fatmind/xhs-note-analyst

Análisis de cuenta de Xiaohongshu (xhs-note-analyst)

⚠️ Esta skill no puede ejecutarse de forma independiente, primero debes instalar webclaw3.

Depende del entorno de ejecución del navegador local proporcionado por webclaw3 (Relay :3459 + pipeline :3460), reutilizando directamente la cuenta de Xiaohongshu ya iniciada en tu Chrome — sin necesidad de volver a iniciar sesión, sin entregar contraseñas, y sin ser bloqueado por anti-rastreo. Sin webclaw3, cada operación del navegador de esta skill fallará inmediatamente.

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

Página principal del producto: https://clawhub.ai/fatmind/skills/webclaw3-browser-automation Código fuente y guía de instalación (3 pasos, aproximadamente 5 minutos): https://github.com/fatmind/webclaw3

Una vez instalado, dile a tu agente "verificar el entorno de webclaw3" para confirmar que Relay y pipeline estén listos, y luego vuelve a ejecutar esta skill.

Descripción de funciones

Analiza tu propia cuenta de Xiaohongshu. Los datos provienen del panel oficial de tu centro de creadores (exportado como Excel), no son estimaciones de terceros obtenidas mediante scraping. Proceso: exportar las N notas más recientes (ordenadas por fecha de publicación descendente) → extraer palabras clave precisas una por una → buscar contenido viral similar bajo esa palabra clave en Xiaohongshu como referencia → generar un informe HTML:

1. Tabla de datos general: min(notes_count, número real de notas) notas, que incluyen título/tipo (imagen-texto/video)/fecha de publicación/días desde publicación/exposición/exposición diaria promedio/vistas/tasa de clics en portada/me gusta/comentarios/guardados/ganancia de seguidores/compartidos/tiempo de visualización promedio, ordenadas por fecha de publicación descendente;
2. Diagnóstico de salud del embudo de conversión: cuatro capas: tasa de clics → retención de contenido → interacción → ganancia de seguidores, cada una con valores y juicio de calificado/débil/roto (tasa de clics 10%–20% es calificado; tasa de interacción 5%–10% es línea de contenido viral; línea de rotura de retención establecida según el formato);
3. Notas individuales: cada nota incluye una tabla de contenido viral de referencia (notas de alta interacción bajo el mismo tema, superando el umbral de me gusta, con título + autor + número de me gusta) + 3 acciones de mejora específicas y ejecutables.

Diferencias con otras skills de Xiaohongshu en el mercado:

• La mayoría raspan datos de otros (listas, competidores, KOLs); esta skill analiza tus propios datos reales del backend — métricas como exposición, tasa de clics en portada, tiempo de visualización promedio, ganancia de seguidores solo son accesibles por el dueño de la cuenta, no por scrapers;
• No requiere ninguna clave API de plataformas de datos de terceros, ni consume créditos pagos: la fuente de datos es tu propio centro de creadores, y las acciones del navegador son impulsadas por el entorno de ejecución local de webclaw3;
• Del lado de la competencia, solo extrae títulos, autores y números de me gusta visibles públicamente en las páginas de resultados de búsqueda, sin capturar ningún dato de otros que requiera inicio de sesión.

Requisitos previos

• webclaw3 debe estar instalado y en ejecución (ver instrucciones de instalación arriba): proporciona una extensión del navegador y Relay (HTTP :3459), así como un servicio local de pipeline (:3460) — las subsesiones LLM integradas en esta skill (extracción de palabras clave, filtrado de contenido viral de referencia, generación de acciones de mejora) se ejecutan a través del pipeline.
• El navegador debe haber iniciado sesión en el centro de creadores de Xiaohongshu (creator.xiaohongshu.com) y en el sitio principal de Xiaohongshu (www.xiaohongshu.com) — tu sesión habitual de Chrome es reutilizada directamente por webclaw3, sin necesidad de volver a iniciar sesión.
• Se requiere python3 y openpyxl instalados en la máquina local (para analizar la hoja de cálculo Excel exportada del centro de creadores).
• El directorio de descargas del navegador debe ser ~/Downloads (los Excel exportados caerán aquí).

Modo de uso

node skill.mjs

Lee los parámetros de entrada desde input.json en el directorio actual; si input.json no existe, usa los valores predeterminados.

Parámetros de entrada (input.json)

Campo	Tipo	Valor predeterminado	Descripción
notes_count	int	5	Analizar cuántas notas recientes (ordenadas por fecha de publicación descendente)
keyword_per_note	int	1	Número de palabras clave a extraer por nota
report_path	string	<cwd>/Informe de análisis de cuenta de Xiaohongshu_<fecha>.html	Ruta de salida del informe
output_dir	string	process.cwd()	Directorio para generar res.json / data.md (ya creado por el llamante)
output_files.result	string	res.json	Nombre del archivo de resumen de estado
output_files.data	string	data.md	Nombre del archivo de detalle de datos

Salida

• report_path: Informe HTML (se puede abrir localmente para previsualizar), que contiene tres secciones con etiquetas full/partial;
• res.json: { status, summary, notes_count, note_count_analyzed, keywords, benchmark_shortages, report_path, output_dir }, donde status ∈ success / partial / failed;
• data.md: Versión detallada de los datos del informe (tabla general/embudo/notas individuales/registro del proceso de ejecución);
• stdout: Un resumen JSON en una línea { status, summary, output_dir }.

Criterios de análisis (corrección v1.1.0, muy importante)

Estos tres puntos son correcciones realizadas después de probar con mi propia cuenta, que determinan directamente si las conclusiones del informe son correctas:

① Contenido viral de referencia tiene un umbral de me gusta, es mejor faltar que sobrar. El umbral se calcula dinámicamente como mediana de me gusta del conjunto de resultados de esa palabra clave × 3, y se limita entre 1000 y 3000 (los valores absolutos de contenido viral varían mucho según el nicho: maquillaje empieza en 10k me gusta, herramientas de nicho con 1k ya son cabecera). Las notas por debajo del umbral no se incluyen en la tabla de referencia — no está permitido llenar con notas de pocas decenas de me gusta para completar 3. Si no hay suficientes referencias calificadas (menos de 3), el informe marcará partial y explicará la razón (comúnmente, palabras clave demasiado amplias que mezclan contenido irrelevante).

② La línea de rotura de retención se establece según el formato. Imagen-texto <5s, video <10s. La "retención" en imagen-texto es esencialmente la tasa de finalización de lectura; el tiempo de permanencia es naturalmente más corto que en video. Usar la misma regla de 10s clasificaría erróneamente contenido normal de imagen-texto como "contenido roto". El formato se toma de la columna "Formato" exportada del backend.

③ La exposición se normaliza por días desde publicación. La exposición es una métrica acumulativa que aumenta con el tiempo; una nota antigua de 46 días tendrá naturalmente mayor exposición que una nueva de 7 días. Comparar directamente los valores llevaría a la conclusión errónea de que "el contenido antiguo es mejor". El informe proporciona simultáneamente exposición diaria promedio = exposición / días desde publicación, y la comparación horizontal solo se basa en esta columna.

Comportamiento

• Los datos se basan en el Excel exportado del centro de creadores (los valores mostrados en la tabla de la página pueden diferir del Excel).
• La búsqueda sigue una ruta dual de "prioridad de entrada manual, respaldo directo a la página de búsqueda": primero, ingresa la palabra clave en el cuadro de búsqueda de la página principal y presiona Enter (comportamiento humano más estable); si el componente Vue de entrada no acepta entrada sintética (el valor se restablece) después de una actualización del sitio, automáticamente recurre a navegar directamente a la página de búsqueda AI /search_result_ai?keyword=... (probado en agosto de 2026, devuelve establemente 40+ tarjetas). Ambos métodos usan page.eval para extraer tarjetas section.note-item y filtrar filas de marcador de posición con data-note-id vacío.
• El contenido viral de referencia primero pasa el umbral de me gusta, luego la subsesión filtra priorizando "similitud de tema/perspectiva, con el número de me gusta como evidencia", y elimina notas propias de la cuenta y contenido irrelevante mezclado.
• Entre palabras clave hay control de ritmo (4s + jitter aleatorio) y búsqueda en serie, para evitar desencadenar restricciones de seguridad.

---

Acerca de esta skill

Esta skill ha sido generada automáticamente por webclaw3 — simplemente describes una tarea en lenguaje natural, webclaw3 la ejecuta realmente en tu propio Chrome, y luego solidifica esa exploración en un script local: después, puedes repetirla diariamente con casi cero tokens, y aún puedes repararla localmente de forma gratuita si el sitio se actualiza.

¿Quieres convertir tus propias tareas repetitivas del navegador en una skill como esta?

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

https://clawhub.ai/fatmind/skills/webclaw3-browser-automation · https://github.com/fatmind/webclaw3