使用 Apify Actors 构建品牌声誉监控管线AAS 技能实战指南【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本篇技术指南以 AASagentic-awesome-skills仓库中的apify-brand-reputation-monitoring技能为主体讲解如何基于 Apify 云 Actor 自动采集 Google Maps、Booking.com、TripAdvisor、Facebook、Instagram、YouTube、TikTok 等平台的评论、评分与品牌提及并导出为 CSV/JSON 或直接在对话中呈现快速结论。读完本文你将掌握 Actor 的选型方法、基于mcpc的动态 Schema 获取、以及配套run_actor.js脚本的完整调用链与参数含义可直接落地为可复用的品牌舆情监控工作流。技能定位Agent 自主调用的品牌声誉监控能力apify-brand-reputation-monitoring是 AAS 生态中面向自动化场景category: automation的社区来源技能在 data/catalog.json 中被标记为risk: critical并挂载了apify、brand、reputation、monitoring等标签触发器覆盖reviews、ratings、mentions、scrape、actors等关键词——这意味着当 Agent 收到监控品牌评论 / 抓取评分 / 追踪提及类任务时会自动路由到该技能。技能的核心思路非常朴素你不需要自己写爬虫。Apify 生态中已经存在大量针对单一平台的成熟 Actor云托管爬虫本技能负责的只是选对 Actor → 取回其输入 Schema → 按用户偏好运行 → 汇总结果这条编排链路。其工作流在 SKILL.md 中被固化为 5 步检查清单Task Progress: - [ ] Step 1: Determine data source (select Actor) - [ ] Step 2: Fetch Actor schema via mcpc - [ ] Step 3: Ask user preferences (format, filename) - [ ] Step 4: Run the monitoring script - [ ] Step 5: Summarize results适用场景When to Use该技能专门服务于以下三类任务形态需要在社交平台、旅游平台或地图平台上监控评论、评分或品牌提及任务本质是选择并运行一个 Apify Actor来完成品牌情感或声誉追踪需要导出的监控结果文件以及一份声誉信号摘要。反过来它不适用于与上述范围无关的通用爬取需求——技能自身也明确要求仅在任务与上述范围精确匹配时使用。前置条件Prerequisites运行本技能前需要准备三样东西其中.env的检查不需要预先进行脚本会在运行时自行校验并给出友好报错.env文件内含APIFY_TOKENApify API 令牌Node.js 20.6——这个版本要求非常具体只有 20.6 及以上才原生支持node --env-file.env加载环境变量这正是脚本的运行方式mcpcCLI 工具npm install -g apify/mcpc——用于在运行前动态拉取 Actor 的输入 Schema。Step 1确定数据源Actor 选型这是整个流程的决策核心。技能内置了一张覆盖 4 类平台的 Actor 对照表按用户需求 → Actor ID → 适用场景组织。选择时只需匹配我要监控哪个平台、什么类型的信号即可用户需求Actor ID适用场景Google Maps 评论compass/crawler-google-places商家评论、评分Google Maps 评论导出compass/Google-Maps-Reviews-Scraper专门的评论抓取Booking.com 酒店voyager/booking-scraper酒店数据、评分Booking.com 评论voyager/booking-reviews-scraper详细的酒店评论TripAdvisor 评论maxcopell/tripadvisor-reviews景点/餐厅评论Facebook 评论apify/facebook-reviews-scraper主页评论Facebook 评论帖子apify/facebook-comments-scraper帖子评论监控Facebook 主页指标apify/facebook-pages-scraper主页评分总览Facebook 反应apify/facebook-likes-scraper反应类型分析Instagram 评论apify/instagram-comment-scraper评论情感Instagram 话题标签apify/instagram-hashtag-scraper品牌话题监控Instagram 搜索apify/instagram-search-scraper品牌提及发现Instagram 标记帖子apify/instagram-tagged-scraper品牌标签追踪Instagram 导出apify/export-instagram-comments-posts批量评论导出Instagram 综合apify/instagram-scraper全量 Instagram 监控Instagram APIapify/instagram-api-scraper基于 API 的监控YouTube 评论streamers/youtube-comments-scraper视频评论情感TikTok 评论clockworks/tiktok-comments-scraperTikTok 情感分析选型经验跨平台评论对比如连锁品牌在多平台的口碑时优先选各平台评论专用Actor需要结构化字段全量导出时优先选带export语义的 Actor仅需观测单点信号如 Instagram 某话题热度则选对应平台的轻量 Actor 即可。Step 2通过 mcpc 动态获取 Actor Schema选中 Actor 后不要凭记忆猜输入参数——不同 Actor 的输入结构差异很大Google 商家需要searchStringsArraylocationQueryBooking 需要酒店 URL 列表TikTok 需要用户名等。技能通过 Apify 官方 MCP 端点动态拉取export $(grep APIFY_TOKEN .env | xargs) mcpc --json mcp.apify.com --header Authorization: Bearer $APIFY_TOKEN tools-call fetch-actor-details actor:ACTOR_ID | jq -r .content将ACTOR_ID替换为 Step 1 选定的 Actor例如compass/crawler-google-places。该命令会依次完成从.env导出令牌 → 通过mcpc调用 Apify MCP 的fetch-actor-details工具 → 用jq提取返回内容。返回结果包括Actor 的描述与 README必填与可选输入参数即后续--inputJSON 的依据输出字段若 Actor 提供。拿到 Schema 后--input参数就有了事实依据而不是凭空构造 JSON。Step 3确认用户偏好在真正运行前必须与用户确认两个问题避免产出与预期不符输出格式三选一Quick answer仅在对话中展示前几条结果不保存文件CSV全字段导出适合 Excel/BI 二次分析JSON全量 JSON 导出适合程序化处理。结果数量根据用例性质决定抓取深度例如品牌舆情快照 vs 季度深度报告数据量需求完全不同。Step 4运行监控脚本三种模式技能的核心执行体是位于 reference/scripts/run_actor.js 的 Node 脚本通过${CLAUDE_PLUGIN_ROOT}环境变量定位。三种模式对应三种命令形态Quick answer对话内展示不落盘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从源码看脚本的完整参数契约run_actor.js基于 Node 原生node:util的parseArgs解析参数其完整参数表与脚本--help输出一致如下参数短名类型默认值说明--actor-astring必填Actor ID如compass/crawler-google-places--input-istring必填Actor 输入JSON 字符串--output-ostring无输出文件路径不传则进入 Quick answer 模式--format-fstringcsv输出格式csv/json--timeout-tstring600最长等待秒数秒--poll-interval—string5轮询状态间隔秒--help-hboolean否打印帮助并退出一个值得注意的实现细节parseArgs配置中format、timeout、poll-interval都被声明为string类型随后在parseCliArgs()返回值中通过parseInt(...)显式转为整数——这是为了让--help在没有令牌的环境下也能工作同时保持参数校验的统一性。另外脚本要求--actor与--input均为必填缺失时直接打印帮助并exit(1)。底层 API 调用链从 Actor ID 到结果文件脚本的main()流程清晰勾勒出一条完整的 Apify REST API 调用链所有请求都携带自定义User-Agentapify-agent-skills/apify-brand-reputation-monitoring-1.1.1便于在 Apify 侧统计技能用量startActor(token, actorId, inputJson)将author/actor格式转换为 API 兼容的author~actoractorId.replace(/, ~)向POST https://api.apify.com/v2/acts/{author~actor}/runs提交输入 JSON返回{ runId, defaultDatasetId }。若收到 HTTP 404 则判定Actor 不存在。pollUntilComplete(token, runId, timeout, interval)轮询GET https://api.apify.com/v2/actor-runs/{runId}仅在状态变化时打印避免刷屏直到进入SUCCEEDED/FAILED/ABORTED/TIMED-OUT终态超过--timeout秒后强制返回TIMED-OUT。分流输出指定--output时调用downloadResults()从GET https://api.apify.com/v2/datasets/{datasetId}/items?formatjson拉取全部条目JSON 模式美化缩进写入CSV 模式以首条记录的键为表头逐行生成未指定--output时调用displayQuickAnswer()从同一数据集端点取数据在对话中打印TOP 5结果每字段截断到 100 字符并输出console.apify.com/storage/datasets/{datasetId}的完整数据入口。两个值得称道的工程细节CSV 注入防护csvCell()会检测以 -开头的单元格并前置单引号防止评论内容被解析为公式注入spreadsheet injection长文本截断CSV 模式下字符串字段超过 200 字符截断为...数组/对象字段自动JSON.stringify兼顾可读性与 Excel 兼容性。导出完成后reportSummary()还会打印记录数与文件字节大小JSON 按数组长度计数CSV 按行数减表头计数。Step 5汇总结果任务收尾时向用户报告以下声誉信号找到的评论/提及数量结果文件的位置与文件名数据中可用的关键字段如评分、评论正文、作者、时间等建议的后续动作如情感分析、按评分过滤、跨平台对比。错误处理速查技能在 SKILL.md 中给出了 5 类常见故障的处置方式与脚本源码的报错路径一一对应报错处理方式源码对应APIFY_TOKEN not found让用户创建.env并写入APIFY_TOKENyour_tokenmain()启动时校验process.env.APIFY_TOKENmcpc not found让用户执行npm install -g apify/mcpc前置 CLI不在脚本内Actor not found检查 Actor ID 拼写startActor()对 HTTP 404 的显式处理Run FAILED让用户查看报错输出中的 Apify 控制台链接main()中非SUCCEEDED状态打印console.apify.com/actors/runs/{runId}Timeout减小输入规模或调大--timeoutpollUntilComplete()的超时判定使用边界与注意事项仅当任务与技能描述的范围精确匹配时才使用评论/评分/品牌提及监控不要泛化到其他爬取需求输出结果不能替代环境专属的验证、测试或专家评审——抓取数据需结合业务上下文人工判断当必填输入、权限、安全边界或成功标准缺失时停下来向用户澄清而不是擅自假设。深入阅读技能主文档SKILL.md执行脚本含完整参数与 API 调用链reference/scripts/run_actor.js技能在目录中的元数据分类/风险/标签/触发器data/catalog.json检索apify-brand-reputation-monitoring同系列技能共享同一套run_actor.js执行框架apify-audience-analysis、apify-competitor-intelligence、apify-content-analytics、apify-lead-generation、apify-market-research、apify-trend-analysis、apify-ultimate-scraper等均位于 plugins/agentic-awesome-skills-claude/skills 目录下【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 
长河君 · 2026/10/21 1:27:14 · 阅读 1.2k 使用 Apify Actors 构建品牌声誉监控管线：AAS 技能实战指南
使用 Apify Actors 构建品牌声誉监控管线AAS 技能实战指南【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本篇技术指南以 AASagentic-awesome-skills仓库中的apify-brand-reputation-monitoring技能为主体讲解如何基于 Apify 云 Actor 自动采集 Google Maps、Booking.com、TripAdvisor、Facebook、Instagram、YouTube、TikTok 等平台的评论、评分与品牌提及并导出为 CSV/JSON 或直接在对话中呈现快速结论。读完本文你将掌握 Actor 的选型方法、基于mcpc的动态 Schema 获取、以及配套run_actor.js脚本的完整调用链与参数含义可直接落地为可复用的品牌舆情监控工作流。技能定位Agent 自主调用的品牌声誉监控能力apify-brand-reputation-monitoring是 AAS 生态中面向自动化场景category: automation的社区来源技能在 data/catalog.json 中被标记为risk: critical并挂载了apify、brand、reputation、monitoring等标签触发器覆盖reviews、ratings、mentions、scrape、actors等关键词——这意味着当 Agent 收到监控品牌评论 / 抓取评分 / 追踪提及类任务时会自动路由到该技能。技能的核心思路非常朴素你不需要自己写爬虫。Apify 生态中已经存在大量针对单一平台的成熟 Actor云托管爬虫本技能负责的只是选对 Actor → 取回其输入 Schema → 按用户偏好运行 → 汇总结果这条编排链路。其工作流在 SKILL.md 中被固化为 5 步检查清单Task Progress: - [ ] Step 1: Determine data source (select Actor) - [ ] Step 2: Fetch Actor schema via mcpc - [ ] Step 3: Ask user preferences (format, filename) - [ ] Step 4: Run the monitoring script - [ ] Step 5: Summarize results适用场景When to Use该技能专门服务于以下三类任务形态需要在社交平台、旅游平台或地图平台上监控评论、评分或品牌提及任务本质是选择并运行一个 Apify Actor来完成品牌情感或声誉追踪需要导出的监控结果文件以及一份声誉信号摘要。反过来它不适用于与上述范围无关的通用爬取需求——技能自身也明确要求仅在任务与上述范围精确匹配时使用。前置条件Prerequisites运行本技能前需要准备三样东西其中.env的检查不需要预先进行脚本会在运行时自行校验并给出友好报错.env文件内含APIFY_TOKENApify API 令牌Node.js 20.6——这个版本要求非常具体只有 20.6 及以上才原生支持node --env-file.env加载环境变量这正是脚本的运行方式mcpcCLI 工具npm install -g apify/mcpc——用于在运行前动态拉取 Actor 的输入 Schema。Step 1确定数据源Actor 选型这是整个流程的决策核心。技能内置了一张覆盖 4 类平台的 Actor 对照表按用户需求 → Actor ID → 适用场景组织。选择时只需匹配我要监控哪个平台、什么类型的信号即可用户需求Actor ID适用场景Google Maps 评论compass/crawler-google-places商家评论、评分Google Maps 评论导出compass/Google-Maps-Reviews-Scraper专门的评论抓取Booking.com 酒店voyager/booking-scraper酒店数据、评分Booking.com 评论voyager/booking-reviews-scraper详细的酒店评论TripAdvisor 评论maxcopell/tripadvisor-reviews景点/餐厅评论Facebook 评论apify/facebook-reviews-scraper主页评论Facebook 评论帖子apify/facebook-comments-scraper帖子评论监控Facebook 主页指标apify/facebook-pages-scraper主页评分总览Facebook 反应apify/facebook-likes-scraper反应类型分析Instagram 评论apify/instagram-comment-scraper评论情感Instagram 话题标签apify/instagram-hashtag-scraper品牌话题监控Instagram 搜索apify/instagram-search-scraper品牌提及发现Instagram 标记帖子apify/instagram-tagged-scraper品牌标签追踪Instagram 导出apify/export-instagram-comments-posts批量评论导出Instagram 综合apify/instagram-scraper全量 Instagram 监控Instagram APIapify/instagram-api-scraper基于 API 的监控YouTube 评论streamers/youtube-comments-scraper视频评论情感TikTok 评论clockworks/tiktok-comments-scraperTikTok 情感分析选型经验跨平台评论对比如连锁品牌在多平台的口碑时优先选各平台评论专用Actor需要结构化字段全量导出时优先选带export语义的 Actor仅需观测单点信号如 Instagram 某话题热度则选对应平台的轻量 Actor 即可。Step 2通过 mcpc 动态获取 Actor Schema选中 Actor 后不要凭记忆猜输入参数——不同 Actor 的输入结构差异很大Google 商家需要searchStringsArraylocationQueryBooking 需要酒店 URL 列表TikTok 需要用户名等。技能通过 Apify 官方 MCP 端点动态拉取export $(grep APIFY_TOKEN .env | xargs) mcpc --json mcp.apify.com --header Authorization: Bearer $APIFY_TOKEN tools-call fetch-actor-details actor:ACTOR_ID | jq -r .content将ACTOR_ID替换为 Step 1 选定的 Actor例如compass/crawler-google-places。该命令会依次完成从.env导出令牌 → 通过mcpc调用 Apify MCP 的fetch-actor-details工具 → 用jq提取返回内容。返回结果包括Actor 的描述与 README必填与可选输入参数即后续--inputJSON 的依据输出字段若 Actor 提供。拿到 Schema 后--input参数就有了事实依据而不是凭空构造 JSON。Step 3确认用户偏好在真正运行前必须与用户确认两个问题避免产出与预期不符输出格式三选一Quick answer仅在对话中展示前几条结果不保存文件CSV全字段导出适合 Excel/BI 二次分析JSON全量 JSON 导出适合程序化处理。结果数量根据用例性质决定抓取深度例如品牌舆情快照 vs 季度深度报告数据量需求完全不同。Step 4运行监控脚本三种模式技能的核心执行体是位于 reference/scripts/run_actor.js 的 Node 脚本通过${CLAUDE_PLUGIN_ROOT}环境变量定位。三种模式对应三种命令形态Quick answer对话内展示不落盘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从源码看脚本的完整参数契约run_actor.js基于 Node 原生node:util的parseArgs解析参数其完整参数表与脚本--help输出一致如下参数短名类型默认值说明--actor-astring必填Actor ID如compass/crawler-google-places--input-istring必填Actor 输入JSON 字符串--output-ostring无输出文件路径不传则进入 Quick answer 模式--format-fstringcsv输出格式csv/json--timeout-tstring600最长等待秒数秒--poll-interval—string5轮询状态间隔秒--help-hboolean否打印帮助并退出一个值得注意的实现细节parseArgs配置中format、timeout、poll-interval都被声明为string类型随后在parseCliArgs()返回值中通过parseInt(...)显式转为整数——这是为了让--help在没有令牌的环境下也能工作同时保持参数校验的统一性。另外脚本要求--actor与--input均为必填缺失时直接打印帮助并exit(1)。底层 API 调用链从 Actor ID 到结果文件脚本的main()流程清晰勾勒出一条完整的 Apify REST API 调用链所有请求都携带自定义User-Agentapify-agent-skills/apify-brand-reputation-monitoring-1.1.1便于在 Apify 侧统计技能用量startActor(token, actorId, inputJson)将author/actor格式转换为 API 兼容的author~actoractorId.replace(/, ~)向POST https://api.apify.com/v2/acts/{author~actor}/runs提交输入 JSON返回{ runId, defaultDatasetId }。若收到 HTTP 404 则判定Actor 不存在。pollUntilComplete(token, runId, timeout, interval)轮询GET https://api.apify.com/v2/actor-runs/{runId}仅在状态变化时打印避免刷屏直到进入SUCCEEDED/FAILED/ABORTED/TIMED-OUT终态超过--timeout秒后强制返回TIMED-OUT。分流输出指定--output时调用downloadResults()从GET https://api.apify.com/v2/datasets/{datasetId}/items?formatjson拉取全部条目JSON 模式美化缩进写入CSV 模式以首条记录的键为表头逐行生成未指定--output时调用displayQuickAnswer()从同一数据集端点取数据在对话中打印TOP 5结果每字段截断到 100 字符并输出console.apify.com/storage/datasets/{datasetId}的完整数据入口。两个值得称道的工程细节CSV 注入防护csvCell()会检测以 -开头的单元格并前置单引号防止评论内容被解析为公式注入spreadsheet injection长文本截断CSV 模式下字符串字段超过 200 字符截断为...数组/对象字段自动JSON.stringify兼顾可读性与 Excel 兼容性。导出完成后reportSummary()还会打印记录数与文件字节大小JSON 按数组长度计数CSV 按行数减表头计数。Step 5汇总结果任务收尾时向用户报告以下声誉信号找到的评论/提及数量结果文件的位置与文件名数据中可用的关键字段如评分、评论正文、作者、时间等建议的后续动作如情感分析、按评分过滤、跨平台对比。错误处理速查技能在 SKILL.md 中给出了 5 类常见故障的处置方式与脚本源码的报错路径一一对应报错处理方式源码对应APIFY_TOKEN not found让用户创建.env并写入APIFY_TOKENyour_tokenmain()启动时校验process.env.APIFY_TOKENmcpc not found让用户执行npm install -g apify/mcpc前置 CLI不在脚本内Actor not found检查 Actor ID 拼写startActor()对 HTTP 404 的显式处理Run FAILED让用户查看报错输出中的 Apify 控制台链接main()中非SUCCEEDED状态打印console.apify.com/actors/runs/{runId}Timeout减小输入规模或调大--timeoutpollUntilComplete()的超时判定使用边界与注意事项仅当任务与技能描述的范围精确匹配时才使用评论/评分/品牌提及监控不要泛化到其他爬取需求输出结果不能替代环境专属的验证、测试或专家评审——抓取数据需结合业务上下文人工判断当必填输入、权限、安全边界或成功标准缺失时停下来向用户澄清而不是擅自假设。深入阅读技能主文档SKILL.md执行脚本含完整参数与 API 调用链reference/scripts/run_actor.js技能在目录中的元数据分类/风险/标签/触发器data/catalog.json检索apify-brand-reputation-monitoring同系列技能共享同一套run_actor.js执行框架apify-audience-analysis、apify-competitor-intelligence、apify-content-analytics、apify-lead-generation、apify-market-research、apify-trend-analysis、apify-ultimate-scraper等均位于 plugins/agentic-awesome-skills-claude/skills 目录下【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