把YouTube评论区挖成选题与产品洞察

原文要点

Muhammad Bin Zohaib在n8n发布的免费模板:粘贴公开YouTube链接,选择评论数量和相关性/时间排序,经YouTube Data API v3拉取视频标题、频道、播放量、点赞和评论串,清洗垃圾与重复评论后给有效评论挂C001式证据编号,Gemini只基于这些评论归纳反复出现的问题、抱怨、教程需求、购买意向等,区分偶发与高频,报告在n8n表单中渲染且每条结论可点回原始评论。

这次做成什么

按原模板流程手工搭建一条YouTube评论证据化分析流水线,并用本站设计的合成评论小数据集练习完整分析步骤,无需先导入模板也能验证分析提示词是否产出可回溯结论。

准备什么

• 一个可运行n8n实例(含Form、HTTP Request、Code、AI Agent、Gemini Chat节点)
• Google Cloud项目并已启用YouTube Data API v3
• 一个YouTube Data API密钥和一个Gemini API凭据
• 可选:用于练习的合成评论CSV(本站提供,不依赖真实视频)

具体怎么做

1. 创建Google API密钥

   在Google Cloud Console新建项目,于API和服务→库中启用YouTube Data API v3,再到凭据页创建API密钥;在n8n新建HTTP Query Auth凭据,参数名填key、值填该密钥,稍后挂到取视频详情和取评论两个HTTP请求节点。

2. 搭建表单与拉取节点

   用n8n Form Trigger建三个字段:视频URL、评论数量(如50)、排序(relevance或time)。之后接两个HTTP Request节点:第一个调YouTube API的videos端点取标题、频道、views、likes、commentCount;第二个调commentThreads端点,参数videoId取表单URL解析出的ID,order与maxResults取表单选项,并挂同一API密钥凭据。

3. 清洗评论并挂证据编号

   在Code节点中对每条评论:去除HTML标签、过滤长度不足(如10字符)的内容、剔除纯表情或重复文本,然后按通过顺序赋C001、C002等稳定编号,保留原文和作者链接,输出结构化数组给AI节点。

4. AI分析并渲染报告

   把编号后的评论数组交给AI Agent(挂Gemini Chat凭据),使用下方提示词,要求只基于所给评论归纳高频与偶发信号、选题和产品机会,每条结论必须引用证据编号;最后在工作流内用表单/HTML输出执行摘要、信号清单、机会清单和注意事项,编号处附原始评论链接。

5. 用合成数据离线练习

   不想等配额时,把下方合成CSV粘贴进Code节点代替API返回,跑一遍清洗+分析流程,确认输出报告每条结论都带C编号,再切回真实API。

可直接复制的材料

你是一名受众研究分析师。下面是一个YouTube视频经过清洗和编号的观众评论(JSON数组,每条含id与text)。只允许基于这些评论分析,不要引入外部知识或编造不存在的评论。

输出要求:
1. 高频信号:出现至少3次的反复问题、抱怨、功能请求、教程需求或购买意向,每条注明涉及哪些评论编号(如C003、C011),并给出一句概括。
2. 偶发信号:仅出现1到2次但值得留意的观察,同样附编号,明确标注为偶发。
3. 内容选题:基于高频信号给3条选题,每条含标题建议和一个开场钩子。
4. 产品或服务机会:最多2条,说明对应哪类评论信号及编号。
5. 注意事项:评论样本量、排序方式带来的偏差,以及无法从评论判断的内容。

任何结论都必须能回溯到具体评论编号;找不到证据就不要写。

评论数据:
{{清洗后的评论JSON}}

[
  {"id":"C001","text":"这个麦克风降噪怎么设置的?我照着做底噪还是很大"},
  {"id":"C002","text":"求出一期专门讲EQ参数的教程,视频里跳太快了"},
  {"id":"C003","text":"我用的是同一款声卡,驱动装了三遍才识别"},
  {"id":"C004","text":"主播这个声卡多少钱,有购买链接吗"},
  {"id":"C005","text":"降噪设置那段反复看了五次,还是没懂高频那个参数"},
  {"id":"C006","text":"能不能做一期手机录音的对比,不想买设备"},
  {"id":"C007","text":"底噪问题+1,Windows上尤其明显"},
  {"id":"C008","text":"视频节奏很好,已三连"},
  {"id":"C009","text":"求购买链接,预算五百以内能拿下吗"},
  {"id":"C010","text":"驱动问题我也遇到了,重装系统才解决"}
]

输入与输出示例

本站虚构演示,非模板实际运行结果;真实输出取决于评论内容与所用模型。

输入

对视频"入门声卡调试指南"按relevance排序拉取50条评论,清洗后剩10条有效评论(即上方合成数据C001到C010)。

对应输出

高频信号:①降噪/底噪设置困惑(C001、C005、C007,共3次);②驱动安装与识别问题(C003、C010,偶发偏高可列入);③购买意向与价格询问(C004、C009)。内容选题:《声卡降噪参数逐格讲清楚》钩子:"你反复看了五遍还没懂的那个参数,今天一次说透";《五百元内入门声卡怎么选》。产品机会:一份付费的降噪参数预设包,对应信号①。注意事项:样本仅10条且按相关性排序,不能代表全部观众。

做完检查这些

• 表单提交一个真实公开视频URL后能返回该视频标题和评论数,说明API密钥与Query Auth配置正确
• 清洗后每条有效评论都带C001式唯一编号,且重复文本只保留一条
• 报告中每条结论至少引用一个评论编号,编号能对应回清洗后的原始评论
• 高频与偶发信号分两栏呈现,偶发条目有明确标注

容易卡住的地方

• YouTube Data API有每日配额,评论量设太大或频繁测试会耗尽配额导致403
• 视频关闭了评论时API返回为空,需要在工作流中处理空数组而非报错中断
• Gemini免费层有速率限制,大批量评论可能需要分批或换模型
• 按time排序与relevance排序得到的样本偏差不同,报告结论不能跨排序方式直接比较