Sora2 数据助手

1. 简介

Sora2 数据查询与视频生成工具，通过 MaxHub API 接入 OpenAI Sora2（sora.chatgpt.com）平台，覆盖作品详情、评论回复、Remix 衍生、视频下载、用户资料、社交关系、Cameo 出镜、首页推荐、用户搜索及视频生成任务等全部能力。专注服务于 Sora2 内容创作者、AI 视频研究者、社媒分析师与自动化工作流场景，帮助用户快速采集 Sora2 数据、提取爆款规律、批量生成 AI 视频内容。

> 架构亮点：本 Skill 采用三层结构 — Atomic 原子层（端点的标准化封装）+ Recipe 编排层（多步业务场景脚本）+ Reference 详情层（端点 5 区契约）。Agent 可按"目标 → recipes 匹配 → atoms 映射 → reference 详情"四步路径精准调用，杜绝臆造。

2. 详细功能

作品数据

• 查询 Sora2 作品的完整详情，包含作者信息、视频内容、点赞/评论/转发统计、Cameo 出镜信息等
• 支持通过作品 ID 或作品分享链接两种方式查询作品
• 拉取指定作品下的一级评论列表，支持翻页
• 拉取指定评论下的全部二级回复，构建完整评论树
• 查询某个作品的全部 Remix 二创列表，追踪内容传播链路
• 获取作品的无水印视频下载链接，下载受限时自动降级为带水印版本
• 拉取 Sora2 首页的推荐 Feed 流，识别近期热门作品

用户数据

• 按用户名搜索 Sora2 平台用户
• 查询指定用户的完整资料画像，包含昵称、头像、简介、粉丝数、作品数、Cameo 数等
• 拉取指定用户已发布的全部作品列表
• 查看指定用户的关注列表与粉丝列表
• 拉取指定用户的 Cameo 出镜记录，分析其在他人作品中的出镜表现

AI 视频生成

• 上传图片素材，作为后续图生视频任务的输入
• 创建文生视频任务，根据文字 prompt 生成 Sora2 视频
• 创建图生视频任务，基于上传的图片素材生成 Sora2 视频
• 轮询查询视频生成任务的实时状态（排队中、生成中、已完成、失败）
• 获取视频生成任务完成后的最终视频 URL 与元信息

平台热榜

• 拉取 Sora2 全平台 Cameo 出镜热度榜单，识别平台明星用户与高频出镜内容

> ### 📋 数据传输与隐私声明（请认真阅读）

>

> 1. 第三方传输：您提供的所有 ID、关键词、链接、cookie 等参数都会通过 HTTPS 发送到 https://www.aconfig.cn（MaxHub 数据服务）进行处理。

> 2. UGC 隐私：拉回的评论 / 弹幕 / 动态 / 私信 / 联系人等内容可能包含个人信息或敏感 UGC，请勿写入未授权的数据库或公开发布。

> 3. 凭证保护：建议使用独立测试账号、定期轮换 API Key；禁止传入主力生产账号的 cookie 或 session 凭证。

> 4. 合规责任：使用方需自行确保符合所在地区的数据保护法律（《个人信息保护法》/ GDPR / 平台 ToS 等），平台账号的合规性由使用方承担。

3. 一键安装

鉴权

获取 API Key

请前往 MaxHub 控制台 注册账号并获取 API Key。

配置 API Key

方案 1：OpenClaw 配置

将 MAXHUB_API_KEY 添加到 ~/.openclaw/openclaw.json 中：

{ "env": { "MAXHUB_API_KEY": "ak_xxxx..." } }

方案 2：终端环境变量

export MAXHUB_API_KEY="ak_xxxx..."

依赖安装

本 Skill 不需要额外脚本依赖，所有调用通过 curl 完成 HTTP 请求即可，无第三方库依赖。

环境变量配置

4. 使用指南

🤖 Agent Decision Tree（必读 · 决定调用顺序）

> 此小节定义 agent 在每次接到用户请求时的标准决策流程。严格按此顺序执行可大幅提升命中率与减少误调用。

1️⃣ 文档加载顺序（按需 · 不要一次性全读）

2️⃣ Recipe 匹配规则（核心）

1. 加载 references/recipes/_index.md，扫 trigger_keywords 列
2. 最长匹配优先：若用户输入同时命中多个 recipe 的 trigger，选最长 trigger 命中的那个（最具体）
3. 平局询问：若两个 trigger 长度相同且都命中 → 主动询问用户："您是想看 A 还是 B？"
4. 无命中：先查 §0.1 不支持清单 → 不在则进入"自定义链路"流程（步骤 3）

3️⃣ 自定义链路（无现成 Recipe）

1. 读 references/atoms/_index.md，按 chain_role 列定位起点（starter）和终点（terminal）
2. 优先用 ⭐⭐⭐ 首选 标记的端点；不到必要不用 ⭐ 条件 端点
3. 字段流（上游 OUT → 下游 IN）由 param-mappings.md § 字段流字典 决定，禁止自行猜 json_path
4. 链路完成后，可向维护方建议把它编排成新 recipe

4️⃣ 调用前自检（按 risk 分级 · 节省 token）

> 旧 SKILL 强制所有调用都做 4 步——现按 risk 等级简化。low 端点（占绝大多数）只校验路径即可。

5️⃣ 错误处理快速决策

6️⃣ 输出契约（与用户对话时）

1. 数据来源声明：每次输出明确告知数据来自 https://www.aconfig.cn 三方接口
2. 缺失字段处理：如某字段链路降级后缺失，显式说明"X 暂不可取"，不要静默省略
3. 不要伪造：用户问的字段若不在响应里 → 说"未返回"，禁止用其他端点拼凑模拟

核心约束（强制遵守）

路由策略：Recipes → Atoms → Reference 三级路径

> Agent 接到用户请求后，优先按"先编排、后原子、再详情"的顺序进入文档，避免一上来就读全部 reference。

用户输入
   ↓
① 读 recipes/_index.md（轻量索引，~100 行）
   ↓ 匹配 trigger_keywords（命中 → 走 Recipe；未命中 → 步骤 ②）
   ↓
② 读 atoms/_index.md（原子映射表，~30 行核心）
   ↓ 按业务别名找 atom_id → endpoint_id → reference 文件
   ↓
③ 仅在需要 5 区契约（IN/OUT/ERR）时，读对应 reference 文件
   ↓
④ 调用前比对 endpoints_whitelist.yaml 完成 4 步 Pre-call 自检

基础使用（5 步完成调用）

Step 1 — 检查 API Key

[ -n "${MAXHUB_API_KEY:-}" ] && echo "ok" || echo "missing"

若返回 missing，停止并提示用户配置 MAXHUB_API_KEY。

Step 2 — 优先匹配 Recipe（编排层）

读 references/recipes/_index.md，按用户目标匹配 trigger_keywords：

命中 Recipe → 直接按其 Atomic Steps 顺序执行，跳到 Step 5。

Step 3 — Recipe 未命中：进入原子层

读 references/atoms/_index.md，按业务别名（atom_id）找到对应 endpoint_id：

Step 4 — 仅按需读 reference 详情层

按 atom 表中 file 字段找对应详情：

Step 5 — 执行并验证

• 调用前比对 endpoints_whitelist.yaml 完成 4 步 Pre-call 自检（路径 → method → 必填 → 写入确认）
• 收到 404 → 必须先做 §3.1 (A) 防路径臆造自检（5 步）
• 收到 400 / 422 → 必须先做 §3.1 (B) 防参数臆造自检（6 步）
• 收到 业务 code != 0 → 读 message_zh 报告用户，不重试

高级使用

链式调用图谱（来自 recipes/）

防臆造自检清单（强制前置步骤）

收到 404 时（A）：

1. 路径白名单逐字符比对 → 不在清单中 STOP
2. Method 比对 → 不等 STOP
3. 参数键名比对 → 有清单外参数 STOP
4. 资源 ID 来源溯源 → Agent 编造的 STOP
5. 全通过才判定"上游资源不存在"

收到 400 / 422 时（B）：

1. 参数名严格比对（大小写 / 缩写 / 复数）
2. 必填项齐全 + oneOf 二选一逻辑
3. 类型与格式严格匹配（pattern / enum）
4. 传参方式正确（query vs body）
5. 没有 IN 表外的臆造参数
6. 全通过才按 message_zh 排查

异步任务最佳实践（仅适用 create_video）

• 轮询间隔：5–10 秒一次
• 状态语义：pending / running 不视为失败，必须继续轮询
• 轮询上限：建议 10 分钟封顶；超时后把 task_id 返回用户
• 推荐：宿主 Agent 支持子会话时，spawn 子会话专职轮询，主会话保持响应

SKILL 版本更新

常用命令速查表

📌 端到端使用示例（agent 快速上手）

用户输入：「帮我看 Sora2 某个 post_id 的二创列表」

Agent 执行步骤：

1. 匹配 recipe：读 references/recipes/_index.md → 找到 trigger 命中 → 选最长匹配的 recipe
2. 加载 recipe 详情：读 references/recipes/.md 中对应段落，拿到 Inputs / Atomic Steps / Output
3. 路径校验：对每个 atom 的 endpoint_id，grep 一下 endpoints_whitelist.yaml 确认存在
4. risk: low 的端点直接调用，risk: medium+ 先与用户确认
5. 链式传递：上游响应的 json_path 字段（如 $.data.bvid）按 recipe 的 extract 列绑定为变量，传给下游端点
6. 错误处理：按 §错误处理决策表行动；不要自改路径或瞎加参数
7. 输出：组装结果给用户，标明数据来自三方接口；缺失字段显式说"未取到"

反例（agent 不要这么做）：

• ❌ 全文加载 endpoints_whitelist.yaml（大文件，浪费上下文）
• ❌ 看到 404 就改路径段重试（会被防臆造规则阻断）
• ❌ 把没在响应里的字段编一个值返回给用户
• ❌ 链式调用时忽略 recipe 的 extract 列，自己猜 json_path

5. 使用场景

场景一：Sora2 内容创作者寻找爆款规律

• 角色：Sora2 内容创作者
• 需求：想分析近期 Sora2 平台的热门作品有哪些共同特征，寻找下一个 Remix 灵感
• 使用方式：匹配 recipes/post.md 中的 trending_post_analysis Recipe → 自动按 get_feed → get_post 链路执行
• 预期收益：通过 Feed + 详情链路快速锁定高 totalScore 作品，提炼可复用的提示词模板

场景二：AI 视频研究者批量采集 Cameo 数据

• 角色：AI 视频领域研究者
• 需求：需要全平台 Cameo 出镜热榜及上榜用户的完整出镜记录，分析 Cameo 传播规律
• 使用方式：匹配 recipes/tools.md 中的 cameo_full_dataset Recipe → 按 get_cameo_board → list_cameo 批量执行
• 预期收益：一次调用矩阵覆盖全平台 Top Cameo 用户，构建完整的 Cameo 数据集

场景三：自媒体团队批量生成 AI 视频

• 角色：自媒体内容运营
• 需求：根据脚本批量生成 Sora2 视频用于多账号矩阵分发
• 使用方式：匹配 recipes/tools.md 中的 text_to_video_async Recipe → 串行 create_video → 子会话轮询 get_task_status → get_task_detail
• 预期收益：异步任务最佳实践确保不阻塞主会话，写入端点防重复扣配额，视频生产效率提升 5–10 倍

场景四：社媒分析师追踪 Remix 传播链

• 角色：社媒数据分析师
• 需求：跟踪某个爆款作品的全部 Remix 二创及其作者，绘制传播图谱
• 使用方式：匹配 recipes/post.md 中的 remix_chain_analysis Recipe → get_post → list_remix → get_profile 三步走
• 预期收益：完整的内容传播链分析，识别 KOL 二创节点

6. 项目架构

目录结构（Atoms + Recipes + Reference 三层）

maxhub-sora2/
├── SKILL.md                            # Skill 定义与使用文档（本文件）
├── README.md                           # 英文项目说明
├── README_CN.md                        # 中文项目说明
├── _meta.json                          # 版本元信息（version: 3.7.2）
└── references/
    ├── atoms/                          # ⚛️ 原子层（标准化端点封装）
    │   └── _index.md                   #   17 端点 × 业务别名映射表（atom_id / chain_role / idempotent / write_op）
    ├── recipes/                        # 📜 编排层（多步业务场景脚本）
    │   ├── _index.md                   #   全部 Recipe 索引（trigger_keywords + 文件路径）
    │   ├── post.md                     #   作品域 Recipes（详情/评论/Remix/下载等）
    │   ├── user.md                     #   用户域 Recipes（画像/社交/Cameo 出镜）
    │   └── tools.md                    #   工具域 Recipes（视频生成/任务轮询/热榜）
    ├── post.md                         # 📖 Reference 详情：作品域 6 端点（5 区契约）
    ├── user.md                         # 📖 Reference 详情：用户域 6 端点
    ├── tools.md                        # 📖 Reference 详情：工具域 5 端点（含写入）
    ├── param-mappings.md               # 🔗 中枢索引（全局红线 + 字段流字典 + 错误处理 + 替换矩阵）
    ├── endpoints_whitelist.yaml        # 🛡️ 17 端点路径硬白名单 + Pre-call 4 步自检协议
    └── update.md                       # 🔄 SKILL 更新机制（SkillHub / ClawHub / GitHub）

技术栈

API 覆盖范围

关键设计理念

• 三层架构：Atomic 原子层（端点标准化）+ Recipe 编排层（业务场景脚本）+ Reference 详情层（5 区契约），Agent 按"目标 → recipes → atoms → reference"四步精准定位
• 防臆造四道闸：白名单（endpoints_whitelist.yaml）→ 强标记（Full path）→ 禁止规则（Forbidden）→ 错误反馈（STOP）
• Agent 友好 7 大原则：结构胜于叙述、明确指令优于建议、单一来源、词法稳定性、低 token 密度、边界显式声明、错误处理是契约
• 链式调用图谱：字段流字典 + Recipe Atomic Steps + 跨 reference 链路三层联动，杜绝 Agent 编造字段名
• 错误处理契约：HTTP 状态码权威定义 + §3.1 防臆造自检清单（A: 5 步 / B: 6 步）+ 重试策略矩阵 + 端点替换矩阵