用 Claude Haiku 4.5 对 SNS 数据做 AI 性格诊断的实现心得

作者在个人链接页面服务 myna.me 上，用 Claude Haiku 4.5 实现了基于 SNS 数据的 AI 性格诊断功能，采集多个 SNS 账号的数据进行 6 维度人格分析。

文章深入分享了架构设计、Prompt 工程、验证方案和成本优化策略。作为一个实际上线运行的功能，这是难得的从想法到生产环境的完整实现记录。

从行业发展趋势来看，这一进展反映了AI技术正在加速从实验室走向实际应用的过程。越来越多的企业和开发者开始将AI能力深度整合到产品和工作流中，推动了整个产业链的升级。对于关注AI前沿动态的从业者和研究者而言，这是一个值得持续跟踪的方向。

(Twitter, GitHub, YouTube, Facebook, Qiita, Mastodon, Bluesky, Zenn, note)

Claude Haiku 4.5NLP推論

AT Protocol (app.bsky.feed.getAuthorFeed)

zenn.dev/api/articles?username=xxx

note.com/api/v2/creators/xxx

const results = await Promise.allSettled([

fetchTwitterData(accounts),

fetchGitHubData(accounts),

fetchYouTubeData(accounts),

const successfulData = results

.filter((r): r is PromiseFulfilledResult<PlatformData> =>

r.status === 'fulfilled' && r.value !== null

bio / bioEn: 自己紹介文（日英）

const systemPrompt = `You are a personality analyst AI.

Analyze the user's social media data and provide a 6-axis personality assessment.

Return ONLY valid JSON, no markdown

All scores must be integers between 0-100

Provide analysis in the user's language`;

${platformDataSummary}

myna.me Profile Context

Subtitle: ${subtitle}

Trust Score: ${trustScore}/100

Connected Platforms: ${platformCount}

Timeline Entries: ${timelineCount}

Required Output Format

"creativity": <0-100>,

"sociability": <0-100>,

"analytical": <0-100>,

"leadership": <0-100>,

"expertise": <0-100>,

"expressiveness": <0-100>

"summary": "<2-3 sentence personality summary>",

"strengths": ["<strength1>", "<strength2>", "<strength3>"],

"style": "<one-word personality style label>"

Claude Haiku 4.5ID: claude-haiku-4-5-20251001

深度分析与行业展望

从更宏观的视角来看，这一发展体现了AI技术从实验室走向产业化应用的加速趋势。行业分析师普遍认为，2026年将是AI商业化的关键转折年。在技术层面，大模型的推理效率持续提升，部署成本不断下降，使得更多中小企业能够接入先进的AI能力。在市场层面，企业对AI投资的回报预期正在从长期战略转向短期可量化收益。

然而，AI的快速普及也带来了新的挑战：数据隐私保护的复杂化、AI决策透明度的需求增加、以及跨境AI治理协调的困难。多国监管机构正在密切关注相关动态，试图在促进创新与防范风险之间寻找平衡。对于投资者而言，识别真正具有可持续竞争优势的AI企业变得越来越重要。

从产业链角度分析，上游基础设施层正在经历整合与重构，头部企业通过垂直整合不断扩大竞争壁垒。中游平台层的开源生态日益繁荣，降低了AI应用的开发门槛。下游应用层则呈现百花齐放的态势，金融、医疗、教育、制造等传统行业的AI渗透率正在加速提升。

此外，人才竞争已成为AI产业发展的关键瓶颈。全球顶尖AI研究人员的争夺战日趋激烈，各国政府纷纷出台吸引AI人才的优惠政策。产学研协同创新模式正在全球范围内推广，有望加速AI技术的产业化转化。