企业官网建设流程全解析

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"）：

1. 项目根目录存在.env文件，其中包含APIFY_TOKEN=your_token；
2. Node.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；
3. 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_TOKEN=your_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：

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：

1. 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 CSV；
   • JSON—— 全量数据导出为 JSON。
2. 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_INPUT'

CSV 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 csv

JSON 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：

--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：

1. 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。
2. 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）。
3. 结果处理分支：
   • 有--output时调用downloadResults：JSON 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）。
4. 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：

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-L331，404 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