50 tweets per query required. Wait a couple minutes between runs.
### 3. Identify Outliers
```bash
python3 .claude/skills/x-research/scripts/analyze_posts.py \
--input {RUN_FOLDER}/raw.json \
--output {RUN_FOLDER}/outliers.json \
--threshold 2.0
```
Output JSON contains:
- `total_posts`: Number of tweets analyzed
- `outlier_count`: Number of outliers found
- `topics`: Top hashtags, mentions, and keywords
- `content_patterns`: Analysis of what formats perform well
- `accounts`: List of accounts analyzed
- `outliers`: Array of outlier tweets with engagement metrics
### 4. Analyze Videos with AI (Optional)
If outliers contain video content:
```bash
python3 .claude/skills/video-content-analyzer/scripts/analyze_videos.py \
--input {RUN_FOLDER}/outliers.json \
--output {RUN_FOLDER}/video-analysis.json \
--platform x \
--max-videos 5
```
Note: X/Twitter is primarily text-based. Video analysis is optional and only useful when outliers contain video posts.
### 5. Generate Report
Read `{RUN_FOLDER}/outliers.json` (and optionally `{RUN_FOLDER}/video-analysis.json`), then generate `{RUN_FOLDER}/report.md`.
**Report Structure:**
```markdown
# X/Twitter Research Report
Generated: {date}
## Summary
- **Total tweets analyzed**: {total_posts}
- **Outlier tweets identified**: {outlier_count}
- **Outlier rate**: {percentage}%
## Top Performing Tweets (Outliers)
### 1. @{username} ({name})
> {tweet_text}
- **URL**: {url}
- **Date**: {created_at}
- **Engagement**: {likes} likes | {retweets} RTs | {replies} replies | {bookmarks} bookmarks
- **Engagement Score**: {score}
- **Engagement Rate**: {rate}%
- **Followers**: {followers}
[Repeat for top 15 outliers]
## Top Performing Hooks (if video analysis available)
### Hook 1: {technique} - @{username}
- **Opening**: "{opening_line}"
- **Why it works**: {attention_grab}
- **Replicable Formula**: {replicable_formula}
- [Watch Video]({url})
## Trending Topics
### Top Hashtags
[From outliers.json topics.hashtags]
### Top Keywords
[From outliers.json topics.keywords]
### Top Mentions
[From outliers.json topics.mentions]
## Content Patterns in Outliers
| Pattern | Count | Percentage |
|---------|-------|------------|
| Contains media | {count} | {pct}% |
| Contains external link | {count} | {pct}% |
| Thread format | {count} | {pct}% |
| Quote tweet | {count} | {pct}% |
| Asks a question | {count} | {pct}% |
| List/numbered format | {count} | {pct}% |
| Short (<100 chars) | {count} | {pct}% |
| Medium (100-200 chars) | {count} | {pct}% |
| Long (>200 chars) | {count} | {pct}% |
## Actionable Takeaways
[Synthesize patterns into 4-6 specific recommendations]
## Accounts Analyzed
[List accounts]
```
Focus on actionable insights. Content patterns and trending topics are key for X/Twitter research.
## Quick Reference
Full pipeline:
```bash
RUN_FOLDER="x-research/$(date +%Y-%m-%d_%H%M%S)" && mkdir -p "$RUN_FOLDER" && \
python3 .claude/skills/x-research/scripts/fetch_tweets.py -o "$RUN_FOLDER/raw.json" && \
python3 .claude/skills/x-research/scripts/analyze_posts.py -i "$RUN_FOLDER/raw.json" -o "$RUN_FOLDER/outliers.json"
```
With video analysis (optional):
```bash
python3 .claude/skills/video-content-analyzer/scripts/analyze_videos.py -i "$RUN_FOLDER/outliers.json" -o "$RUN_FOLDER/video-analysis.json" -p x
```
Then read JSON files and generate the report.
## Engagement Metrics
**Engagement Score (weighted):**
- Bookmarks: 4x (highest signal - saved for reference)
- Replies: 3x (active conversation)
- Retweets: 2x (amplification)
- Quotes: 2x (engagement with commentary)
- Likes: 1x (passive approval)
**Outlier Detection:** Tweets with engagement rate > mean + (threshold x std_dev)
**Engagement Rate:** (score / followers) x 100
## Output Location
All output goes to timestamped run folders:
```
x-research/
└── {YYYY-MM-DD_HHMMSS}/
├── raw.json # Raw tweet data from Apify
├── outliers.json # Outliers with metadata and topics
├── video-analysis.json # AI video analysis (optional)
└── report.md # Final report
```
© bradautomates · MIT · bradautomates/head-of-content
Похожие скиллы
Все скиллы по теме «Маркетинг и контент» →Сначала — x-research от других авторов.