Twitter Intel — 关键词搜索与趋势监控

按关键词搜索 Twitter，采集高互动推文，分析时间维度上的趋势变化，并生成结构化报告。底层由 rnet_twitter.py 提供 GraphQL 搜索能力（无需浏览器自动化）。

架构设计

阶段 1：按需搜索（用户触发）
  用户输入 “search OpenAI on twitter” → 执行搜索 → 过滤结果 → 生成报告

阶段 2：关键词监控（定时任务驱动）
  配置文件定义关键词 → 定时执行搜索 → 与上一次运行结果比对 → 发现新增高互动推文即触发告警

阶段 3：趋势分析（按需或每周执行）
  聚合已保存的搜索结果 → 按周分组 → 检测话题演变 → 生成叙述性分析报告

前置依赖

# 安装 rnet（支持 TLS 指纹模拟的 Rust HTTP 客户端）
pip install "rnet>=3.0.0rc20" --pre

# 必需文件：
# 1. rnet_twitter.py — 轻量级异步 Twitter GraphQL 客户端
#    获取地址：https://github.com/PHY041/rnet-twitter-client
# 2. twitter_cookies.json — 你的认证 cookies
#    格式示例：[{"name": "auth_token", "value": "..."}, {"name": "ct0", "value": "..."}]
#    获取方式：Chrome DevTools → Application → Cookies → x.com
#    Cookies 有效期约 2 周；若遇到 403 错误，请及时刷新。

请将环境变量 TWITTER_COOKIES_PATH 设置为你本地 cookies 文件的路径。

阶段 1：按需搜索

当用户输入类似 “search [keyword] on twitter”、“twitter intel [topic]” 或 “find tweets about [X]” 时触发：

步骤 1 — 执行搜索

import asyncio, os
from rnet_twitter import RnetTwitterClient

async def search(query, count=200):
    client = RnetTwitterClient()
    cookies_path = os.environ.get("TWITTER_COOKIES_PATH", "twitter_cookies.json")
    client.load_cookies(cookies_path)
    tweets = await client.search_tweets(query, count=count, product="Top")
    return tweets

搜索模式说明：

常用 Twitter 搜索操作符：

步骤 2 — 过滤与增强

原始搜索完成后，进一步筛选高质量推文：

filtered = [
    t for t in tweets
    if keyword.lower() in t["text"].lower()
    and (t["favorite_count"] >= 10 or t["retweet_count"] >= 5)
    and not t["is_reply"]
]

步骤 3 — 生成报告

输出结构化摘要：

## Twitter Intel: [keyword]
**时间范围：** [date range] | **共发现推文：** N | **过滤后保留：** N

### 互动最高的推文（按互动量排序）
1. @author（X 点赞，Y 转发，Z 展示量）— 发布时间
   “推文正文……”
   [链接]

### 核心话题
- 话题 1：[描述]（N 条推文）
- 话题 2：[描述]（N 条推文）

### 重要作者
| 作者 | 粉丝数 | 本批次推文数 | 总互动量 |

阶段 2：关键词监控（Cron 定时任务）

配置文件

{
  "monitors": [
    {
      "id": "my-product-en",
      "query": "MyProduct lang:en -filter:replies",
      "product": "Top",
      "count": 100,
      "min_likes": 10,
      "alert_threshold": 100,
      "enabled": true
    }
  ]
}

状态文件

{
  "my-product-en": {
    "last_run": "2026-02-24T12:00:00Z",
    "last_tweet_ids": ["id1", "id2"],
    "total_collected": 450
  }
}

Cron 工作流

1. 读取配置文件 → 遍历所有启用的监控项
2. 对每个监控项：
   • 调用 search_tweets(query, count, product) 执行搜索
   • 依据 min_likes 进行初步过滤
   • 与状态文件中的 last_tweet_ids 对比 → 仅提取新增推文
   • 若任意新增推文的 favorite_count >= alert_threshold → 立即发出告警
   • 将所有新增推文写入当日文件：{monitor_id}/YYYY-MM-DD.json
   • 更新状态文件
3. 如有值得关注的新推文，则发送汇总通知

阶段 3：趋势分析

当用户输入 “analyze twitter trend for [keyword]” 或 “twitter trend report” 时触发：

1. 加载指定 {monitor_id}/ 目录下所有已保存的每日 JSON 文件
2. 将推文按自然周进行分组
3. 对每一周，提取以下信息：
   • 该周推文总数 + 总互动量
   • 点赞数 Top 5 的推文
   • 主导性话题（使用 LLM 自动归类）
   • 新出现的重要作者
   • 情感倾向变化
4. 逐周生成连贯的叙事性分析报告

命令对照表

技术备注

• SearchTimeline 接口必须使用 POST 请求（GET 将返回 404）—— 此逻辑已由 rnet_twitter.py 内部封装处理
• GraphQL 查询 ID 会定期轮换—— 若搜索返回 404，请重新从 https://abs.twimg.com/responsive-web/client-web/main.*.js 中提取最新 ID
• 速率限制：约 300 次请求 / 15 分钟窗口。每页返回约 20 条推文，获取 200 条推文需约 10 次请求；因此每 4 小时运行一次 cron 是安全的。
• Cookies 有效期：auth_token 约 2 周过期。请留意 403 错误并及时刷新。