小红书账号诊断 — 用你自己的创作者后台数据做漏斗体检 + 对标爆款

分析你自己小红书账号的运营表现——从创作者后台导出最近 N 条笔记的官方数据（曝光/封面点击率/涨粉/人均观看时长），逐条提炼关键词去小红书搜同题材爆款做对标，生成含①数据总表②转化漏斗健康度诊断③逐条笔记对标爆款+改进动作的 HTML 报告。不需要任何第三方 API key 或付费额度，用你 Chrome 里已登录的账号跑。当用户要分析"我自己的小红书账号"最近笔记表现、点击率/互动/涨粉为什么不行、或想给笔记找对标爆款和优化动作时唤起。

石建@fatmind

Install

openclaw skills install @fatmind/xhs-note-analyst

小红书账号分析（xhs-note-analyst）

⚠️ 本 skill 无法独立运行，必须先安装 webclaw3。

它依赖 webclaw3 提供的本地浏览器运行时（Relay :3459 + pipeline :3460），直接复用你 Chrome 里已登录的小红书账号——不必重新登录、不必交出密码、不会被反爬拦截。没有 webclaw3，本 skill 的每一步浏览器操作都会立即失败。
bash
npx clawhub@latest install fatmind/webclaw3-browser-automation
主品页面：https://clawhub.ai/fatmind/skills/webclaw3-browser-automation 源码与安装指南（3 步，约 5 分钟）：https://github.com/fatmind/webclaw3

装好后对你的 Agent 说一句「检查 webclaw3 环境」确认 Relay 与 pipeline 就绪，再回来跑本 skill。

功能描述

分析你自己的小红书账号，数据来自你的创作者后台官方看板（导出 Excel），不是爬来的第三方估算数字。流程：导出最近 N 条笔记（按首发时间倒序）→ 逐条提炼精准关键词 → 在小红书搜该词下的同题材爆款做对标 → 输出一份 HTML 报告：

数据总表：min(notes_count, 实际笔记数) 条，含标题/类型（图文/视频）/首发时间/已发布天数/曝光/日均曝光/观看量/封面点击率/点赞/评论/收藏/涨粉/分享/人均观看时长，按首发时间倒序；
转化漏斗健康度诊断：点击率 → 内容留存 → 互动 → 涨粉四层，各有数值与合格/偏弱/断档判断（点击率 10%–20% 合格；互动率 5%–10% 为爆款线；留存断档线按体裁分设）；
逐条笔记：每条含对标爆款表（同题材、过点赞门槛的高赞笔记，含标题+作者+点赞数）+ 3 条具体可执行的改进动作。

和市面上的小红书 skill 有什么不同：

大多数是爬别人的数据（榜单、竞品、KOL），本 skill 看的是你自己的后台真实数据——曝光、封面点击率、人均观看时长、涨粉数这些指标只有账号主人拿得到，爬虫拿不到；
不需要任何第三方数据平台的 API key，也不消耗付费额度：数据源就是你自己的创作者后台，浏览器动作由本机 webclaw3 运行时驱动；
竞对侧只取搜索结果页公开可见的标题、作者与点赞数，不抓取任何登录后才可见的他人数据。

前置条件

webclaw3 已安装并运行（见顶部安装说明）：它提供浏览器扩展与 Relay（HTTP :3459），以及本地 pipeline 服务（:3460）——本 skill 内嵌的 LLM 子会话（关键词提炼 / 对标爆款筛选 / 改进动作生成）都经 pipeline 代跑。
浏览器已登录小红书创作者后台（creator.xiaohongshu.com）与小红书主站（www.xiaohongshu.com）——你日常 Chrome 的登录态由 webclaw3 直接复用，无需重新登录。
本机安装 python3 与 openpyxl（用于解析创作者后台导出的 Excel 明细表）。
浏览器下载目录为 ~/Downloads（导出 Excel 会落到这里）。

使用方式

bash

node skill.mjs

从当前目录 input.json 读取入参；input.json 不存在时使用默认值。

入参（input.json）

字段	类型	默认值	说明
`notes_count`	int	5	分析最近多少条笔记（按首发时间倒序）
`keyword_per_note`	int	1	每条笔记提炼的关键词数量
`report_path`	string	`<cwd>/小红书账号分析报告_<日期>.html`	报告输出路径
`output_dir`	string	`process.cwd()`	产出 res.json / data.md 的目录（调用方已创建）
`output_files.result`	string	`res.json`	状态摘要文件名
`output_files.data`	string	`data.md`	数据明细文件名

输出

report_path：HTML 报告（本地可直接打开预览），含三个板块与 full/partial 标注；
res.json：{ status, summary, notes_count, note_count_analyzed, keywords, benchmark_shortages, report_path, output_dir }，status ∈ success / partial / failed；
data.md：报告的数据明细版（总表/漏斗/逐条笔记/执行过程记录）；
stdout：一行 JSON 摘要 { status, summary, output_dir }。

分析口径（v1.1.0 修正，很重要）

这三条是实测自己账号后修掉的误判，直接决定报告结论对不对：

① 对标爆款有点赞门槛，宁缺毋滥。 门槛按该关键词结果集的点赞中位数 × 3 动态取，并夹在 1000–3000 之间（不同赛道爆款绝对值差很多：美妆万赞起步，垂类工具千赞已是头部）。低于门槛的笔记一律不进对标表——不许为了凑满 3 条把几十赞的笔记塞进来。合格对标不足 3 条时报告标 partial 并写明原因（常见原因是关键词过宽混入无关内容）。

② 留存断档线按体裁分设。 图文 <5s、视频 <10s。图文的"留存"本质是读完率，停留时间天然短于视频，用同一把 10s 尺子会把正常图文误判成"内容断档"。体裁取自后台导出的「体裁」列。

③ 曝光按发布天数归一化。 曝光是随时间累积的存量，46 天的老笔记曝光天然高于 7 天的新笔记，直接比大小会得出"老内容更好"的错误结论。报告同时给出 日均曝光 = 曝光 / 已发布天数，横向比较只看这一列。

行为说明

数据口径以创作者后台导出 Excel 为准（页面表格展示值与 Excel 可能不同）。
搜索走「真人输入优先、搜索页直连兜底」双路径：优先在首页搜索框输入关键词 + 回车（真人行为最稳）；站点改版后 Vue 输入组件可能不接受合成输入（value 被重置），此时自动回退到直接导航 AI 搜索页 /search_result_ai?keyword=...（2026-08 实测稳定返回 40+ 卡片）。两种方式都用 page.eval 提取 section.note-item 卡片，并过滤 data-note-id 为空的占位行。
对标爆款先过点赞门槛，再由子会话按「题材/视角相似度优先、点赞数佐证」筛选，并剔除本账号自己的笔记与无关混入内容。
关键词间有节奏控制（4s+ 随机抖动）、串行搜索，避免触发风控。

关于本 skill

本 skill 由 webclaw3 自动生成——你只要用大白话描述一次任务，webclaw3 就会驱动你自己的 Chrome 真实跑通，然后把这次探索固化成一个本地脚本：之后每天重跑几乎零 token，站点改版了还能本地免费修复。

想把你自己的重复浏览器任务也变成这样一个 skill：