基于 Apify Actors 的跨平台内容表现分析实战指南agentic-awesome-skills 技能深度解析【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本篇技术指南围绕 agentic-awesome-skills 仓库中apify-content-analytics技能展开系统讲解如何借助 Apify Actors 采集 Instagram、Facebook、YouTube、TikTok 四个平台的帖子、Reels、短视频、广告与标签等内容的互动指标进而度量活动 ROI、识别最优内容。读完本文你将掌握该技能从 Actor 选型、Schema 获取、参数化运行到结果导出与解读的完整五步工作流并能理解其底层脚本run_actor.js的 Apify API 调用原理与错误处理机制。技能定位与适用场景apify-content-analytics是仓库中一个面向内容营销与社媒运营场景的技能其元数据定义于 SKILL.md 的 frontmatter 中名称apify-content-analytics描述跨 Instagram、Facebook、YouTube、TikTok 追踪互动指标、度量活动 ROI 并分析内容表现风险等级critical涉及外部 API 调用与数据抓取需谨慎授权来源community入库日期2026-09-04该技能在仓库的 skills_index.json 中被归类为automation类别且已声明同时支持 Claude 与 Codex 两个目标环境targets: { codex: supported, claude: supported }安装类型为none即无需额外插件装配。适用时机When to Use需要获取帖子、Reels、视频、广告或标签的互动engagement、增长growth或 ROI 指标任务要求使用 Apify Actors 跨平台收集内容表现数据需要导出分析结果并给出哪些内容表现最好的简明解读。环境准备技能文档明确列出的前置条件如下运行前无需预先反复检查遇到缺失时按错误处理章节修复即可依赖要求说明.env文件包含APIFY_TOKEN从 Apify 控制台获取的 API 令牌Node.js20.6需原生支持--env-file标志mcpcCLInpm install -g apify/mcpc用于动态拉取 Actor 的输入 Schema其中Node.js 20.6 的门槛直接对应仓库脚本的启动方式run_actor.js通过node --env-file.env读取环境变量见下文源码分析这也是脚本中process.env.APIFY_TOKEN能取到令牌的前提。核心工作流五步内容分析流程技能文档给出了一个可复制的任务清单全程按以下进度跟踪Task Progress: - [ ] Step 1: Identify content analytics type (select Actor) - [ ] Step 2: Fetch Actor schema via mcpc - [ ] Step 3: Ask user preferences (format, filename) - [ ] Step 4: Run the analytics script - [ ] Step 5: Summarize findingsStep 1识别分析类型并选择 Actor根据用户需求匹配最合适的 Apify Actor原文给出的完整映射表如下User NeedActor IDBest ForPost engagement metricsapify/instagram-post-scraperPost performanceReel performanceapify/instagram-reel-scraperReel analyticsFollower growth trackingapify/instagram-followers-count-scraperGrowth metricsComment engagementapify/instagram-comment-scraperComment analysisHashtag performanceapify/instagram-hashtag-scraperBranded hashtagsMention trackingapify/instagram-tagged-scraperTag trackingComprehensive metricsapify/instagram-scraperFull dataAPI-based analyticsapify/instagram-api-scraperAPI accessFacebook post performanceapify/facebook-posts-scraperPost metricsReaction analysisapify/facebook-likes-scraperEngagement typesFacebook Reels metricsapify/facebook-reels-scraperReels performanceAd performance trackingapify/facebook-ads-scraperAd analyticsFacebook comment analysisapify/facebook-comments-scraperComment engagementPage performance auditapify/facebook-pages-scraperPage metricsYouTube video metricsstreamers/youtube-scraperVideo performanceYouTube Shorts analyticsstreamers/youtube-shorts-scraperShorts performanceTikTok content metricsclockworks/tiktok-scraperTikTok analytics选型要点Instagram 系 Actor 覆盖帖子、Reels、粉丝增长、评论、标签与提及等细粒度场景Facebook 系侧重帖子、点赞、Reels、广告与页面审计YouTube 与 TikTok 各有一个聚合型 Actor。若用户需求模糊优先选择Comprehensive metrics对应的apify/instagram-scraper获取全量数据。Step 2通过 mcpc 动态拉取 Actor Schema不要凭记忆猜测输入参数而是用mcpc实时获取指定 Actor 的输入结构export $(grep APIFY_TOKEN .env | xargs) mcpc --json mcp.apify.com --header Authorization: Bearer $APIFY_TOKEN tools-call fetch-actor-details actor:ACTOR_ID | jq -r .content将ACTOR_ID替换为上一步选中的 Actor例如apify/instagram-post-scraper。该命令返回三类关键信息Actor 的描述与 README必填与可选输入参数输入 Schema输出字段定义若可用。这一步是保证后续--inputJSON 参数正确性的关键可避免因参数名拼写错误导致的Run FAILED。Step 3确认用户偏好运行前必须向用户确认两个维度输出格式Output formatQuick answer直接在对话中展示前几条结果不落盘文件CSV导出包含全部字段的完整表格JSON以 JSON 格式导出全量数据。结果数量Number of results依据具体用例的字符与数据规模合理设置抓取量。Step 4运行分析脚本根据上一步选定的格式使用run_actor.js执行三种模式之一${CLAUDE_PLUGIN_ROOT}为运行时注入的插件根目录变量Quick answer仅对话展示不保存文件node --env-file.env ${CLAUDE_PLUGIN_ROOT}/reference/scripts/run_actor.js \ --actor ACTOR_ID \ --input JSON_INPUT导出 CSVnode --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 csv导出 JSONnode --env-file.env ${CLAUDE_PLUGIN_ROOT}/reference/scripts/run_actor.js \ --actor ACTOR_ID \ --input JSON_INPUT \ --output YYYY-MM-DD_OUTPUT_FILE.json \ --format json建议文件名采用YYYY-MM-DD_日期前缀如2026-09-20_instagram_posts.csv便于后续归档与对比分析。Step 5汇总发现并输出结论运行结束后向用户报告以下四项分析的内容条数Number of content pieces analyzed输出文件的位置与名称若为导出模式关键表现洞察Key performance insights如互动率最高的内容、增长趋势、ROI 表现建议的下一步动作更深入的分析或内容优化方向。底层原理run_actor.js 源码级解析该技能配套的 reference/scripts/run_actor.js 是约 360 行的纯 Node.js 脚本完整实现了从启动 Actor到拉取结果的闭环。以下结合源码逐段拆解其工作机理。CLI 参数解析脚本基于node:util的parseArgs实现参数解析支持的完整参数如下参数短名类型默认值说明--actor-astring无必填Actor ID如apify/instagram-post-scraper--input-istring无必填Actor 输入JSON 字符串--output-ostring无输出文件路径缺省时进入 Quick answer 模式--format-fstringcsv输出格式csv或json--timeout-tstring600最大等待秒数--poll-interval-string5两次状态轮询的间隔秒数--help-hboolean-打印帮助信息校验规则--actor与--input缺失时脚本直接报错退出exit 1--help优先于令牌检查处理保证无 Token 也能查看帮助。启动 Actor 运行startActor(token, actorId, inputJson)函数完成了两件事Actor ID 格式转换将author/actor形式转换为 Apify API 要求的author~actor形式actorId.replace(/, ~)发起运行请求向https://api.apify.com/v2/acts/${apiActorId}/runs?token...发送 POSTbody 为解析后的输入 JSON请求头携带Content-Type: application/json与技能标识 User-Agentapify-agent-skills/apify-content-analytics-1.0.0该 UA 用于在 Apify 后台统计技能使用情况。响应中提取两个关键 IDrunId运行 ID与datasetId默认数据集 ID后续拉取结果用。特别地HTTP 404 被显式映射为Actor xxx not found错误对应技能文档错误处理表中的检查 Actor ID 拼写。状态轮询pollUntilComplete(token, runId, timeout, interval)以固定间隔轮询https://api.apify.com/v2/actor-runs/${runId}仅在状态发生变化时打印Status: RUNNING→Status: SUCCEEDED避免刷屏命中终态SUCCEEDED/FAILED/ABORTED/TIMED-OUT即返回超过--timeout秒仍未结束则打印告警并返回TIMED-OUT。结果导出downloadResults从https://api.apify.com/v2/datasets/${datasetId}/items?formatjson拉取全量数据按格式分支处理JSON 模式JSON.stringify(data, null, 2)美化写入文件CSV 模式以首条记录的字段名为表头逐行写出。其中两个实现细节值得注意CSV 注入防护csvCell对以 -等字符开头的单元格值自动添加前缀防止公式注入类安全问题长文本截断超过 200 字符的字符串被截断并追加...对象/数组字段序列化为 JSON 字符串后写入保证表格可读性。Quick Answer 模式未指定--output时displayQuickAnswer从数据集拉取结果并打印分隔线包裹的TOP 5 RESULTS (of N total)摘要逐条展示前 5 条记录的键值字符串超过 100 字符截断对象/数组序列化后同样截断末尾输出 Apify 控制台完整数据地址https://console.apify.com/storage/datasets/${datasetId}供深度浏览。汇总报告与主流程导出文件后reportSummary通过statSync统计文件字节数并分别按 JSON数组长度与 CSV行数减表头两种方式统计记录数。主流程main()的顺序为解析参数 → 校验APIFY_TOKEN缺失时提示去https://console.apify.com/account/integrations获取→ 启动运行并打印 Run ID / Dataset ID → 轮询至终态 → 非 SUCCEEDED 则打印 Apify 运行详情链接并退出 → 按输出模式分发。整个流程均以process.exit(1)作为错误出口便于外部脚本捕获失败。错误处理速查技能文档给出的错误诊断表如下按出现频率覆盖了最常见的问题错误信息处理方式APIFY_TOKEN not found让用户创建.env并写入APIFY_TOKENyour_tokenmcpc not found让用户执行npm install -g apify/mcpcActor not found检查 Actor ID 拼写Run FAILED提示用户查看错误输出中的 Apify 控制台运行链接定位失败原因Timeout减小输入规模减少抓取数量或通过--timeout提高等待上限从源码角度补充APIFY_TOKEN not found对应main()中process.env.APIFY_TOKEN为空的分支Timeout对应pollUntilComplete中超时返回TIMED-OUT后主流程判定status ! SUCCEEDED的分支。--timeout的单位为秒与--poll-interval轮询间隔配合使用例如对耗时长的大规模抓取可调整为--timeout 1800 --poll-interval 10。局限性与使用边界技能文档明确要求使用者遵守以下边界仅在任务明确匹配上述范围时使用本技能专用于跨平台内容表现分析不适用于其他抓取或分析需求输出不可替代专业验证抓取结果不能替代针对具体环境的验证、测试或专家评审尤其是涉及广告 ROI 与合规场景时必要时停下来澄清当必填输入、权限、安全边界或成功标准缺失时应先向用户确认再继续避免在信息不全的情况下运行高成本抓取任务。此外由于该技能风险等级为critical实际使用时建议在受控环境如本地开发机或专用沙箱中运行并妥善保管.env中的APIFY_TOKEN避免令牌泄露。小结apify-content-analytics技能将跨平台内容表现分析这一高频营销需求沉淀为可复用的五步流程选 Actor → 拉 Schema → 定偏好 → 跑脚本 → 出结论。配合 run_actor.js 脚本开发者无需手写任何 Apify API 调用代码即可在几十秒内完成一次从数据抓取、状态轮询到 CSV/JSON 导出或对话摘要的完整分析任务。理解其底层 API 调用链与错误分支能帮助你在遇到超时、失败与数据格式问题时快速定位根因。【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 1:31:15 · 阅读 1.2k 基于 Apify Actors 的跨平台内容表现分析实战指南（agentic-awesome-skills 技能深度解析）
基于 Apify Actors 的跨平台内容表现分析实战指南agentic-awesome-skills 技能深度解析【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本篇技术指南围绕 agentic-awesome-skills 仓库中apify-content-analytics技能展开系统讲解如何借助 Apify Actors 采集 Instagram、Facebook、YouTube、TikTok 四个平台的帖子、Reels、短视频、广告与标签等内容的互动指标进而度量活动 ROI、识别最优内容。读完本文你将掌握该技能从 Actor 选型、Schema 获取、参数化运行到结果导出与解读的完整五步工作流并能理解其底层脚本run_actor.js的 Apify API 调用原理与错误处理机制。技能定位与适用场景apify-content-analytics是仓库中一个面向内容营销与社媒运营场景的技能其元数据定义于 SKILL.md 的 frontmatter 中名称apify-content-analytics描述跨 Instagram、Facebook、YouTube、TikTok 追踪互动指标、度量活动 ROI 并分析内容表现风险等级critical涉及外部 API 调用与数据抓取需谨慎授权来源community入库日期2026-09-04该技能在仓库的 skills_index.json 中被归类为automation类别且已声明同时支持 Claude 与 Codex 两个目标环境targets: { codex: supported, claude: supported }安装类型为none即无需额外插件装配。适用时机When to Use需要获取帖子、Reels、视频、广告或标签的互动engagement、增长growth或 ROI 指标任务要求使用 Apify Actors 跨平台收集内容表现数据需要导出分析结果并给出哪些内容表现最好的简明解读。环境准备技能文档明确列出的前置条件如下运行前无需预先反复检查遇到缺失时按错误处理章节修复即可依赖要求说明.env文件包含APIFY_TOKEN从 Apify 控制台获取的 API 令牌Node.js20.6需原生支持--env-file标志mcpcCLInpm install -g apify/mcpc用于动态拉取 Actor 的输入 Schema其中Node.js 20.6 的门槛直接对应仓库脚本的启动方式run_actor.js通过node --env-file.env读取环境变量见下文源码分析这也是脚本中process.env.APIFY_TOKEN能取到令牌的前提。核心工作流五步内容分析流程技能文档给出了一个可复制的任务清单全程按以下进度跟踪Task Progress: - [ ] Step 1: Identify content analytics type (select Actor) - [ ] Step 2: Fetch Actor schema via mcpc - [ ] Step 3: Ask user preferences (format, filename) - [ ] Step 4: Run the analytics script - [ ] Step 5: Summarize findingsStep 1识别分析类型并选择 Actor根据用户需求匹配最合适的 Apify Actor原文给出的完整映射表如下User NeedActor IDBest ForPost engagement metricsapify/instagram-post-scraperPost performanceReel performanceapify/instagram-reel-scraperReel analyticsFollower growth trackingapify/instagram-followers-count-scraperGrowth metricsComment engagementapify/instagram-comment-scraperComment analysisHashtag performanceapify/instagram-hashtag-scraperBranded hashtagsMention trackingapify/instagram-tagged-scraperTag trackingComprehensive metricsapify/instagram-scraperFull dataAPI-based analyticsapify/instagram-api-scraperAPI accessFacebook post performanceapify/facebook-posts-scraperPost metricsReaction analysisapify/facebook-likes-scraperEngagement typesFacebook Reels metricsapify/facebook-reels-scraperReels performanceAd performance trackingapify/facebook-ads-scraperAd analyticsFacebook comment analysisapify/facebook-comments-scraperComment engagementPage performance auditapify/facebook-pages-scraperPage metricsYouTube video metricsstreamers/youtube-scraperVideo performanceYouTube Shorts analyticsstreamers/youtube-shorts-scraperShorts performanceTikTok content metricsclockworks/tiktok-scraperTikTok analytics选型要点Instagram 系 Actor 覆盖帖子、Reels、粉丝增长、评论、标签与提及等细粒度场景Facebook 系侧重帖子、点赞、Reels、广告与页面审计YouTube 与 TikTok 各有一个聚合型 Actor。若用户需求模糊优先选择Comprehensive metrics对应的apify/instagram-scraper获取全量数据。Step 2通过 mcpc 动态拉取 Actor Schema不要凭记忆猜测输入参数而是用mcpc实时获取指定 Actor 的输入结构export $(grep APIFY_TOKEN .env | xargs) mcpc --json mcp.apify.com --header Authorization: Bearer $APIFY_TOKEN tools-call fetch-actor-details actor:ACTOR_ID | jq -r .content将ACTOR_ID替换为上一步选中的 Actor例如apify/instagram-post-scraper。该命令返回三类关键信息Actor 的描述与 README必填与可选输入参数输入 Schema输出字段定义若可用。这一步是保证后续--inputJSON 参数正确性的关键可避免因参数名拼写错误导致的Run FAILED。Step 3确认用户偏好运行前必须向用户确认两个维度输出格式Output formatQuick answer直接在对话中展示前几条结果不落盘文件CSV导出包含全部字段的完整表格JSON以 JSON 格式导出全量数据。结果数量Number of results依据具体用例的字符与数据规模合理设置抓取量。Step 4运行分析脚本根据上一步选定的格式使用run_actor.js执行三种模式之一${CLAUDE_PLUGIN_ROOT}为运行时注入的插件根目录变量Quick answer仅对话展示不保存文件node --env-file.env ${CLAUDE_PLUGIN_ROOT}/reference/scripts/run_actor.js \ --actor ACTOR_ID \ --input JSON_INPUT导出 CSVnode --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 csv导出 JSONnode --env-file.env ${CLAUDE_PLUGIN_ROOT}/reference/scripts/run_actor.js \ --actor ACTOR_ID \ --input JSON_INPUT \ --output YYYY-MM-DD_OUTPUT_FILE.json \ --format json建议文件名采用YYYY-MM-DD_日期前缀如2026-09-20_instagram_posts.csv便于后续归档与对比分析。Step 5汇总发现并输出结论运行结束后向用户报告以下四项分析的内容条数Number of content pieces analyzed输出文件的位置与名称若为导出模式关键表现洞察Key performance insights如互动率最高的内容、增长趋势、ROI 表现建议的下一步动作更深入的分析或内容优化方向。底层原理run_actor.js 源码级解析该技能配套的 reference/scripts/run_actor.js 是约 360 行的纯 Node.js 脚本完整实现了从启动 Actor到拉取结果的闭环。以下结合源码逐段拆解其工作机理。CLI 参数解析脚本基于node:util的parseArgs实现参数解析支持的完整参数如下参数短名类型默认值说明--actor-astring无必填Actor ID如apify/instagram-post-scraper--input-istring无必填Actor 输入JSON 字符串--output-ostring无输出文件路径缺省时进入 Quick answer 模式--format-fstringcsv输出格式csv或json--timeout-tstring600最大等待秒数--poll-interval-string5两次状态轮询的间隔秒数--help-hboolean-打印帮助信息校验规则--actor与--input缺失时脚本直接报错退出exit 1--help优先于令牌检查处理保证无 Token 也能查看帮助。启动 Actor 运行startActor(token, actorId, inputJson)函数完成了两件事Actor ID 格式转换将author/actor形式转换为 Apify API 要求的author~actor形式actorId.replace(/, ~)发起运行请求向https://api.apify.com/v2/acts/${apiActorId}/runs?token...发送 POSTbody 为解析后的输入 JSON请求头携带Content-Type: application/json与技能标识 User-Agentapify-agent-skills/apify-content-analytics-1.0.0该 UA 用于在 Apify 后台统计技能使用情况。响应中提取两个关键 IDrunId运行 ID与datasetId默认数据集 ID后续拉取结果用。特别地HTTP 404 被显式映射为Actor xxx not found错误对应技能文档错误处理表中的检查 Actor ID 拼写。状态轮询pollUntilComplete(token, runId, timeout, interval)以固定间隔轮询https://api.apify.com/v2/actor-runs/${runId}仅在状态发生变化时打印Status: RUNNING→Status: SUCCEEDED避免刷屏命中终态SUCCEEDED/FAILED/ABORTED/TIMED-OUT即返回超过--timeout秒仍未结束则打印告警并返回TIMED-OUT。结果导出downloadResults从https://api.apify.com/v2/datasets/${datasetId}/items?formatjson拉取全量数据按格式分支处理JSON 模式JSON.stringify(data, null, 2)美化写入文件CSV 模式以首条记录的字段名为表头逐行写出。其中两个实现细节值得注意CSV 注入防护csvCell对以 -等字符开头的单元格值自动添加前缀防止公式注入类安全问题长文本截断超过 200 字符的字符串被截断并追加...对象/数组字段序列化为 JSON 字符串后写入保证表格可读性。Quick Answer 模式未指定--output时displayQuickAnswer从数据集拉取结果并打印分隔线包裹的TOP 5 RESULTS (of N total)摘要逐条展示前 5 条记录的键值字符串超过 100 字符截断对象/数组序列化后同样截断末尾输出 Apify 控制台完整数据地址https://console.apify.com/storage/datasets/${datasetId}供深度浏览。汇总报告与主流程导出文件后reportSummary通过statSync统计文件字节数并分别按 JSON数组长度与 CSV行数减表头两种方式统计记录数。主流程main()的顺序为解析参数 → 校验APIFY_TOKEN缺失时提示去https://console.apify.com/account/integrations获取→ 启动运行并打印 Run ID / Dataset ID → 轮询至终态 → 非 SUCCEEDED 则打印 Apify 运行详情链接并退出 → 按输出模式分发。整个流程均以process.exit(1)作为错误出口便于外部脚本捕获失败。错误处理速查技能文档给出的错误诊断表如下按出现频率覆盖了最常见的问题错误信息处理方式APIFY_TOKEN not found让用户创建.env并写入APIFY_TOKENyour_tokenmcpc not found让用户执行npm install -g apify/mcpcActor not found检查 Actor ID 拼写Run FAILED提示用户查看错误输出中的 Apify 控制台运行链接定位失败原因Timeout减小输入规模减少抓取数量或通过--timeout提高等待上限从源码角度补充APIFY_TOKEN not found对应main()中process.env.APIFY_TOKEN为空的分支Timeout对应pollUntilComplete中超时返回TIMED-OUT后主流程判定status ! SUCCEEDED的分支。--timeout的单位为秒与--poll-interval轮询间隔配合使用例如对耗时长的大规模抓取可调整为--timeout 1800 --poll-interval 10。局限性与使用边界技能文档明确要求使用者遵守以下边界仅在任务明确匹配上述范围时使用本技能专用于跨平台内容表现分析不适用于其他抓取或分析需求输出不可替代专业验证抓取结果不能替代针对具体环境的验证、测试或专家评审尤其是涉及广告 ROI 与合规场景时必要时停下来澄清当必填输入、权限、安全边界或成功标准缺失时应先向用户确认再继续避免在信息不全的情况下运行高成本抓取任务。此外由于该技能风险等级为critical实际使用时建议在受控环境如本地开发机或专用沙箱中运行并妥善保管.env中的APIFY_TOKEN避免令牌泄露。小结apify-content-analytics技能将跨平台内容表现分析这一高频营销需求沉淀为可复用的五步流程选 Actor → 拉 Schema → 定偏好 → 跑脚本 → 出结论。配合 run_actor.js 脚本开发者无需手写任何 Apify API 调用代码即可在几十秒内完成一次从数据抓取、状态轮询到 CSV/JSON 导出或对话摘要的完整分析任务。理解其底层 API 调用链与错误分支能帮助你在遇到超时、失败与数据格式问题时快速定位根因。【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