API で X 上の AI インフルエンサーを見つける方法

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 $0.10/1K）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 X 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 $0.10/1K）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 10,000 Credits（約 $0.10）、10,000 回で約 100,000 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 $0.10/1K）、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。

• ローンチやパートナー施策の前に AI influencer 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}

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、can_dm、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      "can_dm": false
16    }
17  ]
18}

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 $0.10/1K）、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。

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 $0.10/1K）、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 $0.10/1K）、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    "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    return {
22        "keyword": keyword,
23        "user_id": user.get("id"),
24        "screen_name": user.get("screen_name"),
25        "name": user.get("name"),
26        "description": description,
27        "location": user.get("location"),
28        "followers_count": user.get("followers_count") or 0,
29        "listed_count": user.get("listed_count") or 0,
30        "is_verified": user.get("is_verified") is True,
31        "is_blue_verified": user.get("is_blue_verified") is True,
32        "verified_type": user.get("verified_type"),
33        "can_dm": user.get("can_dm"),
34        "profile_match": text_contains_ai_signal(description),
35        "profile_url": f"https://x.com/{user.get('screen_name')}",
36        "raw": user,
37    }

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 $0.10/1K）、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、アウトリーチ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 $0.10/1K）、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    "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")

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 $0.10/1K）、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。

1. Search User で候補アカウントを作る。
2. profile metadata で明らかなミスマッチと重複を除く。
3. timeline や search endpoints で最近の投稿を確認する。
4. audience overlap が重要なら followers/following を見る。
5. 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 $0.10/1K）、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。
• can_dm: true を配信保証とみなさない。
• 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。