开源抖音分析Skill dy-note：自动整理视频评论为Markdown笔记
速览
作者开源了名为dy-note的Agent Skill工具，旨在解决抖音内容整理需求。该工具可将抖音视频、评论、账号及话题内容自动转化为本地Markdown笔记，并将提取的字幕和评论文件作为资产存储，便于后续追问分析。针对评论数据量大的问题，工具默认提取前100条主评论，同时也支持全量提取以满足爬虫或文本分析需求。
AI 深度解读
背景
在 AI 辅助内容创作与知识管理的社区生态中，针对特定平台的“笔记整理”工具逐渐成为一种热门需求。此前，作者曾在 LINUX DO 社区发布过一个名为 bili-note 的工具，旨在将 B 站（Bilibili）的视频、图文及评论整理为可回溯证据的 Markdown 格式学习笔记，获得了广泛关注。
随着用户需求延伸至其他短视频平台，有用户询问是否支持抖音（Douyin）。由于抖音与 B 站在数据结构、内容形态及 API 接口上存在显著差异，作者决定单独开发适配抖音生态的工具。经过迭代，作者发布了名为 dy-note 的项目。值得注意的是，由于社区对“AI 生成内容”有严格的披露要求，作者此前因未正确展示 AI 润色证明而被删帖，此次重新发布时，作者特别强调所有介绍文字均为手动撰写，以符合社区规范。
核心内容
dy-note 是一个专为 AI Agent（智能体）设计的 Skill（技能/插件），其核心功能是将抖音平台上的视频、评论、账号信息及话题内容自动化整理为本地 Markdown 笔记。
1. 功能定位与工作流程
与 bili-note 类似，dy-note 的目标是实现内容的结构化沉淀。其工作流程主要包含以下几个环节：
- 数据提取：Agent 通过 Skill 抓取抖音视频的元数据、字幕文本、评论列表以及账号/话题相关信息。
- 资产存储：提取出的字幕文件和评论数据不仅用于生成笔记，还作为独立资产存储在本地，便于后续进行深度追问或二次分析。
- 笔记生成：将上述信息整合成结构清晰的 Markdown 文件，方便用户进行知识管理。
2. 技术实现与使用场景
作者展示了在 QoderWork 环境下的实际使用案例，主要包括：
- 安装配置：将 Skill 集成到现有的 AI Agent 工作流中。
- 内容提取：执行具体的抓取任务，处理抖音特有的数据格式。
- 知识同步：提供可选步骤，将生成的 Markdown 笔记导入 Obsidian 等双向链接笔记软件，实现从“数据采集”到“知识内化”的闭环。
3. 评论处理机制 针对用户关心的评论提取问题，作者进行了详细说明：
- 默认策略：为防止数据量过大导致处理缓慢，默认仅转换前 100 条主评论。
- 全量提取：若用户有爬虫或文本分析需求，可通过配置调整，让 Agent 提取全部评论。这体现了工具在易用性与灵活性之间的平衡。
关键要点
- 平台特异性开发：抖音的数据结构与 B 站不同，需要专门的 Skill 进行适配，不能直接复用通用爬虫或笔记工具。
- Agent 原生设计：
dy-note不是独立的桌面软件，而是作为 AI Agent 的 Skill 存在，强调其在自动化工作流中的嵌入能力。 - 资产化管理思维：不仅生成笔记，还将字幕、评论等原始数据作为独立资产保存，支持后续的 RAG（检索增强生成）或深度分析。
- 社区合规性：作者严格遵守 LINUX DO 社区关于“开源推广”和“AI 内容披露”的规定，强调手动撰写介绍以规避违规风险。
- 性能优化策略：针对评论数据可能存在的海量问题，采用“默认限制+按需全量”的策略，平衡处理速度与数据完整性。
意义与影响
dy-note 的出现反映了 AI 工具从“通用内容生成”向“垂直领域知识管理”深化的趋势。
- 填补垂直领域空白：目前市场上针对 B 站的笔记工具较多，但针对抖音等短视频平台的结构化整理工具相对稀缺。
dy-note填补了这一细分市场的空白，满足了用户从短视频平台高效提取知识的需求。 - 推动 Agent 工作流标准化：通过将特定平台的数据处理封装为 Skill，
dy-note展示了如何将复杂的爬虫和数据处理逻辑抽象为可复用的 AI 组件，降低了普通用户构建自动化知识管理流程的门槛。 - 促进社区规范意识：作者因格式问题被删帖后重新合规发布的经历，凸显了 AI 社区对内容透明度和原创性的高度重视。这也提醒开发者，在分享 AI 相关项目时，需严格遵守社区的伦理和规范要求，确保内容的真实性和可追溯性。
- 激发跨平台工具开发灵感：该项目的成功实践可能激励更多开发者针对小红书、快手等其他平台开发类似的专用 Skill，进一步丰富 AI 辅助内容生态的工具链。