从「AI自动推荐爆款选题」到「信息聚合辅助决策」，一款AI选题工具的实战复盘揭示了产品落地的残酷真相。本文深度拆解了3个月实战中的4次关键转向、3个血泪教训，以及如何用结构化Prompt+人工复核破解AI分析的准确性困局，最终打造出运营真正愿意每周打开的工具。

「老板，我们做一个 AI 选题工具吧，自动推荐爆款话题！」

这是三个月前我在团队会议上提出的想法。

现在回头看，这个想法太天真了。

今天聊聊我们在做 AI 选题工具时踩过的坑，以及一些真实的思考。

01

先说说需求的真相。

一开始我们设想的产品是这样的。AI 分析全网热点，自动推荐选题，运营直接用。

很性感对不对？

但当我们真的去跟运营同学聊时，发现完全不是那么回事。

运营同学的真实痛点是什么？

第一是信息太分散。TikTok、Instagram、微博、小红书，每天要在七八个平台上刷热点，太累了。

第二是筛选效率低。热榜上大部分内容和自己的业务没关系，要从几百条里挑出几条有用的。

第三是不知道「为什么火」。看到一个爆款话题，但不知道它火的原因是什么，很难复刻。

注意，他们没有说「让 AI 帮我决定做什么选题」。

他们要的是帮我省时间，帮我看懂趋势，最终决策还是我来做。

这个认知转变让我们的产品方向完全变了。

02

基于需求调研，我们先做了一个最简单的版本。

聚合 TikTok、Instagram、YouTube 的热榜数据，按关键词过滤只保留和业务相关的内容，每天推送给运营。

上线后的反馈是没人用。

为什么？

第一个问题是热榜太宏观不够垂直。

TikTok 的热榜是什么？舞蹈挑战、明星八卦、搞笑视频。

我们做的是火车旅行垂类，热榜上 99% 的内容和我们没关系。

用关键词过滤？「火车」这个词在热榜上几乎不出现。

第二个问题是只有标题没有洞察。

运营看到一个话题「#UKTrainHack」，然后呢？

这个话题有多少播放量？有哪些视频在用这个话题？这些视频为什么火？

如果只是给一个话题名字，运营还是要自己去平台上查，省不了多少时间。

第三个问题是更新频率不对。

我们按天更新热榜。

但运营说「我不需要每天看热点，每周看一次就够了。热点的变化没那么快。」

03

第一版失败后我们重新思考，运营真正需要什么？

答案是具体的爆款视频，以及它火的原因。

于是我们做了第二版。

核心逻辑变了。原来是平台热榜到关键词过滤到推送话题。现在是垂类关键词到抓取相关视频到 AI 分析到推送洞察。

具体怎么做呢。

第一步是定义垂类关键词库。

和业务方一起梳理了火车旅行相关的关键词。核心词包括 train travel、UK rail、train hack、rail trip。长尾词包括 cheap train tickets、scenic train routes、first class train。场景词包括 commute、weekend getaway、train station。

大概 50 个核心词加 200 个长尾词。

第二步是抓取相关视频。

不是从热榜出发，而是直接用关键词在 TikTok 上搜索。最近 7 天发布的，播放量大于 10 万，点赞率大于 5%。

这样抓到的视频每一条都和我们的业务相关。

第三步是 AI 分析「为什么火」。

对每条爆款视频用 AI 做分析。视频的核心卖点是什么？用了什么钩子抓住观众？有哪些可复刻的元素？

输出格式是这样的。视频标题，播放量和点赞率，然后是爆火原因分析，比如标题用了具体数字制造悬念、开头 3 秒直接亮出省钱金额抓注意力、内容是实用技巧用户有收藏动机。最后是可复刻点，比如标题公式是数字加省钱或福利，开头模板是直接展示结果再讲方法。

上线两周后运营反馈说「终于不用自己刷 TikTok 了」「AI 分析的爆火原因挺准的给了我很多灵感」「每周看一次就够了效率提升很多」。

04

在做这个工具的过程中有几个关键决策想分享一下。

第一个决策是不做「AI 推荐选题」。

最初的想法是让 AI 直接推荐「你应该做什么选题」。后来放弃了。

原因是创作是非常个人化的事情。同一个话题不同的创作者会有完全不同的切入角度。AI 推荐的选题可能和创作者的风格、资源完全不匹配。

我们的定位是提供信息辅助决策，不替代决策。

第二个决策是人工筛选加 AI 分析。

抓取回来的视频不是直接推给运营，而是有一个筛选环节。AI 初筛过滤掉明显不相关的比如「train」出现在歌词里的音乐视频。人工复核确认视频确实和业务相关值得分析。AI 深度分析对确认的视频做详细分析。

为什么要人工复核？

因为 AI 的判断不是 100% 准确。如果推了一堆不相关的内容，运营会失去对工具的信任。

宁可少推一点也要保证推的都是有价值的。

第三个决策是不追求实时。

一开始想做实时热点监控，后来发现没必要。内容创作不是新闻报道，不需要追着热点跑。运营更需要的是趋势洞察而不是即时热点。

所以我们把更新频率定为每周 2 次，每次推送 10 到 15 条精选内容。

第四个决策是分层展示。

最终的展示分为三层。第一层是本周爆款 Top 10，标题、播放量、点赞率，一句话总结爆火原因。第二层是点击展开详情，视频截图、AI 分析的完整版、可复刻的元素清单。第三层是跳转原视频直接跳到 TikTok 看原视频。

这样运营可以快速浏览，感兴趣的再深入看。

05

分享几个血泪教训。

第一个教训是关键词库需要持续迭代。

第一版的关键词库是我们自己拍脑袋想的，漏了很多。比如「scenic railway」景观铁路这个词我们一开始没想到，但在 TikTok 上很火。

现在的做法是每周 Review 一次关键词库，根据实际抓取效果增删。

第二个教训是 AI 分析需要结构化 Prompt。

一开始让 AI 自由发挥分析视频，输出的内容很散没有可操作性。

后来我们设计了结构化的 Prompt。分析以下视频的爆火原因，按以下维度输出。标题技巧用了什么吸引点击的方法。开头钩子前 3 秒如何抓住注意力。内容结构视频的叙事逻辑。互动元素有没有引导评论或分享的设计。可复刻性普通创作者能否模仿。

结构化后输出质量提升了很多。

第三个教训是别指望 AI 100% 准确。

AI 分析的「爆火原因」有时候是错的。比如有一条视频火了，AI 说是因为「标题用了数字」。但实际上那条视频火是因为评论区吵起来了，和标题没关系。

AI 的分析只是参考不是真理。我们在界面上明确标注「以下分析由 AI 生成仅供参考」。

06

目前的工具是「事后分析」，视频已经火了我们分析它为什么火。

下一步想做的是「事前预测」，在视频火之前判断它有没有爆款潜质。

思路是积累足够多的爆款数据，提取爆款的共性特征包括标题模式、时长、发布时间、内容类型，对新发布的视频做预测评分。

但这个还在探索中，效果如何不好说。

07

做 AI 选题工具这几个月最大的感受是，不要用「AI 能做什么」来定义产品，要用「用户需要什么」来定义产品。

AI 确实很强大，可以做很多事情。但如果用户不需要，做再多也是浪费。

我们最初想做的是「AI 自动推荐选题」，很炫酷。最后做成的是「帮运营省时间的信息聚合工具」，很朴素。

但后者才是用户真正需要的。