YouTube频道数据采集与趋势分析

VS Code已经打开。左侧文件浏览器里有一个名为「YouTube Analysis」的项目文件夹，空空如也，等着被填满。右侧是Claude Code的对话窗口，光标一闪一闪。我们要从这个空文件夹出发，搭建一套自动化系统：采集YouTube频道数据、分析趋势、生成专业报告，再通过邮件发送出去。

这一章把前面讲过的MCP、技能、GWS命令行方式、WAT框架，放进同一条工作流里走一遍。

项目初始化

第一件事是把claude.md文件放进项目里。这个文件相当于智能体的系统提示词（System Prompt），告诉智能体WAT框架的三层结构：工作流、智能体、工具。

文件放好之后，在Claude Code里说「请根据这个claude.md文件初始化项目」。智能体会创建temp、tools、workflows文件夹，配置好.env和.gitignore。项目骨架就搭起来了。

在计划模式下传达需求

切换到计划模式。这个步骤的重要性在前面几章已经反复说过，这里直接进入实操。

「我想做一个自动化工具，大规模抓取AI和AI自动化领域的YouTube视频与频道数据。我需要知道哪些视频正在走红、哪些内容表现好、AI行业整体氛围如何，这样才能做出更多人想看的内容。请告诉我怎么获取这些数据，帮我调研一下可用的API或MCP服务器，看看有没有现成的技能可以用。调研结束后，请生成一份幻灯片报告，要有图表、图片和专业的视觉设计。做好之后用Gmail发给我。」

这段话故意写成「脑中倾倒（brain dump）」的样子，不是打磨好的需求文档。计划模式的威力恰恰在这里发挥出来。

智能体的调研与提问

智能体不只是坐在那里思考。它会执行网络搜索，调研YouTube数据采集方法和MCP服务器的用法，然后抛回一连串问题。

逐一回答这些问题：频道靠自动发现、频率设为每周、需要写入Google Sheets、邮件发到自己的Gmail。这些答案一项项填满了需求文档里的空白。

[图20-1] 计划模式下智能体抛出问题并收集回答的界面截图]

制定执行计划

智能体给出的计划规模不小，打算创建7个Python工具。

1. fetch_youtube_data.py，采集YouTube数据 2. analyze_youtube_data.py，分析采集到的数据 3. generate_charts.py，生成图表图片 4. generate_slides.py，组装幻灯片 5. send_email_report.py，发送邮件报告 6.

export_sheets.py，导出到Google Sheets 7. discover_channels.py，自动发现AI频道

工作流命名为youtube_weekly_report。它充当指挥者，按顺序调用这7个工具。

批准计划后，智能体会列出待办清单，逐项执行。这段时间你可以在另一块屏幕上做别的事，偶尔切过来看看进度就好。

安装依赖与配置API密钥

工具创建完毕后，智能体会提示下一步操作。

API密钥存在.env文件里。跟智能体说「请安装依赖，YouTube API密钥我自己来拿」就行。把API密钥交给Claude Code时，确认它只写入.env文件。

OAuth认证需要在Google Cloud项目中启用YouTube Data API、Gmail API和Google Sheets API。操作步骤和第19章讲GWS命令行方式时一样。

首次验证运行

全部配置完成后，智能体会自行跑一遍流水线做验证。结果如下。

[图20-2] 首次验证运行结果摘要，展示采集到的数据规模]

自动生成幻灯片

打开邮箱里收到的报告。标题是「AI Automation YouTube Analytics」，这是一份周报。

邮件正文

追踪30个频道、分析187条视频，这两个核心数字放在最上方。本周热门视频列表和内容创作建议写在正文里。

PowerPoint幻灯片的构成

打开附件里的PowerPoint文件，会看到以下这些幻灯片。

[图20-3] 自动生成的PowerPoint幻灯片截图]

Google Sheets的数据结构

报告发出的同时，数据也会写入Google Sheets。表格里有3个标签页。

频道统计（Channel Stats）：记录频道ID、频道名称、订阅数、总观看量、视频数，按日期排列。每周运行一次就多一行，可以追踪频道随时间的增长轨迹。

热门视频（Top Videos）：包含视频ID、标题、频道名称、观看量、点赞数、评论数、互动率、发布后天数。把互动率和发布天数放在一起看，就能准确找到「正在起势」的视频。

周报汇总（Weekly Summary）：运行日期、追踪频道数、分析视频数、中位观看量、中位互动分数、热门关键词，一行写完。周报数据积累起来之后，行业趋势的变化一目了然。

转为PDF报告

如果不想用PowerPoint，想要一份带品牌设计的PDF报告，可以用Canvas Design技能。在Claude Code模板网站上找到这个技能并安装。把安装命令贴进Claude Code，.claude/skills文件夹里就会生成技能文件和字体。

「我刚装好Canvas Design技能。请不要再生成PowerPoint，改用这个技能做PDF报告。做得专业一些、好看一些。项目文件夹里有一张logo的PNG文件，每一页都要放上去。」

智能体会把原来的generate_slides.py替换成新的PDF生成工具，更新工作流文件。邮件发送工具的附件格式也从PowerPoint改为PDF。

第一次生成PDF时可能会出问题：只有封面和末页，中间的图表页全丢了。这时候用自然语言告诉智能体。

「PDF只有两页，封面和末页在，但图表全没了。」

智能体找到了问题根源，修正了工具，更新了工作流，然后重新生成了一份9页的完整PDF。Logo出现在顶部，日期清晰标注，所有图表和建议一应俱全。

[图20-4] 应用品牌设计后的PDF报告完成画面]

Gmail联动：报告自动发送

工作流的末尾一步，是将完成的报告通过Gmail发送出去。

邮件发送工具的构成

send_email_report.py工具负责处理以下几个环节。

它通过GWS命令行方式调用Gmail API，不需要另外配置SMTP或设置应用专用密码。只要OAuth认证已完成，一行gws命令就能把邮件发出去。

同步更新Google Sheets

邮件发送的同时，数据也会写入Google Sheets。你不需要手动创建表格。智能体会新建一个表格，或者在已有表格中添加标签页，设定列结构（Schema），再填入数据。每周执行时自动追加新行，时间序列数据就这样自然积累起来。

验证与优化

工作流做完了，并不意味着可以直接上线。验证和优化这一步还没走完。

迭代改进的实际过程

第一次运行就一切完美，这种情况少之又少。YouTube分析工作流同样经历了多轮修改。

每发现一个问题，用自然语言告诉智能体就行，它会自己排查原因并修复。修复内容会反映到工具文件和工作流文件中，下次运行时同样的问题就不会再出现。

安全审查

部署之前，安全审查是必须做的。

「请做一下安全审查。检查一下有没有API密钥泄露，有没有安全漏洞。」

智能体会审查全部代码，逐项检查以下内容。

即使安全审查中发现了需要关注的条目，也不一定意味着真的存在漏洞。如果智能体报告「有3个需关注的条目，但所有密钥都已安全管理」，就可以继续推进部署。

[图20-5] 安全审查结果汇总画面]

部署：借助Modal实现定时执行

要让工作流按周定时运行，就需要部署到云端。这里用到的是Modal这个AI基础设施平台。Modal只在自动化任务实际运行时才计费，成本效率很高，还提供免费额度。

部署过程是这样的。

「我想把YouTube分析工作流部署到Modal上，请设置为每周一早上6点自动执行。」

智能体会按顺序完成以下操作。

1. 更新脚本中的环境变量路径 2. 生成Modal部署文件 3. 配置Cron定时任务 4. 将API密钥和认证凭据注册为Modal Secret 5. 执行部署并验证

部署完成后，可以在Modal控制台上确认应用状态。先用手动触发（manual trigger）再验证一次，确认正常运行后，再激活定时触发器。

部署后的运维

前面章节提到过一个重要区分，这里再强调一次：被部署的是工作流和工具，智能体本身不会被部署。所以，已部署的工作流在运行中遇到新错误时，不会自我修复。

运维的流程是这样的。

1. 在Modal上查看执行日志 2. 发现错误时切回Claude Code 3. 在本地修改并测试工作流 4. 将修改后的版本重新部署到Modal

工作流稳定之后，这个周期会逐渐缩短。初期可能每周需要检查一到两次，但随着边界情况逐一解决，最终只靠自动执行就够了。

整体架构总览

下面把YouTube分析工作流的完整结构做一个全景梳理。

[claude.md 系统提示词] │ ▼ [工作流: youtube_weekly_report.md] │ ├── discover_channels.py ─── YouTube Data API ├── fetch_youtube_data.py ─── YouTube Data API ├── analyze_youtube_data.py ├── generate_charts.py ├── generate_pdf_report.py ─── Canvas Design技能 ├── export_sheets.py ─── GWS CLI → Google Sheets └── send_email_report.py ─── GWS CLI → Gmail

[图20-6] YouTube分析工作流的整体架构示意图]

MCP（Firecrawl）、API（YouTube Data）、命令行方式（GWS）、技能（Canvas Design），以及WAT框架，在同一个工作流中有机地结合在一起。串联这一切的，只是自然语言对话。

从一个空文件夹起步，到每周YouTube趋势报告自动出现在邮箱里，我们走完了全部流程。从一条提示词出发，与智能体一问一答，造出了7个工具和1个工作流，经过验证、修改，最终部署上线。

这个过程中获得的感觉，用自然语言描述目标、回答智能体的提问、确认产出并提出修改意见的节奏，今后无论构建哪种类型的自动化，都同样适用。

人工智能专家 金京镇律师

AI法律政策专家 · 前国会议员 · 著作等身

如果这本书曾在你身边停留过片刻，请支持我们，让下一个故事也能与世界见面。

（自愿赞助账户：韩国农协银行 302-1096-0948-81 户名：金京镇）