YouTube 影片研究 是做什麼的?
將 YouTube 視為研究任務的 第一手資訊主要來源。YouTube 上充斥著 CEO 訪談、創辦人主題演講、財報電話會議、專家座談、會議講座、產品展示、從業者 Vlog、文化紀錄片、政策討論、技術深入探討以及教育內容,這些內容包含了文字文章難以取得的未經濾鏡的第一手見解。此項技能將影片探索、分析與彙整,結合成一個結構化的研究工作流程。
觸發指引
此技能強烈建議用於深度研究任務,不僅限於旅行、公司或人物研究。
明確觸發——使用者提及 YouTube、影片來源、訪談、演講、Vlog、Podcast、會議講座,或要求提供第一手證據。
隱含觸發——任何研究、調查或報告撰寫任務,若 YouTube 影片能透過提供第一手證據,顯著改善答案品質。這包含但不限於:
| 研究類別 | YouTube 為何增添價值 | 範例主題 |
|---|---|---|
| 產業/市場分析 | 專家座談、分析師深入探討、會議講座 | AI 晶片市場、金融科技趨勢、SaaS 領域 |
| 公司研究/盡職調查 | CEO 訪談、財報電話會議、產品展示 | 新創調查、競爭者分析 |
| 科技趨勢 | 會議簡報、開發者講座、展示 | AI 模型、資料庫比較、開發工具 |
| 政策/法規研究 | 座談討論、政府聽證會、法律 Podcast | EU 人工智慧法案、出口管制、央行政策 |
| 人物/公眾人物側寫 | 訪談、Podcast 亮相、主題演講 | 創辦人側寫、研究者追蹤 |
| 旅行/目的地研究 | Vlog、在地指南、費用明細 | 城市指南、住宿評價 |
| 文化/娛樂分析 | 紀錄片、評論、粉絲分析、創作者內容 | 動漫影響、音樂史、遊戲設計 |
| 金融/經濟研究 | 經濟學家談話、財報電話會議、市場分析 | 股票估值、資本流動、房地產 |
| 科學/學術主題 | 講座、會議簡報、實驗室導覽 | 蛋白質設計、氣候研究 |
| 產品/工具比較 | 評測影片、實機展示、使用者見證 | 軟體工具、硬體、消費性產品 |
如果研究主題存在,幾乎肯定有相關的 YouTube 影片。預設使用此技能進行全面研究,而非預設跳過。
核心工具
| 工具 | 目的 | 使用時機 |
|---|---|---|
search (類型: info 或 news) | 探索 YouTube 影片並收集網路脈絡 | 總是使用;每個研究任務的第一步 |
manus-analyze-video | 使用多模態 LLM 分析 YouTube 影片內容 | 在發現相關影片後使用;核心分析工具 |
search (類型: research) | 尋找學術論文、產業報告以進行交叉驗證 | 需要嚴謹來源時使用 |
webpage_extract 或瀏覽器 | 閱讀影片連結的文章、逐字稿、節目筆記 | 需要補充文字脈絡時使用` |
核心工作流程
每個研究任務都遵循這個五步驟循環。對每部相關影片重複步驟 2-4。
步驟 1:基於主題的影片探索
在搜尋之前,將研究目標分解為不同的研究主題。每個主題變成一個獨立的搜尋與分析單位。這樣可以確保廣泛的涵蓋範圍,並防止只聚焦在單一角度。
主題分解流程:
- 從使用者的請求中識別出 4-6 個研究主題(例如,對於公司投資分析:「產業背景」、「商業模式與技術」、「財務數據與估值」、「客戶與合作夥伴」、「看多理由與成長催化劑」、「看空理由與風險因素」)。
- 針對每個主題,進行 1-2 次目標明確的 YouTube 搜尋呼叫。
- 每個主題選取 2-3 部影片,以確保在每個面向都有多重觀點。
- 總目標:深度研究 12-20 部影片,一般研究 8-12 部。此工作流程的威力在於橫跨不同主題的高影片數量。
主題分解範例:
| 研究目標 | 主題 | 每個主題的影片數 |
|---|---|---|
| 公司投資分析 | 產業背景、商業模式、財務數據、客戶、看多理由、看空理由 | 各 2-3 部 = 總計 12-18 部 |
| 技術比較 | 架構、效能基準、開發者體驗、生產使用案例、成本分析 | 各 2-3 部 = 總計 10-15 部 |
| 市場進入研究 | 市場規模、競爭者、法規環境、客戶需求、通路 | 各 2-3 部 = 總計 10-15 部 |
| 人物側寫 | 職業生涯、領導風格、公開爭議、願景與哲學、同儕評價 | 各 2-3 部 = 總計 10-15 部 |
查詢建構規則:
- 總是在至少一個查詢變體中包含
YouTube。 - 包含內容類型:
interview、talk、panel、keynote、vlog、earnings call、podcast、review、documentary、demo、conference、lecture、analysis、deep dive。 - 包含實體名稱:人物、公司、目的地、產品、主題。
- 每次搜尋呼叫使用 2-3 個查詢變體以最大化涵蓋範圍。
- 根據主題變化查詢角度:例如,對於「看空理由」主題,搜尋
[公司] 風險 擔憂 分析 YouTube、[公司] 股票 看空 理由 YouTube、[公司] 問題 批評 YouTube。
各類研究範例:
| 研究目標 | 查詢變體 |
|---|---|
| 公司研究:Stripe | Stripe CEO Patrick Collison interview YouTube、Stripe company culture keynote YouTube、Stripe product demo YouTube |
| AI 產業趨勢 | AI industry trends 2025 expert panel YouTube、AI market analysis conference talk YouTube、AI startup landscape deep dive YouTube |
| 政策研究:EU 人工智慧法案 | EU AI Act impact analysis YouTube、EU AI regulation panel discussion YouTube、AI compliance legal expert talk YouTube |
對於公司研究,優先選擇以最高主管(CEO/創辦人/主要高階主管) 為主角的影片。搜尋模式:
[CEO 姓名] interview YouTube[CEO 姓名] [公司] keynote YouTube[公司] earnings call YouTube[CEO 姓名] podcast appearance YouTube
步驟 2:選擇與優先排序影片
從搜尋結果中,根據以下標準選擇影片:
| 優先級 | 訊號 | 範例 |
|---|---|---|
| 最高 | 第一人稱:主體/專家親自發言 | 主題演講、訪談、Podcast 來賓、會議講座 |
| 高 | 專家或內部人士觀點 | 產業分析師、從業者、在地導覽、研究員 |
| 中 | 第三方優質報導 | 紀錄片、深度評測頻道、新聞專題 |
| 低 | 彙整或二手內容 | 合輯、反應影片、新聞摘要 |
每個主題選取 2-3 部影片,以確保每個研究面向都有多重觀點。對於深度研究,總影片數應達到 12-20 部。除非特別需要歷史脈絡,否則優先選取近期影片。
平衡要求:主動尋找對立觀點。對於投資/公司研究,確保至少 30% 的影片呈現看空/批評的觀點,以避免確認偏誤。
步驟 3:使用 manus-analyze-video 分析影片
使用 manus-analyze-video 從選定的影片中提取洞見。
manus-analyze-video 的語法:
manus-analyze-video "<youtube_url>" "<analysis_prompt>"
關鍵:高密度提示工程
manus-analyze-video 執行基於 AI 的視覺與音訊分析。其輸出品質完全取決於提示設計。A/B 測試顯示,結構化且要求引述的提示,相較於通用的「摘要」提示,在完全相同的影片上,可產生 2.4 倍的內容、12 個直接引述 vs 0 個、以及 18 個精確數據點 vs 6 個模糊提及。
強制提示規則:
- 絕不使用通用提示,例如「摘要這部影片」或「重點是什麼」。這會產生內容空洞、沒有引述的摘要。
- 總是要求直接引述:包含明確指示,例如「從講者處提取至少 8-10 個近乎精確的引述,保留其原始措辭並使用引號。」
- 總是要求詳盡數據提取:「列出所有提及的數字、金額、百分比、日期、截止期限、公司名稱、人物姓名和指標。」
- 總是要求結構化章節:使用標籤章節 (A/B/C/D/E/F) 以便輸出組織有序且易於解析。
- 總是包含情感/立場評分要求:「為講者的整體立場評分,並註明他們在哪些地方表現出不確定性 vs 堅定信念。」
- 聲明長度不是問題:「請詳盡列舉。長度不是問題——資訊密度才是。當你可以直接引用時,不要進行摘要。」
強制通用提示模板:
從這部關於[主題/公司]的影片中提取最大量的細節。對於講者所做的每一項聲明,
請以引號捕捉其近乎精確的原始措辭作為直接引述。包含所有提及的數字、日期、
金額、百分比、公司名稱和人物姓名。
將輸出結構化為:
(A) 講者簡介:姓名、資歷、免責聲明、贊助商。
(B) 直接引述:至少 8 條逐字或近乎逐字的引述,並帶有主題標籤。
(C) 所有數據點:以編號列表列出每個數字、指標、日期、名稱。
(D) 主要論點:將主要論點分解為子論點並附上支持性引述。
(E) 反面論點 / 風險:每個風險、警告或反對觀點,並附上引述。
(F) 情感立場:整體立場評分與信心水準。
請詳盡列舉。長度不是問題——資訊密度才是。
當你可以直接引用時,不要進行摘要。
請參閱 references/prompt-templates.md 以取得特定領域的高密度提示模板。
選擇性:最大化保真度的雙通道策略
對於精確逐字忠實度至關重要的關鍵影片(例如財報電話會議、法律證詞、政策聽證會),使用雙通道方法:
- 通道 1 — 原始逐字稿:在影片上執行
manus-speech-to-text以取得逐字稿文字稿。 - 通道 2 — 結構化分析:使用高密度提示執行
manus-analyze-video,以獲取視覺脈絡、講者識別和結構化提取。 - 合併:交叉比對原始逐字稿與結構化分析,以同時獲得精確引述與有組織的洞見。
這對大多數研究來說是選擇性的,但建議在使用者特別需要精確措辭或當影片包含密集的財務數據時使用。
步驟 4:使用網路搜尋進行交叉驗證
分析影片後,使用 search 工具(類型:info 或 news)來:
- 驗證影片中所做的陳述性事實。
- 填補空白:影片未涵蓋的日期、統計數據、脈絡。
- 從其他來源尋找矛盾或支持的證據。
- 如果影片較舊,獲取最新更新。
不要將影片內容視為絕對事實。講者可能誇大、記錯或呈現有偏見的觀點。對於陳述性事實,交叉驗證是強制性的。
步驟 5:彙整成引述豐富、細節密集的報告
將影片分析結果與網路研究結合,形成連貫的交付成果。最終報告必須遵循以下強制輸出規則:
規則 1:直接引述是強制性的
報告的每個主要章節都必須包含至少 2-3 條區塊引述,引用講者的原始措辭或近義改寫陳述。使用 Markdown 區塊引述語法:
> "講者的精確或近義改寫詞語放在這裡。這能使報告可信且生動。" [3]
每個區塊引述都必須附帶一個數值引用,連結到參考文獻章節中的來源影片。可接受的歸因模式:
> "引述文字在此。" [3]— 引用在引述結尾- 前一段落指名講者:
CEO Jake DeWitte 在紐約證交所的訪談中表示:後接區塊引述
最低引述密度:報告主體每 300 字至少包含 1 條區塊引述。一份 3,000 字的報告至少需要 10 條區塊引述。
規則 2:細節展開是強制性的
不要將影片洞見摘要成單句要點。每個關鍵發現都必須展開為一個完整的段落(至少 3-5 個句子),其中包含:
- 脈絡:誰說的、在什麼場合、以及為何重要
- 具體細節:提到的數字、日期、名稱、技術細節
- 引述:講者的原始措辭,以區塊引述呈現
- 影響:這對研究問題意味著什麼
不良範例(過於簡短):
Oklo 擁有 14 GW 的客戶管道。
良好範例(適當展開):
在 2025 年 KPMG 科技與創新研討會上,執行長 Jacob DeWitte 透露,Oklo 的客戶管道在過去 18 個月內急遽成長,達到 14,100 MW(14.1 GW)。這個數字主要來自與 Switch 簽訂的 12 GW 不具有約束力的主購電協議——這是史上最大的企業清潔能源協議之一——以及與 Meta 簽訂的 1.2 GW 預付款協議,和與 Equinix 簽訂的 500 MW 意向書,其中包含 2,500 萬美元的預付款。DeWitte 強調了這種需求的結構性本質:
"科技巨頭正在尋找基載電力,以支援 AI 訓練與推論。間歇性再生能源根本無法滿足資料中心 24/7 的穩定需求。" [2]
然而,獨立分析師警告說,這個管道的絕大部分由不具法律約束力的意向書組成。 [3]
規則 3:多重來源三角驗證
當多部影片探討相同主題時,應將其呈現為對話——顯示同意、分歧或互補的觀點。不要只是依序列出每部影片的觀點,而是將它們編織成敘事。
規則 4:結構化來源歸屬
始終包含:
- 行內數值引用
[1][2],連結到參考文獻章節 - 引述前的講者識別(姓名、頭銜、可信度說明)