oee-social-research

核心用法

该技能采用三层级递进检索策略收集 X/Twitter 平台公开信息。Tier 1 通过 FxTwitter API 免费获取公开推文，响应快速且无需认证；Tier 2 启用 Web 搜索（Brave、DuckDuckGo、SearXNG）作为广度补充；Tier 3 使用浏览器抓取（Nitter 实例）确保数据完整性。用户通过命令行 python social_research.py "主题" 启动研究，支持 --tier 参数指定层级，或调用 --briefing 读取缓存报告。系统自动管理 .cache/ 目录（TTL 1小时）存储结果，并在 .briefings/ 生成结构化情报文档，输出直接面向 Agent 解析优化。

显著优点

零成本入门是最大亮点——Tier 1 完全免费且无需 API Key，大幅降低使用门槛。分层回退机制确保在免费接口受限时自动降级至搜索和抓取层，保证研究连续性。技术架构极为轻量，仅依赖 Python 标准库（urllib、json、re、pathlib），无第三方包依赖，从根本上规避供应链攻击风险。内置缓存机制有效减少重复网络请求，提升响应速度并降低被封禁概率。输出格式为结构化文本简报，便于直接集成至自动化工作流。

潜在缺点与局限性

作为 T3 来源（个人开发者 odinbot33 维护），代码虽经审计但长期维护稳定性和可信度存疑。功能高度依赖 FxTwitter、Brave、SearXNG、Nitter 等第三方公共服务，任一服务 API 变更、限流或关闭都会导致对应层级失效。仅支持抓取公开推文，无法获取受保护账户、私信或点赞列表等非公开数据。代码中存在未使用的 subprocess 模块导入，虽无实际调用但属于代码质量问题，存在被后续修改利用的潜在风险。

适合的目标群体

适用于社交媒体运营人员监测品牌舆情和竞品动态，市场研究分析师追踪热点话题的公众情绪，产品经理收集用户对特定功能的真实反馈，新闻记者调查事件在社交平台上的传播态势，以及需要快速了解"人们在说什么"的商业决策者。特别适合预算有限但需要基础舆情监测能力的个人研究者和小型团队。

使用风险

网络依赖性是首要风险，离线环境完全无法使用；第三方服务的不稳定性可能导致功能间歇性中断。本地存储方面，.cache/ 和 .logs/ 目录会持续写入磁盘，长期运行需定期清理以防空间占用。虽仅收集公开数据，但在 GDPR 等严格隐私合规场景仍需谨慎评估数据用途。安全建议：始终在容器或虚拟环境（venv）中运行，避免直接在生产主机执行；部署前建议移除未使用的 subprocess 导入并审查网络请求域名白名单。