fatmind/xhs-note-analyst

Xiaohongshu-Kontoanalyse (xhs-note-analyst)

⚠️ Dieses Skill kann nicht eigenständig ausgeführt werden; webclaw3 muss zuerst installiert sein.

Es ist auf die von webclaw3 bereitgestellte lokale Browser-Laufzeit (Relay :3459 + Pipeline :3460) angewiesen, die direkt das in deinem Chrome bereits angemeldete Xiaohongshu-Konto nutzt – kein erneutes Anmelden, keine Passwortweitergabe, kein Anti-Scraping-Block. Ohne webclaw3 schlägt jeder Browser-Schritt dieses Skills sofort fehl.

npx clawhub@latest install fatmind/webclaw3-browser-automation

Hauptproduktseite: https://clawhub.ai/fatmind/skills/webclaw3-browser-automation Quellcode & Installationsanleitung (3 Schritte, ca. 5 Minuten): https://github.com/fatmind/webclaw3

Sage nach der Installation zu deinem Agenten „Überprüfe die webclaw3-Umgebung", um sicherzustellen, dass Relay und Pipeline bereit sind, bevor du dieses Skill ausführst.

Funktionsbeschreibung

Analysiere dein eigenes Xiaohongshu-Konto mit Daten aus dem offiziellen Dashboard des Creator-Backends (exportiertes Excel), nicht mit geschätzten Drittdaten. Ablauf: Exportiere die letzten N Beiträge (absteigend nach Veröffentlichungsdatum) → Extrahiere präzise Keywords pro Beitrag → Suche auf Xiaohongshu nach viralen Benchmark-Beiträgen zum selben Thema → Erstelle einen HTML-Bericht:

1. Datentabelle: min(notes_count, tatsächliche Anzahl der Beiträge) Einträge mit Titel/Typ (Bild/Video)/Veröffentlichungsdatum/Tage seit Veröffentlichung/Reichweite/durchschnittliche tägliche Reichweite/Aufrufe/Titelklickrate/Likes/Kommentare/Sammlungen/Follower-Wachstum/Teilungen/durchschnittliche Betrachtungsdauer, absteigend nach Veröffentlichungsdatum;
2. Diagnose der Conversion-Funnel-Gesundheit: Klickrate → Inhaltsbindung → Interaktion → Follower-Wachstum in vier Schichten, jeweils mit Werten und Bewertungen (akzeptabel/schwach/unterbrochen) – Klickrate 10–20 % akzeptabel; Interaktionsrate 5–10 % als viral; Abreißgrenze je nach Beitragstyp unterschiedlich;
3. Einzelbeitragsanalyse: Jeder Beitrag enthält eine Benchmark-Tabelle (viraler Beitrag zum selben Thema mit hohen Likes, inkl. Titel + Autor + Anzahl Likes) + 3 konkrete, umsetzbare Verbesserungsmaßnahmen.

Unterschiede zu anderen Xiaohongshu-Skills:

• Die meisten crawlen Daten anderer (Rankings, Wettbewerber, KOLs), während dieses Skill echte Daten aus deinem eigenen Backend verwendet – Reichweite, Titelclickrate, durchschnittliche Betrachtungsdauer, Follower-Wachstum usw. sind nur für den Kontoinhaber zugänglich, nicht per Crawler;
• Kein API-Key von Drittanbieter-Datenplattformen erforderlich, keine Kosten: Die Datenquelle ist dein eigenes Creator-Backend, Browseraktionen werden von der lokalen webclaw3-Laufzeit gesteuert;
• Für Wettbewerbsdaten werden nur öffentlich sichtbare Titel, Autoren und Like-Zahlen aus den Suchergebnisseiten extrahiert, ohne auf private Daten zuzugreifen, die erst nach Anmeldung sichtbar sind.

Voraussetzungen

• webclaw3 muss installiert und ausgeführt werden (siehe Installationsanleitung oben): Es stellt eine Browser-Erweiterung und Relay (HTTP :3459) sowie einen lokalen Pipeline-Dienst (:3460) bereit – die eingebetteten LLM-Subsessions (Keyword-Extraktion / Benchmark-Auswahl / Generierung von Verbesserungsmaßnahmen) werden über die Pipeline ausgeführt.
• Der Browser muss im Xiaohongshu Creator Backend (creator.xiaohongshu.com) und auf der Hauptseite (www.xiaohongshu.com) angemeldet sein – dein täglicher Chrome-Anmeldestatus wird von webclaw3 direkt übernommen, kein erneutes Anmelden erforderlich.
• Lokal installiert: python3 und openpyxl (zum Parsen der aus dem Creator-Backend exportierten Excel-Detailtabelle).
• Das Download-Verzeichnis des Browsers ist ~/Downloads (exportierte Excel-Dateien landen dort).

Verwendung

node skill.mjs

Liest Parameter aus der input.json im aktuellen Verzeichnis; wenn input.json nicht existiert, werden Standardwerte verwendet.

Parameter (input.json)

Feld	Typ	Standardwert	Beschreibung
notes_count	int	5	Anzahl der zu analysierenden letzten Beiträge (absteigend nach Veröffentlichungsdatum)
keyword_per_note	int	1	Anzahl der Keywords, die pro Beitrag extrahiert werden
report_path	string	<cwd>/小红书账号分析报告_<Datum>.html	Pfad für den Bericht
output_dir	string	process.cwd()	Verzeichnis für res.json / data.md (vom Aufrufer bereits erstellt)
output_files.result	string	res.json	Dateiname für die Statuszusammenfassung
output_files.data	string	data.md	Dateiname für die detaillierten Daten

Ausgabe

• report_path: HTML-Bericht (lokal direkt im Browser öffnbar), mit drei Abschnitten und full/partial-Kennzeichnung;
• res.json: { status, summary, notes_count, note_count_analyzed, keywords, benchmark_shortages, report_path, output_dir }, wobei status ∈ success / partial / failed;
• data.md: Detaillierte Daten des Berichts (Gesamttabelle/Funnel/Einzelbeiträge/Ausführungsprotokoll);
• stdout: Eine JSON-Zeile { status, summary, output_dir }.

Analysekriterien (v1.1.0 Korrekturen – wichtig)

Diese drei Punkte wurden nach Tests mit dem eigenen Konto korrigiert und beeinflussen die Berichtsergebnisse maßgeblich:

① Benchmark-Beiträge haben eine Like-Schwelle; lieber keine als schlechte. Die Schwelle wird dynamisch als Median der Likes im Keyword-Ergebnissatz × 3 gesetzt und zwischen 1000 und 3000 begrenzt (verschiedene Themenbereiche haben sehr unterschiedliche virale Größen: Beauty startet bei 10.000 Likes, während 1.000 Likes bei Nischen-Tools bereits Spitze sind). Beiträge unter der Schwelle werden nicht in die Benchmark-Tabelle aufgenommen – keine Beiträge mit nur Dutzenden Likes einfügen, um die Tabelle zu füllen. Wenn weniger als 3 qualifizierte Benchmarks vorhanden sind, wird der Bericht als partial gekennzeichnet und der Grund angegeben (häufig: zu breite Keywords, die irrelevante Inhalte einschließen).

② Die Abreißgrenze für die Inhaltsbindung wird je nach Beitragstyp unterschiedlich gesetzt. Bei Bildern <5s, bei Videos <10s. Die „Bindung" bei Bildern ist im Wesentlichen die Leserate; die Verweildauer ist natürlicherweise kürzer als bei Videos. Ein einheitlicher Schwellenwert von 10s würde normale Bildbeiträge fälschlich als „inhaltsabgerissen" einstufen. Der Beitragstyp wird aus der vom Backend exportierten Spalte „体裁" (Beitragstyp) entnommen.

③ Die Reichweite wird nach Tagen seit Veröffentlichung normalisiert. Die Reichweite ist ein über die Zeit akkumulierter Wert; ein 46 Tage alter Beitrag hat natürlicherweise eine höhere Reichweite als ein 7 Tage neuer Beitrag. Ein direkter Vergleich würde fälschlich zu dem Schluss führen, dass ältere Inhalte besser sind. Der Bericht gibt daher durchschnittliche tägliche Reichweite = Reichweite / Tage seit Veröffentlichung aus, und horizontal vergleiche wird nur diese Spalte betrachtet.

Verhaltensbeschreibung

• Die Datenbasis ist das exportierte Excel aus dem Creator-Backend (Tabellenwerte im Browser können abweichen).
• Die Suche verwendet einen dualen Pfad: „echte Benutzereingabe zuerst, direkte Suchseite als Fallback" – zuerst im Suchfeld der Startseite das Keyword eingeben + Enter (echtes Benutzerverhalten ist am stabilsten); bei Website-Updates akzeptiert die Vue-Eingabekomponente möglicherweise keine synthetischen Eingaben (Wert wird zurückgesetzt), dann automatischer Fallback auf die direkte Navigation zur KI-Suchseite /search_result_ai?keyword=... (Stand August 2026 stabil mit über 40 Karten). Beide Methoden verwenden page.eval, um Karten aus section.note-item zu extrahieren und Platzhalterzeilen mit leerem data-note-id zu filtern.
• Benchmark-Beiträge werden zuerst nach der Like-Schwelle gefiltert, dann von der Subsession nach „Themen-/Perspektivenähnlichkeit priorisiert, Like-Zahl als Beleg