Youtube Intel

第一步：需求分析     ← 理解用户真正想要什么，识别模糊性
第二步：策略制定     ← 确定搜索词、子分类、数据源
第三步：数据获取     ← 执行搜索
第四步：数据清洗     ← 去重、过滤噪音、统一格式
第五步：识别筛选     ← 识别子分类、竞争度、机会点
第六步：保存呈现     ← 写入 memory，输出结构化报告

AI 工具
  ├── AI 图像工具（Midjourney、Stable Diffusion...）
  ├── AI 编程工具（Cursor、Copilot...）
  ├── AI 写作工具（Jasper、Claude...）
  ├── AI 视频工具（Sora、Runway...）
  ├── AI 语音/音频工具（ElevenLabs...）
  └── AI 办公工具（Notion AI、Gamma...）

分析：
- 你说的"XXX"我理解为：[具体是什么]
- 拆解为以下子分类：[列表]
- 每个子分类独立搜索：[关键词列表]

子分类：AI 图像工具
├── 核心搜索词：AI image generator tools 2025
├── 长尾搜索词：best AI art tools comparison, free AI image generator
├── 竞品搜索词：Midjourney alternatives, Stable Diffusion vs DALL-E
└── 趋势搜索词：AI image generator viral 2025

搜索策略：
- 类目：AI 图像工具
- 搜索词：AI image generator tools 2025
- 数据源：YouTube 搜索 + 频道页
- 预期结果数：20-30 条视频
- 置信度：🟡 中（YouTube 模糊化数据）

URL 格式：https://www.youtube.com/results?search_query={关键词}

video:
  title: string
  video_id: string        # 从 URL 提取
  url: string             # https://www.youtube.com/watch?v=XXX
  channel_name: string
  channel_handle: string  # @xxx 格式
  views: number           # 播放量（统一为数字）
  views_display: string   # 原始显示文本
  published_days_ago: number
  published_display: string
  duration: string        # 时长
  is_short: boolean       # 是否 Shorts

video:
  ...
  sub_category: string   # 归属的子分类
  content_type: "review" | "tutorial" | "list" | "comparison" | "news" | "other"
  intent: "discover" | "learn" | "compare" | "工具推荐" | "行业趋势"
  is_viral: boolean       # 是否爆款（播放量 > 100万）
  is_emerging: boolean    # 是否新兴（发布 < 30天）

channel_profile:
  name: string
  handle: string
  total_videos_in_results: number
  avg_views: number
  max_views: number
  latest_video_days_ago: number
  content_type_distribution: {}
  is_established: boolean   # 有多条视频且平均播放高
  is_emerging: boolean       # 新账号但有爆款

competition_assessment:
  sub_category: string
  total_videos: number
  unique_channels: number
  avg_views: number
  top_video_views: number
  established_channels: number
  emerging_channels: number
  saturation: "high" | "medium" | "low" | "blank"
  competition_level: "red" | "yellow" | "green"

opportunity:
  type: "differentiation" | "niche" | "format" | "timing" | "data"
  description: string
  evidence: string[]      # 数据支撑
  suggested_angle: string # 建议切入角度
  risk: string            # 风险提示

viral_signals:
  video_id: string
  title: string
  views: number
  published_days_ago: number
  why_viral: string       # 分析原因
  lessons: string[]       # 可复用的规律

memory/content-discovery/{sub-category-slug}/{date}.md

# Content Discovery · {子分类名}
**日期：** YYYY-MM-DD
**搜索词：** xxx
**数据源：** YouTube 搜索（browser 抓取）
**置信度：** 🟡 中

## 需求分析
[分析过程]

## 搜索策略
[策略]

## 原始数据
[视频列表]

## 清洗后数据
[聚合后的频道数据]

## 竞争度评估
[竞争度评级]

## 机会识别
[机会列表]

## 爆款分析
[爆款规律]

【Discovery 报告】{类目名}
生成时间：YYYY-MM-DD HH:mm
数据来源：YouTube 直接抓取（置信度：🟡 中）

---

## 🎯 需求确认
你所说的"XXX"已拆解为以下子分类：
1. AI 图像工具（搜索词：xxx）→ 竞争度：🔴 高
2. AI 编程工具（搜索词：xxx）→ 竞争度：🟡 中
...

## 🔍 子分类详细分析
[每个子分类的分析]

## 💡 最高价值机会
[排序后的机会列表，含切入角度和数据支撑]

## ⚠️ 风险提示
[注意事项]

## 📊 数据明细
[备查的原始数据]

1. 读取 memory 中的频道历史档案
2. browser 访问频道页抓最新数据
3. 对比历史：新增视频、播放变化、趋势判断
4. 更新 memory 档案
5. 输出变化报告