基于 Apify Actors 的社交媒体受众分析实战指南：使用 apify-audience-analysis Skill 完成跨平台画像提取

基于 Apify Actors 的社交媒体受众分析实战指南使用 apify-audience-analysis Skill 完成跨平台画像提取【免费下载链接】agentic-awesome-skillsAAS Core is the local, agent-first control plane for complete catalog discovery, agent-owned selection, stack validation, and planning, backed by 2,600 agentic skills. Includes CLI, local MCP, catalog, plugins, and Workbench.项目地址: https://gitcode.com/GitHub_Trending/an/agentic-awesome-skills导读apify-audience-analysis是 agentic-awesome-skills 仓库中一个面向 Agent 的受众分析技能Skill它把选 Actor → 取 Schema → 跑脚本 → 汇总洞察的全流程固化成可复制的五步工作流帮助你在 Facebook、Instagram、YouTube、TikTok 四大平台上提取粉丝人口属性、互动模式与行为数据并输出结构化结果与解读摘要。读完本文你将掌握如何借助 apify-audience-analysis/SKILL.md 与配套的 run_actor.js 脚本从零开始完成一次完整的受众分析任务包括 Actor 选型、输入参数构造、CSV/JSON 导出与结果汇总。Skill 定位当任务匹配受众分析时启用该 Skill 的元数据见 SKILL.md 头部 YAML将其定义为risk: critical、source: community的社区来源技能说明它属于高风险外部 API 调用类技能使用时需要真实的 Apify Token 并会产生云端计算费用。其适用边界非常明确需要跨社交平台获取受众人口属性、互动模式或粉丝行为数据任务核心是挑选并运行 Apify Actors来完成 Facebook、Instagram、YouTube 或 TikTok 的受众分析需要结构化抓取 受众结论解读两类产出。反之若任务与受众分析无关如品牌舆情监控、竞争对手情报等应改用仓库中同族技能如 apify-brand-reputation-monitoring、apify-competitor-intelligence而不是强行套用本技能。前置条件与运行环境Skill 文档列出的前置条件非常轻量且明确说明无需预先主动检查项目根目录存在.env文件其中包含APIFY_TOKENyour_tokenNode.js 20.6 —— 因为 run_actor.js 依赖 Node 20.6 引入的原生--env-file参数来加载环境变量无需再安装 dotenv 类依赖mcpcCLI 工具通过npm install -g apify/mcpc全局安装用于动态拉取 Actor 的输入 Schema。Token 的获取与使用在 run_actor.js 中有兜底校验如果process.env.APIFY_TOKEN为空脚本会直接报错并提示在.env中添加APIFY_TOKENyour_token_here。值得注意的是脚本在每次请求中都携带了自定义User-Agent: apify-agent-skills/apify-audience-analysis-1.0.1见 run_actor.js用于在 Apify 侧统计技能调用来源。五步工作流从选型到洞察Skill 文档提供了一段可直接复制跟踪的任务清单Task Progress: - [ ] Step 1: Identify audience analysis type (select Actor) - [ ] Step 2: Fetch Actor schema via mcpc - [ ] Step 3: Ask user preferences (format, filename) - [ ] Step 4: Run the analysis script - [ ] Step 5: Summarize findings下面逐一步骤展开。Step 1按分析目标选择 Actor选型是整个流程中信息密度最高的一步。Skill 文档按用户需求 → Actor ID → 最佳适用场景给出了 19 个跨平台 Actor 的映射表完整继承如下用户需求Actor ID最佳用途Facebook 粉丝人口属性apify/facebook-followers-following-scraperFB 粉丝/关注列表Facebook 互动行为apify/facebook-likes-scraperFB 帖子点赞分析Facebook 视频受众apify/facebook-reels-scraperFB Reels 观众Facebook 评论分析apify/facebook-comments-scraperFB 帖子/视频评论Facebook 内容互动apify/facebook-posts-scraperFB 帖子互动指标Instagram 受众规模apify/instagram-profile-scraperIG 主页人口属性Instagram 地理位置apify/instagram-search-scraperIG 地理标记受众Instagram 标签网络apify/instagram-tagged-scraperIG 标签网络分析Instagram 综合抓取apify/instagram-scraper完整 IG 受众数据Instagram API 模式apify/instagram-api-scraper基于 API 访问 IGInstagram 粉丝数追踪apify/instagram-followers-count-scraperIG 粉丝数跟踪Instagram 评论批量导出apify/export-instagram-comments-postsIG 评论批量导出Instagram 评论分析apify/instagram-comment-scraperIG 评论情感分析YouTube 观众反馈streamers/youtube-comments-scraperYT 评论分析YouTube 频道受众streamers/youtube-channel-scraperYT 频道订阅者TikTok 粉丝人口属性clockworks/tiktok-followers-scraperTT 粉丝列表TikTok 主页分析clockworks/tiktok-profile-scraperTT 主页人口属性TikTok 评论分析clockworks/tiktok-comments-scraperTT 评论互动选型思路可以归纳为先确定目标平台 分析维度粉丝、评论、互动、标签、地理位置再从表中精确匹配Instagram 因生态复杂提供了从轻量 profile 抓取到全量instagram-scraper、再到 API 模式的四档能力可按数据量与成本权衡。Step 2通过 mcpc 动态拉取 Actor Schema确定 Actor 后使用 mcpc 连接 Apify MCP 服务端拉取该 Actor 的输入 Schema 与说明文档export $(grep APIFY_TOKEN .env | xargs) mcpc --json mcp.apify.com --header Authorization: Bearer $APIFY_TOKEN tools-call fetch-actor-details actor:ACTOR_ID | jq -r .content将命令中的ACTOR_ID替换为 Step 1 选定的值例如apify/facebook-followers-following-scraper。该调用会返回三类关键信息Actor 描述与 README必填与可选输入参数即运行时要填充的 JSON 字段输出字段若可用。这一步的价值在于动态发现不同 Actor 的输入差异很大例如评论区抓取需要 post URL粉丝抓取需要 profile URL通过 Schema 才能构造出合法的--inputJSON避免盲目猜测参数名。Step 3与用户确认输出偏好正式运行前必须确认两点输出格式Quick answer—— 仅在聊天中展示前若干条结果不保存文件CSV—— 全字段导出为 CSVJSON—— 全量数据导出为 JSON。结果数量根据具体使用场景确定抓取规模如分析 Top 粉丝、全量粉丝等。Step 4运行脚本Skill 文档给出了三种运行形态均可直接复制执行其中${CLAUDE_PLUGIN_ROOT}是插件环境注入的路径变量指向技能目录Quick answer聊天展示不落盘node --env-file.env ${CLAUDE_PLUGIN_ROOT}/reference/scripts/run_actor.js \ --actor ACTOR_ID \ --input JSON_INPUTCSV 导出node --env-file.env ${CLAUDE_PLUGIN_ROOT}/reference/scripts/run_actor.js \ --actor ACTOR_ID \ --input JSON_INPUT \ --output YYYY-MM-DD_OUTPUT_FILE.csv \ --format csvJSON 导出node --env-file.env ${CLAUDE_PLUGIN_ROOT}/reference/scripts/run_actor.js \ --actor ACTOR_ID \ --input JSON_INPUT \ --output YYYY-MM-DD_OUTPUT_FILE.json \ --format json脚本参数全解源码级run_actor.js 使用 Node 内置的node:util的parseArgs解析参数见 run_actor.js#L20-L57完整参数如下参数短名默认值说明--actor-a必填Actor ID如apify/facebook-followers-following-scraper--input-i必填Actor 输入 JSON 字符串--output-o无输出文件路径不传则进入 Quick answer 模式--format-fcsv输出格式csv或json--timeout-t600最长等待秒数脚本内会转成整数并参与轮询超时判断--poll-interval—5两次状态轮询之间的间隔秒数--help-h—打印帮助信息并退出--actor与--input均为必填项缺失任一都会打印帮助并退出见 run_actor.js#L38-L48。脚本内部执行链路脚本的完整生命周期见 run_actor.js#L317-L357清晰可循启动 Actor 运行startActor将author/actor格式的 Actor ID 转换为 API 兼容的author~actor格式随后POST https://api.apify.com/v2/acts/{author~actor}/runs?token...发起运行返回runId与defaultDatasetId见 run_actor.js#L96-L134。若返回 404 则提示Actor not found。轮询运行状态pollUntilComplete每poll-interval秒查询一次https://api.apify.com/v2/actor-runs/{runId}仅在状态变化时打印Status: ...直到出现SUCCEEDED、FAILED、ABORTED或TIMED-OUT四种终态之一超过timeout秒则强制返回TIMED-OUT见 run_actor.js#L137-L171。结果处理分支有--output时调用downloadResultsJSON 模式直接美化写盘CSV 模式以首条记录字段为表头逐行生成并对超长文本200 字符截断、对象/数组字段JSON.stringify序列化见 run_actor.js#L181-L229。随后reportSummary输出记录数与文件字节大小见 run_actor.js#L288-L309。无--output时调用displayQuickAnswer在终端打印TOP 5 RESULTS (of N total)分隔线逐字段展示前 5 条结果长值截断到 100 字符并附 Apify Console 数据集链接供查看全量见 run_actor.js#L232-L285。CSV 安全细节csvCell对以 -等字符开头的单元格自动加单引号前缀防止公式注入对含逗号、引号、换行的字段做标准转义见 run_actor.js#L173-L178。Step 5汇总分析结论脚本运行结束后Agent 应向用户输出四类汇总信息分析的受众成员/主页数量结果文件位置与文件名关键人口属性洞察如地域分布、粉丝量级、互动倾向建议的下一步动作如深度分析、受众分层。常见错误与处置对照Skill 文档给出了运行时常见错误的标准处置方式错误现象处置方式APIFY_TOKEN not found引导用户创建.env并写入APIFY_TOKENyour_tokenmcpc not found引导用户执行npm install -g apify/mcpcActor not found核对 Actor ID 拼写Run FAILED引导用户查看错误输出中的 Apify Console 运行链接定位失败原因Timeout缩小输入规模或增大--timeout参数从源码可以印证APIFY_TOKEN not found与Actor not found均来自 run_actor.js 的显式校验Token 检查见 run_actor.js#L322-L331404 检查见 run_actor.js#L118-L121而Run FAILED时脚本会输出https://console.apify.com/actors/runs/{runId}供人工排查见 run_actor.js#L342-L346。使用边界与注意事项Skill 文档明确划定了三条边界Agent 使用时应严格遵守仅在任务范围与本 Skill 描述明确匹配时使用不做跨领域的通用抓取抓取结果不能替代环境专属的验证、测试或专家复核——尤其是涉及隐私、授权与平台条款的场景当必填输入、权限、安全边界或成功标准缺失时应停止并主动向用户澄清而不是擅自猜测参数继续执行。与其他 Apify 系 Skill 的关系从仓库结构看plugins/agentic-awesome-skills-claude/skills 目录下存在一整套基于同一run_actor.js模式的 Apify 技能族包括品牌舆情监控apify-brand-reputation-monitoring、竞品情报、内容分析、电商、红人发现、线索生成、市场调研、趋势分析等。它们共享几乎相同的五步工作流、参数体系与错误处理约定因此掌握本 Skill 后迁移到该技能族中其他成员的成本极低——差异主要集中在 Step 1 的 Actor 选型表与 Step 5 的汇总口径。这种同一执行引擎 差异化选型表的设计是本仓库 Apify 系技能的通用组织模式。【免费下载链接】agentic-awesome-skillsAAS Core is the local, agent-first control plane for complete catalog discovery, agent-owned selection, stack validation, and planning, backed by 2,600 agentic skills. Includes CLI, local MCP, catalog, plugins, and Workbench.项目地址: https://gitcode.com/GitHub_Trending/an/agentic-awesome-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考