AI Agent 运营工具周报：从评论、私信到转化数据，7 个接住发布之后的入口
按「读回互动、承接私域、回传效果」三段盘点 7 个能装进 Agent 的入口：读取抖音、小红书等平台的评论与转写，用自托管 SCRM 或 LinkedIn 技能接住私信与线索，再把漏斗、客户旅程和营收数据收回来。
上周那期停在稿子写完、还没点发布的那一段。这一期往后挪一步，看内容发出去以后发生的事。
那一段里有三件要人盯的事：评论区里谁在说什么，私信和线索由谁接住，这条内容最后换回了什么。它们过去靠人一条条翻、一条条回、过几天再回头对一遍账。要把这三件事接给 Agent，难点通常落在数据从哪来、程序跑在哪台机器上。
本期挑出的 7 个入口就落在这三件事上。选型的第一个分岔口是数据来路与部署形态：两个只读公开页面，本机装完就能跑；两个要复用你自己浏览器里的登录态，去碰平台账号；一个以自托管服务的形式装在你自己的服务器上，另一个依赖第三方的 LinkedIn 接口；剩下两个把分析放在托管服务里，按账号和套餐计费。分清这一步，后面几个工具之间谁替代谁，也就清楚了。
| 入口 | 一句话定位 | Agent 接入形态 | 工序位置与依赖 | 硬边界与成熟度快照 |
|---|---|---|---|---|
| Social Media Toolkit | 把抖音、小红书、B 站、YouTube 的公开链接转成结构化证据 | Python SDK、socialkit CLI、六个 MCP 工具 | 读回互动：只读公开页面，无需 Cookie 或登录 | Apache-2.0，作者自述仍是 alpha；抖音评论只取公开顶层样本 1 |
| redbook | 小红书命令行工具，搜索、分析、评论回复都在终端里 | npm 全局 CLI，附 SKILL.md 与 Claude Code 技能 | 读回互动：复用 Chrome 里的登录态 | MIT；用平台非公开接口，作者声明与小红书没有隶属关系 2 |
| HiveMtk | 自托管的私域 SCRM，把多端私信收进同一个收件箱 | Docker Compose 自托管，内置 ReAct 智能体与 41 个原子工具 | 承接：整套服务落在你控制的内网 | AGPL-3.0，改版后对外提供网络服务须按同协议开源；公开仓库 81 star、25 fork 3 |
| LinkedIn 技能 | 把 LinkedIn 的线索导入、筛选与邀约做成 Agent 技能 | Agent 技能加 @linkedapi/linkedin-cli | 承接：海外 B2B 线索，依赖第三方 API | MIT；需要 Linked API 令牌，账号与数据在第三方 4 |
| Humblytics MCP | 让 Agent 查站点流量、漏斗、A/B 与投放归因 | 托管 MCP，Streamable HTTP 端点 | 回传效果：数据在第三方托管服务 | 仓库 MIT；需 Plus 及以上套餐，一把账号级密钥覆盖所有站点 5 |
| Retentioneering | 用图方法看用户实际怎么走，算的不只是漏斗通过率 | pip install 的 Python 库，加 MCP 服务与 Agent 技能 | 回传效果：事件流在本机分析 | Apache-2.0；其他库与托管服务属于另外的商业产品 6 |
| OpenAnalytics | 自托管的无 Cookie 网站分析，带营收归因 | Docker Compose 自托管，oa CLI 加 MCP 服务 | 回传效果：采集与分析都在你自己的机器 | AGPL-3.0；自托管要备 4 GB 内存和四个 DNS 记录 7 |
表里的 star 数与最近提交取自 2026 年 10 月 5 日打开仓库时的页面快照，只反映当时的状态。
把互动读回来：一个免登录，一个用你 Chrome 里的 Cookie
Social Media Toolkit：公开链接进来，结构化证据出去
这个项目把抖音、小红书、B 站、YouTube 的公开链接收敛成一套固定格式：规范化元数据、可读文字、带时间轴的转写、媒体清单，以及受支持的公开评论样本。同一套编排逻辑同时支撑 Python SDK、
socialkit 命令行和 MCP 服务，三条入口返回的是同一份带版本号的结果契约 1。
取文字有一条固定顺序：先取原始内容，取不到再用公开解析器，抖音解析失败且配了付费密钥时回退到 TikHub，仍然没有文字才走火山引擎的云端转写。项目文档写明它没有本地 Whisper、没有浏览器自动化或 CDP、也不做基于 Cookie 的抓取，能在哪一段取到数据，边界写得很清楚 1。
六个 MCP 工具覆盖了最常用的动作：
social_inspect 只归一化元数据，social_get_text 走文字与带时间轴转写，social_get_comments 取公开评论样本，social_download 与 social_capture_bundle 负责下载，social_doctor 报告依赖和配置项名称。发布不在范围内，小红书和 B 站的评论也不支持，抖音的评论样本只是一次性的顶层样本，不分页、不回补缺失项 1。- 典型使用场景：把一批竞品视频链接交给 Agent，一次拿到文案、口播转写和公开评论，再喂给选题或复盘；或者先用
social_inspect只看元数据，不花转写和下载的钱。 - 安装与接入：本机装 Node.js 18+，跑
npx -y github:JNHFlow21/social-media-toolkit，再用socialkit doctor看哪几条路径可用；MCP 端是本地 stdio 服务，把social-media-toolkit-mcp挂到客户端即可 1。 - 硬边界：许可为 Apache-2.0，作者把项目标为 alpha，结果契约有版本号，平台页面却随时可能变。火山引擎转写和 TikHub 回退都会产生费用；项目只接受公开地址，不绕过访问控制，也不承担发布 1。
redbook：小红书这一侧，评论回复也在终端里
redbook 是一个小红书命令行工具，用 Chrome 里的 Cookie 认证，不需要申请 API Key。搜索、读笔记、看博主数据、拆爆款只是它的一半，另一半直接对着互动：发表评论、回复指定评论、按策略批量回复 2。批量回复这一条值得单独看它怎么做。
redbook batch-reply 支持三种策略——问题优先、高赞优先、未回复优先，可以带模板和条数上限，而且默认先跑一次预览，确认之后再真的发出去。它另有一条限流检测命令，读创作者后台那个隐藏的 level 字段，判断笔记是不是被隐形限流 2。- 典型使用场景：一条笔记发出去之后，先按「问题优先」把有价值的提问挑出来预览，再决定批量回复哪些；或者定期跑一次
redbook health，看最近几篇有没有被限流。 - 安装与接入：装 Node.js 22 以上，
npm install -g @lucasygu/redbook，先在自己的 Chrome 里登录小红书，再跑redbook whoami确认能连上。仓库自带SKILL.md，在 Claude Code 里可以直接用/redbook调用 2。 - 硬边界：MIT 许可。项目用的是平台非公开接口，作者在免责声明里写明小红书随时可能改动或封禁这些接口，它也与小红书没有隶属关系 2。Cookie 来源可以指定 Chrome、Safari 或 Firefox，也可以手动传字符串；在云端或容器里跑时，作者提供
auth命令保存和检查 Cookie 文件。批量回复会真的改动账号状态，预览那一步别跳过。
把互动接住：一个收件箱装在自己服务器上
HiveMtk：多端私信进一个收件箱，智能体在内网接话
HiveMtk 是一个开源的私域营销系统，把 SCRM、CDP 和一套 ReAct 智能体装进同一个仓库。抖音、快手、小红书、闲鱼、TikTok 经 Chrome 扩展桥接，走你自己的登录态浏览器；微信、企业微信、Telegram、WhatsApp、邮件和短信走协议直连。所有会话汇进一个统一收件箱，客户资料汇成一份 CDP 视图 3。
智能体那一层有 41 个原子工具，按感知、规划、调工具、反思的循环走；知识库用 pgvector 混合检索，再用 bge-reranker 精排。整套推理栈跑在本地：llama.cpp 跑 Qwen2.5，TEI 跑 bge-m3 和重排模型，对话、向量化和检索都在内网完成。把
LLM_BASE_URL 指向 DeepSeek 或 OpenAI 也可以，但 Embedding 和 Rerank 仍强制走本地 3。- 典型使用场景：多个平台账号的私信和评论集中到一个收件箱，用 SOP 编排处理和跟进；或者给客服场景配一套只在内网跑的 RAG 知识库，客户对话不出内网。
- 安装与接入：要求 Docker 24+ 与 Compose v2。
git clone之后make install拉环境、下模型、拉起数据层与推理栈，改完.env里的数据库、Redis 和 JWT 密钥，再make dev启动。硬件最低 4 核 / 8 GB / 50 GB，GPU 可选，无 GPU 时走 CPU 推理 3。 - 硬边界：AGPL-3.0。私有部署和二次开发不受限，改过的版本如果作为 SaaS 或托管 API 对外提供，就要按同一协议开源改动部分。主动触达（短信、邮件、社媒私信、Telegram、WhatsApp）是敏感功能，服务端每次主动发送都会打印一条不可关闭的合规提示，使用者的发送方式由使用者自己负责 3。项目不提供 SaaS 版，只做私有化部署。
LinkedIn 技能：把线索筛选与邀约写成 Agent 能跑的技能
这套技能面向海外的 B2B 获客，动作交给配套的
@linkedapi/linkedin-cli 和 Linked API。技能分成两个：linkedin 负责取资料、搜人和公司、发消息、管理好友、发帖；linkedin-growth 是一条两段式线索管道，先按你的理想客户画像导入并筛选线索，再排期批量发好友邀请，可以挂在多个账号上 4。安装器把「装上了」和「能用」分开报告。退出码只说明文件是否装好，是否配置就绪写在 JSON 里；技能装好但令牌还没连上时，退出码是 0，返回里带着
ready: false 和一份待办清单，调用方要解析 JSON，不能把待配置当成安装失败 4。- 典型使用场景：把一个展会名单或表单线索导入
linkedin-growth，先按画像筛一遍，再让它在限定频率内分批发邀请；或者用linkedin取公司和人脉资料，补进自己的客户表。 - 安装与接入：需要 Node.js 20 以上。跑
npx @linkedapi/skills交互式安装，也可以让 Agent 自己读https://linkedapi.io/skills/install.md照做；非交互场景用npx @linkedapi/skills add linkedin --yes，令牌从app.linkedapi.io取 4。 - 硬边界：MIT 许可。账号数据和调用都经过第三方的 Linked API，令牌在对方平台上，这一步的数据边界要自己先想清楚。批量加好友属于写操作，频率限制、账号风控和品牌语气都落在使用者的配置里。
把效果收回来：托管分析、本地事件流、自托管平台
这三个都回答「发出去之后到底带来了什么」，差别在数据去哪、在哪算。一个把你的站点数据放在托管服务里算，一个把事件流拉回本机用 Python 算，一个把整套采集和分析装到你自己的机器上。
Humblytics MCP：托管的一整套转化测量，接进 Agent
Humblytics 把站点分析、实验和投放数据做成一个托管的 MCP 服务，端点是
https://mcp.humblytics.com/v1，走 Streamable HTTP，用 Bearer 密钥认证。接上之后，Agent 拿到 37 个工具：分析那一层给流量、实时访客、页面明细、点击热图、表单、入口出口页和多站点汇总；漏斗那一层给 Sankey 图和 AI 生成的漏斗建议；A/B 那一层能给实验建议、创建并管理分流测试、取结果；投放那一层把 Meta、Google 的广告花费一路接回 Stripe 的成交 5。服务端还挂了 12 条营销技能提示词，其中 5 条会自动接上你的实时数据，包括
cro-optimizer、ab-test-generator、heatmap-analyst、revenue-attributor 和 funnel-reporter 5。- 典型使用场景：让 Agent 每周回答一次「哪些页面在漏人」「该测什么」；或者把广告花费到成交的整条链路拉出来，看哪个渠道真的带来了收入。
- 安装与接入：需要 Humblytics 的 Plus 及以上套餐。在 Claude Code 里
claude mcp add humblytics --transport http https://mcp.humblytics.com/v1 --header "Authorization: Bearer $HUMBLYTICS_API_KEY"，Cursor、VS Code 或任意 MCP 客户端按同一端点配置即可 5。 - 硬边界：仓库是 MIT 许可，真正的服务在对方服务器上，密钥是一把账号级密钥，覆盖你能访问的所有站点，调用前先用
list_properties拿到要操作的propertyId。写操作要留意：create_split_test一创建就立即生效，仓库也说明 Agent 会先给建议再创建 5。
Retentioneering：把用户实际走的路径画出来
Retentioneering 的做法与分析平台不同。它把原始事件流读进来——pandas DataFrame、CSV、TSV、Parquet，或者从 BigQuery、ClickHouse 导出的数据都行——再按转移图、步骤矩阵、路径过滤这些图方法，看用户实际怎么走：绕了哪些路才转化、在哪儿卡住、哪两个人群不一样。5.0 版本把引擎换成了 DuckDB 支撑的
Eventstream，分析直接在你的环境里跑，原始数据和结果都不离开本机 6。它也提供 MCP 服务和一组 Agent 技能，让 Agent 在你的事件流上跑分析、搭报告页，最后导出一份可交互的 HTML 报告，报告里每个数字都能点回它的数据来源 6。
- 典型使用场景：活动落地页的转化率不理想时，先看用户实际走了哪条路、在哪个步骤大量回退；或者比较投流人群和自然流量人群的路径差异。
- 安装与接入：Python 3.10+，
pip install retentioneering，在 Jupyter、Colab、VS Code 或 Claude Code 里都能用；没有数据时可以用它自带的那套合成电商数据集先跑通 6。 - 硬边界：仓库里的
retentioneering-tools是 Apache-2.0，可以商用于自己的产品。同一家的其他库、托管执行服务和企业集成是另外的商业产品，不走这份许可。匿名使用遥测默认开启，可以随时关掉 6。
OpenAnalytics：无 Cookie 的自托管分析，把营收也接上
OpenAnalytics 是一个自托管的网站分析平台，装一个很轻的追踪脚本，不用 Cookie、不做跨站画像，只按聚合口径读数。想省事可以用作者托管在
getopen.so 的实例，代码和自托管版本一致。它给的不只是访客和浏览量：自定义事件、会话、Web Vitals、漏斗、站点留存、可嵌入组件、公开分享链接，以及从你自己的 Stripe 账号读进来的营收分析，还有 CSV / JSON 的导入导出 7。
- 典型使用场景：给内容站或落地页换一套不依赖第三方的分析，把阅读和转化数据留在自己机器上；或者把营收归因接上，直接看哪篇内容的访问最终成了单。
- 安装与接入：一台装了 Docker 的 Linux 主机，先准备好四个域名。克隆仓库、切到最新发布 tag，在
infra/selfhost下跑./generate-secrets.sh生成密钥，再docker compose pull && docker compose up -d；证书在首次启动时签发。镜像直接从ghcr.io拉，不需要在机器上装工具链 7。 - 硬边界：AGPL-3.0。自托管要备大约 4 GB 内存和 25 GB 磁盘，四个 DNS 记录必须在启动前指好，否则证书签发会失败。它另有
oa命令行和 MCP 服务，代码里 ClickHouse 只能通过校验签名查询信封的查询网关访问 7。
这 7 个怎么排顺序
先装两个只读的。
Social Media Toolkit 只要本机有 Node.js，socialkit doctor 一跑就知道哪条路径能用，试错成本最低；手上有小红书账号的话，再补 redbook，先只用它的搜索、分析和 health 检测，确认连接正常，再决定要不要开评论回复。这两个都不碰写操作，是第一轮最适合观察的两个。第二步处理私信与线索。私域在国内、且愿意自己运维一台服务器，选 HiveMtk：它把渠道、收件箱、智能体和知识库都装在自己内网，代价是部署和硬件门槛最高，主动触达还要自己承担合规。线索在海外、又不想自己搭，选 LinkedIn 技能：装起来快，代价是数据经过第三方，且批量邀约要自己定频控。
第三步装测量，按数据想去哪里选。想让第三方托管、上手最快，选
Humblytics；想让事件流留在本机、又能跑图分析，选 Retentioneering；想连站点采集和营收归因都自己掌控，选 OpenAnalytics。三者可以只上一个，也可以按用途叠着用。最后一条这 7 个共有：它们都在替你看。评论该不该回、私信要不要接、这周的数据算好还是算差，判断和签字仍然落在人这边。把它们当成一份带来源、带时间的清单，比当成结论好用得多。
References
- 1JNHFlow21/social-media-toolkit
github.com
- 2lucasygu/redbook
github.com
- 3xiaofang142/hivemtk
github.com
- 4Linked-API/linkedin-skills
github.com
- 5Humblytics/humblytics-marketing-skills
github.com
- 6retentioneering/retentioneering-tools
github.com
- 7OpenLabs-so/openanalytics
github.com
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.