🤖 Social Media Comment Generator

Интеллектуальная система для анализа успешных комментариев в социальных сетях и генерации "человеческих" комментариев с помощью AI.

🎯 Зачем это нужно?

• Анализируйте что делает комментарии успешными
• Понимайте паттерны высокого engagement
• Различайте AI и человеческие комментарии
• Генерируйте естественные комментарии, неотличимые от написанных человеком

✨ Возможности

1. 📥 Парсинг постов

• Получение последних 50 постов из LinkedIn, Twitter и других платформ
• Автоматический сбор комментариев
• Расчет метрик engagement

2. 🏆 Анализ Engagement

• Выбор топ-3 комментариев по вовлеченности
• Умный расчет с учетом лайков, ответов, репостов
• Time decay для свежих комментариев

3. 📊 Структурный анализ (Step 2) ⭐

Ключевой этап системы - разбор структуры комментариев:

• Длина, тон, стиль
• Паттерны начала (согласие, вопрос, личный опыт)
• Использование эмодзи и неформальной пунктуации
• Ключевые фразы и обороты
• Выделение успешных паттернов

4. 🤖 Детекция AI vs Human

• Определение признаков AI-генерации
• Выявление шаблонных фраз
• Анализ естественности языка
• Human Score (0-100%)

5. ✍️ Генерация комментариев

• AI-генерация с учетом паттернов успешных комментариев
• Несколько попыток с улучшением "человечности"
• Валидация через детектор
• Адаптация под платформу и стиль

🚀 Быстрый старт

Установка

# 1. Клонируйте репозиторий
git clone <repo-url>
cd social-comment-generator

# 2. Установите зависимости
pip install -r requirements.txt

# 3. Настройте конфигурацию
cp .env.example .env
# Отредактируйте .env (опционально для демо)

Демо

# Быстрая демонстрация без настройки
python quickstart.py

Полный цикл

# Запуск всего пайплайна
python src/main.py

📖 Подробнее: см. QUICKSTART.md

Структура проекта

.
├── src/
│   ├── parser.py           # Парсинг постов и комментариев
│   ├── analyzer.py         # Анализ структуры комментариев
│   ├── detector.py         # Детекция AI vs Human
│   ├── generator.py        # Генерация комментариев
│   └── utils/
│       ├── engagement.py   # Расчет engagement
│       └── patterns.py     # Паттерны комментариев
├── config/
│   └── patterns.json       # Паттерны успешных комментариев
├── data/
│   ├── posts/              # Сохраненные посты
│   ├── comments/           # Сохраненные комментарии
│   └── analysis/           # Результаты анализа
└── notebooks/
    └── analysis.ipynb      # Jupyter для исследования

📊 Step 2: Анализ структуры комментария (Главный этап)

Это ключевой компонент системы, который глубоко анализирует успешные комментарии и выделяет паттерны.

Что анализируется:

🔤 Структура

• Длина комментария (короткий/средний/длинный)
• Количество слов и предложений
• Разбивка на параграфы
• Средняя длина параграфа

🎨 Стиль и тон

• Формальность языка
• Эмоциональность
• Использование эмодзи и их типы
• Восклицания и вопросы

🚀 Паттерны начала

• Согласие: "Согласен!", "Точно!", "Абсолютно!"
• Личный опыт: "У меня был...", "Я сталкивался..."
• Вопрос: Начинается с вопроса
• Благодарность: "Спасибо!", "Благодарю!"
• Инсайт: Интересное наблюдение

📝 Содержание

• Упоминание личного опыта
• Предоставление ценности (советы, рекомендации)
• Использование сторителлинга
• Вопросы к аудитории
• Call-to-action

⚠️ AI-детекция (обратные признаки)

• Шаблонные AI фразы ("стоит отметить", "в заключение", "более того")
• Слишком формальный язык
• Идеальная грамматика без разговорных форм
• Повторяющаяся структура предложений
• Отсутствие эмоций и личного опыта

Результаты анализа

Система выдает:

{
  "aggregate_patterns": {
    "avg_length": 150.5,              # Средняя длина успешных
    "avg_word_count": 28.3,           # Среднее кол-во слов
    "use_emoji_pct": 67.0,            # % используют эмодзи
    "starts_with_agreement_pct": 45,  # % начинают с согласия
    "mentions_experience_pct": 56,    # % упоминают опыт
    "provides_value_pct": 72,         # % дают советы
    "common_key_phrases": [...],      # Частые фразы
  },
  "recommendations": [
    "✓ Цель: средние комментарии (~150 символов)",
    "✓ Используйте эмодзи (67% успешных)",
    "✓ Упоминайте личный опыт",
    "⚠ Избегайте формального тона",
  ]
}

Пример использования

from analyzer import CommentAnalyzer

analyzer = CommentAnalyzer()

comments = [
    {'text': 'Согласен! У меня был похожий опыт 🚀'},
    {'text': 'Отличная статья! Попробую на практике...'}
]

result = analyzer.analyze_multiple_comments(comments)

# Рекомендации
print(result['recommendations'])

# Паттерны
patterns = result['aggregate_patterns']
print(f"Средняя длина: {patterns['avg_length']}")

🤖 vs 👤 Как отличить AI комментарий?

Признаки AI:

❌ Шаблонные фразы:

• "it's worth noting", "стоит отметить"
• "furthermore", "moreover", "более того"
• "in conclusion", "в заключение"
• "dive deep", "delve into", "leverage"

❌ Формальный язык без эмоций ❌ Идеальная грамматика ❌ Все предложения одинаковой длины ❌ Отсутствие личного опыта

Признаки человека:

✅ Разговорный язык и сленг ✅ Эмодзи 🔥✨💡 ✅ Личный опыт ("у меня был...", "я пробовал...") ✅ Неформальная пунктуация (..., !!, ??) ✅ Опечатки и повторы для эмоций (круутоо) ✅ Вопросы к аудитории

🎯 Workflow

1. Парсинг        2. Engagement      3. Анализ (Step 2)    4. Генерация
   ↓                  ↓                    ↓                     ↓
[50 постов] → [Топ-3 комментария] → [Паттерны] → [AI генерация] → [Валидация]
                 по engagement         успеха      с паттернами     детектором

💻 Примеры использования

Анализ комментариев

python src/analyzer.py

Парсинг LinkedIn

# Настройте .env:
# PLATFORM=linkedin
# LINKEDIN_EMAIL=...
# LINKEDIN_PASSWORD=...

python src/parser.py

Генерация комментариев

# Настройте .env:
# ANTHROPIC_API_KEY=sk-...

python src/generator.py

Полный пайплайн

python src/main.py