هر کسی که در TikTok محتوا می‌سازد یک درد مشترک دارد: در Creator Center کلی داده خوابیده — بازدید، لایک، نرخ تماشای کامل، رشد فالوور — اما وقتی می‌خواهی AI بهت بگوید «چرا این ویدیو ترکید و آن یکی له شد»، AI فقط نگاهت می‌کند. به بک‌اند تو دسترسی ندارد. اسکرین‌شات دستی بفرستی، هم کند است هم نصف اطلاعات گم می‌شود. تحلیل داده اکثر کریتورها هنوز در مرحله «حسم می‌گوید این خوب بود» گیر کرده.

مشکل: داده پشت دیوار است، AI بیرون در

شاخص‌های Creator Center به‌صورت رندرشده در صفحه نمایش داده می‌شوند و هیچ API راحتی برای کریتورهای عادی وجود ندارد. اگر بخواهی Claude یا Agent داخل Cursor برایت تحلیل کند، سه راه سنتی داری: عددها را دستی بنویسی، اسکرین‌شات بفرستی، یا اشتراک پلتفرم‌های تحلیل ثالث بخری. دو تای اول وقت‌گیر و خطاپذیر است؛ سومی گران است و داده‌ای که می‌دهد آمار کلی بازار است، نه جزئیات تک‌تک ویدیوهای خودت.

نکته مهم‌تر بعدِ متن است. داده می‌گوید «نرخ تماشای کامل این ویدیو بالاست»، اما نمی‌گوید «چون سه ثانیه اول چه گفتی». تحلیل واقعی یعنی ترکیب داده با حرف‌هایی که داخل ویدیو زده شده — و دقیقاً همین بخش است که انجام دستی‌اش تقریباً غیرممکن است.

فرصت: یک ابزار محلی که آخرین حلقه را وصل می‌کند

پروژه متن‌باز douyin-mcp روی GitHub (https://github.com/Kuhakucai/douyin-mcp) دقیقاً همین مشکل را حل می‌کند. برای کسانی که اصلاً با مفاهیم آشنا نیستند: MCP را مثل «پورت USB هوش مصنوعی» در نظر بگیر — یک پروتکل عمومی که به AI اجازه می‌دهد مثل فلش به منابع داده مختلف وصل شود. «Agent» هم AIای است که حرف می‌فهمد و خودش کار انجام می‌دهد؛ مثل Claude Code، Cursor یا Codex که از سایت رسمی دانلود و نصب می‌شوند. douyin-mcp یک MCP Server محلی است: روی کامپیوتر خودت از وضعیت لاگین Chrome اختصاصی استفاده می‌کند، لیست ویدیوها و شاخص‌های واقعیِ قابل‌مشاهده در Creator Center — بازدید، لایک، کامنت، اشتراک‌گذاری، ذخیره، نرخ تماشای کامل، رشد فالوور — را به‌صورت افزایشی در دیتابیس محلی ذخیره می‌کند و از طریق MCP در اختیار هر AI سازگار قرار می‌دهد.

یک قابلیت کشنده هم دارد: استخراج متن صوتی ویدیو به‌صورت درخواستی. دقت کن، منظور حرف‌هایی است که واقعاً داخل ویدیو گفته شده، نه عنوان یا تشخیص متن روی تصویر. مدل تشخیص گفتار محلی، صدا را به متن با برچسب زمانی تبدیل می‌کند و AI هم‌زمان می‌بیند «این ویدیو چه گفت» و «چطور عمل کرد» — موضوع، قلاب ابتدایی، ساختار محتوا و نتیجه نهایی، همه کنار هم.

پروژه فعلاً ۵۹ ستاره و ۹ فورک دارد، تحت لایسنس AGPL-3.0 منتشر شده و تا زمان نگارش فعالانه به‌روز می‌شود. از macOS و Windows پشتیبانی می‌کند، به Python 3.11 به بالا نیاز دارد و تک‌کاربره روی یک اکانت اجرا می‌شود. مخزن صریحاً اعلام کرده این یک ابزار غیررسمی کامیونیتی است که از طریق اتوماسیون مرورگر داده‌های قابل‌مشاهده اکانت خودت را می‌خواند و ممکن است مکانیسم‌های کنترل ریسک پلتفرم را فعال کند — این را باید شفاف به هر مشتری بگویی.

مسیر اول: ده دقیقه‌ای نصب کن و اول اکانت خودت را راه بینداز

مناسب برای: کریتورهایی که اکانت دارند و می‌خواهند بدون هزینه اول نتیجه را ببینند.

نصب طوری طراحی شده که «یک جمله» کافی است. لازم نیست کد بلد باشی؛ فقط به Agent سازگار با MCP بگو:

1

این پروژه را کلون و نصب و پیکربندی کن: https://github.com/Kuhakucai/douyin-mcp.git

Agent خودش README را می‌خواند، محیط را چک می‌کند، اسکریپت نصب را اجرا می‌کند (در macOS دستور bash ./easy-install.sh و در Windows اسکریپت PowerShell معادل)، دیتابیس را راه می‌اندازد، تنظیمات MCP را داخل کلاینتی که استفاده می‌کنی می‌نویسد و Chrome اختصاصی را باز می‌کند تا با QR لاگین کنی. در اولین همگام‌سازی، لیست ویدیوها و جزئیات چند ویدیوی اخیر را می‌آورد.

قابلیت متن ویدیو به‌صورت پیش‌فرض خاموش است؛ وقتی لازم داشتی به Agent بگو «متن ویدیو را فعال کن». خودش توضیح می‌دهد که باید FFmpeg و مدل تشخیص گفتار محلی دانلود شود و چقدر فضا می‌گیرد، و بعد از تأیید تو نصب می‌کند. همین طراحی تعیین می‌کند ده دقیقه‌ای بالا بیایی یا نه: همگام‌سازی اول چند دقیقه طول می‌کشد و مجبور نیستی منتظر رونویسی صدها ویدیوی قدیمی بمانی.

مسیر دوم: تحلیل را به قالب پرسش تکرارپذیر تبدیل کن

مناسب برای: کریتورهایی که محتوا منتشر می‌کنند اما تحلیل‌شان کاملاً حسی است.

نصب ابزار فقط شروع است؛ چیزی که ارزشمند است روش پرسیدن است. روش پیشنهادی خود مخزن را می‌توانی مستقیم به‌عنوان قالب استفاده کنی:

1
2
3

وضعیت داده‌های TikTok من را بررسی کن. فقط اگر کش منقضی شده بود، لیست ویدیوها و جزئیات ۲۰ ویدیوی اخیر را به‌روز کن؛
بعد در ۳۰ روز گذشته نرخ تماشای کامل، نرخ تماشای ۵ ثانیه اول و نرخ تعامل را مقایسه کن و نتیجه تحلیل بده.
برای هر نتیجه، زمان داده، پوشش، موارد گمشده و ویدیوی شاهد را ذکر کن.

تحلیل روزمره را می‌شود به سه دسته سؤال تقسیم کرد. دسته اول پیدا کردن الگو: «۵ ویدیوی با بالاترین نرخ تعامل در ۳۰ روز اخیر را پیدا کن و نقاط مشترکشان را بگو.» دسته دوم مقایسه: «با ترکیب متن صوتی و داده عملکرد این ۳ ویدیو، موضوع، قلاب ابتدایی، ساختار محتوا و تفاوت تعامل را مقایسه کن.» دسته سوم هدایت قدم بعدی: «کدام ویدیوها ارزش ادامه‌دار شدن دارند؟ مبنای رتبه‌بندی و محدودیت داده را بگو.»

داده دست‌کاری نمی‌شود — و این همان چیزی است که بهت جرئت می‌دهد بابتش پول بگیری: مقداری که در صفحه نمایش داده نشده به‌صورت null ذخیره می‌شود، نه صفر و نه عدد حدسی؛ هر نتیجه با زمان جمع‌آوری، تازگی کش، نرخ پوشش فیلدها و دلیل موارد گمشده همراه است؛ اگر ابزار تشخیص دهد اکانت اشتباهی سوار شده، از نوشتن در دیتابیس خودداری می‌کند. تحلیلی که AI بهت می‌دهد سند دارد، نه اینکه با اعتمادبه‌نفس الکی بسازد.

مسیر سوم: همین توانایی را به‌صورت سرویس بفروش

مناسب برای: کسانی که می‌خواهند از شکاف اطلاعاتی درآمد جانبی بسازند. راحت‌ترین مشتری‌ها، کریتورهای کوچک و متوسطی هستند که منظم محتوا می‌گذارند اما از داده هیچ نمی‌فهمند — پیج‌های معرفی رستوران، بلاگرهای آموزشی، فروشنده‌های محصول. حس داده دارند، توان داده ندارند، و اصلاً نمی‌دانند MCP چیست.

سه مدل سرویس. اول، گزارش تحلیل تکی: تحویل یک سند «تحلیل عملکرد ۳۰ روز اخیر + کالبدشکافی ویدیوهای پربازده + پیشنهاد موضوعات ماه آینده». برای اینکه مطمئن شوی تقاضا هست، یک لنگر قیمتی بده: همین حالا در دیوار و شپور عبارت‌هایی مثل «تحلیل پیج» یا «مشاوره رشد اکانت» را سرچ کن — سرویس‌های مشابه معمولاً بین ۵۰۰ هزار تا چند میلیون تومان قیمت دارند و بر اساس تعداد فالوور و عمق گزارش پله‌بندی می‌شوند. دوم، اشتراک همراهی ماهانه: هر ماه گزارش تحلیل به‌علاوه جلسه انتخاب موضوع، یعنی مشتری بلندمدت. سوم، درآمد از آموزش: فرایند نصب و قالب‌های پرسش را به‌صورت دوره ویدیویی یا آموزش متنی ضبط کن و به کریتورهایی بفروش که می‌خواهند خودشان دست به کار شوند — یک بار تولید، بارها فروش.

یک حساب سرانگشتی محافظه‌کارانه (حدس است، نه قول): فرض کن هر گزارش تحلیل ۱.۵ میلیون تومان قیمت بخورد و بعد از تمرین هر گزارش حدود یک ساعت وقت ببرد؛ با ماهی ۱۰ سفارش، حدود ۱۵ میلیون تومان درآمد خالصِ زمانی داری. وقتی اعتبار ساختی و رفتی سراغ اشتراک ماهانه، هم مبلغ هر مشتری بالا می‌رود هم نرخ بازگشت.

مرزهای قانونی را باید از روز اول روشن کنی، چون مستقیم به ماندگاری‌ات ربط دارد: این پروژه ابزار غیررسمی است، فقط داده‌های قابل‌مشاهده اکانت خود شخص را می‌خواند، و مخزن صریحاً هشدار داده که ممکن است با قوانین پلتفرم در تضاد باشد یا کنترل ریسک را فعال کند. پس در ارائه سرویس، حتماً خود مشتری باید QR را اسکن کند، خودش عملیات را انجام دهد و خودش ریسک را تأیید کند؛ تو هرگز هیچ credential اکانتی را نزد خودت نگه نمی‌داری و هیچ داده‌ای را بازفروشی نمی‌کنی. قبل از قبول سفارش، ریسک «احتمال محدود شدن اکانت» را در توضیحات سرویس بنویس و از قبل توافق کن که اگر سرویس به دلیل کنترل ریسک پلتفرم قطع شد، به نسبت کار انجام‌نشده وجه برگردد. این خط قرمز است و پیش‌شرط اینکه بتوانی بلندمدت ادامه بدهی.

شبیه‌سازی یک سناریو: چرخه تحلیل یک بلاگر آموزشی

اول شفاف بگویم: مثال زیر یک نمایش فرضی است تا ببینی وقتی این فرایند کامل اجرا شود چه شکلی می‌شود؛ نویسنده هنوز کل مسیر را end-to-end تست نکرده و این یک کیس واقعی مشتری نیست.

فرض کن یک بلاگر آموزشی که هفته‌ای ۳ تا ۵ ویدیو می‌گذارد ابزار را نصب می‌کند و دستور تحلیل را به Agent می‌دهد؛ خروجی، یک نتیجه مقایسه‌ای با زنجیره شواهد است. ارزشمندترین بخش، کشف‌های بعدِ متن است — مثلاً بعد از مقایسه دو ویدیو با موضوع یکسان، AI نشان می‌دهد ویدیوی موفق در پنج ثانیه اول مستقیم یک گزاره خلاف انتظار مطرح کرده، در حالی که ویدیوی ضعیف بیست ثانیه مقدمه‌چینی کرده و بعد وارد اصل مطلب شده. این نوع اعتبارسنجی متقاطع «داده + محتوای واقعی گفته‌شده» با نیروی انسانی عملاً به‌صورت سیستماتیک شدنی نیست.

برای چنین کریتوری، یک تحلیل عمیق ماهانه یعنی بهینه‌سازی مداوم قلاب ابتدایی و جهت موضوعات؛ نرخ تماشای کامل و منحنی رشد فالوور تبدیل به دارایی قابل‌مدیریت و قابل‌تکرار می‌شود، نه قرعه‌کشی شانسی. اینکه در عمل چقدر بهره‌وری می‌گیری، خودت یک بار اجرا کن و عدد واقعی بگیر — همان عدد، بهترین مدرک فروش سرویس توست.

همین حالا دست به کار شو

ابزار رایگان و متن‌باز است؛ تنها پیش‌نیازش یک کامپیوتر و یک اکانت TikTok است. امروز سه کار بکن: اول، آدرس مخزن را به یک Agent سازگار با MCP بده تا نصب را انجام دهد؛ دوم، با قالب تحلیل بالا یک بار اکانت خودت را اجرا کن و ببین نتیجه AI چقدر با حدس‌هایت فاصله دارد؛ سوم، از کل فرایند اسکرین‌شات بگیر — این همان اولین دسته محتوایی است که بعداً سرویس و آموزشت را با آن می‌فروشی. شکاف شناختی در تحلیل داده دارد فاصله کریتورها را زیاد می‌کند؛ هر که زودتر راه بیفتد، زودتر سهمش را برمی‌دارد.