Content Performance Optimizer - コンテンツ自己改善ループ

Description

5ソース（X, Google検索, Google Trends, Reddit/HN, 競合アカウント）から市場データを収集し、 LLMで統合分析して仮説とA/Bバリアントを自動生成します。 生成した投稿バリアントをTypefullyにドラフト登録し、投稿後のパフォーマンスを測定・学習することで、 コンテンツの継続的な自己改善サイクルを実現します。

ワークフロー概要

① 市場調査 → ② 仮説生成 → ③ バリアント作成 → ④ 投稿（Typefully） → ⑤ メトリクス収集 → ⑥ 分析・学習 → ①に戻る

クイックスタート

# 仮説生成（トレンド調査→仮説→バリアント一気通貫）
python skills/content-optimizer/scripts/hypothesis_generator.py --topic "AIエージェント" --channel x_twitter

# メトリクス収集（投稿後のパフォーマンス測定）
python skills/content-optimizer/scripts/collect_metrics.py --tweet-ids "123,456" --experiment-id exp-001

# ドライラン（API呼び出しなし）
python skills/content-optimizer/scripts/hypothesis_generator.py --topic "SaaS" --dry-run

スクリプト一覧

スクリプト	用途
hypothesis_generator.py	市場調査→仮説生成→バリアント作成
collect_metrics.py	ツイートメトリクス収集・バリアント比較
typefully_client.py	Typefully API v2 クライアント

hypothesis_generator.py Parameters

Parameter	Required	Default	Description
--topic, -t	Yes	-	調査トピック
--channel, -c	No	x_twitter	チャネル: x_twitter, email, linkedin
--competitors	No	-	競合アカウント（カンマ区切り）
--lang, -l	No	ja	言語: ja, en, all
--days, -d	No	7	調査期間
--num-hypotheses	No	5	生成する仮説数
--auto-draft	No	false	Typefullyにドラフト自動作成
--output, -o	No	output/content-optimizer/	出力先
--dry-run	No	false	API呼び出しなしでプレビュー
--test	No	false	セルフテスト

collect_metrics.py Parameters

Parameter	Required	Default	Description
--tweet-ids	No	-	メトリクス取得対象ツイートID（カンマ区切り）
--username	No	-	ユーザーの直近投稿を取得
--experiment-id	No	-	実験IDで紐付けて比較
--days-after	No	3	投稿後何日分のメトリクスを取得
--output, -o	No	output/content-optimizer/	出力先
--test	No	false	セルフテスト

データソース

ソース	API	取得データ	環境変数
X (Twitter)	X API v2 Recent Search	バズ投稿（エンゲージメント上位）	X_BEARER_TOKEN
Google 検索	Gemini Google Search grounding	トレンド記事・ベストプラクティス	GEMINI_API_KEY
Google Trends	Gemini grounding経由	検索ボリューム推移・急上昇トピック	GEMINI_API_KEY
Reddit / HN	Reddit JSON API + HN Algolia API	コミュニティ議論・センチメント	不要
競合アカウント	X API v2 User Tweets	競合の高パフォーマンス投稿	X_BEARER_TOKEN

出力フォーマット

output/content-optimizer/hypotheses/YYYYMMDD_HHMMSS_{topic}/
├── market_report.md       # トレンドレポート
├── hypotheses.yaml        # 仮説リスト（優先度付き）
├── experiment_design.yaml # 実験設計書
├── raw_data.json          # 全ソースの生データ
└── drafts/                # A/Bバリアント投稿案
    ├── variant_a.md
    └── variant_b.md

環境設定

必須環境変数

# .env に追加
X_BEARER_TOKEN=your_x_bearer_token_here   # X API v2 検索・ユーザー取得
GEMINI_API_KEY=your_gemini_api_key_here   # Google Search grounding + LLM分析

オプション環境変数

TYPEFULLY_API_KEY=your_typefully_key_here  # --auto-draft オプション使用時

取得方法

• X_BEARER_TOKEN: X Developer Portal でプロジェクト作成後に取得（Basic プラン以上）
• GEMINI_API_KEY: Google AI Studio で取得（無料）
• TYPEFULLY_API_KEY: Typefully Settings の API セクションで取得

自己改善ループの使い方

1. hypothesis_generator.py でトレンド分析 → 仮説 → バリアント生成
2. Typefully で A/B バリアントを投稿（手動 or --auto-draft フラグ）
3. 2-3日後に collect_metrics.py でパフォーマンス測定
4. 結果を踏まえて次の仮説を生成（学習が蓄積される）

使用例

# AIエージェントについてX向けに仮説生成（日本語）
python skills/content-optimizer/scripts/hypothesis_generator.py \
  --topic "AIエージェント" --channel x_twitter --lang ja

# 競合アカウントも調査してバリアントをTypefullyに自動登録
python skills/content-optimizer/scripts/hypothesis_generator.py \
  --topic "SaaS" --competitors "user_a,user_b" --auto-draft

# 英語でLinkedIn向けコンテンツを5仮説生成
python skills/content-optimizer/scripts/hypothesis_generator.py \
  --topic "productivity" --channel linkedin --lang en --num-hypotheses 5

# ツイートID指定でメトリクス収集
python skills/content-optimizer/scripts/collect_metrics.py \
  --tweet-ids "1234567890,0987654321" --experiment-id exp-001

# ユーザーの直近投稿を取得して分析
python skills/content-optimizer/scripts/collect_metrics.py \
  --username myaccount --days-after 7

# dry-run でどんなデータが取れるか確認
python skills/content-optimizer/scripts/hypothesis_generator.py \
  --topic "生成AI" --dry-run

依存関係

requests>=2.28.0
python-dotenv>=0.19.0
pyyaml>=6.0
google-genai>=0.5.0

Related Skills

• x-research — X検索データの収集
• ab-test-setup — 実験設計の詳細フレームワーク
• social-content — SNSコンテンツ戦略
• content-strategy — コンテンツ計画
• analytics-tracking — メトリクス計測