如何用 TwexAPI 在 X 上寻找 AI Influencer

AI 话题在 X 上分散在很多类型的账号里：研究员、创业者、独立开发者、产品运营者、prompt engineer、newsletter 作者、投资人。如果完全靠手动搜索，很快就会变成重复劳动：搜关键词、打开 profile、复制 handle、再回到表格里判断值不值得跟进。

TwexAPI 的 Search User endpoint 可以把第一步变得更结构化。你可以搜索 AI founder、LLM engineer、AI product manager 这类关键词，拿到一组用户 profile，再根据 bio、粉丝数、认证状态、list 数量等字段做初筛。

这个工作流解决什么

这个工作流使用 GET /twitter/search-user/{keyword}/{target_count} 发现 profile 信息匹配 AI 关键词的 X 账号。

适合这些场景：

发布产品前建立 AI influencer 或合作伙伴名单。
找到讨论 LLM、AI agents、copilot、AI infra 的 founder 和 builder。
为账号监控、newsletter 选题或 analyst review 创建 seed list。
根据 profile fit、followers、verification、listed_count 对候选账号排序。

这个端点返回的是用户 profile 对象。它不能判断一个人是否可信、是否适合合作、是否应该联系。正确用法是先生成候选名单，再进入人工复核。

Endpoint

发送 GET 请求：

https://api.twexapi.io/twitter/search-user/{keyword}/{target_count}

Path 参数	类型	用途
`keyword`	string	要搜索的用户关键词。建议使用 `AI founder`、`LLM researcher`、`AI agents` 这类具体短语。
`target_count`	integer	返回用户数量。调 query 时先用小值，结果稳定后再增加。

请求需要 TwexAPI Bearer Token。

curl --request GET \
  --url 'https://api.twexapi.io/twitter/search-user/AI%20founder/50' \
  --header 'Authorization: Bearer <token>'

成功响应包含 code、msg 和 data。data 是用户 profile 对象数组。

常用字段包括 id、name、screen_name、description、location、followers_count、following_count、listed_count、statuses_count、is_blue_verified、is_verified、verified_type、can_dm、profile_image_url、profile_banner_url、created_at 和 created_at_datetime。

1{
2  "code": 200,
3  "msg": "success",
4  "data": [
5    {
6      "id": "1717001045992251392",
7      "name": "Example AI Founder",
8      "screen_name": "example_ai",
9      "description": "Building AI agents for support teams",
10      "followers_count": 42000,
11      "listed_count": 310,
12      "is_verified": true,
13      "is_blue_verified": true,
14      "verified_type": "blue",
15      "can_dm": false
16    }
17  ]
18}

选择更好的 AI 关键词

只搜 AI 会非常杂。更好的做法是围绕角色、主题和目标市场写多个窄关键词。

目标	示例关键词
Startup 和产品声音	`AI founder`, `AI startup`, `AI product manager`, `AI operator`
技术账号	`LLM engineer`, `AI researcher`, `machine learning engineer`, `AI infrastructure`
Agent 生态	`AI agents`, `agentic AI`, `AI workflow automation`, `coding agent`
营销和增长	`AI marketer`, `AI newsletter`, `AI creator`, `AI tools`
投资人和分析师	`AI investor`, `AI analyst`, `venture AI`, `AI fund`

建议跑多个窄查询，而不是一个大而泛的查询。这样后续 review 时能解释每个账号为什么进入候选池。

Python Client

先保持 API client 足够小，只负责拿 raw users。normalize、score、save 放到后面的函数里。

1import os
2from typing import Any
3from urllib.parse import quote
4
5import requests
6
7TOKEN = os.environ["TWEXAPI_BEARER_TOKEN"]
8BASE_URL = "https://api.twexapi.io/twitter/search-user"
9
10def search_users(keyword: str, *, target_count: int = 50) -> list[dict[str, Any]]:
11    encoded_keyword = quote(keyword)
12    url = f"{BASE_URL}/{encoded_keyword}/{target_count}"
13
14    response = requests.get(
15        url,
16        headers={"Authorization": f"Bearer {TOKEN}"},
17        timeout=30,
18    )
19    response.raise_for_status()
20    return response.json().get("data", [])
21
22if __name__ == "__main__":
23    users = search_users("AI founder", target_count=25)
24    for user in users[:10]:
25        print(
26            user.get("screen_name"),
27            user.get("followers_count"),
28            user.get("description"),
29        )

生成可复核的候选行

第一版输出不要急着做 dashboard。先把每个账号整理成稳定的 review row，方便市场、分析师或 BD 快速扫。

1from typing import Any
2
3AI_TERMS = [
4    "ai",
5    "artificial intelligence",
6    "llm",
7    "agent",
8    "agents",
9    "machine learning",
10    "ml",
11    "copilot",
12    "automation",
13]
14
15def text_contains_ai_signal(text: str) -> bool:
16    lowered = text.lower()
17    return any(term in lowered for term in AI_TERMS)
18
19def to_candidate_row(user: dict[str, Any], keyword: str) -> dict[str, Any]:
20    description = user.get("description") or ""
21    followers_count = user.get("followers_count") or 0
22    listed_count = user.get("listed_count") or 0
23
24    return {
25        "keyword": keyword,
26        "user_id": user.get("id"),
27        "screen_name": user.get("screen_name"),
28        "name": user.get("name"),
29        "description": description,
30        "location": user.get("location"),
31        "followers_count": followers_count,
32        "listed_count": listed_count,
33        "is_verified": user.get("is_verified") is True,
34        "is_blue_verified": user.get("is_blue_verified") is True,
35        "verified_type": user.get("verified_type"),
36        "can_dm": user.get("can_dm"),
37        "profile_match": text_contains_ai_signal(description),
38        "profile_url": f"https://x.com/{user.get('screen_name')}",
39        "raw": user,
40    }

给 shortlist 打分

Follower count 很显眼，但不能单独当成 influencer 判断。更稳的 triage score 应该同时看 profile relevance、listed_count、认证信号和 audience size。

1import math
2
3def candidate_score(row: dict[str, Any]) -> float:
4    score = 0.0
5
6    if row["profile_match"]:
7        score += 40
8    if row["is_verified"]:
9        score += 10
10    if row["is_blue_verified"]:
11        score += 5
12    if row["verified_type"] in {"business", "government"}:
13        score += 10
14
15    followers = row["followers_count"] or 0
16    listed = row["listed_count"] or 0
17    score += min(math.log10(followers + 1) * 10, 45)
18    score += min(math.log10(listed + 1) * 6, 20)
19
20    return round(score, 2)
21
22keywords = [
23    "AI founder",
24    "LLM engineer",
25    "AI agents",
26    "AI product manager",
27]
28
29candidates = []
30seen_user_ids = set()
31
32for keyword in keywords:
33    for user in search_users(keyword, target_count=50):
34        user_id = user.get("id")
35        if not user_id or user_id in seen_user_ids:
36            continue
37        seen_user_ids.add(user_id)
38
39        row = to_candidate_row(user, keyword)
40        row["score"] = candidate_score(row)
41        candidates.append(row)
42
43candidates.sort(key=lambda row: row["score"], reverse=True)
44
45for row in candidates[:25]:
46    print(row["score"], row["screen_name"], row["followers_count"], row["profile_url"])

这个分数只是 review queue，不应该自动决定赞助、合作或外联。

保存 CSV 和 raw JSONL

大多数团队第一版会用 spreadsheet 复核。CSV 放给人看，JSONL 保留 raw profile，方便后续 enrichment 和 audit。

1import csv
2import json
3from datetime import datetime, timezone
4from pathlib import Path
5
6timestamp = datetime.now(timezone.utc).isoformat()
7csv_path = Path("ai-influencer-candidates.csv")
8jsonl_path = Path("ai-influencer-candidates.raw.jsonl")
9
10fieldnames = [
11    "score",
12    "keyword",
13    "screen_name",
14    "name",
15    "description",
16    "location",
17    "followers_count",
18    "listed_count",
19    "is_verified",
20    "is_blue_verified",
21    "verified_type",
22    "can_dm",
23    "profile_url",
24]
25
26with csv_path.open("w", newline="", encoding="utf-8") as f:
27    writer = csv.DictWriter(f, fieldnames=fieldnames)
28    writer.writeheader()
29    for row in candidates:
30        writer.writerow({field: row.get(field) for field in fieldnames})
31
32with jsonl_path.open("w", encoding="utf-8") as f:
33    for row in candidates:
34        f.write(json.dumps({
35            "fetched_at": timestamp,
36            "candidate": row,
37        }, ensure_ascii=False) + "\n")
38
39print(f"Saved {len(candidates)} candidates")

它在 influencer stack 里的位置

Search User 是 discovery step。更完整的 workflow 通常是：

用 Search User 生成候选账号。
用 profile metadata 去重和排除明显不匹配账号。
用 timeline 或 search endpoints 看近期内容。
需要 audience overlap 时，再看 followers/following。
只把人工复核后的账号放进 CRM、监控列表或合作流程。

这样每个账号都能追溯到发现它的关键词和评估字段。

常见坑

不要只搜 AI，用角色和主题词缩小范围。
不要把 can_dm: true 写成保证送达。
不要只按粉丝数排序。
不要因为 bio 不清楚就自动删除，先放进人工复核。
保存 fetch time，因为 profile metadata 会变化。
用 id 去重，不要只用 screen_name，handle 可能会改。

小结

TwexAPI 的 Search User 端点适合把 AI 相关关键词转成可复核的 influencer shortlist。用多个窄关键词搜索，整理 profile 字段，保守打分，再把前排账号交给人工 review。

这样可以把“到处翻 profile”的工作变成可解释、可复用的发现流程。