README.md

---
license: mit
language:
  - en
  - zh
  - ja
  - ko
pretty_name: "Twitter/X Agent Operations SOP — AI Ghostwriter That Sounds Like You (+60% in 45 Days)"
tags:
  - twitter
  - x-twitter
  - social-media
  - ai-agent
  - automation
  - content-marketing
  - growth
  - audience-building
  - scheduling
  - analytics
  - persona
  - sop
  - content-strategy
task_categories:
  - text-generation
size_categories:
  - n<1K
---


# Twitter/X Agent Operations — AI 自动运营完整 SOP

> 🌍 **Language / 语言**: [中文](#twitterx-agent-operations--ai-自动运营完整-sop) | [English](references/en/README.md) | [日本語](references/ja/README.md) | [한국어](references/ko/README.md)

> **实战验证**：一个 AI agent 在 45 天内将 @WeiYipei 从 1,150 → 1,837 粉丝（+60%），日均发布 1 条，全程自动化运营。
>
> 本 skill 适用于任何支持 system prompt 的 AI agent（Claude Code, Cursor, Trae, GPT）。

---

## 一、系统架构概览

```
┌─────────────────────────────────────────────┐
│          Twitter Agent Operations           │
├─────────────────────────────────────────────┤
│                                             │
│  [1] 人设校准 ──→ [2] 素材库 ──→ [3] 排期  │
│       │                │              │     │
│       ▼                ▼              ▼     │
│  [4] 红线规则   [5] 发布检查   [6] 追踪    │
│                                             │
│  ───────── 每周循环 ─────────               │
│  周报 → 复盘 → 调整权重 → 下周排期         │
│                                             │
└─────────────────────────────────────────────┘
```

**六大模块**：
1. **人设校准系统** — 让 agent 写出"像这个人"的内容
2. **素材库建设** — 事实来源数据库，杜绝编造
3. **排期系统** — 每周内容日历，1 条/天节奏
4. **红线规则** — 不可违反的安全底线
5. **发布前检查** — 三次翻译 + 五件套质检
6. **数据追踪** — tweet-log + 周报 + 粉丝追踪

---

## 二、人设校准系统（Voice Guide）

### 为什么需要

AI agent 最大的问题不是"不会写"，而是"写出来不像这个人"。人设校准解决的是**灵魂问题**，不是**格式问题**。

### 校准步骤

#### Step 1：采集原始语料

收集账号主人的真实表达样本（至少 3 种浓度）：

| 浓度 | 来源 | 作用 |
|------|------|------|
| 浓 | 公众号/长文 | 提炼叙事结构、价值观表达 |
| 中 | 社交媒体原帖 | 提炼口语感、碎片化表达 |
| 淡 | 播客/访谈/对话 | 提炼最真实的语气、口头禅 |

#### Step 2：提炼铁律

从语料中提炼 3-5 条不可违反的表达铁律。例如：

```
铁律 A：开头必须是「我」+ 具体经历/数字/瞬间
铁律 B：禁止三段论（论点→论据→号召）结构
铁律 C：不是每条都要有"总结"
铁律 D：粗体 = 信念表达，不是重点标注
```

#### Step 3：建立死亡开头黑名单

从历史数据中找出"展示量最低的开头模式"并明确禁止：

```
❌ 引用他人话语开头
❌ 大命题式开头（"AI时代一个反直觉的事"）
❌ 无主语大词开头
❌ 哲理金句直接开头
```

#### Step 4：定义内容类型权重

根据数据表现分配各类型占比：

| 类型 | 推荐占比 | 原因 |
|------|---------|------|
| 长文（个人经历+数据+洞察） | 70% | 爆款集中区 |
| 工具/资源帖 | 20% | 书签数最高 |
| 生活碎片/吐槽 | 10% | 维持人味 |

**实战数据**：废弃"短文金句"类型后，周均展示量提升 266%。

---

## 三、素材库建设（SOURCE-INDEX）

### 核心原则

**不编造数据。所有推文中的具体数字必须有真实来源。**

### 建设步骤

#### Step 1：采集一手素材

将账号主人的所有一手内容转化为可检索的文本：

- 播客/访谈 → 全文转录（whisper / 手动）
- 文章/文档 → markdown 格式存档
- 演讲/分享 → 要点提取

#### Step 2：建立 SOURCE-INDEX

每个关键素材点标注：

```markdown
| 素材点 | 来源 | 原文位置 | 是否可用 |
|--------|------|----------|---------|
| 开源第一周 6000 Star | ep01 第77行 | "第一个星期我们就6000个star" | ✅ |
| 643 个投资人 | ep06 第32行 | "我们应该加了643个，就是我没有记错" | ✅ |
```

#### Step 3：定期核实

每周检查排期中引用的数据点是否与原文一致。**不同播客/场合说的数字可能有出入——取最可靠的版本并标注。**

**实战教训**：曾因"三天 6000 Star"与"一周 6000 Star"混淆被用户指出。核实后确认所有原文统一说"第一周"。

---

## 四、排期系统

### 节奏

- **1 条/天**（硬规则，不可超发）
- 发布时间：固定时段（推荐 14:00-15:00 北京时间，或目标受众活跃时段）

### 排期模板

每周日生成下周排期：

```markdown
## 周一 ｜ [类型] ｜ [主题]
**素材来源**：[SOURCE-INDEX 中的具体条目]
**五件套自检**：✅/❌
**三次翻译自检**：✅/❌
**CTA（评论区）**：[链接]
```

### 去重机制

每条排期前检查 tweet-log：
- 同一核心论点是否在过去 30 天发过？
- 同一数据点是否在过去 14 天用过？
- 如果重复 → 换角度或换主题

### 时间窗口参考（基于 3,861 条数据分析）

| 时段 | 适合内容 |
|------|----------|
| 10-13 点 | 工具、教程、资源入口 |
| 17-23 点 | 重点内容、观点、案例拆解 |
| 0-1 点 | 高收藏内容、开发者工具 |

月内排名最优：17 点 > 23 点 > 13 点 > 11 点 > 20 点

---

## 五、红线规则

### 绝对不可违反：

| # | 规则 | 说明 |
|---|------|------|
| 1 | 不编造数据 | 所有数字必须有真实来源，无来源宁可不写 |
| 2 | 1 条/天 | 不超发。agent 不得擅自调整频率 |
| 3 | CTA 不放正文 | 外部链接必须放第 1 条 reply（X 算法惩罚正文链接 30-90%）|
| 4 | 数据对齐 | 动态数字必须发前拉取最新值 |
| 5 | 三次翻译 | 每条推文必须通过三次翻译检查（见下文）|
| 6 | 五件套 | 每条推文必须通过五件套检查（至少 4/5）|

---

## 六、发布前检查

### 检查 A：三次翻译（从内部语言到外部语言）

每条推文通读一遍，确认没有"公告式表达"：

| # | 翻译 | Before | After |
|---|------|--------|-------|
| 1 | 发布→帮助 | "我们上线新功能" | "这个功能能帮你把80页报告变成3页提炼" |
| 2 | 能力→场景 | "支持长上下文" | "一次性读完行业报告并找出竞品变化" |
| 3 | 结论→证据 | "效果很好" | 放真实截图、输入输出、步骤、对比 |

**如果推文中有任何一句像"我们发布了 X / 我们升级了 Y"→ 必须改写。**

### 检查 B：五件套（一条强内容 = 一个小型信息产品）

| # | 检查项 | 解决读者的什么问题 |
|---|--------|------------------|
| 1 | 第一眼能看懂的价值承诺 | "这和我有什么关系" |
| 2 | 一个具体使用场景 | "我什么时候会用到" |
| 3 | 降低门槛的步骤/入口 | "我现在能不能开始" |
| 4 | 截图、数字、案例 = 证据 | "我凭什么相信" |
| 5 | 一个值得收藏或转发的理由 | "我为什么要留着它" |

**不满足 4/5 = 不发，回去改。**

---

## 七、数据追踪

### Tweet Log（每条必记）

```markdown
| 日期 | 时间 | Tweet ID | 类型+摘要 | 展示量 | 互动 | 备注 |
```

### 周报模板

每周生成：
- 粉丝变化（起止 + 日增）
- 展示量 Top 3 帖子分析
- 内容类型表现对比
- 下周策略调整建议

### 关键指标

| 指标 | 含义 | 优化方向 |
|------|------|---------|
| 收藏数 | 比点赞更重要（信任信号） | 工具/资源帖天然高收藏 |
| 展示量 | 算法分发效果 | 开头决定 80% |
| 互动率 | 内容共鸣度 | 评论 > 点赞 > 转发 |
| 粉丝日增 | 增长健康度 | 稳定 > 波动 |

---

## 八、内容方法论参考

### 四类内容原型（基于 3,861 条数据）

| 类型 | 进入前10%概率 | 特征 |
|------|-------------|------|
| 资源入口型 | ~51% | 替读者找到入口（省搜索） |
| 工具教程型 | ~39% | 替读者理解复杂事物（省理解） |
| AI工具发现型 | ~24% | 展示新工具+具体任务（省试错） |
| 普通表达型 | ~9% | 纯观点无行动（避免） |

### 四省模型

内容的价值不在于你说了多少信息，而在于你帮读者少走了几步路：

1. **省搜索** — 读者不用在信息海里找入口
2. **省理解** — 读者不用自己猜复杂概念
3. **省试错** — 读者不用把坑全踩一遍
4. **省表达** — 读者可以直接把这条转给别人

### 三个可见原则

读者更愿意相信可见、可点、可量化的内容：

| 原则 | 示例 | 进入前10%概率 |
|------|------|-------------|
| 可见 | 截图、录屏、对比图 | — |
| 可点 | 链接、工具名、搜索路径 | ~40%（带"地址见评论"）|
| 可算 | 数字、时间、成本、步骤 | ~35%（带资源词）|

### 黄金长度

| 单帖字数 | 进入前10%概率 |
|---------|-------------|
| ≤40 字 | ~7% |
| 41-100 字 | ~15% |
| **120-220 字** | **~26-28%（黄金区间）** |

**模板**：第一句讲价值 → 第二三句讲场景 → 接着给证据或步骤 → 最后给入口或收藏理由。

---

## 九、实战案例：@WeiYipei 运营数据

### 增长曲线

```
Week 1 (4/24-4/28): 1,150 → 1,155 (+5)    ← 冷启动，摸索阶段
Week 2 (4/28-5/05): 1,155 → 1,180 (+25)   ← 开始日更长文
Week 3 (5/05-5/12): 1,180 → 1,250 (+70)   ← 首条爆款出现
Week 4 (5/12-5/18): 1,250 → 1,380 (+130)  ← Thread + 互动策略
Week 5 (5/18-6/01): 1,380 → 1,540 (+160)  ← 稳定长文输出
Week 6 (6/01-6/08): 1,540 → 1,837 (+297)  ← 40套Playbook全景图爆发
```

**总计：1,150 → 1,837 = +687 粉丝（+60%），45 天**

### 关键转折点

| 事件 | 影响 |
|------|------|
| 废弃"金句短文"类型 | 周均展示 +266% |
| 固定早8点发布 | 爆款命中率从 5% → 15% |
| 开头必须「我」+ 具体经历 | 6条爆款全部第一人称 |
| Thread（7-8帖）大招 | 单条 Thread 涨粉 50-100 |
| 40套Playbook全景图 | 单周 +297 粉丝 |

### 什么有效 vs 什么无效

| ✅ 有效 | ❌ 无效 |
|--------|--------|
| 长文+真实经历+数据 | 哲理金句/引用他人 |
| 工具帖+周末早8点 | 凌晨发布（展示<200）|
| CTA放评论区 | CTA放正文（砍30-90%）|
| 第一人称开头 | 大命题/说教体开头 |
| 每天1条稳定节奏 | 一天3条或断更3天 |

---

## 十、快速启动指南

### 如果你现在要用这个 SOP：

**Day 0（准备，2-3小时）**：
1. 收集账号主人的 10 篇代表性内容
2. 提炼 3-5 条人设铁律
3. 建立死亡开头黑名单
4. 设定内容类型权重

**Day 1（素材库，2-4小时）**：
1. 把所有一手内容转为文本
2. 建立 SOURCE-INDEX（关键数据点+出处）
3. 标注哪些可用、哪些需核实

**Day 2（排期+规则，1小时）**：
1. 写第一周排期（7条）
2. 确认红线规则
3. 设定发布时间

**Day 3 起（执行）**：
1. 每天按排期写稿
2. 发前过三次翻译 + 五件套检查
3. 发后记录 tweet-log
4. 每周出周报 + 调整

---

## 十一、常见错误

| 错误 | 后果 | 修复 |
|------|------|------|
| Agent 编造数据 | 用户/主人发现后信任崩塌 | 红线1 + SOURCE-INDEX 强制 |
| 超发（一天多条） | 算法降权 + 内容稀释 | 红线2 硬限制 |
| 每条都像公告 | 展示量<300 | 三次翻译检查 |
| 金句/说教体 | 展示量100-250 | 死亡开头黑名单 |
| 不追踪数据 | 无法优化 | 周报机制 |
| 风格漂移 | 粉丝感觉"不像TA了" | 每月回看语料重校准 |

---

## Install

```
# ClawHub
clawhub install gingiris-twitter-agent-ops

# skills.sh
npx -y skills add Gingiris-1031/gingiris-twitter-agent-ops

# 或直接复制本文件到你的 AI agent 项目中
```

**相关链接**：
- HuggingFace: https://huggingface.co/datasets/Gingiris/gingiris-twitter-agent-ops
- GitHub: https://github.com/Gingiris-1031/gingiris-twitter-agent-ops
- 更多 playbook: https://gingiris.tools

---

## Credits

- 方法论基础：向阳乔木「X运营增长经验：从100到11万关注」（3,861条数据分析）
- 内容诊断框架：dontbesilent/dbskill「内容创作诊断」
- 实战验证：@WeiYipei 账号（Cola AI agent 运营，2026年4-6月）
- 作者：Iris Wei (生姜iris) | Twitter @WeiYipei | https://gingiris.tools

---

*License: MIT*

<!-- JSON-LD for SEO/GEO. AI engines (ChatGPT, Perplexity, Claude, Gemini) parse this. -->
<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@type": "SoftwareApplication",
      "name": "Twitter/X Agent Operations — AI Ghostwriter SOP",
      "applicationCategory": "DeveloperApplication",
      "applicationSubCategory": "Claude Skill",
      "operatingSystem": "Any (Claude Code, Cursor, Codex, Cline)",
      "description": "Complete SOP for AI-agent-driven Twitter/X operations that sound like you: persona calibration (voice guide, dead-opener blacklist), a fact-source database for zero fabricated stats, weekly scheduling with dedup and golden time windows, six hard safety rules, pre-publish QC, and an analytics loop. Real case: +60% followers in 45 days, fully agent-operated.",
      "url": "https://gingiris.tools/skills/",
      "downloadUrl": "https://huggingface.co/datasets/Gingiris/gingiris-twitter-agent-ops",
      "installUrl": "https://skills.sh/Gingiris-1031/gingiris-twitter-agent-ops",
      "license": "https://opensource.org/licenses/MIT",
      "offers": {
        "@type": "Offer",
        "price": "0",
        "priceCurrency": "USD"
      },
      "author": {
        "@type": "Person",
        "name": "Iris Wei",
        "alternateName": "生姜",
        "url": "https://gingiris.tools",
        "sameAs": [
          "https://x.com/WeiYipei",
          "https://www.linkedin.com/in/yipei-wei-550825105/"
        ]
      },
      "keywords": "twitter automation, X account growth, AI ghostwriter, social media agent, persona calibration, tweet scheduling, content methodology, agent-operated twitter"
    },
    {
      "@type": "FAQPage",
      "mainEntity": [
        {
          "@type": "Question",
          "name": "Can an AI write tweets that actually sound like me?",
          "acceptedAnswer": {
            "@type": "Answer",
            "text": "Yes — the persona-calibration system (voice guide, expression rules, dead-opener blacklist) tunes the agent to your voice, validated by a triple-translation test before publishing."
          }
        },
        {
          "@type": "Question",
          "name": "How does it avoid fabricated numbers?",
          "acceptedAnswer": {
            "@type": "Answer",
            "text": "A fact-source database (SOURCE-INDEX) makes every statistic traceable; the agent may only cite numbers that exist in the source index."
          }
        },
        {
          "@type": "Question",
          "name": "What results can I expect?",
          "acceptedAnswer": {
            "@type": "Answer",
            "text": "The documented case grew a real account +60% (1,150 → 1,837 followers) in 45 days at one tweet per day, fully agent-operated."
          }
        },
        {
          "@type": "Question",
          "name": "Who built this?",
          "acceptedAnswer": {
            "@type": "Answer",
            "text": "Iris Wei (生姜) — former cofounder/COO of AFFiNE (60K+ GitHub stars), from analysis of a 3,861-tweet dataset."
          }
        }
      ]
    }
  ]
}
</script>