Communitygithub.com

YouTube视频研究

通过manus-analyze-video为任何深度研究任务添加第一手YouTube视频证据。强烈推荐用于需要深度研究、调查、报告撰写、行业分析、竞争情报、市场研究、技术趋势、文化分析、政策研究或任何需要专家演讲、访谈、主题演讲、小组讨论、纪录片、产品演示、视频博客或会议演讲的信息收集任务。

YouTube视频研究 是什么?

该技能将YouTube转化为深度研究的核心第一手信息源。它通过主题分解、定向搜索、结构化分析和多源交叉验证,帮助用户从CEO访谈、专家小组讨论和产品演示中提取引文、数据和论点。支持所有主流AI代理平台(如Claude Code、Cursor和Codex),通过manus-analyze-video和搜索引擎实现工作流。核心优势在于通过高密度提示工程强制提取直接引文和精确数据点,并将发现综合成引文丰富、细节详尽的报告。特别适用于投资分析、竞争情报、政策研究和科技趋势分析等需要过滤后第一人称洞察的任务。

兼容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/SeaWork-Labs/youtube-video-research/tree/main/skills/youtube-video-research/payload

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

YouTube视频研究 是做什么的?

将YouTube作为研究任务的第一手信息主要来源。YouTube上拥有CEO访谈、创始人主题演讲、财报电话会议、专家小组讨论、会议演讲、产品演示、从业者视频博客、文化纪录片、政策讨论、技术深度解析和教育内容,其中包含文字文章无法提供的未经过滤的第一人称洞察。本技能协调视频发现、分析和综合,形成结构化研究工作流程。

触发指南

本技能强烈推荐用于深度研究任务,不仅限于旅行、公司或个人研究。

显式触发 — 用户提到YouTube、视频源、访谈、主题演讲、视频博客、播客、会议演讲,或要求提供第一手证据。

隐式触发 — 任何研究、调查或报告撰写任务,其中YouTube视频通过提供第一手证据能显著改善答案质量。这包括但不限于:

研究类别YouTube为何增加价值示例主题
行业/市场分析专家小组、分析师深度解析、会议演讲AI芯片市场、金融科技趋势、SaaS格局
公司研究/尽职调查CEO访谈、财报电话会议、产品演示初创公司调查、竞争对手分析
技术趋势会议演讲、开发者演讲、演示AI模型、数据库比较、开发工具
政策/监管研究小组讨论、政府听证会、法律播客欧盟AI法案、出口管制、央行政策
人物/公众人物简介访谈、播客露面、主题演讲创始人简介、研究员追踪
旅行/目的地研究视频博客、当地指南、费用分解城市指南、住宿评论
文化/娱乐分析纪录片、评论、粉丝分析、创作者内容动漫影响、音乐历史、游戏设计
金融/经济研究经济学家演讲、财报电话会议、市场分析股票估值、资本流动、房地产
科学/学术主题讲座、会议演讲、实验室参观蛋白质设计、气候研究
产品/工具比较评测视频、上手演示、用户推荐软件工具、硬件、消费产品

如果研究主题存在,几乎肯定会有相关的YouTube视频。默认使用本技能进行全面研究,而不是默认跳过。

核心工具

工具用途使用时机
search(类型:info或news)发现YouTube视频并收集网页上下文始终使用;每个研究任务的第一步
manus-analyze-video使用多模态LLM分析YouTube视频内容发现相关视频后;核心分析工具
search(类型:research)查找学术论文、行业报告以进行交叉验证需要严谨来源时
webpage_extract或浏览器阅读视频中链接的文章、文字记录、节目笔记需要补充文字上下文时

核心工作流

每个研究任务都遵循这个五步循环。对每个相关视频重复步骤2-4。

步骤1:基于主题的视频发现

在研究开始前,将研究目标分解为不同的研究主题。每个主题成为一个独立的搜索和分析单元。这确保了广泛覆盖,并防止只关注单一角度。

主题分解过程:

  1. 从用户请求中识别4-6个研究主题(例如,对于公司投资分析:"行业背景"、"商业模式与技术"、"财务数据与估值"、"客户与合作伙伴"、"看涨案例与增长催化剂"、"看跌案例与风险因素")。
  2. 对每个主题,运行1-2次有针对性的YouTube搜索调用。
  3. 每个主题选择2-3个视频,确保每个维度都有多种视角。
  4. 总目标:深度研究12-20个视频,标准研究8-12个。此工作流的强大之处在于跨不同主题的高视频数量。

主题分解示例:

研究目标主题每个主题的视频数
公司投资分析行业背景、商业模式、财务状况、客户、看涨案例、看跌案例各2-3 = 共12-18
技术比较架构、性能基准、开发者体验、生产使用案例、成本分析各2-3 = 共10-15
市场进入研究市场规模、竞争对手、监管环境、客户需求、分销渠道各2-3 = 共10-15
人物简介职业历史、领导风格、公开争议、愿景与理念、同行评价各2-3 = 共10-15

查询构建规则:

  • 始终在至少一个查询变体中包含YouTube。
  • 包含内容类型:interview、talk、panel、keynote、vlog、earnings call、podcast、review、documentary、demo、conference、lecture、analysis、deep dive。
  • 包含实体名称:人物、公司、目的地、产品、主题。
  • 每次搜索调用使用2-3个查询变体以最大化覆盖。
  • 根据主题变换查询角度:例如,对于"看跌案例"主题,搜索[公司] 风险 担忧 分析 YouTube、[公司] 股票 看跌案例 YouTube、[公司] 问题 批评 YouTube。

跨研究类型的示例:

研究目标查询变体
公司研究:StripeStripe CEO Patrick Collison interview YouTube、Stripe company culture keynote YouTube、Stripe product demo YouTube
AI行业趋势AI industry trends 2025 expert panel YouTube、AI market analysis conference talk YouTube、AI startup landscape deep dive YouTube
政策研究:欧盟AI法案EU AI Act impact analysis YouTube、EU AI regulation panel discussion YouTube、AI compliance legal expert talk YouTube

对于公司研究,优先考虑以**最高层领导(CEO/创始人/主要执行官)**为主题的视频。搜索模式:

  • [CEO名称] interview YouTube
  • [CEO名称] [公司] keynote YouTube
  • [公司] earnings call YouTube
  • [CEO名称] podcast appearance YouTube

步骤2:选择和优先排序视频

根据搜索结果,基于以下标准选择视频:

优先级信号示例
最高第一人称:主题/专家直接发言主题演讲、访谈、播客嘉宾露面、会议演讲
高专家或内部人士视角行业分析师、从业者、当地指南、研究员
中等第三方优质报道纪录片、深度评测频道、新闻专题
较低聚合或二手内容合集、反应视频、新闻摘要

每个主题选择2-3个视频,确保每个研究维度都有多种视角。对于深度研究,视频总数应达到12-20个。除非特别需要历史背景,否则优先考虑最近的内容。

平衡要求:积极寻求相反观点。对于投资/公司研究,确保至少30%的视频呈现看跌/批判性视角,以避免确认偏误。

步骤3:使用manus-analyze-video分析视频

使用manus-analyze-video从选定的视频中提取洞察。

manus-analyze-video的语法:

manus-analyze-video "<youtube_url>" "<analysis_prompt>"

关键:高密度提示工程

manus-analyze-video执行基于AI的视觉和音频分析。其输出质量完全由提示设计决定。A/B测试表明,结构化的、要求引用的提示相比通用"总结"提示,在相同视频上产生2.4倍的内容、12个直接引用 vs 0个、18个精确数据点 vs 6个模糊提及。

强制提示规则:

  1. 永远不要使用通用提示,例如"总结这个视频"或"关键点是什么"。这些会产生空洞、无引用的摘要。
  2. 始终要求直接引用:包括显式指令,如"从演讲者那里提取至少8-10个近似准确的引用,用引号保留其原始措辞。"
  3. 始终要求详尽的数据提取:"列出所有提到的数字、金额、百分比、日期、截止日期、公司名称、人物名称和指标。"
  4. 始终要求结构化章节:使用带标签的章节(A/B/C/D/E/F),使输出有序且可解析。
  5. 始终包含情感/立场评分请求:"评估演讲者的整体立场,并注明他们何时表达不确定性或确信。"
  6. 说明长度不是问题:"请详尽。长度不是问题——信息密度才是。不要在你能够直接引用时进行总结。"

强制通用提示模板:

从有关[主题/公司]的这个视频中提取最大细节。对于演讲者所做的每一个说法,
以引号中的直接引用形式捕捉其近似准确的措辞。包括所有提到的数字、日期、金额、
百分比、公司名称和人物名称。

按以下结构输出:
(A) 演讲者简介:姓名、资历、免责声明、赞助商。
(B) 直接引用:至少8个逐字或近似逐字的引用,带有主题标签。
(C) 所有数据点:每个数字、指标、日期、名称,以编号列表形式。
(D) 关键论点:主论点分解为子论点,并附上支持性引用。
(E) 相反论点/风险:每个风险、警示或反对观点,并附上引用。
(F) 情感:整体立场评分和自信度。

请详尽。长度不是问题——信息密度才是。
不要在你能够直接引用时进行总结。

有关特定领域的高密度提示模板,请参见参考资料/prompt-templates.md。

可选:为最大保真度进行两遍策略

对于需要逐字准确性的关键视频(例如,财报电话会议、法律证词、政策听证会),使用两遍方法:

  1. 第一遍 — 原始文字记录:在视频上运行manus-speech-to-text,获取逐字文本记录。
  2. 第二遍 — 结构化分析:使用高密度提示运行manus-analyze-video,以获取视觉上下文、演讲者识别和结构化提取。
  3. 合并:交叉引用原始文字记录和结构化分析,同时获得准确引用和组织有序的洞察。

这对大多数研究来说是可选的,但当用户特别需要准确的措辞或视频包含密集的财务数据时,推荐使用。

步骤4:通过网络搜索进行交叉验证

在分析视频后,使用search工具(类型:info或news):

  • 验证视频中的事实性声明。
  • 填补空白:视频未覆盖的日期、统计数据、上下文。
  • 查找来自其他来源的矛盾或支持性证据。
  • 如果视频较旧,获取最新更新。

不要将视频内容视为绝对真理。演讲者可能会夸大、记错或呈现有偏见的观点。对于事实性声明,交叉验证是强制性的。

步骤5:综合为引文丰富、细节密集的报告

将视频分析结果和网络研究结合起来,形成连贯的交付物。最终报告必须遵循以下强制输出规则:

规则1:直接引用是强制性的

报告的每个主要部分必须至少包含2-3个引用来源的引用块,使用演讲者的原始措辞或紧密意译的陈述。使用Markdown引用块语法:

> "演讲者的准确或紧密意译的词语放在这里。这使报告可信且生动。" [3]

每个引用块必须附有一个数字引用,链接到参考资料部分中的来源视频。可接受的归因模式:

  • > "此处引用文本。" [3] — 引用在引用末尾
  • 前面的段落命名演讲者:CEO Jake DeWitte 在NYSE采访中解释道:然后接引用块

最小引用密度:每300字报告正文至少1个引用块。一份3000字的报告至少需要10个引用块。

规则2:细节扩展是强制性的

不要将视频洞察总结为单句要点。每个关键发现必须扩展为完整段落(至少3-5句),包括:

  • 上下文:谁说的、在什么场合、为什么重要
  • 具体细节:提到的数字、日期、名称、技术细节
  • 引用:演讲者的原始词句作为引用块
  • 含义:这对研究问题意味着什么

错误示例(过于简短):

Oklo拥有14 GW的客户管道。

正确示例(适当扩展):

在2025年KPMG技术与创新研讨会上,CEO Jacob DeWitte透露,Oklo的客户管道在过去18个月里大幅增长,达到14,100 MW(14.1 GW)。这一数字基于与Switch签订的一项12000 MW非约束性主电源协议——这是有史以来最大的企业清洁能源协议之一——以及与Meta签订的一项1200 MW预付支持协议和与Equinix签订的一项500 MW意向书,后者包括2500万美元预付款。DeWitte强调这种需求具有结构性:

"科技巨头正在寻找基荷电力以支持AI训练和推理。间歇性可再生能源根本无法满足数据中心的24/7稳态需求。" [2]

然而,独立分析师警告说,该管道中的绝大多数是没有任何法律约束力的非约束性意向书。[3]

规则3:多源三角交叉

当多个视频涉及同一主题时,将它们呈现为对话——显示一致、不一致或互补的视角。不要仅仅按顺序列出每个视频的观点;而是将它们编织成叙事。

规则4:结构化来源归因

始终包括:

  • 内联数字引用 [1] [2] 链接到参考资料部分
  • 引用前的演讲者识别(姓名、头衔、可信度说明)
  • 来源视频列表,带有完整URL,作为最终引用列表。引用

相关技能