patron-ig-f100k

Módulo del Autopilot F100K para correr cada lunes: trae los videos de la cuenta de Instagram de la usuaria de los últimos 7 días (Composio o Apify), transcribe con Supadata si hay llave, calcula la mediana de views/likes/comentarios, clasifica videos virales (>1.5x mediana) y negativos (<0.7x), extrae qué funcionó y qué no, y actualiza cerebro/memoria/patterns_ig_<handle>.md para que la guionización aprenda semana a semana. Usar cuando alguien diga: "analiza mis patrones de la semana", "qué patrones detectaste", "actualiza mi memoria de patrones IG", "qué me funcionó esta semana", o cuando la automatización semanal lo invoque.

🦞 Corriendo en OpenClaw

Esta versión corre en un agente OpenClaw (servidor + Telegram), no en Claude Code. Antes de seguir, lee la skill f100k-puente: traduce herramientas y rutas. Lo específico de esta skill:

• Datos de la semana, en este orden: Composio con Instagram profesional (cuenta propia) o Apify con APIFY_TOKEN. Sin ninguno, pide capturas de estadísticas.
• Transcripciones con Supadata solo si existe SUPADATA_API_KEY en el entorno; si no, trabaja con captions y marca la transcripción como «no disponible».
• El archivo de patrones va a cerebro/memoria/patterns_ig_<handle>.md y se suma a cerebro/INDICE.md, para que guionización lo lea.
• Para correrla cada lunes, crea una automatización de OpenClaw con la hora y zona de USER.md; el resumen llega por Telegram.

---

Skill: Análisis de Patrones IG — Autopilot F100K

Cada lunes este módulo entra a Instagram, descarga tus videos de la semana, los transcribe, y construye el mapa de lo que te funcionó y lo que no. Ese mapa va directo a tu memoria para que cada guión que escriba después sea mejor que el anterior.

---

PASO 1 — CARGAR CONFIG

bash

cat cerebro/f100k-config.json

Extraer: ig_handle (PREGUNTAR al usuario si no lo dio; no asumir ninguno), email.

Si el archivo no existe → detener y decir:

"No encontré tu configuración del Autopilot. Corre /rutina-maestra-formula100k primero."

---

PASO 2 — SCRAPING VÍA APIFY

2A — Obtener schema del actor

Usar fetch-actor-details (Apify MCP) con: actorName: "apify~instagram-scraper"

2B — Lanzar el scraper

Usar call-actor con:

• actorName: "apify~instagram-scraper"
• waitSecs: 45
• Input:

json

{
  "usernames": ["[ig_handle]"],
  "resultsLimit": 20,
  "resultsType": "posts",
  "addParentData": false
}

2C — Obtener resultados

Usar get-dataset-items con el datasetId del run.

2D — Filtrar y construir lista

Conservar solo posts donde timestamp (o takenAt) >= hace 7 días.

Para cada post extraer:

• shortCode → URL: https://www.instagram.com/reel/[shortCode]/
• caption → primeras 200 chars
• timestamp
• videoViewCount o videoPlayCount (usar el que esté disponible)
• likesCount
• commentsCount
• type → conservar solo Video / Reel (descartar imágenes estáticas)

Si no hay posts en 7 días → terminar con mensaje:

"No hubo videos/reels publicados en los últimos 7 días. Sin datos para analizar."

---

PASO 3 — TRANSCRIBIR CADA VIDEO CON SUPADATA

Para CADA video/reel filtrado, ejecutar:

bash

[ -z "$SUPADATA_API_KEY" ] && [ -f "$HOME/.config/f100k/secrets.env" ] && set -a && . "$HOME/.config/f100k/secrets.env" && set +a
curl -s -X GET "https://api.supadata.ai/v1/transcript?url=https://www.instagram.com/reel/[shortCode]/" \
  -H "x-api-key: $SUPADATA_API_KEY"

Del response extraer:

• Campo content → texto completo de la transcripción
• Si el request falla o content está vacío → transcripcion: "no disponible"

Construir array videos[] con:

text

{ url, caption, timestamp, views, likes, comentarios, transcripcion }

---

PASO 4 — CALCULAR MEDIANA Y CLASIFICAR

4A — Calcular medianas de la semana

Con todos los videos del array:

• median_views = mediana de todos los valores views
• median_likes = mediana de todos los likes
• median_comments = mediana de todos los comentarios

Para calcular mediana: ordenar los valores de menor a mayor, tomar el valor central (o promedio de los dos centrales si N es par).

Si median_views = 0 → usar 1 para evitar división por cero.

4B — Score relativo por video

text

score = (views / median_views) * 0.5 + (likes / median_likes) * 0.3 + (comments / median_comments) * 0.2

4C — Clasificar

• viral: score >= 1.5
• negativo: score <= 0.7
• neutral: entre 0.7 y 1.5

---

PASO 5 — EXTRAER PATRONES

Analizar videos virales vs negativos en estos 8 ejes:

1. Gancho de texto — primeras 5-7 palabras del caption
2. Gancho verbal — primeras 5-7 palabras de la transcripción (si disponible)
3. Tópico principal — ¿de qué trata? (ej: IA, estrategia, motivación, resultados, herramienta)
4. Hora de publicación — mañana (6-12h) / tarde (12-18h) / noche (18-24h)
5. CTA explícito — ¿la transcripción menciona "comenta", "guarda", "comparte", "escríbeme"?
6. Número o métrica en apertura — ¿abre con un dato numérico en los primeros 10 segundos?
7. Estructura — ¿es problema-solución, lista de N puntos, dato sorpresa, historia personal, o demo?
8. Longitud del caption — corto (<80 chars), medio (80-200), largo (>200)

Sintetizar en lenguaje directo:

Para cada eje donde haya diferencia notable entre virales y negativos, escribir:

• "VIRAL: [patrón observado]"
• "NEGATIVO: [patrón observado]"

Si solo hay 1 video en alguna categoría → indicarlo como "muestra pequeña (1 video), tomar con precaución".

---

PASO 6 — LEER HISTORIAL EXISTENTE

bash

cat cerebro/memoria/patterns_ig_<handle>.md 2>/dev/null

Extraer la sección ## Historial semanal completa para preservarla en el archivo actualizado.

---

PASO 7 — ESCRIBIR ARCHIVO DE MEMORIA

Usar la herramienta Write en: cerebro/memoria/patterns_ig_<handle>.md

Con esta estructura exacta:

markdown

---
name: patterns-ig-<handle>
description: Patrones virales y negativos de @<handle> en Instagram — actualizado automáticamente cada lunes por el Autopilot F100K. Leer ANTES de escribir cualquier guión para esa cuenta.
metadata:
  type: feedback
---

# Patrones IG @<handle>

**Última actualización:** [FECHA DE HOY]
**Videos analizados:** [N] reels · Semana del [LUNES] al [DOMINGO]
**Medianas semanales:** [median_views] views · [median_likes] likes · [median_comments] comentarios

---

## Patrones VIRALES — qué repite cuando le va bien

[LISTA DE PATRONES — uno por línea, formulados como reglas accionables]

**Why:** Identificados en [N_viral] video(s) con score ≥ 1.5 esta semana.
**How to apply:** Abrir guiones con estos patrones, usar estos ganchos verbales, publicar en estos horarios.

---

## Patrones NEGATIVOS — qué evitar

[LISTA DE PATRONES NEGATIVOS]

**Why:** Identificados en [N_negativo] video(s) con score ≤ 0.7.
**How to apply:** Evitar estas aperturas, no publicar en estos horarios, detectar y reescribir si el guión cae en estos patrones.

---

## Detalle de videos esta semana

| Caption (inicio) | Views | Likes | Comments | Score | Clasificación |
|-----------------|-------|-------|----------|-------|---------------|
[FILAS CON CADA VIDEO]

---

## Historial semanal

### Semana del [LUNES] al [DOMINGO]
- Virales: [N] · Neutrales: [N] · Negativos: [N]
- Patrón viral dominante: [síntesis en 1 línea]
- Patrón negativo dominante: [síntesis en 1 línea]

[HISTORIAL DE SEMANAS ANTERIORES PRESERVADO AQUÍ]

---

PASO 8 — CONFIRMACIÓN FINAL

Mostrar en terminal:

text

✅ Análisis de patrones IG completado
📊 [N] videos analizados · [N_viral] virales · [N_negativo] negativos · [N_neutral] neutrales
📝 Memoria actualizada: patterns_ig_<handle>.md
🔁 Próxima ejecución: lunes que viene a las 08:05 Lima

---

NOTAS TÉCNICAS

• Automatización: la crea tu agente para que corra cada lunes a la hora que elijas
• MCPs requeridos: Apify (scraping IG) + Bash (Supadata via curl)
• Supadata key: variable de entorno SUPADATA_API_KEY (nunca escrita en el archivo)
• Memoria destino: cerebro/memoria/patterns_ig_<handle>.md
• Config: cerebro/f100k-config.json — campo ig_handle
• Costo estimado: ~$0.50 por ejecución (Apify scraping + ~10 llamadas Supadata)