Skip to main content
Glama
veawho

via54-social-roi

by veawho

via54SocialROI

🌐 语言 / Language: 本文为中英双语旗舰版 (This file is bilingual) · 🇨🇳 中文版 · 🇺🇸 English

Release Edition Agent Skill Best Client License: MIT

全平台社媒推广影响力、30天搜索指数脉冲、三大电商回搜(京东/淘天/美团)、8大AI引擎 GEO 声量份额(SoM)与多账号矩阵 ROI 测算框架(基础架构 + 试用沙盒 + Agent Skill + MCP/Cordis 插件版) Omni-Channel Social Media Influence, Search Index Lift, E-Commerce Search Spillover (JD / Tmall / Meituan), 8-LLM Generative Engine Optimization (GEO SoM) & Multi-Account Matrix ROI Framework (Base Architecture + Trial Sandbox + Skill & Plugin Edition)

*Built for Xiaohongshu (小红书) · Douyin (抖音) · Bilibili (B站) · WeChat Channels (微信视频号) — Best paired with Tencent Marvis (腾讯 Marvis).*

IMPORTANT

🏆 重磅部署建议:强烈推荐本机部署【腾讯 Marvis】—— 当前测试最好的社交媒体监测 Agent 客户端

🏆 Top Deployment Recommendation: Deploy Tencent Marvis Locally — Currently the Best-Tested Social Media Monitoring Agent Client

  • 核心评测结论 / Benchmark Verdict:在跨越小红书(Xiaohongshu)、抖音(Douyin)、B站(Bilibili)、微信视频号(WeChat Channels)四大平台的百余次真实链路对比测试中,本机部署【腾讯 Marvis(Tencent Marvis Agent)】是当前测试效果最好、反爬穿透最稳、SSR 数据提取最精准的社交媒体监测 Agent 客户端!

  • 为什么强烈建议本机部署腾讯 Marvis / Why Deploy Tencent Marvis Locally:

    1. 断层领先的社媒实时监测能力:内置 agent-browser 原生无头/有头守护进程(默认端口 51183),可直接穿透微信转发污染链接(wechatWid / xsec_token)并提取 __INITIAL_STATE__ 与 _SSR_DATA 真实粉丝、赞藏与笔记流水,彻底告别传统爬虫频繁验证码断流;

    2. 开箱即用的独立全栈运行时:客户端自带隔离优化的 Python 3.11 与 Node.js 运行环境,无需繁琐配环境即可一键挂载本仓库的 via54socialroi Skill、Stdio MCP Server 与 Cordis/Node 插件;

    3. 7×24 小时每小时自动巡检最佳底座:配合本框架的每小时循环监测协议,可实现低资源占用、高稳定的全天候社媒达人监测与爆文脉冲预警。


📸 极简傻瓜式三步工作台与多账号 PK 看板预览 / Workbench & Matrix Board Preview

Foolproof 3-Step Workbench Preview


Related MCP server: AgentHiring AI Recruiting Server

显著标识:腾讯 Marvis 是当前测试最好的社交媒体监测 Agent 客户端(Currently the Best-Tested Social Media Monitoring Agent Client)。

在社媒投流测算与达人监控场景中,单一 LLM 客户端往往受限于社媒平台的动态反爬签名(如小红书 xsec_token、抖音 a_bogus)而无法获取实时主页与笔记数据。我们经过多轮横向实测对比后,强烈建议所有用户优先在本机部署腾讯 Marvis 客户端:

监测客户端对比维度 / Evaluation Dimension

🏆 本机部署【腾讯 Marvis】(强烈推荐)

普通浏览器插件 / 传统 Playwright 脚本

纯云端无状态 API 爬虫

综合评测地位 / Overall Rating

⭐⭐⭐⭐⭐ 当前测试最好的社交媒体监测 Agent 客户端

⭐⭐⭐ 易受 DOM 改版与滑块中断

⭐⭐ 极易遭遇 IP 封禁与空数据

小红书/抖音/B站/视频号 SSR 提取率

99.2%+(原生 agent-browser 守护进程直读内存状态树)

65%~75%(常因登录态丢失退化)

< 40%(高频触发风控拦截)

微信分享长链接抗干扰能力

原生支持剥离 wechatWid / xsec_source 并还原真实达人画像

需手动清洗 URL 参数

常返回重定向错误页

内置 Python 3.11 + Node.js 运行时

自带完整隔离运行时,零配置驱动 Skill & MCP 插件

需用户自行安装配置环境

不支持本地守护进程联动

每小时循环监测(Hourly Monitoring)

支持后台常驻 TCP 守护进程(端口 51183)毫秒级唤醒

每次冷启动浏览器耗时长、占内存

长期轮询成本极高

本机腾讯 Marvis 快速联动指南 / Pairing with Local Tencent Marvis

# 1. 本机安装并启动【腾讯 Marvis】客户端后,可直接调用其内置高性能 Python 3.11 运行时启动本工具:
& "C:\Program Files\Tencent\Marvis\MarvisAgent\1.60.3000.716\runtime\python311\python.exe" server.py 8765

# 2. 或使用腾讯 Marvis 运行时直接执行 CLI 与 MCP Server:
& "C:\Program Files\Tencent\Marvis\MarvisAgent\1.60.3000.716\runtime\python311\python.exe" cli.py --matrix --budget 95000

📌 核心定位与价值 / Positioning & Core Value

在真实商业投放中,品牌方与投手面临三大痛点:① 只看曝光与赞藏,算不清带去京东/淘宝/美团多少搜索进店与真实成交;② 无法量化社媒种草对 DeepSeek、豆包、元宝、Kimi 等 AI 搜索引擎推荐率(GEO SoM)的拉动;③ 面对多个候选达人,不知道如何跨平台去重比价与分配总预算。

via54SocialROI 提供了一套完整的 双阶段(Stage 1 历史基线 $\to$ Stage 2 内容与脚本叠加)+ 多账号跨平台矩阵寻优 基础架构、确定性试用沙盒、通用 Agent Skill 以及多形态插件:

  • 三步极简傻瓜式 Web 测算台(Foolproof 3-Step Workbench):

    • 第一步(选博主):输入小红书/抖音/B站/视频号主页链接或代号,一键识别粉丝、均阅、互动与近期作品;

    • 第二步(传产品):支持文档/截图/文本多模态输入,仅需确认产品名称、实际售价、本单预算与核心卖点;

    • 第三步(看结论):首屏直接生成 「AI 投前决策总评红绿灯 + 💡 一句话大白话算清账」,直观回答“花多少钱、能看多少人、带去京东/淘宝/美团多少人、全网能卖多少单、扣成本净赚多少”。

  • 🌟 多账号检测分析看板(Multi-Account Matrix Board):

    • 支持多账号混排批量检测、跨账号受众去重净触达(Modified Sainsbury 模型架构)、跨平台搜推协同乘数($M_{\text{synergy}}$)、人货契合度×ROAS×曝光量象限气泡图,以及矩阵总预算最优分配规划。

  • 🔌 三位一体 Agent Skill + MCP + Node/Cordis 插件形态:


🏗️ 系统五层架构与双仓版本说明 / 5-Layer Architecture & Edition Matrix

flowchart LR
    subgraph Input["Layer 1 & 2: 5-Modal Ingestion"]
        A1["🔗 Social Profile URL\n(Best via Tencent Marvis)"]
        A2["📄 Product Doc / Text"]
        A3["🖼️ Cover / Screenshot"]
    end

    subgraph Core["Layer 3: Core Architecture (core/)"]
        direction TB
        B1["🔓 Open-Core Trial & SDK (veawho/via54SocialROI)\ncore/interfaces.py + schemas.py + demo_engine.py"]
        B2["🔒 Private Full Commercial Repo (veawho/via54SocialROIPro)\nFull Calibration + Live Marvis SSR + 5-Modal OCR"]
    end

    subgraph Outputs["Layer 4 & 5: Decision & Plugin Ecosystem"]
        C1["🎯 Stage 1 -> Stage 2 Lift\nViews / Index / JD·Tmall·Meituan UV"]
        C2["🤖 8-LLM GEO SoM & PAWC\n+ McKinsey Pocket Price ROI"]
        C3["🌟 Multi-Account Matrix PK\n& Optimal Budget Allocator"]
        C4["🔌 Agent Skill (via54socialroi)\n+ MCP Server + Node/Cordis Plugin"]
    end

    Input --> Core --> Outputs

模块维度 / Capability

🌍 公开试用与架构/插件版 (veawho/via54SocialROI)

🔒 私有商业全功能完整版 (veawho/via54SocialROIPro)

系统五层架构接口 (core/interfaces.py & core/schemas.py)

✅ 完全开源(完整强类型数据契约与 ABC 抽象基类)

✅ 相同架构契约全量商业实现

极简三步傻瓜式 Web 测算台 (static/index.html & server.py)

✅ 完全开源(含一句话算清账决策卡 + 9大分析视图)

✅ 相同前端界面,解锁真实反爬与全精度精算

多账号 PK 选号看板 (Multi-Account Matrix Board)

✅ 完全开源(含 SVG 象限气泡图、横向 PK 表、预算规划器)

✅ 激活完整 Sainsbury 跨平台重合度矩阵与 Hill 寻优

通用 Agent Skill (via54socialroi) & MCP / Node 插件

✅ 完全开源(兼容腾讯 Marvis / Antigravity / Claude Code / OpenClaw)

✅ 全量商业内核直连

底层多阶段数学标定参数矩阵与腾讯 Marvis 实时反爬核心

🧪 内置确定性试用沙盒 (core/demo_engine.py)

🔒 独立私有仓库闭源保护 (veawho/via54SocialROIPro)


🚀 30秒快速启动 / 30-Second Quick Start

零第三方重依赖(纯 Python 标准库即可启动开源试用沙盒,强烈建议搭配本机【腾讯 Marvis】使用):

# 1. 克隆仓库 / Clone the repository
git clone https://github.com/veawho/via54SocialROI.git
cd via54SocialROI

# 2. 查看当前激活引擎版本 / Check active engine edition
python cli.py --info

# 3. 命令行一键运行单账号投前精算试用 Demo / Run Single-Account CLI Demo
python cli.py --preset xhs_kefujia_medical

# 4. 命令行一键运行跨平台多账号矩阵 PK 与预算分配 Demo / Run Multi-Account Matrix CLI Demo
python cli.py --matrix --budget 95000

# 5. 启动极简傻瓜式 Web 测算工作台 / Launch the Web Workbench UI
python server.py 8765
# 浏览器打开 / Open in browser: http://127.0.0.1:8765

🤖 安装为 AI Agent Skill、MCP 与 Node/Cordis 插件 / Install as Skill & Plugin

1. 安装通用 Agent Skill (via54socialroi)

本仓库内置符合 Agent Skills Open Standard 及 via54Skills 规范的 via54socialroi/SKILL.md,支持 腾讯 Marvis、Google Antigravity、Claude Code、Hermes Agent、OpenClaw、OpenCode、Codex CLI:

# 方式 A:使用 skills CLI 一键安装
npx skills add veawho/via54SocialROI

# 方式 B:复制到 Claude Code / Antigravity / 腾讯 Marvis 全局 skills 目录
cp -r via54socialroi ~/.claude/skills/
cp -r via54socialroi ~/.gemini/config/skills/

2. 挂载为标准 MCP Server(腾讯 Marvis / Claude Desktop / Antigravity / Cursor)

在客户端的 mcp_config.json 或 claude_desktop_config.json 中添加:

{
  "mcpServers": {
    "via54-social-roi": {
      "command": "python",
      "args": ["/path/to/via54SocialROI/mcp_server.py"]
    }
  }
}

3. 作为 Node.js / Cordis / OpenClaw 插件调用 (@via54/plugin-social-roi)

const Via54SocialROIPlugin = require('./plugin');

// 单账号评测 / Single-account evaluation
const res = await Via54SocialROIPlugin.evaluateSingleAccount({
  brand: '科复佳',
  product: '医用透明质酸钠修复贴',
  platform: 'xiaohongshu',
  followers: 185000,
  budget: 18500,
  price: 118
});

📂 仓库目录结构 / Repository Structure

via54SocialROI/
├── core/                         # [Base Architecture & Trial Sandbox] 五层开源架构与试用沙盒
│   ├── __init__.py               # 架构导出入口 (OPEN_CORE_DEMO)
│   ├── schemas.py                # 强类型领域数据模型 (SocialAccountProfile / ProductInput / Stage2)
│   ├── interfaces.py             # 五层系统抽象基类 (BasePromotionEngine / BaseSocialCrawler 等)
│   └── demo_engine.py            # 开源确定性试用沙盒与参考实现
├── plugin/                       # [Node/Cordis Plugin] JS/TS 跨框架插件适配器
│   ├── index.js                  # Cordis / Koishi / OpenClaw / Node 插件入口
│   └── index.d.ts                # TypeScript 类型声明
├── via54socialroi/               # [Agent Skill] 通用技能包 (兼容腾讯 Marvis / Antigravity / Claude)
│   ├── SKILL.md
│   └── scripts/social_roi_cli.py
├── skills/via54socialroi/        # 标准插件目录技能镜像
├── .claude-plugin/plugin.json    # Claude Code 插件清单
├── plugin.json                   # 根级 MCP 与技能插件声明清单
├── package.json                  # @via54/plugin-social-roi NPM/Node 插件配置
├── static/index.html             # v2.4 极简三步傻瓜式 Web 测算台 + 多账号 PK 选号看板
├── server.py                     # REST API 与 Web 工作台服务端
├── cli.py                        # 命令行工具 (支持 --info / --preset / --matrix / --json)
├── mcp_server.py                 # 零依赖 JSON-RPC 2.0 Stdio MCP 服务端
├── tests/test_demo.py            # 6项开源试用沙盒、插件形态与防泄漏自动化测试套件
├── README.md                     # 中英双语主文档 (Default Bilingual README)
├── README.zh-CN.md               # 中文说明文档
└── README_EN.md                  # Technical English Documentation

🧪 运行自动化测试 / Running Tests

python -m unittest discover -s tests -v

⭐ Star & Contributing

如果这个 社媒种草 ROI 测算架构 + 多账号矩阵选号看板 + Agent Skill / MCP 插件 对你的营销工程或 Agent 工作流有所启发,欢迎点击右上角 ⭐ Star 支持!同时强烈建议本机部署 腾讯 Marvis(当前测试最好的社交媒体监测 Agent 客户端) 以获得最佳实测体验! If you find via54SocialROI useful for marketing analytics, GEO research, or AI Agent toolchains, please give it a ⭐ Star on GitHub!

📄 开源许可 / License

本项目开源部分(架构接口、Demo 试用沙盒引擎、前端工作台、Agent Skill 与 MCP/Node 插件)采用 MIT License 授权。

Related MCP Connectors

Related MCP Servers

  • A
    license
    Not graded
    quality
    D
    maintenance
    A stdio-based server that enables interaction with the DataForSEO API through the Model Context Protocol, allowing users to fetch SEO data including search results, keywords data, backlinks, on-page analysis, and more.
    9 npm
    7
    MIT
  • A
    license
    Not graded
    quality
    B
    maintenance
    Enables agents to run statistics and data-science computations over numerical streams using only the Python standard library, including Z-score/IQR anomaly detection, Holt linear forecasting, Welch's t-test hypothesis evaluation, gradient-descent multivariate regression, and power-iteration SVD/PCA dimensionality reduction. Exposes these capabilities over JSON-RPC 2.0 stdio so clients like Claude Desktop, Cursor, and Windsurf can project high-dimensional feature vectors into principal components without any external dependencies.
    7
    MIT
  • A
    license
    Not graded
    quality
    C
    maintenance
    Exposes four System 1 decision tools — categorical choice, rubric scoring, binary probability assertions, and a pre-execution guardrail — over stdio JSON-RPC. This enables agents to make sub-second routing, triage, and safety decisions without slow generative calls.
    MIT