新闻详情

新闻详情

首页 / 资讯中心 / 详情

XiaohongshuSkills互动自动化全解析:自动评论、回复、点赞、收藏一步到位

发布时间:2026/11/18 2:12:15来源:尧图网络
XiaohongshuSkills互动自动化全解析:自动评论、回复、点赞、收藏一步到位
XiaohongshuSkills互动自动化全解析自动评论、回复、点赞、收藏一步到位【免费下载链接】XiaohongshuSkills支持小红书自动发布、自动评论、自动检索的 Skill。支持 OpenClaw、Codex、CC 等项目地址: https://gitcode.com/gh_mirrors/xi/XiaohongshuSkillsXiaohongshuSkills 是一款开源的小红书互动自动化工具基于 Chrome DevTools ProtocolCDP实现小红书自动评论、评论回复、自动点赞与自动收藏还能抓取笔记评论、通知等内容数据并支持 Claude Code、OpenClaw、Codex 等 AI 助手以 Skill 插件形式调用一条命令即可完成以往需要手动点击的互动操作。一、它能帮你做什么大多数小红书自动化工具只解决发笔记而 XiaohongshuSkills 把互动链路也补齐了。核心能力一览能力对应命令说明️ 自动评论post-comment-to-feed对指定笔记发表一级评论 自动回复respond-comment按评论 ID / 作者 / 文本片段定位并回复❤️ 点赞 / 取消点赞note-upvote/note-unvote自动识别按钮当前状态幂等切换⭐ 收藏 / 取消收藏note-bookmark/note-unbookmark同样支持幂等切换 笔记检索search-feeds关键词搜索 排序 类型筛选 评论数据抓取get-feed-detail滚动加载更多评论、展开二级回复 通知抓取get-notification-mentions抓取评论和通知接口数据 内容数据看板content-data曝光/观看/点赞等指标可导出 CSV所有互动能力集中在 scripts/cdp_publish.py 中实现检索与页面数据提取逻辑位于 scripts/feed_explorer.py。二、三步上手安装依赖与首次登录环境要求Python 3.10、Google Chrome 浏览器。获取项目代码git clone https://gitcode.com/gh_mirrors/xi/XiaohongshuSkills安装依赖见 requirements.txtpip install -r requirements.txt首次扫码登录python scripts/cdp_publish.py login在弹出的 Chrome 窗口中扫码即可。登录态默认缓存 12 小时之后执行互动命令无需反复登录。多账号场景下可参考 config/accounts.json.example 配置账号模板通过add-account、--account参数切换账号各账号 Cookie 相互隔离。三、前置条件如何拿到 feed_id 和 xsec_token所有互动命令都需要两个参数--feed-id笔记 ID和--xsec-token访问令牌。最省事的办法是先搜索再取详情# 关键词搜索笔记结果中每条都带 id 与 xsecToken python scripts/cdp_publish.py search-feeds --keyword 春招搜索结果会返回页面可提取到的笔记列表包含id、xsecToken、标题、互动数等字段。取到这两个值后即可进入下面的互动操作。也可以用list-feeds直接拉取首页推荐流从推荐列表里挑目标笔记。四、小红书自动评论一条命令发表评论想要给指定笔记发一条一级评论只需python scripts/cdp_publish.py post-comment-to-feed \ --feed-id 67abc1234def567890123456 \ --xsec-token YOUR_XSEC_TOKEN \ --content 写得很实用感谢分享底层实现scripts/cdp_publish.py 中的post_comment_to_feed会先导航到笔记详情页自动定位评论输入框并点击聚焦填入评论文本再点击发送按钮提交。对于多行长评论还可以用--content-file从文件读取内容避免命令行转义问题。五、小红书自动回复三种方式精准定位目标评论回复某条特定评论时工具支持三种定位方式按精确度从高到低--comment-id评论 ID最可靠--comment-author按评论作者昵称匹配--comment_snippet按评论文本片段模糊匹配。python scripts/cdp_publish.py respond-comment \ --feed-id 67abc1234def567890123456 \ --xsec-token YOUR_XSEC_TOKEN \ --comment-id COMMENT_ID \ --content 感谢你的反馈执行时respond_comment见 scripts/cdp_publish.py脚本会先滚动加载评论区、自动点击更多回复展开二级回复再根据定位条件找到目标评论并激活回复框最后填词发送。返回值里带有matched_comment_id、matched_author等字段方便你核对回复落在了哪条评论下。 小技巧先用get-feed-detail --load-all-comments拉取评论列表拿到准确的comment-id后再回复定位成功率最高。六、自动点赞与收藏幂等切换更省心点赞、收藏支持设置状态而非简单的点一下# 点赞 / 取消点赞 python scripts/cdp_publish.py note-upvote --feed-id FEED_ID --xsec-token TOKEN python scripts/cdp_publish.py note-unvote --feed-id FEED_ID --xsec-token TOKEN # 收藏 / 取消收藏 python scripts/cdp_publish.py note-bookmark --feed-id FEED_ID --xsec-token TOKEN python scripts/cdp_publish.py note-unbookmark --feed-id FEED_ID --xsec-token TOKEN实现上scripts/cdp_publish.py 中的set_note_upvote_state与set_note_bookmark_state脚本会先检查点赞/收藏按钮的当前状态是否已赞、已收藏只有状态与目标不一致时才点击避免重复点击导致误取消。返回结果包含state_before、state_after、changed三个字段一眼就能确认操作是否真正生效——这对批量互动脚本非常重要。七、查看评论与互动数据让自动化形成闭环只发互动、不看反馈是不够的。XiaohongshuSkills 提供了完整的数据侧命令# 抓取笔记详情 加载更多评论可展开二级回复 python scripts/cdp_publish.py get-feed-detail \ --feed-id FEED_ID --xsec-token TOKEN \ --load-all-comments --limit 20 --click-more-replies --reply-limit 10 # 抓取评论和通知接口数据 python scripts/cdp_publish.py get-notification-mentions # 抓取创作者中心笔记基础信息表可导出 CSV python scripts/cdp_publish.py content-data --csv-file /abs/path/data.csvget-feed-detail会在详情页滚动评论区从window.__INITIAL_STATE__中提取评论数据content-data则能拿到曝光、观看、点赞、收藏、涨粉等指标。配合 scripts/feed_explorer.py 的页面状态等待机制抓取稳定性较好。这样搜索 → 互动 → 看数据的闭环就跑通了。八、接入 AI 助手以 Skill 插件形式调用项目自带 SKILL.md把上面所有能力封装成了 AI 助手可以直接理解的技能说明。将其复制到 Claude Code / OpenCode 的 skills 目录后直接用自然语言下指令即可例如帮我搜索『春招』相关的笔记给前三条点赞收藏并各留一条感谢评论。AI 会按 SKILL.md 中定义的流程自动编排search-feeds→note-upvote→post-comment-to-feed等命令。详细的集成步骤见 docs/claude-code-integration.md。九、使用建议与风险提示 ⚠️先用测试号验证自动化操作存在被平台风控、限流甚至封号的风险建议小流量起步控制频率互动间隔保持自然节奏避免短时间高频操作人工复核对评论文案与最终操作结果做一次人工确认页面改版若互动失败优先检查 scripts/cdp_publish.py 中的按钮选择器与等待策略仅供学习研究请遵守小红书平台规则勿用于违规场景。小结XiaohongshuSkills 把小红书自动评论、评论回复、自动点赞、自动收藏以及评论数据抓取整合到一条命令行链路中配合 Skill 机制还能无缝接入 AI 助手是新手做小红书互动自动化的一个完整起点。项目采用 MIT 许可证完整文档见 README.md。【免费下载链接】XiaohongshuSkills支持小红书自动发布、自动评论、自动检索的 Skill。支持 OpenClaw、Codex、CC 等项目地址: https://gitcode.com/gh_mirrors/xi/XiaohongshuSkills创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉