如何用 Sonnet 5 找到无限的 YouTube 脚本创意

如何用 sonnet 5 找到无限的 YouTube 脚本创意 2026年7月15日 · 10分钟阅读 · 查看原文 ↗ Claude Youtube Marketing MCP sonnet 5 于6月30日发布，而大多数无脸（faceless）创作者用它写脚本的方式，和他们用 sonnet 4.6 时一模一样。 输入一个主题。拿到一份脚本。发布。然后纳闷为什么完播率（retention）一直平平。 他们漏掉的是真正起作用的那个环节：在写下第一个字之前，喂给脚本的那一层研究。 sonnet 5 是 Anthropic 有史以来发布的最具智能体（agentic）能力的 sonnet。它会做规划、调用工具、自主运行，并完成那些之前模型会中途卡住的多步骤复杂任务。它会主动检查自己的输出，无需你要求。智能体编码基准测试把它打到 63.2%，高于 sonnet 4.6 的 58.1%，逼近 opus 4.8 的 69.2%。 而大多数创作者却把它当聊天机器人用。 下面是我实际使用它的方式：把它当成一个研究引擎，在我写下任何一个字之前，从竞品数据、异常值模式、跨平台趋势中挖掘出脚本创意。整个工作流大约20分钟跑完，取代了3个多小时的人工翻找。 我会完整拆解这套系统。 为什么人工研究会失败（以及用什么取代它） 大多数无脸创作者的标准研究流程长这样： 打开 YouTube，花45分钟浏览竞品频道 读3-4份逐字稿，试图弄明白它们为什么成功 用关键词工具查搜索量 从零开始搭一个粗略大纲 总计：在脚本写出第一行之前就花了3个多小时 问题不在时间。问题在于人工研究只会让你对主题有一个泛泛的感觉。你带走的是一堆信息，而不是结构性的决策。你知道要讲什么，却不知道该如何组织它、从哪里切入故事、该用哪种钩子类型，或者你所在领域里表现最好的视频正在运行怎样的"好奇心架构"。 sonnet 5 改变了这一点，因为它能自主执行多步骤的研究工作流。你给它一份结构化的简报，它执行各个步骤、检查自己的工作，然后交付一份包含明确编辑决策（而不是事实清单）的输出。 下面是完整的工作流。 第一阶段：用 nexlev MCP 做异常值检测（5分钟） nexlev MCP 把 sonnet 5 直接连接到60多个 YouTube 研究工具上。频道发现、数据分析、逐字稿、变现数据、细分领域情报。所有这些都能在 Claude 项目里通过自然语言查询。 第一步是找到异常值：你所在领域里那些显著跑赢其频道平均水平的视频。一个在平均3万播放量的频道上拿到50万播放量的视频。一个在一个通常只能拿到40%完播率的话题上守住了70%以上完播率的视频。 下面是我在连接了 nexlev MCP 之后喂给 sonnet 5 的提示词： "使用 nexlev 的 YouTube 工具，搜索 [你的领域] 领域里订阅数在10,000到200,000之间的频道。对每个频道，找出它们相对频道平均水平而言播放量最高的前3个视频。我要的是播放量至少达到频道平均水平5倍的视频。 对你找到的每个异常值视频，返回： 视频标题和 URL 频道名称和订阅数 播放量与频道平均水平的对比（倍数） 发布日期 该领域的预估 RPM 区间 总共返回10-15个异常值视频，按播放量与平均水平的倍数从高到低排序。重点关注最近6个月内发布的视频。" 你会拿回一份排名列表：在你的领域里突围的视频。这些就是你的研究对象。它们跑赢的结构性原因，就是你下一篇脚本应该建立的基础。 第二阶段：异常值逐字稿分析（8分钟） 拿到异常值列表后，拉取逐字稿。借助 sonnet 5 的 100万 token 上下文窗口，你可以把多份完整逐字稿喂进同一个对话里，让它跨所有逐字稿交叉比对结构性模式。 下面是逐字稿分析的提示词： "这是 [数量] 个在 [领域] 领域显著跑赢其频道平均水平的 YouTube 视频的完整逐字稿。我要你对它们全部做一次深入的结构性分析，找出共同模式。 对每份逐字稿分析以下内容： 钩子架构：前50个词做了什么？使用了哪种心理触发器（模式打断、矛盾、戏剧性利害、好奇心缺口、in media res）？第一个开放式悬念（open loop）放在哪里？钩子是确认了缩略图/标题的预期，还是颠覆了它？ 节奏模式：描绘整份脚本的信息密度。哪里压缩（密集、快速的句子）？哪里展开（故事、类比、更慢的讲述）？有没有冲击时刻（模式违背）？它落在时长中的哪个位置？ 小型回报结构：找出每一个小型回报。测量每个回报与下一个好奇心钩子之间的间隔。哪里存在"回报真空"？没有新的好奇心触发的最长一段有多长？ 主题切入：主题是如何进入的？按时间顺序、in media res、通过一个现代引用、通过一个反常识角度？切入点是什么，为什么有效？ 这篇有何不同：与同一主题的普通视频相比，什么结构性或编辑性决策把这篇区分开来？一个讲同一主题的竞品绝不会做什么？ 在逐个分析每份逐字稿后，找出在多个异常值之间反复出现的前3个模式。这些就是我下一批脚本应该采用的结构蓝图。 输出一份结构化拆解，并用逐字稿中的直接引用来支撑每一条观察。" 这种分析会产出你领域里"当下"有效的结构蓝图。不是6个月前有效的东西，而是本周正在生效的东西。 第三阶段：用 cowork 做跨平台趋势抓取（4分钟） 这是大多数创作者完全跳过的步骤。而它恰恰是那个在 YouTube 上被做烂之前就给你创意的步骤。 趋势先在 X（Twitter）上冒头，之后才会传到 YouTube。一个今天在 X 线程里升温的话题，会在2-3周后变成 YouTube 视频选题。如果你现在就在 X 上抓住它、现在就写脚本，你就是在浪潮来临之前上传，而不是之后。 cowork 模式下的 sonnet 5 可以浏览 X、抓取你领域里的热门话题，并把它们与你的 YouTube 异常值数据交叉比对，找出缺口。 下面是我怎么设置它的： "浏览 X（Twitter），搜索 [领域] 领域过去7天表现最好的帖子。寻找： 互动量高（点赞、转发、回复）但我的竞品列表中的频道尚未将其做成 YouTube 视频的话题 正在产生讨论的新兴争论或有争议的观点 创作者正在讨论但还没有产出视频内容的新工具、新方法、新策略 正在被分享的、能成为强力 YouTube 视频选题的具体案例研究或成果 把你找到的东西与第一阶段的异常值视频列表交叉比对。找出： 在 X 上表现好、但 YouTube 上零覆盖的话题（蓝海创意） YouTube 已有覆盖、但角度与 X 上流行的不同的话题（重构机会） X 上被提及、且与表现最好的 YouTube 视频所覆盖内容重叠的工具或方法（收敛信号） 返回10个潜在脚本创意，每个包含： 话题和角度 为什么它正当时（X 上的信号） 它填补的 YouTube 缺口 基于第二阶段异常值模式的建议钩子方法" 这正是 sonnet 5 的智能体能力真正派上用场的地方。它不是写脚本。它是在做跨平台的多步骤研究——这本来要你人工花2小时——然后交付你能立刻照做的结构化编辑决策。 第四阶段：搜索意图映射（4分钟） 对于每一个通过了第一到第三阶段的脚本创意，你需要理解搜索它的观众真正想要什么。不是他们输入了什么，而是他们想要什么。 "对于这个 YouTube 话题：[你从创意列表中选定的主题] 搜索它的人的首要目标是什么？他们想达成、想避免、或想理解的结果是什么？ 他们关于这个话题已经有的最常见挫败是什么？他们试过什么但没有奏效？ 一个搜索这个话题的人，视频在前2分钟内需要交付什么，才能让他们觉得自己点对了视频？ 关于这个话题，一个视频能告诉他们的、而大多数现有视频都没讲到的最有价值的一件事是什么？ 基于以上所有内容，加上第二阶段的异常值模式，给我写三个可能的钩子角度： (a) 一个违背观众预期的矛盾型钩子 (b) 一个让不作为显得危险的戏剧性利害钩子 (c) 一个把观众直接丢进最扣人心弦时刻中间的 in media res 钩子 每个钩子应在50词以内，并包含一个让人在点开前就难以离开的好奇心缺口。" 第五阶段：脚本简报组装（4分钟） 第一到第四阶段的所有东西，现在都被组装进一份"工程文档"，脚本正是由它搭建起来的。这不是脚本。这是架构蓝图。 "基于前面所有阶段的研究（异常值模式、跨平台信号、搜索意图分析），为一部 [格式] 的 YouTube 脚本写一份完整简报，主题为 [话题]，目标观众为 [观众描述]。 简报应包含： 我们使用的钩子角度，以及它调用了哪种心理触发器（引用异常值模式） 切入点：我们从主题的哪个位置开始、为什么（基于异常值逐字稿中有效的东西） 5-6个按顺序排列的小型回报板块，每个板块用一句话描述它交付什么，以及一句过渡到下一个板块的桥接句 终极回报：观众在结尾得到的、任何竞品同类视频都给不了的东西 节奏图：哪些板块该压缩、哪些该展开，冲击时刻该落在哪里 观看体验：两句话描述观众在1分钟节点、5分钟节点和结尾分别应该是什么感受" 为什么偏偏是 sonnet 5 三件事让 sonnet 5 成为这套工作流的正确模型： 100万 token 上下文窗口。你可以把5-7份完整视频逐字稿、你的 nexlev 数据、你的 X 抓取结果、以及你的搜索意图分析全部放进同一个对话里。模型同时把所有内容都握在上下文里，并跨来源交叉比对模式。 智能体能力。sonnet 5 能执行多步骤工作流，而之前的模型会卡住。它连接 nexlev MCP、运行分析查询、处理结果、然后继续到下一阶段，无需你每一步都重新提示。它会检查自己的输出，并在某处与简报不符时纠正方向。 成本。按每百万输入 token 2美元（8月31日前的新品定价）计算，跑完这整个五阶段工作流的成本，只是同样工作在 fable 5 或 opus 4.8 上开销的零头。研究型工作流不需要前沿级推理，它需要的是可规模化的智能体可靠性。 niflick 用了这套研究方法，28天内产生了70,700小时的观看时长。7,200个新订阅，来自一个大多数人会称之为"过度饱和"的内容集群。 研究识别出了角度。异常值模式给出了结构。跨平台信号给出了时机。而从简报中产出的脚本架构，把观众一路留到了最后。 如果你想拿到 FacelessOS，开始运行这套在创意饱和之前就挖出创意的研究工作流，去 fyreinteractive.co/facelessos （7,000+ 份脚本。为客户创造了 500万美元以上收入。16个 Claude 技能文件，基于42个以上领域的数据训练而成。） haris 链接 fyreinteractive.co/facelessos fyreinteractive.co/facelessos 标签：# X # Claude # Youtube # Marketing # MCP # Growth # Guide # Fable # Sonnet # Cowork 相关文章 How to Turn Nexlev MCP + Opus 5 into a 24/7 YouTube Video Analyst a good youtube video analyst charges $5K-$10K per month. Youtube Marketing MCP Claude