Construí um pipeline diário do YouTube para o LinkedIn com OpenClaw: Arquitetura, Armadilhas e Lições Aprendidas

Um desenvolvedor publicou uma análise detalhada de uma skill OpenClaw que automatiza um pipeline diário de conteúdo do YouTube para o LinkedIn. A skill verifica cerca de 30 YouTubers de IA todas as manhãs, busca transcrições via um ator Apify, executa análise LLM através do OpenClaw Gateway e escreve 26 colunas de dados por vídeo em uma planilha Google. Custo: ~$0,20/dia no Apify, sem necessidade de chave LLM separada (usa a cota existente do Codex). 90% das transcrições vêm de legendas nativas; Whisper raramente é acionado.

Arquitetura Principal

Executa diariamente às 9h, busca transcrições via Apify assíncrono (o endpoint síncrono retorna BOT_DETECTION consistentemente). A saída LLM está aninhada dentro de outputs[0].text, não no topo do envelope. As gravações na planilha devem ser em lotes de 5 para evitar falha silenciosa de ARG_MAX — um criador chega a publicar 15+ vídeos/dia.

Problemas Críticos

• Segredos em blocos entries.X são deletados na desinstalação da skill. O autor perdeu uma chave da API do YouTube dessa forma. Agora tudo vai em env.vars.
• O watchdog de idle-turn do Codex mata turns do Discord após 5-10 minutos. timeoutSeconds não adianta. A solução: tarefas longas em segundo plano com setsid bash e usar um cron de Proactivity para auto-verificar o status.
• O stdout do Python é bufferizado em blocos quando redirecionado via nohup. Execuções em segundo plano produziam logs de 0 bytes até a conclusão. Use python3 -u ou PYTHONUNBUFFERED=1.

Ajuste do LLM via Planilha

A análise LLM é personalizada por 4 células editáveis pelo usuário na planilha Google: linkedin_focus, audience_description, voice_and_tone, avoid. Nenhuma alteração de código necessária para ajustar o tom — edite uma célula, e a skill se adapta. O autor busca feedback sobre se esse padrão é ideal.

O autor planeja publicar a skill no ClawHub após algumas semanas de testes em produção.