「小红书追求策略顾问」—— 当用户想追一个人时，给出目标对象的小红书主页链接， 通过 Claude in Chrome 深度浏览并分析其公开内容，生成一份包含社会画像分析和 个性化追求策略路线图的交互式 HTML 报告。 当用户提到「分析这个人的小红书」「我想追这个人」「帮我看看这个博主」 「分析一下TA的账号」「给我出个追求方案」「想认识这个人怎么搭话」 「小红书用户分析」「怎么接近这个人」「社交策略」时，使用此 Skill。 也适用于纯画像分析场景（不带追求目的），此时跳过策略部分只输出画像报告。 需要 Claude in Chrome 浏览器工具。
这个 Skill 有三个能力层次：
整个流程：深度数据采集 → 多维画像分析 → 理想型推断 → 追求策略生成 → 可视化报告输出
第一步永远是提醒用户：「为了获得最好的分析效果，请确保你当前的浏览器已经登录了小红书。」
数据采集是整个分析的基础。采集分为三大部分：笔记列表扫描、笔记抽样深读、收藏夹全量扫描。
导航到目标用户主页，等待 3 秒加载完成后截图。采集：
├── 昵称、小红书号
├── 个人签名 / 简介（非常重要——往往是自我定位的浓缩）
├── IP 属地
├── 星座/年龄等标签（如有展示）
├── 粉丝数 / 关注数 / 获赞与收藏数
├── 头像风格描述
└── 主页背景图（如有）
确认笔记总量： 用 read_page 或 JavaScript 提取「笔记」tab 旁的数字。记录 TOTAL_NOTES。
目标：扫描所有笔记标题和基础信息。 这是后续分析的索引。
小红书主页使用虚拟滚动（virtual scrolling）——DOM 中只保留当前可见的笔记元素，滚出视窗的会被移除。所以不能滚完再提取，必须边滚边收集。
自动滚动收集器模式（推荐）：
注入以下 JavaScript 到页面，它会在滚动过程中持续收集数据并自动去重：
// 初始化收集器（Map 自动去重）
window._noteCollector = { notes: new Map(), scanCount: 0 };
function collectNotes() {
const sections = document.querySelectorAll('section.note-item, section[class*="note"]');
sections.forEach(s => {
const titleEl = s.querySelector('.title span, a .title span');
const authorEl = s.querySelector('.author-wrapper .name, .footer .name');
const likeEl = s.querySelector('.like-wrapper .count, .engagement .count');
if (titleEl) {
const title = titleEl.textContent.trim();
const likes = likeEl ? likeEl.textContent.trim() : '0';
// 用标题前30字符作为去重 key
const key = title.substring(0, 30);
if (!window._noteCollector.notes.has(key)) {
window._noteCollector.notes.set(key, { title, likes });
}
}
});
window._noteCollector.scanCount = window._noteCollector.notes.size;
}
// 自动滚动 + 收集
async function autoScrollCollect() {
window._scrollDone = false;
let prevCount = 0;
let sameStreak = 0;
for (let i = 0; i < 500; i++) {
collectNotes();
window.scrollBy(0, 500);
await new Promise(r => setTimeout(r, 400));
const current = window._noteCollector.notes.size;
if (current === prevCount) {
sameStreak++;
if (sameStreak > 20) break; // 连续20次无新内容 = 到底了
} else {
sameStreak = 0;
}
prevCount = current;
}
window._scrollDone = true;
}
autoScrollCollect();
注入后等待 30-60 秒（取决于笔记总量），然后检查 window._scrollDone 和 window._noteCollector.scanCount。
Chrome 浏览器扩展断连处理： 等待期间 Claude in Chrome 扩展可能断开连接。如果 tabs_context_mcp 报错或无法访问 tab，重新调用 tabs_context_mcp 获取新的 tab 连接，然后用 JavaScript 检查后台脚本是否已完成（检查 window._scrollDone）。
数据提取： 收集完成后，分批提取（每批100条避免 JSON 截断）：
const arr = Array.from(window._noteCollector.notes.values());
JSON.stringify(arr.slice(0, 100)); // 第1批
// JSON.stringify(arr.slice(100, 200)); // 第2批，以此类推
到底确认： 如果连续 20 次滚动后笔记数不再增加，判定为已到底。记录实际扫到的总数和覆盖率。
笔记深读的目的不是逐条阅读所有内容（那在大量笔记时不现实），而是精选有代表性的笔记获取深度信息。配合已有的全量标题列表，少量精读足以支撑高质量分析。
选择策略——精准抽样：
对每条深读笔记，采集：
├── 完整正文（用 get_page_text）
├── 所有 #标签
├── 发布日期/时间
├── 点赞、收藏、评论数
├── 图片内容描述（截图观察）
├── 评论区分析（前 20 条评论 + 博主回复）
└── 读完后用浏览器返回主页
收藏内容是整个分析中含金量最高的数据。 一个人发布的内容是「前台表演」（front-stage performance），而收藏的内容是 TA 的「内隐偏好」（implicit preferences）——TA 真正在意的、想反复看的、不方便发但很向往的东西。
对理想型推断和追求策略来说，收藏夹数据的价值甚至超过笔记本身。
操作流程：
// 重置收集器（避免残留笔记 tab 的旧数据）
window._favCollector = { notes: new Map(), scanCount: 0 };
function collectFavs() {
const sections = document.querySelectorAll('section');
sections.forEach(s => {
const titleEl = s.querySelector('.title span');
const authorEl = s.querySelector('.author-wrapper .name, .footer .name');
const likeEl = s.querySelector('.like-wrapper .count');
if (titleEl && authorEl) {
const title = titleEl.textContent.trim();
const author = authorEl.textContent.trim();
const likes = likeEl ? likeEl.textContent.trim() : '0';
const key = title.substring(0, 30) + '|' + author;
if (!window._favCollector.notes.has(key)) {
window._favCollector.notes.set(key, { t: title, a: author, l: likes });
}
}
});
window._favCollector.scanCount = window._favCollector.notes.size;
}
async function autoScrollFavs() {
window._favScrollDone = false;
// 先滚到顶部确保从头开始
window.scrollTo(0, 0);
await new Promise(r => setTimeout(r, 1000));
let prevCount = 0;
let sameStreak = 0;
for (let i = 0; i < 500; i++) {
collectFavs();
window.scrollBy(0, 500);
await new Promise(r => setTimeout(r, 350));
const current = window._favCollector.notes.size;
if (current === prevCount) {
sameStreak++;
if (sameStreak > 25) break;
} else {
sameStreak = 0;
}
prevCount = current;
}
window._favScrollDone = true;
}
autoScrollFavs();
// 关键词分类模板（根据实际内容调整类别和关键词）
const categories = {
'美妆/护肤': ['化妆', '护肤', '防晒', '面膜', '口红', '粉底'],
'穿搭/时尚': ['穿搭', 'ootd', '搭配', '时尚', '衣服'],
'美食/探店': ['美食', '餐厅', '探店', '甜品', '咖啡'],
'旅行': ['旅行', '旅游', '攻略', '打卡', '酒店'],
'健身/运动': ['健身', '运动', '瑜伽', '跑步', '减脂'],
'情感/恋爱': ['恋爱', '脱单', '约会', '暧昧', '表白', '男朋友', '女朋友'],
'职场/学习': ['工作', '面试', '考研', '留学', '雅思', '实习'],
'艺术/设计': ['画', '插画', '设计', '摄影', '艺术', 'art'],
'家居/生活': ['家居', '租房', '装修', '收纳', '好物'],
// 根据目标用户内容动态添加更多类别...
};
function categorize(items) {
const result = {};
Object.keys(categories).forEach(cat => result[cat] = []);
result['其他'] = [];
items.forEach(item => {
let matched = false;
for (const [cat, keywords] of Object.entries(categories)) {
if (keywords.some(kw => item.t.toLowerCase().includes(kw.toLowerCase()))) {
result[cat].push(item.t);
matched = true;
break;
}
}
if (!matched) result['其他'].push(item.t);
});
return Object.fromEntries(
Object.entries(result)
.filter(([k, v]) => v.length > 0)
.sort((a, b) => b[1].length - a[1].length)
);
}
const items = Array.from(window._favCollector.notes.values());
JSON.stringify(categorize(items));
关键词列表应根据目标用户的实际内容动态调整——先看一遍收藏标题的原始数据，识别出高频主题后再设计分类关键词。
├── 主题分布统计（各类别数量和占比）
├── 发布内容 vs 收藏内容的差异
│ （差异越大 → TA 的前台/后台差距越大）
├── 收藏中的情感类内容（恋爱技巧？情侣日常？）
├── 反复收藏的来源（同一博主被收藏多次 = 高度认同）
├── 隐藏兴趣（没发过但大量收藏的主题 = 秘密兴趣 = 破冰利器）
└── 消费/审美偏好线索
如果收藏是私密的，在报告中标注「收藏夹不可见」并跳过。
快速扫描 TA 关注了哪些类型的账号，分类统计。
采集完成后，输出采集报告：
📊 数据采集报告：
├── 笔记总数：X 条
├── 列表扫描：已扫描 A 条（覆盖率 XX%）
├── 精读深度：已精读 B 条
├── 收藏分析：已扫描 C / D 条（覆盖率 XX%）| 类别分布已统计
├── 关注列表：可见/不可见
└── 评论区互动：已分析 E 条笔记的评论区
详细的分析方法和信号体系，参见 references/analysis-framework.md。
维度一：基础人口学 —— 年龄段、性别、地区、城市线级、职业、教育水平 维度二：消费与生活方式 —— 消费能力、品牌偏好、兴趣标签、生活方式分类 维度三：心理与人格 —— Big Five、情感基调、价值观、沟通风格 维度四：社会关系与影响力 —— 用户类型、影响力、社群归属 维度五：时间行为模式 —— 发布规律、主题演变、活跃周期
维度六：社交互动偏好 —— TA 回复什么类型的评论、用什么口吻、偏好什么互动方式 维度七：情感状态推断 —— 是否有伴侣迹象（置信度极低，必须声明） 维度八：「吸引力密码」 —— TA 最引以为豪的身份、在意的品质、社交需求类型
这是基于心理学理论框架的综合推断——TA 会被什么样的人吸引？
理论基础（在报告中引用，增强可信度）：
推断方法：结合「发布内容」（前台形象）+ 「收藏行为」（内隐偏好）+ 心理学理论，从 6 个维度推断理想型：
├── 审美共鸣力：TA 的审美体系是什么？什么视觉风格能引起共鸣？
├── 文化视野：TA 重视什么文化/知识领域？什么背景的人能产生话题？
├── 自我扩展力：TA 向往但尚未拥有什么？谁能带来新体验？
├── 安全型依恋：TA 需要什么样的情感稳定感？
├── 成长型人格：TA 欣赏什么样的自我提升姿态？
└── 情感联结力：TA 的情感表达习惯是什么？什么沟通方式最舒服？
每个维度都要有证据链：「从哪条笔记/收藏推断出来的 → 理论依据 → 结论 → 置信度」。
报告中必须声明：「此推断基于公开社交媒体内容的间接分析，结合心理学研究结论，但不等同于专业心理评估或现实中的择偶偏好。仅供参考。」
基于画像分析和理想型推断，生成个性化的追求策略。策略分阶段、有具体行动步骤、有示例话术、并对不同回应有应对方案。
策略总纲：
├── 核心策略原则（一句话概括）
├── 理想人设构建（Do's & Don'ts）
│
├── Phase 1：刷存在感（1-2周）
│ ├── 具体行动：在哪些笔记下评论、评论什么
│ ├── 示例话术：3-5 条量身定制的评论文案
│ └── 分支应对：积极/中性/无回应
│
├── Phase 2：建立连接（2-4周）
│ ├── 具体行动：如何开启私聊
│ ├── 示例话术：首条私信 2-3 个版本
│ └── 分支应对：详细回复/简短/已读不回
│
├── Phase 3：深入了解（3-6周）
│ ├── 转微信时机和话术
│ ├── 聊天节奏指南
│ └── 分支应对
│
├── Phase 4：线下见面（4-8周）
│ ├── 3 个量身定制的约会场景
│ └── 分支应对
│
└── Phase 5：关系升温（6-12周）
├── 增加专属感的行动
├── 表白时机判断
└── 分支应对
输出一份单文件交互式 HTML 报告，全部中文。
| Tab | 内容 |
|---|---|
| 📊 总览 | 一句话画像 + 关键标签 + 基础数据 + 五维雷达图 |
| 🔍 深度画像 | 八个维度的详细分析（每个带置信度和证据） |
| 💜 理想型画像 | 心理学理论框架 + 收藏行为分析图表 + 6维推断 + 匹配度自测 |
| 📋 笔记一览 | 所有已扫描笔记列表（可搜索/筛选） |
| 🎯 追求策略 | 核心原则 + Do's & Don'ts + 五阶段路线图 |
| 💬 话术锦囊 | 评论话术 + 私信话术 + 场景话术 |
| ℹ️ 方法论 | 数据采集报告 + 分析方法说明 + 局限性声明 |
这个 Tab 需要包含：
{昵称}_画像分析_{日期}.html（纯画像）或 {昵称}_画像与追求策略_{日期}.html（含策略）登录弹窗处理：小红书经常弹登录框。用 find 查找关闭按钮，或按 Escape。如果被重定向到登录页，用 navigate 的 back 返回。
滚动节奏：使用自动滚动脚本时，每步 500px + 350-400ms 间隔是安全的。手动滚动时每次 3-5 tick，间隔 2 秒。
虚拟滚动的关键影响：小红书使用虚拟滚动，DOM 只保留可见元素。所以不能「先滚完再提取」——必须用 Map 在滚动过程中持续收集并去重。这就是为什么上面推荐注入自动滚动收集器脚本。
Chrome 扩展断连：等待自动滚动脚本执行时（30-60秒），Claude in Chrome 扩展可能因超时断开连接。处理方式：
tabs_context_mcp 获取连接window._scrollDone）数据提取防截断：大量数据（>100条）通过 JavaScript 返回时可能被截断。分批提取：arr.slice(0, 100)、arr.slice(100, 200)……
收藏 tab 切换注意：从「笔记」tab 切到「收藏」tab 后，之前的 DOM 元素可能仍残留在页面中。收藏收集器必须使用全新的 Map（不要复用笔记收集器），并在开始前 scrollTo(0, 0) 回到顶部。