用 Grok 构建推特热帖追踪流水线

是什么 这条推文把 Grok 定位成 X 的持续研究入口：先按“2026 年 7 月以来、500 赞以上”筛出高互动帖子，再把原文追加保存到 SQLite，最后用 Dashboard 按语言、主题和互动数据查询。评论补充了 Codex Skill、feedgrab 和 todos.dev 等替代路径，但主张仍是“搜索能力 + 定时任务 + 本地数据层 + 查询界面”的组合。

核心设计 其核心不是一次性生成摘要，而是建立可重复的采集闭环：互动门槛负责降噪，append-only 约束保留原始证据，语言分区扩大信号覆盖，Dashboard 将发布时间、阅读、评论、转发、点赞和热度趋势放到同一张表中。截图显示终端正在合并 JSON 入库，另一张界面已按阿拉伯语区和 chatgpt/codex/openai 主题展示结果，形成从抓取到复盘的连续链路。

关键洞察 真正可复用的价值在数据管道的稳定性：把“每天找爆款”变成结构化、可追踪的研究资产，便于比较不同语言和时间段的 AI 话题。Skill 只是调度入口，数据模型、去重、失败重试、来源链接和抓取时间才决定长期可信度。

边界与风险 “所有帖子”和“500 赞”依赖 X/Grok 的搜索覆盖、权限与时间口径，不能直接等同于全量。还需处理重复抓取、互动数变化、删帖、语言识别、时区、速率限制和 SQLite 并发写入；原文保存也应遵守平台条款与隐私边界。