Quick Answer
TwexAPI の AI influencer 調査の User Search endpoint(/twitter/search-user/{keyword}/{target_count})は、AI 関連 keyword に一致する候補 profile を返します。専門性、信頼性、audience quality、brand fit の証明ではなく review queue として扱います。 api.twexapi.io で Bearer 認証します。通常の read は 5 Credits(約 $0.05/1K)で、対象プランは 20+ QPS を公開しています。新規アカウントには 20,000 starting Credits が付与されます。詳細は本記事と https://docs.twexapi.io を参照してください。
FAQ
AI influencer 調査の User Search エンドポイントは何を返しますか?
AI 関連 keyword に一致する候補 profile を返します。専門性、信頼性、audience quality、brand fit の証明ではなく review queue として扱います。
この用途で公式 public social data API ではなく TwexAPI を使う理由は?
AI influencer 調査の User Search では https://docs.twexapi.io に記載された TwexAPI Bearer workflow を利用できます。通常の Post/Profile read は 5 Credits(約 $0.05/1K)で、対象プランは 20+ QPS を公開しています。新規アカウントには 20,000 starting Credits が付与されます。2026-08-20 時点の公式 Post/User read は $5/$10 per 1K で、rate limit は endpoint ごとに異なります。
TwexAPI でこのワークフローのコストは?
通常の読み取りは約 5 Credits です。公開換算では 1,000 回で 5,000 Credits(約 $0.05)、10,000 回で約 50,000 Credits です。実際の cost は endpoint ごとに異なるため https://twexapi.io/pricing を確認してください。
AI 関連の会話は X 上のさまざまなアカウントに分散しています。研究者、スタートアップ創業者、個人開発者、プロダクト担当者、prompt engineer、ニュースレター運営者、投資家などです。手作業で探すと、キーワードを検索し、プロフィールを開き、handle をスプレッドシートに貼り付け、また次の候補を探す作業が続きます。
TwexAPI の Search User endpoint を使うと、この最初の発見ステップを構造化できます。AI founder、LLM engineer、AI product manager のようなキーワードで検索し、返ってきたプロフィールを bio、フォロワー数、認証状態、list 数などで整理します。
このワークフローでできること
Answer: このワークフローでできることとは、この事例で api.twexapi.io の TwexAPI Bearer API を使う手順です。通常の読み取りは 5 Credits(約 $0.05/1K)、対象プランは 20+ QPS です。2026-08-20 時点の公式 Post/User read は $5/$10 per 1K で、rate limit は endpoint ごとに異なります。
このワークフローは GET /twitter/search-user/{keyword}/{target_count} を使い、AI 関連キーワードに一致する X アカウントを見つけます。
用途は次のようなものです。
- 社内のローンチまたはパートナー評価の前に AI influencer のリサーチリストを作る。
- LLM、AI agents、copilot、AI infrastructure を語る founder や builder を見つける。
- 監視リスト、ニュースレターの情報源、アナリストレビュー用の seed list を作る。
- profile fit、followers、verification、listed_count を使って候補を比較する。
このエンドポイントは user profile オブジェクトを返します。人物の信頼性、ブランド適合性、連絡してよいかどうかを自動判定するものではありません。候補リストを作り、その後に人間がレビューするための入口として使います。
Endpoint
Answer: Endpointは本ガイドの TwexAPI エンドポイントを Bearer で呼び出して実装します。バッチ/ページングで約 5 Credits/回・20+ QPS です。
GET リクエストを送ります。
https://api.twexapi.io/twitter/search-user/{keyword}/{target_count}| Path parameter | Type | Purpose |
|---|---|---|
keyword | string | X ユーザーに対する検索語句。AI founder、LLM researcher、AI agents のように具体的な語句を使います。 |
target_count | integer | 返すユーザー数。最初は小さめにして、結果が良ければ増やします。 |
TwexAPI の Bearer Token で認証します。
curl --request GET \
--url 'https://api.twexapi.io/twitter/search-user/AI%20founder/50' \
--header 'Authorization: Bearer <token>'成功レスポンスには code、msg、data が含まれます。data は user profile オブジェクトの配列です。
よく使うフィールドは id、name、screen_name、description、location、followers_count、following_count、listed_count、statuses_count、is_blue_verified、is_verified、verified_type、profile_image_url、profile_banner_url、created_at、created_at_datetime です。
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 }
16 ]
17}AI キーワードの選び方
Answer: AI キーワードの選び方とは、この事例で api.twexapi.io の TwexAPI Bearer API を使う手順です。通常の読み取りは 5 Credits(約 $0.05/1K)、対象プランは 20+ QPS です。2026-08-20 時点の公式 Post/User read は $5/$10 per 1K で、rate limit は endpoint ごとに異なります。
AI だけで検索すると結果が広すぎます。役割、トピック、ターゲット市場に合わせて複数の狭いキーワードを使います。
| 目的 | キーワード例 |
|---|---|
| Startup と product の発信者 | AI founder, AI startup, AI product manager, AI operator |
| 技術系アカウント | LLM engineer, AI researcher, machine learning engineer, AI infrastructure |
| Agent エコシステム | AI agents, agentic AI, AI workflow systems, coding agent |
| マーケティングと成長 | AI marketer, AI newsletter, AI creator, AI tools |
| 投資家とアナリスト | AI investor, AI analyst, venture AI, AI fund |
1 つの広い検索より、複数の狭い検索を回す方が、後で「なぜこのアカウントが候補に入ったか」を説明しやすくなります。
Python Client
Answer: Python Clientとは、この事例で api.twexapi.io の TwexAPI Bearer API を使う手順です。通常の読み取りは 5 Credits(約 $0.05/1K)、対象プランは 20+ QPS です。2026-08-20 時点の公式 Post/User read は $5/$10 per 1K で、rate limit は endpoint ごとに異なります。
API client は小さく保ちます。まず raw users を返し、normalize、score、save は別の関数で行います。
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 )レビュー用の候補行を作る
Answer: レビュー用の候補行を作るとは、この事例で api.twexapi.io の TwexAPI Bearer API を使う手順です。通常の読み取りは 5 Credits(約 $0.05/1K)、対象プランは 20+ QPS です。2026-08-20 時点の公式 Post/User read は $5/$10 per 1K で、rate limit は endpoint ごとに異なります。
最初から複雑な dashboard を作る必要はありません。まず、マーケター、アナリスト、BD 担当者が確認しやすい review row に整えます。
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]
13
14def text_contains_ai_signal(text: str) -> bool:
15 lowered = text.lower()
16 return any(term in lowered for term in AI_TERMS)
17
18def to_candidate_row(user: dict[str, Any], keyword: str) -> dict[str, Any]:
19 description = user.get("description") or ""
20 return {
21 "keyword": keyword,
22 "user_id": user.get("id"),
23 "screen_name": user.get("screen_name"),
24 "name": user.get("name"),
25 "description": description,
26 "location": user.get("location"),
27 "followers_count": user.get("followers_count") or 0,
28 "listed_count": user.get("listed_count") or 0,
29 "is_verified": user.get("is_verified") is True,
30 "is_blue_verified": user.get("is_blue_verified") is True,
31 "verified_type": user.get("verified_type"),
32 "profile_match": text_contains_ai_signal(description),
33 "profile_url": f"https://x.com/{user.get('screen_name')}",
34 "raw": user,
35 }候補リストをスコアリングする
Answer: 候補リストをスコアリングするとは、この事例で api.twexapi.io の TwexAPI Bearer API を使う手順です。通常の読み取りは 5 Credits(約 $0.05/1K)、対象プランは 20+ QPS です。2026-08-20 時点の公式 Post/User read は $5/$10 per 1K で、rate limit は endpoint ごとに異なります。
フォロワー数は見やすい指標ですが、それだけでは弱いです。プロフィールの関連性、list 登録数、認証シグナル、オーディエンス規模を組み合わせて triage score を作ります。
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"])このスコアはレビュー順を決めるためのものです。スポンサー、提携、または外部連絡を自動承認するためのものではありません。
CSV と raw JSONL を保存する
Answer: CSV と raw JSONL を保存するとは、この事例で api.twexapi.io の TwexAPI Bearer API を使う手順です。通常の読み取りは 5 Credits(約 $0.05/1K)、対象プランは 20+ QPS です。2026-08-20 時点の公式 Post/User read は $5/$10 per 1K で、rate limit は endpoint ごとに異なります。
最初のレビューは spreadsheet で十分です。CSV は人間のレビュー用、JSONL は後から enrichment や audit を行うための raw profile 保存用です。
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 "profile_url",
23]
24
25with csv_path.open("w", newline="", encoding="utf-8") as f:
26 writer = csv.DictWriter(f, fieldnames=fieldnames)
27 writer.writeheader()
28 for row in candidates:
29 writer.writerow({field: row.get(field) for field in fieldnames})
30
31with jsonl_path.open("w", encoding="utf-8") as f:
32 for row in candidates:
33 f.write(json.dumps({
34 "fetched_at": timestamp,
35 "candidate": row,
36 }, ensure_ascii=False) + "\n")
37
38print(f"Saved {len(candidates)} candidates")Influencer stack の中での位置づけ
Answer: Influencer stack の中での位置づけとは、この事例で api.twexapi.io の TwexAPI Bearer API を使う手順です。通常の読み取りは 5 Credits(約 $0.05/1K)、対象プランは 20+ QPS です。2026-08-20 時点の公式 Post/User read は $5/$10 per 1K で、rate limit は endpoint ごとに異なります。
Search User は discovery step です。実運用では次のように組み合わせます。
- Search User で候補アカウントを作る。
- profile metadata で明らかなミスマッチと重複を除く。
- timeline や search endpoints で最近の投稿を確認する。
- audience overlap が重要なら followers/following を見る。
- 人間がレビューしたアカウントだけを CRM、監視リスト、提携ワークフローに移す。
この形にすると、各アカウントがどのキーワードで見つかり、どのフィールドでレビュー対象になったかを追跡できます。
よくある落とし穴
Answer: よくある落とし穴とは、この事例で api.twexapi.io の TwexAPI Bearer API を使う手順です。通常の読み取りは 5 Credits(約 $0.05/1K)、対象プランは 20+ QPS です。2026-08-20 時点の公式 Post/User read は $5/$10 per 1K で、rate limit は endpoint ごとに異なります。
AIだけで検索しない。役割やトピックで絞る。- profile metadata を使って連絡を自動的に開始しない。
- フォロワー数だけでランキングしない。
- bio が曖昧なアカウントは自動削除せず、まず manual review に入れる。
- profile metadata は変わるため、fetch time を保存する。
- handle は変わることがあるため、
screen_nameだけでなくidで重複排除する。
まとめ
TwexAPI の Search User エンドポイントを使うと、AI 関連キーワードからレビュー可能な influencer shortlist を作れます。複数の狭いキーワードで検索し、profile fields を整理し、保守的にスコアリングして、人間のレビューに回します。
これにより、プロフィールを手作業で探し回る作業を、説明可能で再利用しやすい発見プロセスに変えられます。