用大模型做 YouTube 频道调研：
什么样的开发者视频会火？

在这个频道最新的 50 个视频中，哪些主题、形式、时长和标题与更高的播放量相关？

这些视频发布了 2 到 187 天，时长都在约 4½ 到 11½ 分钟之间，播放量中位数为 107 万。

claude-sonnet-5.5 在一次调用中读完每个视频的标题和字幕，标出主题（AI 模型与工具、AI 商业、安全事件、Web 框架……）、形式（每周新闻、讲解、对比、观点），以及开头几句话如何抓住注意力，并原样摘录开场白（代码核对了全部 50 条）。这一次覆盖 50 份字幕的调用占了大部分费用：$0.34。其余的都由代码完成。

比较发布至少两周的 44 个视频的播放量中位数，规律看起来很清楚：

这是一份整整齐齐的简报：做 AI 视频，标题里放个数字，时长稍微拉长一点。在动笔之前，我们又检查了一件事。

这个频道在九月起飞了。 5 月到 8 月，它每月的播放量中位数在 0.8 到 90 万之间，而 9 月发布的 12 个视频中位数是 217 万。在全部 44 个视频中，越新的视频播放量反而越高，而不是越低：发布时长与播放量之间的秩相关系数为 −0.65。而那些"胜出"的分组恰恰是最近的视频：AI 模型类视频的发布时长中位数是 54 天，而其他大多数主题约为 95 天。

于是我们比较发布时长相同的视频。在运行前 14 到 60 天内发布的 17 个视频中：

主题和标题的效应消失了，甚至反转了。有两个规律在 14–60 天和 14–90 天两个时间窗口里都站得住：6 到 10 分钟的视频胜过更短的视频，以及讲解类视频不如每周新闻。两者都只建立在少数几个视频上，所以它们是有待检验的假设，而不是规则。

有些东西不需要比较，因为它们几乎恒定不变，这本身就是一个发现：

API 密钥放在 LOVELY_API_KEY 中，使用市场调研案例里的 run_tool 和 ask 辅助函数：

from datetime import datetime, timezone

videos = run_tool("youtube-channel", {"youtubeHandles": ["@Fireship"], "maxItems": 50}, 50)
scripts = run_tool("youtube-transcript", {"startUrls": [v["url"] for v in videos]}, 50)

text = {s["id"]: " ".join(x["text"] for x in s["transcript"]) for s in scripts}
tags = json.loads(ask("Tag each video's topic, format and opening hook. JSON array of {id, topic, format, hook}.",
                      [{"id": v["id"], "title": v["title"], "transcript": text.get(v["id"], "")[:4000]} for v in videos]))

now = datetime.now(timezone.utc)
for v in videos:
    v["age_days"] = (now - datetime.fromisoformat(v["publishDate"])).days
# Compare medians only within an age window (say 14-60 days), and print the count beside each.

把账号换成任何频道，包括你自己的。不写代码也想拿到字幕，可以试试免费的 YouTube 字幕生成器；背后用到的工具见调研智能体。