选题枯竭自救三步：先榨存量爆款反推、再拆人群场景、最后补来源池

一、选题枯竭的本质：一个供给系统视角

1.1 选题枯竭不是“没灵感”，而是系统失衡

大多数内容创作者把选题枯竭归因于“灵感不够”，于是试图通过看更多内容、刷更多平台来“找灵感”。但笔者在多个内容团队的实践中观察到一个反复出现的现象：灵感输入的增加并不线性地带来选题产出的增加。一个人可能每天刷两百条内容，却依然在周一选题会上说不出三个可执行的选题。这说明问题不在输入端的总量，而在输入到输出的转化链路。

从信息论的视角看，选题生产可以被建模为一个信息加工系统：输入是外部信息（行业动态、用户反馈、竞品内容、学术进展等），加工是编辑的判断与结构化，输出是可执行的选题卡片。选题枯竭意味着这个系统的输出速率低于内容排期的需求速率。造成这种失衡的原因通常有三类：输入端口单一化、加工链路依赖个体经验、输出缺少标准化格式。本文评述：把选题枯竭当作系统问题而非态度问题，是解决问题的第一步——因为系统问题有工程解，态度问题只有鸡汤解。

1.2 内容熵增：为什么老方法越来越不灵

内容平台经过多年发展，已经积累了海量存量内容。以微信公众号为例，根据新榜研究院发布的《2024中国微信500强年报》（新榜研究院，2024），500强账号全年发文总量超过百万篇，头部账号的选题重合度显著上升。当同一赛道的内容密度达到一定程度后，任何“显而易见”的选题都已经被反复写过，创作者感受到的“没东西可写”，本质上是低垂果实已被摘完。

笔者将这一现象称为内容熵增：随着平台内容总量的增长，单一选题的新颖度自然衰减，创作者必须付出更高的信息加工成本才能产出同等新颖度的选题。应对熵增的办法不是更努力地“想”，而是升级加工链路的复杂度——从单点灵感升级为系统化生产。

1.3 三步框架总览

本文提出的三步框架，分别对应选题供给系统的三个关键环节：

这三步不是线性的先后关系，而是一个循环增强的系统：存量反推产出选题基因，基因输入矩阵生成候选，候选经过来源池验证与补充后进入排期，排期后的数据又回流为新的存量样本。笔者认为，这个循环的转速，才是内容团队真正的核心竞争力。

二、第一步：榨存量——爆款反推的工程化方法

2.1 为什么从存量开始

爆款内容是被市场验证过的选题样本。一条内容能成为爆款，说明它至少在一个维度上击中了用户的真实需求——可能是话题热度、可能是情绪共鸣、可能是信息差、也可能是形式创新。从存量爆款反推，本质上是用已验数据替代主观猜测，降低选题决策的不确定性。

这一思路在推荐系统领域有对应的理论基础。协同过滤（Collaborative Filtering）的核心假设是：过去行为相似的用户，未来偏好也相似（Resnick et al., 1994）。选题反推的逻辑类似：过去被验证过的选题模式，在未来仍有较大概率有效。当然，这个假设有边界——当用户群体或平台算法发生剧烈变化时，历史模式的有效性会衰减。本文评述：存量反推不是简单复制爆款，而是提取爆款背后的结构性要素，再在新语境下重新组合。

2.2 爆款样本的采集与清洗

第一步是建立爆款样本库。采集范围建议覆盖三类来源：自有账号历史数据、同赛道竞品账号、跨赛道但形式可迁移的账号。采集字段至少包括：标题、发布时间、阅读/播放量、互动量（点赞、评论、转发、收藏）、内容形式（图文/视频/长文）、话题标签。

数据清洗环节需要处理几个常见问题。第一，剔除异常值：某些内容的高数据可能来自平台推荐或热点事件，而非选题本身的质量。建议用中位数而非均值作为基准线，并用四分位距（IQR）方法识别异常值。第二，统一指标口径：不同平台的互动指标定义不同，需要归一化处理。第三，标注时间窗口：爆款的有效性有时效性，建议优先采集近6个月的数据。

一个可操作的清洗流程如下：

# 爆款样本清洗伪代码（Python风格）
import pandas as pd
import numpy as np

# 1. 读取原始数据
df = pd.read_csv("viral_samples.csv")

# 2. 计算基准线（中位数）
baseline = df.groupby("platform")["views"].median()

# 3. 标记爆款：阅读量 > 基准线 × 2
df["is_viral"] = df.apply(
    lambda r: r["views"] > baseline[r["platform"]] * 2, axis=1
)

# 4. IQR异常值剔除
Q1 = df["views"].quantile(0.25)
Q3 = df["views"].quantile(0.75)
IQR = Q3 - Q1
df = df[df["views"] <= Q3 + 1.5 * IQR]

# 5. 时间窗口过滤：近6个月
df["date"] = pd.to_datetime(df["date"])
cutoff = pd.Timestamp.now() - pd.DateOffset(months=6)
df = df[df["date"] >= cutoff]

# 6. 输出清洗后的爆款样本
df[df["is_viral"]].to_csv("cleaned_viral.csv", index=False)

上述代码中的阈值（2倍中位数、1.5倍IQR、6个月窗口）是经验参数，不同赛道需要根据数据分布调整。建议先用历史数据做回测，找到使爆款识别准确率最高的参数组合。

2.3 选题基因提取：从标题到结构

清洗后的爆款样本需要进一步拆解为“选题基因”。笔者建议从五个维度提取：

维度	提取内容	示例
话题	内容讨论的核心主题	AI编程工具对比
角度	切入话题的独特视角	从“踩坑”角度而非“推荐”角度
情绪	触发用户互动的情绪类型	焦虑、好奇、共鸣、愤怒
结构	内容的组织方式	清单体、对比体、故事体、数据体
形式	内容载体与呈现方式	图文、短视频、长文、信息图

提取方法可以手工标注，也可以用NLP工具辅助。对于标题分析，TF-IDF（Salton & Buckley, 1988）可以快速识别高频关键词；对于话题聚类，BERTopic（Grootendorst, 2022）能够基于预训练语言模型生成语义聚类，效果优于传统的LDA（Blei et al., 2003）。本文评述：工具只是辅助，关键是建立统一的标注规范，让不同编辑提取的基因可以横向比较。

2.4 反推矩阵：把基因重新组合

提取出选题基因后，下一步是重新组合。一个实用的方法是建立“基因组合矩阵”：横轴是话题，纵轴是角度/情绪/结构，交叉点就是候选选题。例如：

这种组合方式的理论基础可以追溯到形态学分析（Morphological Analysis），由瑞士天文学家Fritz Zwicky在20世纪40年代提出，用于系统化地探索多维问题的解空间（Zwicky, 1969）。笔者在实践中发现，一个中等规模的基因库（50个话题 × 5个角度 × 5种情绪 × 4种结构）理论上可以生成5000个候选选题，足以支撑一个团队一年的排期。

2.5 实操案例：一个科技账号的存量反推

假设一个科技类公众号有200篇历史文章，其中30篇为爆款（阅读量超过账号中位数的2倍）。按照上述方法，编辑可以：

1. 导出30篇爆款的标题、阅读量、互动数据；
2. 用TF-IDF提取标题高频词，识别出“实测”“踩坑”“对比”“避坑”“指南”等高频角度词；
3. 用BERTopic对正文做话题聚类，得到“AI工具”“效率方法”“职业发展”“行业趋势”四个主要话题簇；
4. 建立组合矩阵，生成候选选题列表；
5. 人工筛选出20个可执行选题，进入排期。

这个流程的耗时大约为：数据导出与清洗1小时，NLP分析1小时，人工筛选2小时，合计半天。相比每周花3小时开选题会却产出寥寥，效率提升是显著的。

三、第二步：拆人群场景——选题候选空间的矩阵化生成

3.1 人群维度：从“所有人”到“具体的人”

存量反推解决的是“别人验证过什么”，人群场景拆解解决的是“我的用户还需要什么”。很多创作者选题枯竭，是因为他们心中的用户画像过于模糊——“我的读者是对科技感兴趣的人”。这个描述太宽泛，无法指导选题。

有效的人群拆解需要落到可操作的维度。笔者建议从以下几个维度切分：

维度	切分示例	选题方向
职业阶段	学生 / 初级 / 中级 / 高级 / 管理者	入门指南 vs 进阶技巧 vs 管理视角
使用深度	新手 / 日常用户 / 重度用户 / 专家	基础教程 vs 效率技巧 vs 深度原理
目标动机	学习 / 工作 / 副业 / 兴趣	不同动机对应不同内容深度与形式
痛点类型	效率低 / 不会用 / 选不对 / 用不好	每个痛点都是一个选题簇

这种拆解方法的理论支撑来自市场细分理论（Market Segmentation），Smith（1956）最早提出用多维变量对市场进行切分。本文评述：内容选题的人群拆解与市场细分逻辑一致，但粒度可以更细——因为内容的边际成本远低于实体产品，创作者可以服务更细分的需求。

3.2 场景维度：用户在什么情境下需要内容

场景维度回答的是“用户在什么时候、什么情境下会需要这条内容”。场景拆解可以从时间、空间、任务、情绪四个维度展开：

• 时间场景：通勤路上、午休、睡前、周末、工作日——不同时间段的内容消费偏好不同。例如，通勤时段更适合短内容，睡前更适合深度阅读。
• 空间场景：办公室、家里、咖啡馆、地铁——空间影响内容形式和长度。
• 任务场景：正在做某件事时遇到问题、准备做某件事前做功课、做完后复盘——任务场景直接对应选题的“使用时机”。
• 情绪场景：焦虑、好奇、无聊、兴奋、困惑——情绪场景决定内容的情绪基调。

场景拆解的价值在于，它能把抽象的“用户需求”转化为具体的“使用情境”。当创作者能想象出用户打开内容的具体场景时，选题就不再是空中楼阁。

3.3 人群 × 场景矩阵：生成选题候选空间

把人群维度和场景维度交叉，就得到一个选题候选矩阵。以“AI编程工具”为例：

人群 \ 场景	刚遇到问题	准备开始前	用了一段时间
新手	报错怎么办	选哪个工具	基础技巧合集
中级	效率瓶颈突破	工具组合方案	进阶工作流
高级	架构级问题	团队方案设计	最佳实践复盘

每个交叉点都可以生成多个选题。3×3的矩阵就有9个格子，每个格子至少可以产出3-5个选题，总计30-45个候选。这比“拍脑袋想”的效率高出一个数量级。

3.4 用户评论挖掘：让用户告诉你选题

人群场景矩阵是“自上而下”的拆解，用户评论挖掘则是“自下而上”的发现。用户在自己或竞品的评论区留下的问题、抱怨、需求，是最真实的选题来源。

具体操作步骤：

1. 采集近3个月自有账号和3-5个竞品账号的评论数据；
2. 用关键词过滤出包含疑问词（“怎么”“为什么”“有没有”“求”）的评论；
3. 对过滤后的评论做聚类，识别高频问题；
4. 将高频问题转化为选题。

在工具层面，可以用Python的jieba做中文分词，用sentence-transformers做语义向量化，再用umap-learn + hdbscan做聚类。这套流程在BERTopic中已经封装好，可以直接调用。

相关教程可以参考：BERTopic官方文档、B站BERTopic实战教程。

四、第三步：补来源池——多源选题池的建设与运维

4.1 选题池的架构设计

前两步解决的是“如何加工”，第三步解决的是“输入从哪来”。一个健康的选题池应该像水库一样，有多个进水口，有沉淀和过滤机制，有出水口。笔者建议的选题池架构包括四层：

4.2 多源采集：国内外信息源清单

选题来源的多样性直接决定选题的新颖度。以下是一份经过实践验证的多源清单：

来源类型	具体来源	采集频率	适用话题
行业媒体	36氪、虎嗅、机器之心、量子位	每日	科技、商业
社交平台	微博热搜、知乎热榜、小红书	每日	热点、生活
学术预印本	arXiv、SSRN、bioRxiv	每周	前沿技术
技术社区	GitHub Trending、Hacker News、V2EX	每日	开发、工具
用户评论	自有账号、竞品账号评论区	每周	需求、痛点
内部数据	搜索词、客服记录、销售反馈	每月	精准需求

对于海外来源，建议关注：Hacker News、Product Hunt、arXiv、Reddit相关板块。国内可关注今日热榜做热点聚合。

4.3 自动化采集：RSS + API + 爬虫

手工采集不可持续，自动化是必由之路。三种主流方式各有适用场景：

RSS：适合博客、新闻站点等提供RSS输出的来源。工具推荐Feedly、Inoreader，或自建RSSHub。RSSHub可以把没有RSS的站点（如微博、知乎）转换为RSS输出。

API：适合有开放API的平台，如GitHub、Twitter（X）、Reddit。API采集稳定、合规，但需要处理认证和速率限制。

爬虫：适合没有RSS和API的来源，但需要注意合规性。建议遵守robots.txt，控制请求频率，不采集个人隐私数据。

一个轻量级的自动化方案是：用RSSHub做统一采集，用n8n或Zapier做流程编排，用Notion或飞书多维表格做选题池存储。这套方案不需要写代码，适合非技术背景的运营团队。

4.4 知识库增强：RAG在选题中的应用

检索增强生成（Retrieval-Augmented Generation, RAG）是近年来LLM应用的重要范式，由Lewis等人于2020年提出（Lewis et al., 2020）。其核心思想是：在生成回答前，先从外部知识库检索相关文档，再让模型基于检索结果生成内容。这一范式可以迁移到选题场景。

具体做法是：把行业报告、学术论文、竞品内容、用户评论等存入向量数据库（如Chroma、Pinecone、Milvus），当需要生成选题时，用当前热点或关键词检索相关文档，再让LLM基于检索结果生成选题建议。这样生成的选题有据可依，而不是凭空编造。

本文评述：RAG在选题中的应用价值不在于“让AI想选题”，而在于“让AI基于你的知识库想选题”。前者产出的是通用内容，后者产出的是有差异化优势的内容。笔者认为，知识库的质量才是RAG选题系统的护城河。

4.5 选题池的运维：去重、评分、排期

选题池建起来之后，运维比建设更重要。三个关键动作：

去重：选题池最大的敌人是重复。建议用语义相似度（如余弦相似度）做去重，阈值设在0.85左右。超过阈值的选题合并或标记。

评分：每个选题打三个分——热度（当前讨论度）、匹配度（与账号定位的契合度）、可执行性（资料获取难度、制作成本）。综合评分决定优先级。

排期：选题池对接内容日历，按周排期。建议保持2-3周的选题缓冲，避免临时抱佛脚。

五、工具链与自动化：从手工到流水线

5.1 工具链全景图

一套完整的选题工程工具链包括采集、存储、分析、生成、排期五个环节。以下是笔者推荐的组合：

环节	工具选项	适用团队
采集	RSSHub、Feedly、n8n、Python爬虫	技术/非技术
存储	Notion、飞书多维表格、Airtable	非技术
分析	BERTopic、jieba、sentence-transformers	技术
生成	Claude、GPT-4、Gemini + RAG	技术/非技术
排期	Notion Calendar、飞书日历、Trello	非技术

5.2 低代码方案：n8n + Notion

对于没有专职开发的团队，n8n + Notion 是一个高性价比的组合。n8n 是一个开源的工作流自动化工具，支持可视化编排，可以连接RSS、API、数据库等。典型工作流：

RSS Trigger（定时触发）
  → HTTP Request（抓取内容）
  → Function（清洗、去重）
  → Notion（写入选题池数据库）
  → Slack/飞书（通知编辑）

n8n的官方模板库中有大量现成工作流可以参考：n8n Workflows。

5.3 代码方案：Python选题流水线

对于有技术能力的团队，可以用Python搭建更灵活的流水线。核心模块包括：

# 选题流水线核心模块（伪代码）
class TopicPipeline:
    def __init__(self):
        self.collector = MultiSourceCollector()  # 多源采集
        self.cleaner = DataCleaner()              # 清洗去重
        self.analyzer = TopicAnalyzer()           # 话题分析
        self.generator = TopicGenerator()         # 选题生成
        self.scorer = TopicScorer()               # 选题评分

    def run(self):
        raw = self.collector.fetch_all()
        cleaned = self.cleaner.process(raw)
        topics = self.analyzer.extract_topics(cleaned)
        candidates = self.generator.generate(topics)
        scored = self.scorer.score(candidates)
        return scored.sort(key=lambda x: x.score, reverse=True)

这套流水线可以每天定时运行，产出的选题候选自动写入选题池。编辑只需要做最后的筛选和判断。

六、评估体系：如何衡量选题系统的健康度

6.1 核心指标设计

选题系统需要可量化的评估指标，否则无法迭代优化。笔者建议关注以下指标：

指标	定义	健康值参考
选题池深度	池中可执行选题数量 / 周排期需求	≥ 3周
选题命中率	爆款选题数 / 总发布选题数	因赛道而异，看趋势
来源多样性	有效来源数 / 总来源数	≥ 5个活跃来源
选题转化率	进入排期的选题数 / 池中选题数	30%-50%
平均生产周期	从选题入库到发布的天数	越短越好

需要说明的是，上述健康值参考是基于笔者对多个内容团队的观察总结，属于经验性参考而非严格统计结论。不同赛道、不同账号阶段的合理值会有差异。

6.2 A/B测试与数据回流

选题系统的优化需要数据回流。建议对每个选题记录以下数据：选题来源、生成方式（反推/矩阵/评论挖掘）、发布时间、阅读量、互动率、完读率。积累足够数据后，可以分析哪类来源、哪种生成方式的选题表现更好，从而调整系统权重。

A/B测试在选题场景的应用有限——因为内容不像网页可以同时展示两个版本。但可以做“同题不同角度”的对比测试：同一个话题，用两种不同的角度各写一篇，间隔发布，对比数据。这种测试虽然不如严格的A/B测试精确，但能提供有价值的参考。

七、前沿预判：LLM时代的选题工程走向

7.1 从“人找选题”到“选题找人”

当前主流的选题流程仍然是“人找选题”——编辑主动去采集、分析、判断。随着LLM能力的提升，这一流程正在向“选题找人”转变。具体表现为：智能体（Agent）可以持续监控信息源，当检测到与账号定位匹配的热点或趋势时，主动推送选题建议给编辑。

这一方向的学术基础是主动推荐（Proactive Recommendation）和情境感知推荐（Context-Aware Recommendation）。相关研究在RecSys、SIGIR等会议上有持续产出。本文评述：选题Agent的关键挑战不是技术，而是“判断什么值得推荐”——这需要深度理解账号定位和用户需求，目前仍是人机协作的领域。

7.2 多模态选题：视频、播客、图文的一体化

随着内容形式多样化，选题不再只是“写什么”，还包括“用什么形式呈现”。一个话题可能适合图文深度分析，也可能适合短视频快速传播，还可能适合播客对谈。未来的选题系统需要支持多模态选题生成：同一话题，自动生成不同形式的选题方案。

多模态大模型（如GPT-4V、Gemini）的发展为这一方向提供了技术基础。相关研究可参考GPT-4技术报告和Gemini技术报告。

7.3 选题系统的评估挑战

选题系统的评估是一个开放问题。内容表现受多种因素影响——选题质量、标题、发布时间、平台推荐、外部事件——很难单独归因于选题。这意味着选题系统的优化需要更精细的实验设计，或者接受“方向性正确”而非“精确优化”。

笔者认为，在可预见的未来，选题系统的最佳形态是“人机协作”：机器负责采集、分析、生成候选，人负责判断、筛选、注入创意。完全自动化的选题系统在技术上可行，但在内容差异化和品牌调性上仍有局限。

八、总结与行动清单

8.1 核心结论

选题枯竭是系统问题，需要用系统方法解决。本文提出的三步框架——榨存量、拆人群场景、补来源池——分别对应选题供给系统的加工、生成、输入三个环节。三步不是线性的，而是一个循环增强的系统。

贯穿全文的主线是：把选题从“灵感事件”重构为“工程流水线”。这意味着选题不再是等待灵光一闪的艺术创作，而是可以拆解、可以标准化、可以持续优化的工程流程。

8.2 行动清单

九、参考文献