Skip to content

About

???? Vibe Coding ??

Resources

Stars

0 stars

Watchers

0 watching

Forks

Latest commit

 

History

9 Commits

Folders and files

NameName
Last commit message
Last commit date
 
 
 
 
 
 

Repository files navigation

Vibe Coding 指南

用 Claude Code 做传媒人里少有的技术加成——视听素材处理、广告分析、可视化仪表盘、自动化流程

这份指南具有一定针对性,重点集成的是传媒&技术的交叉内容。 主要是我在网络上没有找到集成Skills的教程,大部分都需要配置一些环境,对你来说需要一定的学习成本,思来想去干脆手写一份吧,此处鸣谢我的合作伙伴claude code


为什么传媒人要会 Vibe Coding?

能用 AI 工具处理视觉内容、分析广告数据、自动化重复工作的人是稀缺的。你不需要成为程序员,但你需要能:

  • 批量处理几百张图片/视频素材,几分钟完成过去要手动做一天的活
  • 用数据分析广告创意效果,提出有依据的优化建议
  • 做出可以公开访问的交互仪表盘,而不只是截图
  • 把重复工作变成自动运行的流程

这就是 Vibe Coding:你主导方向,AI 写代码,你理解和调整结果。


目录

  1. 安装配置(15分钟)
  2. MCP:让 Claude 直连数据源
  3. Vibe Coding 基本用法
  4. Skills 完整指南
  5. 模块一:视听素材批量处理
  6. 模块二:广告内容分析
  7. 模块三:Streamlit 交互仪表盘
  8. 模块四:自动化 Pipeline
  9. 模块五:让面试官眼前一亮
  10. 番外:舆情与数据可视化
  11. 简历作品集搭建
  12. 常见问题

1. 安装配置

Node.js(Claude Code 需要)

去 nodejs.org 下载 LTS 版,一路下一步。

node --version   # v18.x 或更高

Python + 常用库

去 python.org 下载 3.10+,安装时勾选 Add Python to PATH。

# 基础库
pip install pandas matplotlib seaborn plotly openpyxl

# 图像处理
pip install pillow opencv-python

# 视频处理
pip install moviepy

# 仪表盘
pip install streamlit

# 调用 AI API
pip install anthropic

FFmpeg(视频处理必需):去 ffmpeg.org 下载,解压后把 bin/ 目录加入系统 PATH。

获取并设置 API Key

  1. 打开 console.anthropic.com 注册
  2. API Keys → Create Key → 复制
# macOS/Linux
echo 'export ANTHROPIC_API_KEY="sk-ant-api03-你的key"' >> ~/.zshrc && source ~/.zshrc

# Windows PowerShell
[System.Environment]::SetEnvironmentVariable("ANTHROPIC_API_KEY", "sk-ant-api03-你的key", "User")

安装 Claude Code

npm install -g @anthropic-ai/claude-code
claude --version   # 验证安装

启动:

cd 你的项目文件夹
claude

2. MCP:让 Claude 直连数据源

MCP(Model Context Protocol)是 Claude 在 2024 年发布的协议,让 Claude 不只是聊天,而是可以直接读取和操作外部工具。几乎没有传媒人知道这个,是真正的差异化能力。

2.1 MCP 能做什么

普通用法:你把数据复制粘贴给 Claude,Claude 分析。

用了 MCP:Claude 直接连进你的数据源,实时查询,实时分析。

接入什么 能做什么
Google Sheets Claude 直接读写你的表格,无需导出
文件系统 Claude 直接浏览和操作本地文件夹
浏览器 Claude 直接打开网页、截图、抓取内容
数据库 Claude 直接写 SQL 查数据
Slack/飞书 Claude 直接读消息、发通知

2.2 安装常用 MCP 服务器

MCP 服务器是一个个独立的小程序,安装后 Claude Code 可以调用它们。

# 文件系统访问(最常用)
npm install -g @modelcontextprotocol/server-filesystem

# Google Drive / Sheets 访问
npm install -g @modelcontextprotocol/server-gdrive

# 浏览器控制(可以让 Claude 自动截图、抓网页)
npm install -g @modelcontextprotocol/server-puppeteer

# 数据库访问
npm install -g @modelcontextprotocol/server-sqlite

2.3 配置 MCP(一次性)

Claude Code 的 MCP 配置文件在 ~/.claude/settings.json,让 Claude Code 帮你写:

帮我在 Claude Code 的 settings.json 里配置以下 MCP 服务器:
1. filesystem:允许访问 D:/我的项目 这个目录
2. puppeteer:用于控制浏览器抓取网页
配置完告诉我怎么验证是否生效

2.4 实际使用示例

这是什么: 让 Claude 跳过手动导出步骤,直接读取你 Google Sheets 里的广告数据并实时分析。

让 Claude 直接读你的 Google Sheets 广告数据:

(配置好 gdrive MCP 后)
帮我连接 Google Sheets,
读取"2024广告投放记录"这个表格的 Sheet1,
分析上个月 CTR 最高的5个素材有什么共同特征

这是什么: 让 Claude 自动打开浏览器、访问竞品网站并截图,省去你手动逐页截图的工夫。

让 Claude 自动抓取竞品网站:

(配置好 puppeteer MCP 后)
帮我打开竞品品牌的官网,截图保存,
然后分析它的首页视觉风格:
主色调、字体风格、主推产品、核心卖点文案

这是什么: 让 Claude 直接扫描你本地的素材文件夹,列出文件清单和统计结果,不用你自己一个个打开看。

直接操作本地素材文件夹:

(配置好 filesystem MCP 后)
帮我扫描 D:/素材库 文件夹,
统计各类型文件的数量和总大小,
找出超过30天没有被访问的文件,列个清单

2.5 为什么这很重要

面试时能说:"我会配置 AI 直连数据源,不用手动导出导入"——这在传媒行业几乎是空白,展示了你对 AI 工具的理解深度远超普通用户。


3. Vibe Coding 基本用法

你不需要懂代码,但要学会描述清楚。

描述模板:

我有 [什么素材/数据](格式:jpg/mp4/csv/xlsx)
我想得到 [什么结果]
要求:[具体细节,如尺寸、格式、样式、数量]

遇到报错,把错误信息完整复制给 Claude:

运行后报错:[粘贴报错内容]
帮我修复,解释是什么原因

3. Skills 完整指南

Skills 是写在 ~/.claude/skills/ 里的自定义指令包,用 /skill名称 触发,让 Claude 按照特定流程工作。本仓库包含 22 个 skills,分两大类。

3.1 项目开发工作流 Skills(让 Claude 更聪明地写代码)

这些 skills 的作用是强迫 Claude 在动手之前先想清楚,避免反复返工。对 vibe coding 新手来说特别有用。

Skill 触发方式 什么时候用
using-superpowers 说"调用superpowers" 开启完整结构化开发模式,自动链式调用下面的子 skills
brainstorming 自动(做任何新功能前) Claude 先问清楚你想要什么,再动手,避免方向跑偏
writing-plans 自动(复杂任务) 把大任务拆成步骤,执行前先对齐
test-driven-development 自动(写代码前) 先写测试,再写实现,确保代码真的能跑
systematic-debugging 遇到 bug 时 系统性找原因,不随机乱试
verification-before-completion 说"完成"之前 验证代码真的能跑,不靠感觉说 done
executing-plans 有计划要执行时 按步骤执行,有子代理把关
dispatching-parallel-agents 多个独立任务时 同时派多个 AI 并行处理,速度 N 倍提升
planning-with-files-zh 说"文件规划" 创建持久化任务文件,跨对话保留进度
using-git-worktrees 开始新功能时 每个功能用独立工作区,互不干扰
finishing-a-development-branch 功能做完后 收尾、清理、准备合并
requesting-code-review 提交前 让 Claude 审查自己写的代码
receiving-code-review 收到审查意见后 处理审查反馈,不盲目执行
simplify 代码写完后 检查并简化代码

实际使用示例:

# 开始一个新的仪表盘项目前,说:
调用superpowers

# Claude 会自动:
# 1. 先用 brainstorming 问清楚你的需求
# 2. 用 writing-plans 拆解任务步骤
# 3. 执行时用 TDD 确保代码可靠
# 4. 完成前用 verification 验证结果

注意事项 我已经给claude的skill套了关键词触发,保证Skills不会一直在后台跑耗费Token。

3.2 论文阅读工作流 Skills(学术/研究用)

(这里我知道你之后也不会有什么学术研究的用途,但是Obsidian是一个很好用的笔记集成平台,我的个人建议是,你的工作日志,周报月报也可以选用这个方式让AI来写,并且自动集成,下次自动读取)

这5个 skills 面向需要跟踪 AI 领域最新论文的用户,依赖 Obsidian vault。

Skill 触发方式 功能
start-my-day /start-my-day [日期] 每日 arXiv 论文推荐,前3篇自动深度分析
paper-analyze /paper-analyze [arXiv ID] 单篇论文深度分析,图文并茂生成笔记
paper-search /paper-search [关键词] 在已有论文笔记中搜索
conf-papers /conf-papers [年份] [会议] 搜索 CVPR/ICLR/NeurIPS 等顶会高引论文
extract-paper-images /extract-paper-images [ID] 从 arXiv 源码包提取论文高质量图片

论文 skills 需要额外配置:设置 OBSIDIAN_VAULT_PATH 环境变量,详见 skills/start-my-day/SKILL.md

3.3 Skills 安装方式

# 克隆本仓库
git clone https://github.com/SH-Skylar-Liu/claude-code-guide.git

# 复制 skills 到 Claude Code 配置目录
cp -r claude-code-guide/skills/* ~/.claude/skills/

# 验证安装(启动 Claude Code 后)
# 输入 /brainstorming 或 说"调用superpowers",看看有没有响应

4. 模块一:视听素材批量处理

3.1 图片批量处理

这是什么: 用一段指令,让 AI 写一个脚本,把你文件夹里的图片自动按各平台的尺寸要求裁好、加水印、压缩——产出物就是按平台分好类的图片文件夹。

为什么工作上有用: 内容运营每次发稿都要给公众号、小红书、抖音分别做不同尺寸的封面,手动在 PS 里一张张操作,200张素材至少要一整天。这个脚本跑一次就全部处理完,时间从一天压缩到几分钟,PS 也不用开了。

面试怎么说: "我写了一个图片批处理脚本,200张素材按四个平台的尺寸规格自动裁切和加水印,原来要手动做一整天的活,现在跑一次脚本5分钟搞定。"

按平台规格批量裁切:

我有一个文件夹 /raw_photos/ 里有200张横版图片,
帮我批量处理成以下几个规格并分别保存到子文件夹:
- 微信公众号封面:900×383px
- 小红书封面:1242×1660px(竖版,居中裁切)
- 抖音封面:1080×1920px(竖版,居中裁切)
- 微博配图:1200×900px
原图保留不动

批量加水印:

给 /photos/ 里所有 jpg 文件加上水印:
- 水印文字:"© 品牌名 2024"
- 位置:右下角,留10px边距
- 字体白色,半透明(透明度70%)
- 字号根据图片大小自适应(图片宽度的3%)
保存到 /output/ 文件夹,文件名加 _watermark 后缀

批量格式转换和压缩:

把 /images/ 里所有 PNG 转成 JPG,
质量压缩到85%,文件大小控制在500KB以内,
如果原图已经小于500KB就保持原质量
统计转换前后的总文件大小,告诉我节省了多少空间

提取图片主色调(用于品牌分析):

读取 /ad_images/ 里的所有图片,
提取每张图的 Top5 主色调(HEX值和占比),
输出到 color_palette.xlsx,
并画一张可视化图:每张广告图对应一排色块

3.2 视频批量处理

这是什么: 用脚本批量处理视频文件——自动提取封面帧、按时间点剪切片段、转成 GIF、加字幕条,产出物是处理好的视频片段或图片。

为什么工作上有用: 视频内容岗位常要从几十个素材里截取片段、做封面图,用 Premiere 一个个手动操作既费时又费力。有了这个脚本,从一个 Excel 里读取时间点,自动批量剪切,原来要花半天的工序压缩到几分钟,也不需要会视频软件。

面试怎么说: "我用 FFmpeg 写了个批量视频处理脚本,从 Excel 读取剪辑时间点,自动批量截取片段,30个视频的工作量原来要半天,现在几分钟就跑完了。"

批量提取封面帧:

/videos/ 里有30个 mp4 文件,
帮我从每个视频中提取3帧:第1秒、中间时间点、最后3秒前,
保存为 jpg,文件名格式:视频名_frame1.jpg

批量剪切片段:

videos.xlsx 里记录了视频文件名、开始时间、结束时间,
帮我用 FFmpeg 批量截取这些片段,
保存到 /clips/ 文件夹,保持原始画质

视频转 GIF(社媒用):

把 demo.mp4 的第5秒到第12秒转成 GIF,
宽度640px,帧率15fps,
同时输出一个画质更好的 WebP 版本

批量添加字幕条:

给 /videos/ 里的视频批量加底部字幕条:
- 黑色半透明背景条,高度占视频高度的12%
- 从 subtitles.csv 读取对应的字幕文字(按文件名匹配)
- 白色字体,居中
用 FFmpeg 实现,保持原视频分辨率

3.3 素材管理自动化

这是什么: 让脚本自动扫描下载文件夹,按文件类型分类、按日期重命名、移动到对应子文件夹,最后生成一份整理报告——产出物是分类整齐的文件夹结构和一个 txt 清单。

为什么工作上有用: 素材越积越多、文件夹越来越乱是内容团队的老大难问题,人工整理既繁琐又容易出错。这个脚本跑一次,几百个文件自动归类命名,比手动整理快20倍,以后找素材的时间也大大减少。

面试怎么说: "我写了一个素材自动整理脚本,扫描文件夹后按类型和日期自动分类重命名,几百个文件原来要人工整理两小时,现在跑一下脚本30秒搞定。"

自动整理文件夹:

扫描 /downloads/ 文件夹,
按文件类型自动分类到子文件夹:
- 图片(jpg/png/webp/gif)→ /images/
- 视频(mp4/mov/avi)→ /videos/
- 文档(pdf/docx/xlsx)→ /docs/
按修改日期重命名:YYYYMMDD_原文件名
生成一个整理报告 report.txt,说明移动了多少文件

5. 模块二:广告内容分析

4.1 用 AI 批量分析广告创意

这是什么: 把一批广告图丢给 AI,它自动分析每张图的风格、元素、情感基调,把结果汇总到 Excel——产出物是一张有100多行的创意特征分析表。

为什么工作上有用: 广告创意分析靠人工看、靠感觉写,效率低、标准不统一,而且100张图根本看不过来。这个工具替代了人工逐图分析的过程,让你在半小时内拿到结构化的创意数据,用数据说话而不是靠直觉。

面试怎么说: "我用 Claude API 做了一个批量广告创意分析工具,100张素材原来要人工看两天,现在半小时内自动输出结构化分析表,包含色调、情感基调、文案密度等六个维度。"

这是最有差异化的能力:用 Claude 的视觉理解能力自动分析广告图片。

批量分析广告图:

# 让 Claude Code 帮你写这个脚本

# 目标:读取 /ad_images/ 里的广告图,
# 用 Claude API 分析每张图,输出:
# - 广告类型(产品展示/生活方式/促销/品牌形象)
# - 主视觉元素(人物/产品/场景/文字占比)
# - 色调风格(暖色/冷色/高饱和/低饱和/黑白)
# - 文案密度(文字多/适中/极少)
# - 情感基调(活力/专业/温馨/奢华/亲民)
# 结果保存到 ad_analysis.xlsx

对 Claude Code 说:

帮我写一个脚本,读取文件夹里的广告图片,
调用 Claude API(claude-opus-4-5 模型,支持图片输入),
用这个提示词分析每张图:
"分析这张广告图,用JSON格式返回:
ad_type(广告类型)、visual_elements(主要视觉元素列表)、
color_tone(色调描述)、copy_density(文案密度:多/中/少)、
emotional_tone(情感基调)、target_audience(推测目标人群)"
把所有结果汇总到 Excel

4.2 广告数据效果分析

这是什么: 把广告投放的 Excel 数据交给 AI,自动算出各平台、各素材的 CTR、ROI、转化率,画出对比图表——产出物是4张可以直接贴进 PPT 的分析图。

为什么工作上有用: 广告投放数据量大、字段多,用 Excel 手动算公式、画图又慢又容易出错,每次月报要花半天时间。这个脚本一次性算完所有指标并出图,原来2小时的数据处理工作缩到10分钟,而且每次跑都是一致的格式。

面试怎么说: "我写了一个广告效果自动分析脚本,读取投放数据后自动计算 CTR、ROI 等指标并生成可视化图表,把原来要手动做2小时的月报工作压缩到10分钟。"

投放数据分析:

我有广告投放数据 ad_performance.xlsx,
字段有:广告ID、素材类型、投放平台、花费、曝光量、点击量、转化量、投放日期

帮我分析:
1. 各素材类型的 CTR(点击率)和 CVR(转化率)对比
2. 各平台的 ROI 对比(用转化量/花费)
3. 投放效果随时间的变化趋势
4. 找出 CTR 最高的 Top10 素材,提取它们的共同特征

画4张图,风格简洁专业,适合放进汇报 PPT

竞品广告监测分析:

competitor_ads.xlsx 记录了竞品的广告投放信息:
品牌名、广告文案、投放平台、预估曝光、发布日期

帮我分析:
1. 各品牌的投放频率和平台偏好
2. 文案关键词词频对比(按品牌分组的词云)
3. 活动节点投放强度(节假日前后的投放量变化)

4.3 素材效果关联分析

这是什么: 把创意特征表(颜色、风格、元素)和投放效果表(点击率、转化率)合并,用热力图展示哪种创意风格效果最好——产出物是一张让人一眼看懂的热力图。

为什么工作上有用: 广告创意和投放数据通常在两个系统里,很少有人把它们打通分析。能做这个分析,意味着你能用数据回答"什么样的创意风格转化率最高",这正是品牌和效果团队都缺的洞察,也是普通运营凭感觉无法给出的答案。

面试怎么说: "我把广告创意特征数据和投放效果数据打通,用热力图分析了不同色调、情感基调和文案密度对 CTR 的影响,发现暖色调+少文案的素材转化率比平均高出40%。"

把创意分析和投放数据结合起来,这是真正的差异化:

我有两个文件:
- ad_analysis.xlsx:每个广告素材的创意特征(颜色/元素/风格)
- ad_performance.xlsx:对应的投放效果数据

帮我把两个文件按广告ID合并,然后分析:
1. 哪种色调风格的 CTR 更高?
2. 文案密度和转化率有关系吗?
3. 不同情感基调在各平台的表现差异

画一个热力图:行=创意特征,列=效果指标,值=平均分

6. 模块三:Streamlit 交互仪表盘

Streamlit 可以把分析结果做成可公开访问的网页——面试直接发链接,比截图专业10倍。

5.1 快速上手

这是什么: 用 AI 写一个网页版广告数据仪表盘,有筛选器、指标卡、折线图、柱状图——产出物是一个在浏览器里跑的交互界面,有公开链接。

为什么工作上有用: 以前汇报数据只能发截图或 Excel,对方看不到完整信息,还容易被质疑数据是不是新的。有了这个仪表盘,领导和客户可以自己拖动筛选、看实时数据,汇报的可信度和专业感直接提升一个档次。

面试怎么说: "我做了一个在线广告效果仪表盘,支持按平台和时间筛选,部署在 Streamlit Cloud 上,面试官现在就可以打开看——链接是 xxx。"

帮我用 Streamlit 写一个广告效果分析仪表盘,
读取 ad_performance.xlsx,包含以下功能:
- 侧边栏:可以按平台、时间范围筛选数据
- 顶部4个指标卡:总花费、总曝光、平均CTR、总转化
- 折线图:所选时间范围内的每日曝光趋势
- 柱状图:各素材类型的CTR对比
- 数据表:可排序的明细表

运行命令:streamlit run dashboard.py

5.2 图片/视频内容仪表盘

这是什么: 一个网页版的素材库管理工具,可以上传图片、查看尺寸和主色调、按类型筛选、网格展示——产出物是一个替代 Windows 文件夹浏览的可视化素材管理界面。

为什么工作上有用: 内容团队的素材库往往散落在不同文件夹,找图要翻半天,共享给同事也麻烦。这个仪表盘让素材可视化管理,还可以导出清单,相当于给团队做了一个轻量级的素材数据库,减少了找图和沟通的来回成本。

面试怎么说: "我做了一个素材库管理仪表盘,上传图片后自动识别主色调和尺寸,支持按类型筛选和网格预览,解决了团队素材散乱难找的问题。"

帮我做一个素材库管理仪表盘(Streamlit),功能:
- 上传图片 → 自动显示尺寸、文件大小、主色调
- 侧边栏按类型/日期筛选
- 图片网格展示(每行4张,点击放大)
- 导出选中素材的清单到 Excel

界面要好看,用深色主题

5.3 广告创意分析仪表盘(最适合放简历)

这是什么: 一个在线工具,左边上传广告图,右边实时显示 AI 分析结果,支持批量上传和导出 Excel 报告——产出物是一个可公开访问的 AI 广告分析 Demo 链接。

为什么工作上有用: 这个工具把 AI 能力包装成了一个任何人都能用的界面,不需要懂代码就能操作。在面试里,你可以当场给面试官演示:上传一张竞品广告,30秒内 AI 分析出创意类型、受众、情感基调和改进建议,这个现场演示效果远强于任何 PPT 说明。

面试怎么说: "我做了一个在线广告创意分析工具,上传图片30秒内出分析结果,批量处理功能已经分析了500多张竞品素材,发现了几个有价值的创意规律。"

做一个广告创意分析仪表盘:
- 左侧上传广告图片
- 右侧实时显示 AI 分析结果:
  创意类型、视觉元素、色调、情感基调、改进建议
- 底部显示历史分析记录(表格)
- 支持批量上传,批量分析完后可导出 Excel 报告

用 Streamlit + Claude API 实现

5.4 部署上线(免费)

这是什么: 把本地跑的 Streamlit 应用推到云端,让任何人用链接就能访问——产出物是一个类似 yourname-dashboard.streamlit.app 的公开网址。

为什么工作上有用: 本地跑的程序只有你自己能看到,没法分享给领导、客户或面试官。部署上线后,发一个链接就能演示你的作品,不需要对方安装任何东西,这是从"技术练习"变成"可交付产品"的关键一步。

面试怎么说: "我的仪表盘部署在 Streamlit Cloud 上,完全免费,你现在可以打开链接实时看到数据——不是截图,是真实运行的系统。"

代码写好后,用 Streamlit Cloud 免费部署:

# 1. 把项目推到 GitHub(参考本仓库的提交方式)

# 2. 去 share.streamlit.io 用 GitHub 登录

# 3. 选择你的仓库和主文件,点 Deploy

# 部署完会得到一个公开链接,比如:
# https://yourname-ad-dashboard-app-xxxxx.streamlit.app

整个过程约5分钟,完全免费,链接可以直接发给面试官。


7. 模块四:自动化 Pipeline

把重复工作变成定时自动运行的流程,这是内容运营/数据岗非常看重的能力。

6.1 素材处理自动化

这是什么: 一个在后台持续运行的"守护程序",盯着某个文件夹——有新图片进来就自动裁成多平台尺寸,有新视频进来就自动提取封面,处理完写日志——产出物是自动整理好的 /processed/ 和 /thumbnails/ 文件夹。

为什么工作上有用: 内容团队经常有源源不断的新素材进来,每次都要手动处理是最低效的重复劳动。这个程序跑起来之后,同事只要把原始素材扔进 inbox 文件夹,处理好的版本自动就出来了,把一个需要人盯着做的工作变成了完全自动的流程。

面试怎么说: "我搭了一个素材自动处理程序,监控指定文件夹,新素材进来自动裁成各平台尺寸并提取封面,团队成员不需要懂技术,扔进去就行。"

监控文件夹,自动处理新素材:

帮我写一个脚本,用 watchdog 库监控 /inbox/ 文件夹:
- 有新图片进来 → 自动裁成3个平台尺寸,移到 /processed/
- 有新视频进来 → 自动提取第1秒的封面帧,移到 /thumbnails/
- 处理完在 log.txt 里记录时间和文件名

脚本在后台持续运行

6.2 数据自动更新

这是什么: 一个定时跑的脚本,每天早上9点自动拉取最新广告数据、更新报告图表、发邮件——产出物是每天自动收到的数据报告邮件,不需要人工操作。

为什么工作上有用: 每天手动拉数据、更新表格、截图发报告是内容运营和数据岗的日常负担。这个脚本把整个流程自动化,从 Google Sheets 读数据到发邮件全链路打通,相当于给团队配了一个每天按时汇报的"数据助理",节省的不只是时间,还有出错的可能性。

面试怎么说: "我搭了一套每日数据自动化流程,每天早上自动从 Google Sheets 拉取广告数据、生成分析图、发邮件报告,把团队每天要花1小时做的日报工作变成了零人工操作。"

每天自动拉数据更新报告:

帮我写一个定时脚本(用 schedule 库,每天早上9点运行):
1. 从 Google Sheets 读取最新广告数据(用 gspread 库)
2. 更新本地 ad_performance.xlsx
3. 重新生成昨日效果报告图(4张图)
4. 把报告图打包发邮件给我(用 smtplib)

把敏感信息(邮箱密码等)放在 .env 文件里,不要写死在代码里

6.3 完整的内容分析 Pipeline

这是什么: 一个7步走的完整自动化流程,从读取新素材、AI 分析创意、合并效果数据、更新仪表盘,到最后发邮件通知——产出物是每周自动更新的分析报告和一封邮件通知。

为什么工作上有用: 这个 pipeline 把原来需要多个人协作完成的工作链路(素材收集→创意分析→效果关联→报告生成→分发)全部自动化,一键运行就是一整套内容分析的交付件,这是内容运营岗"懂数据、懂流程"的最直接体现。

面试怎么说: "我搭了一个完整的内容分析 Pipeline,从素材读取到报告发送7个步骤全自动,每周运行一次就能产出完整分析报告,原来这个工作要一个人花两天时间完成。"

帮我搭一个完整 pipeline,按顺序执行:

第1步:从指定文件夹读取本周新增的广告素材(图片)
第2步:用 Claude API 批量分析每张图的创意特征
第3步:从 ad_performance.xlsx 读取对应的投放效果数据
第4步:合并创意特征和投放数据,计算关联指标
第5步:更新 Streamlit 仪表盘的数据文件
第6步:生成本周分析报告(Word文档)
第7步:发邮件通知处理完成

每步完成后打印进度日志,出错不中断,记录到 error.log

6.4 Pipeline 项目结构

这是什么: 一套标准化的项目文件夹结构,把脚本、数据、报告、仪表盘分开放——产出物是一个组织清晰、可以直接上传 GitHub 展示的项目目录。

为什么工作上有用: 代码写完乱放在桌面是没有说服力的,有规范的项目结构说明你有工程思维,知道怎么管理一个可维护的项目。面试时把这个 GitHub 仓库链接发出去,对方打开就能看到清晰的结构和 README,专业感立刻不一样。

面试怎么说: "我按照工程规范组织了项目结构,数据、脚本、报告分层管理,敏感信息用 .env 隔离,整个项目上传在 GitHub 上,可以直接看代码和文档。"

ad_analysis_pipeline/
├── data/
│   ├── raw/              # 原始素材
│   ├── processed/        # 处理后的素材
│   └── reports/          # 输出报告
├── scripts/
│   ├── 01_process_assets.py    # 素材处理
│   ├── 02_analyze_creatives.py # AI分析创意
│   ├── 03_merge_performance.py # 合并效果数据
│   └── 04_generate_report.py   # 生成报告
├── dashboard/
│   └── app.py            # Streamlit仪表盘
├── run_pipeline.py       # 一键运行全流程
├── .env                  # API Keys(不提交到Git)
└── requirements.txt      # 依赖列表

8. 模块五:让面试官眼前一亮

以下几项是大多数候选人做不到的,但用 Claude Code vibe coding 可以快速实现。

8.1 GitHub Actions:Pipeline 跑在云端

这是什么: 把你的分析脚本部署到 GitHub 的云端服务器,设置好时间后每天自动运行,不需要开电脑——产出物是一个在 GitHub 仓库里可以看到运行记录的云端定时任务。

为什么工作上有用: 本地脚本的最大问题是电脑关机就停,无法真正实现"自动化"。把 pipeline 搬到云端,意味着你的分析系统 24 小时运行,每天自动产出报告,这才是真正的自动化——而不是"每次要记得手动跑一下"。

面试怎么说: "我的广告数据分析系统跑在 GitHub Actions 上,每天早上9点自动拉数据、跑分析、更新仪表盘,电脑不开机也正常运行,GitHub 上可以看到每次的运行记录。"

本地 cron 脚本有个致命问题——电脑关机就停了。GitHub Actions 让你的 pipeline 跑在云端,每天自动执行,完全免费。面试时说"我的分析系统每天自动运行并发报告",比"我写了个脚本"有力得多。

# 在项目里创建 .github/workflows/daily_report.yml
# 让 Claude Code 帮你写这个文件:

对 Claude 说:

帮我创建 GitHub Actions workflow 文件:
- 每天北京时间早上9点自动运行
- 步骤:
  1. 安装 Python 依赖(requirements.txt)
  2. 运行 scripts/fetch_data.py 拉取最新广告数据
  3. 运行 scripts/analyze.py 生成分析报告
  4. 把生成的图表文件提交到仓库的 output/ 目录
- API Key 从 GitHub Secrets 读取,不要写死在代码里

生成的 workflow 推到 GitHub 后,Actions 自动每天执行,仓库里的报告自动更新。

8.2 Gradio:30 秒做出可分享的 AI Demo

这是什么: 用 Gradio 做一个两分钟能上手的 AI 演示工具——左边上传图,右边出分析结果,部署到 Hugging Face 后有一个公开链接,产出物是一个任何人点开就能用的在线 Demo。

为什么工作上有用: Streamlit 适合数据展示,Gradio 更适合展示 AI 能力本身。做完这个 Demo,你可以发链接让面试官、同事、甚至客户直接体验 AI 广告分析,不需要他们安装任何东西——这是把技术能力变成可交付产品的最快路径。

面试怎么说: "我在 Hugging Face Spaces 上部署了一个广告创意分析 Demo,任何人打开链接上传图片就能看到 AI 分析结果,零安装,你现在可以直接试。"

Streamlit 适合数据仪表盘,Gradio 更适合AI 功能演示——上传一张广告图,立刻看到 AI 分析结果。部署到 Hugging Face Spaces,完全免费,有公开链接。

帮我用 Gradio 做一个广告创意分析 Demo:
- 界面:左边上传图片,右边显示分析结果
- 分析内容:调用 Claude API,分析广告的
  创意类型、目标受众、情感基调、改进建议
- 底部加一个"批量分析"Tab:上传多张图,
  输出汇总表格并可以下载 Excel
- 风格简洁,适合演示用

部署命令:直接推到 Hugging Face Spaces

部署到 Hugging Face Spaces:

# 安装 huggingface_hub
pip install huggingface_hub

# 登录(去 huggingface.co 注册后获取 token)
huggingface-cli login

# 创建 Space 并推送
# 去 huggingface.co/new-space 创建,选 Gradio 类型
# 然后像推 GitHub 一样 git push

最终得到类似 https://huggingface.co/spaces/你的名字/ad-analyzer 的公开链接。

8.3 多智能体并行处理:10 倍速分析

这是什么: 让多个 AI 同时分析不同的广告图,而不是一张张排队等——产出物是和单线程一样的 Excel 分析表,但速度快了几倍到十几倍。

为什么工作上有用: 分析100张广告图,单线程顺序跑可能要20分钟,多线程并行跑可能只需要2分钟。在时间紧的项目里,速度差异直接影响你能不能在截止日期前交付分析。而且"懂并行处理"说明你有工程效率意识,不只是会调 API。

面试怎么说: "我用多线程并行处理100张广告素材的 AI 分析,同时跑10个线程,总耗时从20分钟压缩到2分钟,还加了自动重试机制保证每张图都能分析成功。"

普通方式分析100张广告图:逐张调用 API,等待,慢。

用 dispatching-parallel-agents skill,Claude 会同时派出多个子代理并行处理——速度提升 N 倍,这是展示"懂 AI 工程"的好机会。

对 Claude Code 说:

我有100张广告图需要用 Claude API 分析,
帮我用多线程并行处理,同时运行10个线程,
每个线程处理10张,结果合并到一个 Excel。
加上进度条(tqdm),出错自动重试3次。

8.4 实时数据接入仪表盘

这是什么: 把 Streamlit 仪表盘从读本地 Excel 改造成直连 Google Sheets,每5分钟自动刷新——产出物是一个团队协作的实时数据看板,任何人改了表格,仪表盘上数字自动变。

为什么工作上有用: 静态 Excel 仪表盘的问题是数据是"死的",每次更新都要重新导入。接入 Google Sheets 后,运营同事在表格里更新数据,仪表盘实时反映,省去了每次导入导出的步骤,团队协作效率明显提升——这正是内容运营和数据岗最实际的工作场景。

面试怎么说: "我把广告效果仪表盘直连了 Google Sheets,团队成员在表格里更新数据,仪表盘5分钟内自动刷新,不再需要人工导入导出,完全替代了我们以前手动维护报表的流程。"

把 Streamlit 仪表盘连接到真实数据源,而不是本地 Excel 文件:

帮我把 Streamlit 仪表盘改造成连接 Google Sheets 的实时版本:
- 用 gspread 库读取 Google Sheets 数据
- 每5分钟自动刷新(不用手动刷新页面)
- 加一个"上次更新时间"显示
- 支持在仪表盘里直接编辑数据并写回 Sheets

配合 Google Sheets 做数据源,团队任何人更新表格,仪表盘自动更新——这是真实工作场景里最有价值的能力。

8.5 视频广告 AI 逐帧分析

这是什么: 给脚本一段视频广告,它自动每秒截一帧,对每帧用 AI 分析画面内容和情绪,最后生成一份带时间轴的创意解构报告——产出物是一个有图有文字的广告叙事时间轴分析文档。

为什么工作上有用: 广告创意分析传统上靠人工反复看视频、凭感觉写结论,一个30秒的广告可能要看十几遍才能写出像样的分析。这个工具让分析变得系统化、可量化,你可以对比10个竞品广告的叙事节奏,找出规律,这是纯凭肉眼看无法做到的。

面试怎么说: "我做了一个视频广告逐帧分析工具,输入视频后自动生成时间轴创意报告,把原来要反复看视频才能写出的分析压缩成几分钟自动输出,这份报告可以直接用在创意提案里。"

这是传媒岗几乎没人能做到的:

帮我写一个视频广告分析脚本:
1. 用 FFmpeg 每秒提取1帧,共提取前30秒
2. 把每帧图片用 Claude Vision API 分析:
   画面内容、情绪基调、产品出现时间点
3. 汇总成时间轴报告:
   0-5秒:场景建立(xx画面)
   5-15秒:产品展示(xx特点)
   15-30秒:行动号召(xx文案)
4. 生成可视化时间轴图表

这份"视频广告创意解构报告"作为作品展示,在广告/品牌岗面试里会非常突出。

8.6 自动生成 PPT(最通杀)

这是什么: 输入分析数据,AI 自动帮你排好一份 PowerPoint——有封面、有图表页、有 AI 写的分析文字、有结论页,配色和字体都是设定好的专业风格。

为什么工作上有用: 传媒/广告行业几乎每个岗位都要汇报,做 PPT 是每周甚至每天都在做的事。能做到"数据进去、PPT 出来",意味着你可以把原本要2小时的事压缩到5分钟。在团队里,这个能力直接帮到所有人——不只是帮自己。

面试怎么说: "我做了一个工具,广告投放数据导进去,自动生成汇报用的 PPT,我们组的周报从原来做2小时变成现在跑一下脚本就好了。"

技术关键词(面试可以提): python-pptx、自动化报告生成

帮我用 python-pptx 写一个脚本,读取 ad_report.xlsx 的分析结果,
自动生成一份 PowerPoint:

- 封面页:报告标题 + 日期 + 品牌 Logo(从文件夹读取 logo.png)
- 第2页:核心数据摘要(4个大字指标:总曝光/总花费/平均CTR/最佳素材)
- 第3-5页:3张图表(从 output/ 文件夹读取已生成的 png,每页一张图 + AI生成的100字分析)
- 第6页:结论与建议(3个要点,AI 根据数据自动撰写)
- 第7页:致谢/联系方式

配色方案:深蓝主色(#1B3A6B)+ 白色 + 橙色点缀(#FF6B35)
字体:标题用黑体,正文用微软雅黑
保存为 月度广告效果报告_YYYYMM.pptx

用这个命令让 Claude 帮你生成 AI 分析文字:

图表已生成,帮我根据以下数据为每张图写100字的专业分析:
[粘贴关键数据]
要求:有具体数字,有结论,有建议,语气像咨询报告

8.7 视频广告 → 自动分镜脚本 PDF(最有行业感)

这是什么: 丢进去一段视频广告,程序自动每隔几秒截一帧,对每一帧用 AI 分析——这一秒在干什么、情绪是什么、产品有没有出现——最后汇成一份 PDF 报告,像专业创意公司出的"广告解构文件"。

为什么工作上有用: 广告创意/策划岗经常需要研究竞品广告、复盘自家投放——以前这件事靠人一帧一帧看,靠感觉写结论。有了这个工具,100 个广告你都可以系统地分析,输出有据可查的创意报告,而不是"我觉得这个广告节奏不太对"。这是数据思维和传媒专业判断的结合,纯技术的人做不到这种分析。

面试怎么说: "我做了一个广告创意解构工具,输入视频,自动逐帧分析叙事节奏和情感弧线,输出的分析报告直接可以用在创意提案里。"

技术关键词(面试可以提): FFmpeg、Claude Vision API、reportlab、逐帧分析

帮我写一个完整脚本:输入一段视频广告文件,输出专业分镜分析 PDF

步骤:
1. 用 FFmpeg 每3秒抽取一帧,保存为 jpg
2. 对每帧调用 Claude Vision API 分析:
   - 画面描述(20字以内)
   - 情绪基调(用一个词)
   - 产品/品牌露出(有/无,有的话描述位置)
   - 叙事节奏(开场建立/冲突展开/情感高潮/行动号召)
3. 用 reportlab 生成 PDF:
   - 封面:视频文件名 + 分析日期 + "广告创意解构报告"
   - 正文:每行显示 时间戳 | 截帧图片(缩略图)| AI分析内容
   - 末页:整体总结——广告叙事结构、情感弧线、品牌曝光时机建议
4. 保存为 视频文件名_分镜分析.pdf

PDF 样式要专业:有页眉页脚,双色表格(深色行/浅色行交替),配色参考广告公司提案风格

8.8 实时品牌监控大屏(最有"高级感")

这是什么: 一个在浏览器里打开的监控界面,每隔一分钟自动刷新——显示品牌关键词今天被提及了多少次、正面负面比例是多少、现在最热的话题是什么、最新的一条提及是什么内容。数字会实时跳动,情感指数会根据好坏变色,像新闻发布会后的舆情作战室。

为什么工作上有用: 市面上做这件事的工具(清博、新榜、鹰眼)要几千甚至几万一年。能自己搭一个,对于品牌公关、内容运营岗来说意味着:你不依赖采购工具,随时可以用,还可以按需定制监控维度。在面试里,打开这个链接,对方看到实时跳动的数字,会觉得你的技术深度超出预期。

面试怎么说: "我做了一个品牌实时监控仪表盘,接入公开数据源,可以监测指定关键词的舆情变化,有情感趋势图和实时提及流——类似新榜、清博这类工具的简化版,但完全自己搭的。"

技术关键词(面试可以提): Streamlit 实时刷新、RSS 数据接入、情感分析、舆情监控

帮我用 Streamlit 做一个实时品牌监控仪表盘,每60秒自动刷新:

数据源:从 RSS 或公开 API 获取关键词相关内容
(用 feedparser 读取微博/知乎/36kr 等平台的 RSS)

布局:
┌─────────────────────────────────────────┐
│  🔴 LIVE   品牌监控中心   最后更新 14:32  │
├──────┬──────┬──────┬──────────────────── │
│ 今日  │ 正面  │ 负面  │  情感指数 ████░ 72 │
│ 提及  │  68% │  12% │  (颜色随分值变化)   │
│ 1,234│      │      │                    │
├──────┴──────┴──────┴──────────────────── │
│  📈 过去24小时提及趋势(折线图,实时更新)  │
├─────────────────────────────────────────│
│  🔥 今日热门话题 TOP5(带热度条形)        │
├─────────────────────────────────────────│
│  📋 最新提及滚动列表(来源/时间/情感/摘要)│
└─────────────────────────────────────────│

技术要求:
- st.empty() + time.sleep(60) 实现自动刷新
- 情感判断用简单规则或调用 Claude API
- 颜色动态变化:正面>60%显绿,负面>30%显红
- 侧边栏可以切换监控的品牌关键词

部署到 Streamlit Cloud 后,面试时打开这个链接,数字在实时跳动——视觉冲击直接拉满。

8.9 一键竞品分析报告 PDF(最像咨询产品)

这是什么: 在命令行输入几个品牌名,程序自动去抓取公开数据、让 AI 写分析文字、画对比图表,最后生成一份有封面、有目录、有雷达图、有逐品牌分析的 PDF——看起来像咨询公司交付的竞品研究报告。

为什么工作上有用: 策划、市场、品牌岗经常需要做竞品研究,以前靠人工搜集整理,要花半天甚至更长。有了这个工具,前期信息收集和初稿生成可以自动完成,人只需要做最后的判断和润色。而且这份报告的格式够专业,可以直接拿去给客户或领导看。

面试怎么说: "我做了一个竞品分析自动化工具,输入品牌名,自动拉取公开数据、AI 生成分析、输出 PDF 报告,把原来需要半天的竞调工作压缩到10分钟。"

技术关键词(面试可以提): 数据爬取、Claude API、自动化报告、PDF生成、竞品分析

帮我写一个竞品分析报告生成器:

输入:用户在命令行输入 2-5 个品牌名
输出:专业 PDF 竞品分析报告

数据收集(用公开免费源):
- 用 requests + BeautifulSoup 抓取各品牌微信指数/微博粉丝数(公开数据)
- 从 ad_data.xlsx 读取已有的广告投放数据
- 从各品牌官网抓取最新动态标题

AI 分析(调用 Claude API):
- 对每个品牌生成200字画像
- 生成竞品对比表格(10个维度)
- 写出"竞争格局总结"和"差异化建议"

PDF 报告结构:
封面(含品牌名列表和报告日期)
→ 执行摘要(半页,最重要结论)
→ 各品牌逐一分析(每品牌1页:数据图表 + AI画像)
→ 横向对比矩阵(雷达图:5个维度)
→ 竞争格局热力图
→ 差异化机会建议(Claude 生成)

样式:封面深色背景,内页白底,专业配色,带页码和目录

9. 番外:舆情与数据可视化

社媒评论分析

帮我分析 weibo_comments.csv 的用户评论:
1. 情感倾向分布(正面/负面/中性)饼图
2. 高频词柱状图(Top20,过滤停用词)
3. 评论量按天的时间趋势
配色参考彭博社的新闻图表风格

公开数据可视化

我有国家统计局的数据 stats.xlsx,
帮我用 plotly 做交互式图表:
- 鼠标悬停显示数值
- 支持时间范围缩放
- 保存为 HTML,可直接在浏览器打开

10. 简历作品集搭建

推荐的 3 个项目

项目一:广告创意分析仪表盘(最有说服力)

  • 上传广告图 → AI自动分析创意特征 → 关联投放效果 → 可视化展示
  • 部署到 Streamlit Cloud,有公开访问链接
  • 亮点:技术 + 广告洞察结合,传媒科班做不到

项目二:素材批量处理工具

  • 支持图片/视频按平台规格批量处理
  • 有简单的命令行界面或 Streamlit 界面
  • 亮点:解决真实工作痛点,展示工程思维

项目三:内容效果自动化报告

  • 每周自动拉数据→分析→发邮件报告
  • 展示完整 pipeline
  • 亮点:展示可以省人力的自动化能力

怎么展示

  1. GitHub 仓库:代码 + README 说明项目背景和结论
  2. Streamlit 公开链接:面试直接发,现场演示
  3. 简历写法:"独立搭建广告创意分析系统,用 AI 自动分析500+素材创意特征,发现高CTR素材的视觉规律"

11. 常见问题

Q: FFmpeg 装了但找不到命令?

# 检查是否在 PATH 里
ffmpeg -version
# 如果报错,把 FFmpeg 的 bin/ 目录手动加入系统环境变量 PATH

Q: Claude API 分析图片怎么传图?

帮我写一个函数,读取本地图片文件,
用 base64 编码后调用 Claude API(claude-opus-4-5),
传入图片和文字提示词,返回分析结果

Q: Streamlit 仪表盘本地跑得好,部署后报错?

我的 Streamlit 应用本地运行正常,
部署到 Streamlit Cloud 后报错:[粘贴报错]
帮我排查,注意云端没有本地文件系统权限

Q: 视频处理很慢怎么办?

视频批量处理太慢了,帮我用多进程(multiprocessing)
并行处理,同时处理4个视频,注意别超过CPU核心数

Q: API 余额不够?

  • 分析图片用 claude-haiku-4-5 模型,比 Sonnet 便宜很多,速度也快
  • 批量任务加 time.sleep(0.5) 避免被限速

问题或改进建议:提 Issue

About

???? Vibe Coding ??

Resources

Stars

0 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages