Optimizador de Rendimiento de Contenido - Ciclo de Auto-Mejora de Contenido

Descripcion

Recopila datos de mercado de 5 fuentes (X, Google Search, Google Trends, Reddit/HN, cuentas de competidores), realiza analisis integrado con LLM y genera automaticamente hipotesis y variantes A/B. Registra las variantes de publicaciones generadas como borradores en Typefully, mide el rendimiento posterior a la publicacion y aprende, habilitando un ciclo de auto-mejora continua para el contenido.

Descripcion General del Flujo de Trabajo

1. Investigacion de mercado -> 2. Generacion de hipotesis -> 3. Creacion de variantes -> 4. Publicacion (Typefully) -> 5. Recopilacion de metricas -> 6. Analisis y aprendizaje -> Volver a 1.

Inicio Rapido

# Generacion de hipotesis (de extremo a extremo: investigacion de tendencias -> hipotesis -> variantes)
python skills/content-optimizer/scripts/hypothesis_generator.py --topic "Agentes de IA" --channel x_twitter

# Recopilacion de metricas (medicion de rendimiento post-publicacion)
python skills/content-optimizer/scripts/collect_metrics.py --tweet-ids "123,456" --experiment-id exp-001

# Ejecucion en seco (sin llamadas API)
python skills/content-optimizer/scripts/hypothesis_generator.py --topic "SaaS" --dry-run

Lista de Scripts

Script	Proposito
hypothesis_generator.py	Investigacion de mercado -> generacion de hipotesis -> creacion de variantes
collect_metrics.py	Recopilacion de metricas de tweets y comparacion de variantes
typefully_client.py	Cliente de API v2 de Typefully

Parametros de hypothesis_generator.py

Parametro	Requerido	Predeterminado	Descripcion
--topic, -t	Si	-	Topico de investigacion
--channel, -c	No	x_twitter	Canal: x_twitter, email, linkedin
--competitors	No	-	Cuentas de competidores (separadas por coma)
--lang, -l	No	ja	Idioma: ja, en, all
--days, -d	No	7	Periodo de investigacion
--num-hypotheses	No	5	Numero de hipotesis a generar
--auto-draft	No	false	Crear borradores automaticamente en Typefully
--output, -o	No	output/content-optimizer/	Destino de salida
--dry-run	No	false	Vista previa sin llamadas API
--test	No	false	Auto-prueba

Parametros de collect_metrics.py

Parametro	Requerido	Predeterminado	Descripcion
--tweet-ids	No	-	IDs de tweets para recuperacion de metricas (separados por coma)
--username	No	-	Recuperar publicaciones recientes del usuario
--experiment-id	No	-	Vincular y comparar por ID de experimento
--days-after	No	3	Dias de metricas a recuperar despues de publicar
--output, -o	No	output/content-optimizer/	Destino de salida
--test	No	false	Auto-prueba

Fuentes de Datos

Fuente	API	Datos Recuperados	Variable de Entorno
X (Twitter)	X API v2 Recent Search	Publicaciones virales (mayor engagement)	X_BEARER_TOKEN
Google Search	Gemini Google Search grounding	Articulos tendencia, mejores practicas	GEMINI_API_KEY
Google Trends	Gemini grounding	Tendencias de volumen de busqueda, topicos en alza	GEMINI_API_KEY
Reddit / HN	Reddit JSON API + HN Algolia API	Discusiones de la comunidad, sentimiento	No requerido
Cuentas de competidores	X API v2 User Tweets	Publicaciones de alto rendimiento de competidores	X_BEARER_TOKEN

Formato de Salida

output/content-optimizer/hypotheses/YYYYMMDD_HHMMSS_{topico}/
├── market_report.md       # Informe de tendencias
├── hypotheses.yaml        # Lista de hipotesis (priorizada)
├── experiment_design.yaml # Documento de diseno de experimento
├── raw_data.json          # Datos brutos de todas las fuentes
└── drafts/                # Borradores de publicaciones con variantes A/B
    ├── variant_a.md
    └── variant_b.md

Configuracion del Entorno

Variables de Entorno Requeridas

# Agregar a .env
X_BEARER_TOKEN=su_token_bearer_x_aqui   # Busqueda y recuperacion de usuarios X API v2
GEMINI_API_KEY=su_clave_api_gemini_aqui   # Google Search grounding + analisis LLM

Variables de Entorno Opcionales

TYPEFULLY_API_KEY=su_clave_typefully_aqui  # Al usar la opcion --auto-draft

Como Obtener

• X_BEARER_TOKEN: Obtener despues de crear un proyecto en X Developer Portal (plan Basic o superior)
• GEMINI_API_KEY: Obtener en Google AI Studio (gratuito)
• TYPEFULLY_API_KEY: Obtener en Typefully Settings seccion API

Como Usar el Ciclo de Auto-Mejora

1. Use hypothesis_generator.py para analisis de tendencias -> hipotesis -> generacion de variantes
2. Publique variantes A/B via Typefully (manual o con el flag --auto-draft)
3. Despues de 2-3 dias, mida el rendimiento con collect_metrics.py
4. Genere las siguientes hipotesis basandose en los resultados (el aprendizaje se acumula)

Ejemplos de Uso

# Generar hipotesis sobre agentes de IA para X (japones)
python skills/content-optimizer/scripts/hypothesis_generator.py \
  --topic "Agentes de IA" --channel x_twitter --lang ja

# Tambien investigar cuentas de competidores y auto-registrar variantes en Typefully
python skills/content-optimizer/scripts/hypothesis_generator.py \
  --topic "SaaS" --competitors "user_a,user_b" --auto-draft

# Generar 5 hipotesis para contenido de LinkedIn en ingles
python skills/content-optimizer/scripts/hypothesis_generator.py \
  --topic "productivity" --channel linkedin --lang en --num-hypotheses 5

# Recopilar metricas para IDs de tweets especificados
python skills/content-optimizer/scripts/collect_metrics.py \
  --tweet-ids "1234567890,0987654321" --experiment-id exp-001

# Recuperar y analizar publicaciones recientes del usuario
python skills/content-optimizer/scripts/collect_metrics.py \
  --username micuenta --days-after 7

# Ejecucion en seco para verificar que datos se recuperarian
python skills/content-optimizer/scripts/hypothesis_generator.py \
  --topic "IA generativa" --dry-run

Dependencias

requests>=2.28.0
python-dotenv>=0.19.0
pyyaml>=6.0
google-genai>=0.5.0

Habilidades Relacionadas

• x-research -- Recopilacion de datos de busqueda de X
• ab-test-setup -- Marco detallado de diseno de experimentos
• social-content -- Estrategia de contenido para redes sociales
• content-strategy -- Planificacion de contenido
• analytics-tracking -- Medicion de metricas