從「幫我找銀行影片」到一個 GitHub Plugin

一個下午的 Claude Code 開發故事 ── 跟 AI 一起踩牆、發現、封裝

2026-05-15 · Tony Wang · 約 8 分鐘

TL;DR

一個下午，從一句「幫我找銀行話題影片」出發，意外做出一個 Claude Code plugin 並上 GitHub。

過程中發現：YouTube/PTT/Dcard/Mobile01/新聞對 AI 友善，IG/FB/Threads/TikTok 是 Meta/字節的牆。並行 agent 比序列快 4 倍，KOL 才是金融類影片的真主場，誠實標 N/A 比編造有用。

把這套方法論封裝成 brand-research-toolkit，給喜歡當伸手牌的你。

看 GitHub Repo →

故事的起點

那天下午，我跟 Claude 說：

ME
爬官股銀行 & 民營銀行話題影片

就這麼一句話。我想要的是一份「YouTube + TikTok 近 30 天，所有官股 vs 主要民營，找高聲量話題影片」的清單。

Claude 反問了我幾個問題（時間範圍、銀行清單、產出形式），確認後就開始跑。它一口氣 dispatch 了 4 個並行 agent：YouTube 官股、YouTube 民營、TikTok 官股、TikTok 民營。

這是第一個讓我精神一振的時刻 ── 過去同樣的研究，我自己手動做要花 2-3 小時，這次 3 分鐘出第一版表格。

但這只是開始 ── 殘酷的真相

結果一拿到我就發現問題了。19 家銀行 × 2 平台的研究，TikTok 那邊全部是「無顯著話題影片」。一開始以為是 AI 偷懶，仔細看才發現：

TikTok 對所有外部工具是絕對的牆。WebSearch 只能搜到 hashtag 聚合頁，WebFetch 直接被 JS 牆擋下回傳 Please wait...。AI 沒有「假裝爬到」── 它是真的拿不到。

這逼我重新思考：各平台對 AI 的真實可達性差很多。整理了一張表給自己對照：

平台	AI 友善度	主要工具	備註
YouTube	✅ 高	WebSearch + Gemini 餵連結	Gemini 比 Claude 強（可直接看影片）
PTT	✅ 高	WebFetch ptt.cc	純 HTML，連推噓數都抓得到
Dcard	✅ 中	WebSearch site:dcard.tw	列表動態載入但單篇可抓
Mobile01	✅ 高	WebFetch + site:	傳統 phpBB 結構穩定
新聞媒體	✅ 高	WebSearch + WebFetch	UDN/ETtoday/自由都行
Threads	⚠️ 牆	改用 KEYPO / Threads App	Meta 不開放給 Google index
FB	⚠️ 牆	改用 KEYPO / 第三方監聽	API 需 page admin 權限
TikTok	⚠️ 牆	改用 TikTok Creative Center	JS 牆 + 反爬蟲

這張表，後來變成了 plugin 裡最重要的「誠實宣告」── 不裝懂、不假裝能爬。

三個讓我繼續挖下去的發現

① KOL 才是金融影片的真主場

表格整理完，最反直覺的發現是：銀行官方 YouTube 頻道幾乎全是「冷的」。8 大公股銀行近 30 天加起來只有 1-2 支可看的影片。

真正的高聲量在哪？SHIN LI 李勛一個人。他 4 月那支「2026 綜所稅信用卡攻略」一次把八大公股全包，比官方頻道熱十倍。台新 GOGO 改版炎上、永豐 DAWHO 100 萬門檻民怨 ── 全部是他撐起的話題。

「金融類 YouTube ≈ SHIN LI 李勛」── 這種 meta-insight 是研究跑完才意外冒出來的。

② 並行 agent 比序列快 4 倍

第二個發現很技術但很重要：在同一個訊息內 dispatch 多個 agent，比逐個跑快 3-4 倍。19 家銀行序列要跑 12 分鐘，4 個並行 agent 只要 3 分鐘。

這個模式變成 plugin 裡的 parallel-agents.md 範本。

③ 誠實標 N/A 比編造有用

當 agent 回報「TikTok 全部 19 家銀行近 30 天無顯著影片」── 這聽起來像「失敗」。但對讀者來說，這是有用的資訊：原來 TikTok 是金融品牌的盲區，主戰場仍在 YouTube + IG + Threads。

這個原則被寫進 SKILL.md 的「嚴格規則」：找不到就說找不到，禁止編造。

那一刻決定：要把方法論封裝成 plugin

研究做完、整理成電子報那一刻，我突然意識到：這套流程值得做成可重複使用的工具。

不是因為它複雜，而是因為它「踩過牆」── 平台可達性、並行 dispatch、誠實 N/A、HTML 範本、推到 GitHub Pages 的整套 muscle memory，全部值得封裝。

所以我跟 Claude 說：

ME
我想要把這種搜尋技能做成 skill 懶人包。大家可以自行下載運用調整，不管是找尋數據或是發布到 html 做成電子報的教學

用 superpowers skill 走完開發流程

這時候 Claude 自動觸發 superpowers 的 brainstorming skill。整個下午的開發節奏變成：

Brainstorming：6 個關鍵問題對齊範圍（單 skill vs plugin、平台範圍、目標使用者、HTML 範本、發布流程）
Spec：寫完 10 章設計文件，自審 + commit
Plan：拆成 20 個 task，每個 task 有完整內容草稿
Subagent-driven execution：每個 task dispatch 獨立 implementer，跑完 spec review + code quality review
發布：建 GitHub repo、push code、push tag、建 release

過程中最神奇的不是 AI 寫得快，而是「它把我自己會跳過的紀律做完了」── brainstorming 一題一題問、設計文件寫滿 10 章、20 個 task 每個都 commit、release notes 也寫好。我自己做開發很容易跳掉這些。

成品數字

commits

files

平台手冊

skills

完整範例

brand-research-toolkit 包了什麼

Skill 1：brand-issue-research

跨平台研究品牌話題、輿情、廣告活動。並行查多平台 → 整合表格 → 觀察小結。包含 7 個平台手冊（YouTube / PTT / Dcard / Mobile01 / 新聞 / Threads-FB），每個都標註 AI 真實可達性 + 該用什麼工具繞。

裡面附一份完整跑過的銀行研究範例 ── bank-research-2026-05.md，當教材用。

Skill 2：publish-research-html

把任何研究結果做成乾淨響應式 HTML，自動 push 到你的 GitHub Pages repo。

第一次使用會問你 5 個問題（repo 路徑、對外網址、作者、是否要自訂主題、主題 CSS 檔名），寫入設定檔 ~/.config/research-publisher.json。下次直接用。

HTML 範本用 8 個 CSS 變數設計，要改色改字一個檔搞定。

怎麼用

# 安裝（在 Claude Code 內）
/plugin install tonyace126/brand-research-toolkit

# 使用
對 Claude 說：
「研究永豐銀行近 30 天的 PTT + Dcard + 新聞輿情」
「盤點台灣前 10 大民營銀行的 YouTube 聲量」
「研究 X 品牌在 PTT/Dcard 怎麼被討論」

# 研究跑完
Claude 會問：「要做成 HTML 電子報嗎？」
回「好」 → 自動套範本、推到你的 GitHub Pages。

學到的事

AI 對不同平台能力差很多，不要假裝它都能爬。誠實標牆、給替代工具，比硬幹有價值
並行 dispatch 是省時神技，但要在同一個訊息內發出去
方法論值得封裝，跑兩次以上就該想能不能變成 skill
superpowers 把開發紀律做給你，你只要回答問題、確認設計
「找不到就說找不到」是工程紀律也是 PR 友善 ── 客戶比較怕你編造，不怕你誠實

誰適合用

定位寫在 spec 裡：「進階 marketing 使用者（會用 ChatGPT/Gemini，但不一定碰過 Claude Code）/ 喜歡當伸手牌的你。」

翻譯成白話：

常需要做品牌口碑研究、競品分析、輿情盤點
受不了自己 Google 一頁一頁翻
想要每週固定產出電子報但不想自己排版
有 GitHub Pages 想活用

如果你是這種人，這個 repo 就是給你的。

下一步

v0.1.0 是 MVP。我自己會用一段時間，看哪些平台手冊需要再深、哪些 troubleshooting 要加。歡迎 fork、開 issue、寄信給我。

Repo：github.com/tonyace126/brand-research-toolkit

v0.1.0 Release：看 release notes