DeepSeek 爆款四步法：选题到多平台适配-知了AI

先把”爆款”这个词拆开看

我做内容这些年，带过不少新手，也见过太多人一开口就问”怎么做出爆款”。这个问题本身就问反了。爆款是一个结果，是内容、时机、平台推荐机制、账号权重和一点点运气共同作用的产物，它不可被直接生产。但爆款背后有一批可复用、可训练、可检查的工序，这些工序本身很枯燥，而 DeepSeek 这类大模型最擅长的恰恰是枯燥的事。

所以这篇教程要教你的，不是”让 DeepSeek 帮你写出爆款”，而是用 DeepSeek 把内容生产从”靠灵感”变成”靠流程”。四步——挖高点击选题、爆款指令出初稿、标题 A/B 自动打分、多平台适配——本质上是把一件模糊的事拆成四个能验收的环节。每个环节你都知道自己在干什么、做完该长什么样、做不到哪一步就该停下来。

我自己写东西的时候，最常卡住的不是”写不出”，而是”不知道写什么值得写”。写不出来的焦虑，九成来自选题阶段没做功课。后面三节都是手艺问题，第一节才是方向问题。方向错了，后面三步越认真，浪费越大。

后面每一节的结构都是固定的：先讲方法，再给可直接复制的提示词，最后给验收标准。方法告诉你为什么这么干，提示词是你的起跑线，验收标准决定你什么时候可以往下走。三者缺一样，这套流程就跑不起来。

爆款的三个可拆解成分

把爆款这个黑箱打开，大致可以拆成三个成分：题材势能、表达效率、分发运气。

题材势能是外部给的，你只能选择接或不接，不能创造。表达效率是你能练的，它决定同一个题材你能不能让读者读完、记住、转发。分发运气完全不可控，但它有一个可以蹭的特性：你发的次数越多，撞上运气的绝对次数越多。

四步法主要作用在”表达效率”上，同时对”题材势能”的判断有帮助（第一步就是干这个的），而”分发运气”这一块，它能做的是通过提高产出稳定性来增加你的试错次数。看清楚这一点，你就不会对方法有不切实际的期待。

三个成分在不同平台上的权重不一样

在强推荐机制的平台上（短视频、信息流），分发运气的权重最高，同一内容能不能爆有很强的偶然性。在弱推荐、强订阅的平台上（公众号），表达效率和长期积累的权重更高，爆款更少但也更可预期。

这意味着如果你的主阵地是公众号，这套方法的效果会显得更”线性”——每篇提升一点，累积成账号成长；如果主阵地是短视频，你会看到更剧烈的波动，需要更多的样本量才能看出方法的真实效果。不要用单篇的数据去否定或肯定一套方法，那是在用噪声判断信号。

这套方法提高的是什么，不是什么

先把预期钉在墙上：这套方法主要提高的是你内容的下限。它能保证你不会写出逻辑散架、开头劝退、标题别扭、平台错配的东西。这几样是大多数人做内容的真实失败原因，不是”不够惊艳”。一个及格的内容能拿到稳定的小流量，而稳定的小流量积累起来，就是一个能养活自己的账号。

但它不能保证你出爆款。爆款的方差极大，同一篇内容换个账号发、换一天发、换一个平台首发，结果可能差十倍。任何声称”按公式写就必爆”的说法，要么是幸存者偏差，要么是在卖课。

一个反直觉的判断：先追求”不被关掉”

我观察账号数据的时候，有一个规律反复出现：一个账号从平均 800 阅读涨到平均 3000 阅读，往往不是因为它出了一个大爆款，而是因为它连续 20 篇内容的”开头留人率”提升了。爆款是留人率累积到某个阈值之后的偶发结果。

这就意味着，你要优化的指标不该是”阅读量”，而是”3 秒留存””读完率””互动率”这些能拆解的中间指标。DeepSeek 在这类中间指标的诊断上其实很有用，因为它能看到你没注意到的结构问题——比如你每段的开头都是铺垫、比如你写了五句话还没给出结论。

为什么把标准定在”及格”反而更容易出爆款

因为及格线的产出是稳定的，而稳定意味着你可以高频试探。一个月写一篇憋大的，和一个星期写四篇及格的，后者试错次数多了四五倍，撞上题材势能窗口的概率也就高四五倍。创作者的竞争力很多时候不在单篇质量，在产出吞吐。

吞吐还有一个隐性好处：它逼你把判断从”一次定生死”变成”持续修正”。单篇押注的人，每写一篇都紧张，容易在选题上保守、在标题上求稳；高频产出的人，每篇都是一个小实验，敢于试一些奇怪的角度，而这些奇怪的角度里，往往就埋着下一个能跑出来的作品。

第一步的任务清单：当天必须交出的三样东西

为了让第一步不流于”看了一堆东西但什么都没产出”，我给它定了硬性交付物：

一份归因结论：5 条共性 + 5 个可迁移句式 + 3 条陷阱提醒。
一份候选清单：不少于 12 个选题，每个都过完四维打分。
一条本周决定：从 14 分以上的候选里，只挑一个开写。

三样东西缺一样，今天就别往下走。看起来慢，但它保证你每一篇内容在出生之前，方向就是对的。而这个”方向对”，是后面所有手艺都替代不了的东西。

但方向对了，也只能保证这一篇”值得写”，不能保证它”能爆”。及格线的产出是稳定的，更容易被批量生产，也就更容易被平台算法识别为”中等偏好”。

先约定一个共同语境：谁在读这篇教程

为了避免方法被误用，先约定读者对象。这篇教程写给三种人：

已经有一个账号，但更新的内容阅读量忽高忽低，说不清为什么的人。
写过一阵子，开始感到”灵感枯竭”，每次选题都痛苦的人。
刚入门，想让第一篇内容就避开新手最常见的坑的人。

它不适合两类人：一类是把做内容当纯娱乐、只求自己写得开心的人（这完全没问题，只是不需要流程）；另一类是已经形成稳定方法论、每篇都能摸到自己预期区间的成熟作者（他们更需要的是突破，而不是补课）。

如果你是前者，这篇教程会有点累；如果你是后者，可以只看第三、四步和”大多数人做错的地方”，那里有更具体的东西。

为什么强调”共同语境”

方法本身是中性的，但它有效与否，取决于用在什么人身上、什么阶段。同一套四步法，对新人来说是”别犯低级错误”的护身符，对老手来说是”别在惯性里打转”的镜子。你不先想清楚自己在哪个阶段，照着抄只会越抄越迷茫。

用四个问题给自己定位

在开始之前，先回答这四个问题，把答案写下来：

我的主阵地在哪个平台？次阵地在哪？
我的读者能用一句话描述清楚吗？
我最近十篇内容里，表现最好的是哪一篇，为什么？
我最缺的是选题、是表达、还是分发？

四题里如果第 1、2 题答不出来，先把这两题解决再往下读。第 3 题答不出来的，说明你从未复盘过自己的内容，这正是后面”记录数据”那一节要解决的。第 4 题答”都缺”很正常，但必须选一个最痛的先修——四步法是有顺序的，先修哪个，你的下一批内容就会先在哪里变好。

第一步：挖高点击选题

选题是整个流程里投入产出比最高的一步，也是最容易被跳过的一步。很多人打开 DeepSeek 第一句话是”帮我写一篇关于 ××× 的文章”，这就是把选题质量外包给了模型，而模型对”你的读者现在关心什么”一无所知。

正确的做法是：先让分析发生，再让创作发生。这两件事不能用一次对话做完，必须分两轮。分析是”看别人为什么行”，创作是”我该怎么写”。

选题这一步有一个很朴素的标准值得反复提醒自己：你能不能说出这篇内容的目标读者是谁，以及他此刻为什么会点开。说不出来，就还没到能写的时候，先回去补功课。

选题的三个来源

来源一：平台已有爆款的反向拆解

同领域、同平台、近三个月内互动量前 20% 的内容，是你能拿到的最靠谱的样本。注意，不是抄它的内容，是拆它为什么爆。这两个动作天差地别。

拆解要拆到结构层，不是看标题写了什么，而是看：它选了什么身份切入（是”宝妈”还是”打工人”）、它的情绪是哪种（爽、气、慌、暖）、它用了什么具体的数字或场景、它在开头第几句话给出钩子、它让读者想转发的那句话在哪。

把这些样本的标题批量喂给 DeepSeek，让它做归纳，比你自己看一百遍有用。因为人对样本容易记住印象最深的那个，而模型会把共性抽出来。这也是一种刻意的去偏见：你记住的往往是那个最刺激你的，而不是最有代表性的。

来源二：评论区的高频疑问

评论区是选题的金矿，而且是被严重低估的那种。一个视频下面反复出现的”那我这种情况怎么办”，就是下一篇的选题。评论里的问题是原生的、没有被创作者的表达污染过的需求，它的具体程度远超任何调研报告。

操作上很简单：把某条高赞内容下的前 50 条评论（尤其是高赞评论和带追问的评论）复制出来，扔给 DeepSeek，让它归类”这些人在问什么、卡在哪一步、他们的真实身份和处境是什么”。你会得到一批比你自己拍脑袋想到的选题具体得多的东西。

评论区里最有价值的三类信号

重复出现的追问：同一个问题被不同人用不同说法问了三遍以上，说明这是共性痛点，不是个例。
反驳型评论：有人说”你说得对，但是我 ××× 就不行”，这种”但是”往往就是下一篇的切入点。
情绪浓度高的短评：”看哭了””这不就是我吗”——这类评论告诉你哪句话击中了身份认同，可以直接复用为选题角度。

来源三：搜索下拉与相关推荐

搜索框的下拉词、搜索结果页的”相关搜索”、内容平台的相关推荐列表，反映的是真实搜索意图。人在搜索框里输入的是他最想解决的问题，比他在评论区写的更直接。

用一个主题词（比如”副业”）去搜，把下拉的 10 个词和相关搜索的 10 个词全部记下来，你会发现其中有一半是”副业知乎回答””副业赚钱被骗””副业兼职靠谱吗”这种带具体情绪与场景的，这些就是高点击选题的种子。这类词的共同点是有明确的”意图缺口”——读者已经知道自己要什么，只是还没找到答案。

关键动作：让 AI 做”爆款归因”

上面三个来源最后都会汇成一批标题和评论。接下来的关键动作，是不让 DeepSeek 直接给你选题，而是让它做归因：给定这批高互动样本，归纳出它们共同的引爆因素。

爆款归因提示词

你是中文自媒体内容研究员。下面是我从【平台名】收集的 30 条同领域高互动标题（互动量均在平台前 15%）。

【标题列表】
1. ……
2. ……
（此处粘贴 20–30 条）

请按以下结构输出，不要泛泛而谈：

一、共性归纳（每条结论必须引用至少 2 个具体标题作为证据）
1. 情绪类型分布：哪些情绪出现最多（爽/怒/慌/焦虑缓解/身份认同/信息优越感），各自占比大约多少
2. 身份标签：标题反复出现的身份词（宝妈/35 岁/程序员/小县城…），分别指向哪类人
3. 数字使用：数字出现在标题的什么位置，用的是什么量级（3 个、7 天、90%…）
4. 反差结构：是否存在"预期 vs 现实"的句式，举例说明
5. 损失厌恶：有多少条是在讲"你会失去什么/你正在做错什么"，原文摘出
6. 信息缺口：有多少条是"只给半个答案"，钩子留在哪里

二、可迁移的结构（不要内容，只要骨架）
提炼 5 个句式模板，用【】标注可替换部分。例如：
"我用了【时间】，才搞懂【领域】的【数量】件事"

三、这批标题共同的隐性前提
它们默认读者已经相信了什么？（例如默认读者认可"上班不赚钱"）
这个前提在什么情况下不成立？

四、警告
指出这批样本里最不值得模仿的 3 条，并说明原因（如过度夸张、无法验证、已经过气）。

这个提示词的关键在于两个约束：一是”每条结论必须引用具体标题作为证据”，防止模型给你一堆正确的废话；二是最后的”警告”段落，强迫它说出样本里哪些是陷阱。没有这两个约束，输出大概率是”标题要引发共鸣、要用数字”这种你早就知道的东西。

怎么判断归因结果有质量

验收标准有三条：

它能说出具体的量级和比例，而不是”很多””大部分”。
它给出的句式模板，你能立刻套进自己的领域，套进去读起来不别扭。
它的”警告”段落里至少有 1 条是你之前没想到的坑。

三条缺一，就补样本重跑。归因质量高度依赖样本质量，样本里如果混进了大量水分内容（互推、抽奖、标题党），结论会被污染。

选题评估四维打分

归因给出的是”什么样的选题容易爆”，但落到具体决策，你需要在一批候选里选一个。这时候用四维打分，比凭感觉靠谱得多。

维度	问的问题	1 分（弱）	3 分（中）	5 分（强）	怎么验证
共鸣度	多少人会在意这件事？	只有极小圈层关心	某一职业或人生阶段关心	跨职业、跨年龄段都有切肤感	看同类内容评论区的”这不就是我”密度
具体度	能不能落到具体场景？	只能写成概念，说不清谁在什么时候遇到	能举出通用例子	能说出”周三晚上十点，加班回家的地铁上”这种画面	试着用一句话描述场景，描述不出来就是不够具体
差异化	别人是不是都写过了？	前三页全是同样的角度	有少量不同角度但没写透	主流角度之外还有明显空位	搜核心关键词，翻前 20 条标题，看角度重复率
可验证性	有没有材料支撑，会不会写空？	只能靠感觉和观点	有零散的案例或数据	有完整数据、可复现的案例、或亲历细节	先写三个论据，写不出第三个就是支撑不足

用起来很简单：每个候选选题四项各打 1–5 分，总分 20。我的经验阈值是 14 分以下不写，14–16 分可以写但要补材料，17 分以上优先做。特别注意”可验证性”这一项，它是四项里唯一能在写作时把你拖垮的——选题可验证性低，你会写得很痛苦，成稿也必然是空话。

还有一个细节：打分时要逐项写理由，不能只写数字。理由是给未来的你看的，一周后你回看这个选题池，数字已经没意义了，但”这条我打 2 分是因为只能举出一个模糊案例”这句话，能让你立刻判断该不该捞它起来。

四维之间的相互制约

四个维度不是加总关系，存在明显的制约。共鸣度高但具体度低的选题，写出来是”宏大叙事”，读者点头但不转发；具体度高但差异化低的选题，写出来是”又一篇经验贴”，信息价值有但传播价值低。

真正容易出爆款的组合是”共鸣度高 + 具体度高 + 差异化中上”。可验证性不用追求满分，因为太扎实的内容往往带着某种”报告感”，反而稀释了可读性。这一点可能有些反直觉，但它符合我在多个平台上观察到的规律。

补充动作：用一份”选题池”替代临时想法

前三类来源跑完之后，你会拿到几十条候选。如果每次都临时挑，等于每次都在从零开始判断。更省力的做法是建一个自己的选题池：用一张表把候选全部记下来，标注来源、四维分数、可用材料、时效性。

选题池该记哪几个字段

字段	怎么填	为什么重要
一句话选题	不超过 25 字，必须含一个具体对象	说不清一句话的选题，通常也没法写清楚
来源	反向拆解 / 评论区 / 搜索词	来源决定可信度，评论区来源往往最具体
四维分数	共鸣 / 具体 / 差异 / 可验证，各 1–5	方便横比，避免被第一印象带跑
手里有什么材料	数据、案例、亲历细节，逐条写	材料清单决定这篇能不能写，不是想不想写
时效	48 小时 / 一周 / 长期	短时效的必须先做，长时效的可以排队
对标爆款	同类内容里互动最高的 1–2 条链接	写的时候随时回看，校准自己的角度

池子里常备 20 条以上，你就永远不缺可写的东西。这件事听起来琐碎，但它解决的正是”没灵感”这个最消耗人的问题——所谓没灵感，本质上是素材储备为零，每次都靠现场抓。

选题池的维护节奏

每周固定花半小时做一次归档：给新候选打四维分，把时效过期的删掉，把有材料但分数不够的标成”待补材料”。不要等到要写的时候才翻，那样你会被”今天必须写一篇”的时间压力裹挟，挑出来的往往是最容易写的，而不是最值得写的。

不同选题来源的取舍：为什么评论区优先

三个来源不是平权的。我的排序是评论区 > 搜索词 > 反向拆解。原因和能力无关，和”距离读者有多近”有关。

反向拆解给的是形式，评论区给的是内容

拆解爆款，你学到的是它们是怎么说的——句式、节奏、情绪类型。这些能提升你的表达效率，但不能告诉你读者还缺什么。你没见过的角度，爆款样本里没有，拆再多也拆不出一个新选题。

评论区不一样。它直接暴露了读者的未满足区：他们问了但没人答的、他们听懂了但还是做不到的、他们觉得被冒犯的。这些都是尚未被生产的内容，是真正的差异化空间。一条高赞评论下面跟了 40 条”我也是”，那就是一篇能被验证的选题。

所以一个健康的配比是：六成选题来自评论区和搜索词，四成来自对爆款形式的借鉴。拿形式去包装内容，不要拿形式去替代内容。

一个容易忽略的细节：评论要看”追问链”

单条评论信息量有限，要看同一话题下的追问链。比如有人问”这方法适合零基础吗”，下面回”我也是零基础，试了一周没用”，再下面回”你是哪一步卡住的”。这一整条链，已经把读者的身份、卡点、失败原因全都写出来了，直接就是一篇内容的大纲。

一句话验收：这个选题，能不能用”我以为”造句

给选题定完分之后，我习惯再做一道额外的检查：把这个选题套进”我以为 ×××，后来发现 ×××”的句式里。能造得通顺且有意思的，通常可以写；造出来平淡无奇的，说明这个选题里没有真问题。

这个句式的价值在于，它天然包含了一个认知反转，而认知反转是读者愿意读完的最强动力之一。一个选题如果连你自己都无法构造出反转，读者更不会有读下去的动机。

常见错误：把”热点”当”选题”

这是新手最高频的错误，也是我见过最多的批量失败原因。某个事件上了热搜，所有人都在写，你以为你抓住了一个爆款机会，实际上你抓住的只是势能，不是选题。

热点是势能：它让一批本来不会关注你的人，在这一两天里愿意点开相关的内容。选题是落点：它决定这些人点开之后，能带走什么。

只有势能没有落点，结果就是流量来了又走，读者看完一篇换个角度写的通稿，什么都没记住，也不会关注你。有落点没有势能，就是一篇好内容躺在那里没人看。

正确的接热点姿势

先问自己一个问题：这个热点里，我的读者真实的处境是什么？

举例来说，”某行业大规模裁员”是热点。通稿角度是”谁裁了、裁了多少、原因是什么”。而选题角度是”35 岁的你，如果明天被裁，第一周该做什么”。后者的流量不如前者大，但转化和关注高得多，因为它有落点。

更具体的做法是让 DeepSeek 帮你做这一步转换，提示词可以短一点：

热点事件：【简述事件，3 句话以内】
我的读者画像：【年龄/职业/收入层级/主要焦虑】

请输出 8 个"从热点到落点"的选题，每个选题：
- 一句话标题（不超过 22 字）
- 它回答的是读者处境中的哪个具体问题
- 它的时效性有多长（48 小时内有效 / 一周内有效 / 长期有效）
- 如果这个热点明天就没人提了，这个选题还成立吗？

最后，把这 8 个排序，并说明为什么不推荐排在后 3 位的。

“如果热点明天就没人提了，这个选题还成立吗”——这句话是整个提示词的核心。成立的选题才是真选题，不成立的只是蹭。

补充：给提示词加”拒绝条件”

很多模板写得漂亮，用起来却空。区别在于模板里有没有带”拒绝条件”——也就是明确告诉模型什么情况该停下来、什么情况下你给的输入不够。

拒绝条件为什么重要

模型的天性是”继续说完”。你给一个含混的选题，它也能硬写出一篇看起来完整的稿子，然后在某个论证节点偷偷把话题滑走。带着拒绝条件的模板，能在第一步就把这个问题挡掉：如果材料不够，它应该告诉你材料不够，而不是假装够。

常用的四条拒绝条件

当核心主张无法用一句话说清时，先停下来问我，不要自己替我总结。
当我要求的读者画像与选题不匹配时（比如给技术岗写”零基础也能学”），直接指出矛盾。
当所需数据我没有提供且你无法确定来源时，留空并标注”[待补数据]”，不要编造。
当结构模板的某一节在内容上确实不需要（比如没有案例），允许删掉并说明理由。

还有一类问法值得单独练：把模型当反方，而不是当助手。比如”请指出这个选题最可能被同类读者划走的原因”——这种提问往往比正面追问更能挖到你没看见的风险。

这四条加进任何提示词里，输出的可靠性都会上一个台阶。它们的作用不是让模型更聪明，而是让模型更愿意承认自己不知道——而这恰恰是最稀缺的能力，无论对模型还是对人。

把模板做成你自己的版本库

用一段时间之后，你会发现有些提示词段落每次都要改两个词，那就把它抽成变量。我常用的变量有五个：平台、读者画像、核心主张、字数、禁忌清单。其余的骨架固定不动。这样你的提示词库就像一套模具，换不同的”料”进去，出来的是不同形状但质量一致的东西。

但要提醒一句：模板不是越多越好。我见过有人收藏了几百个提示词，实际用的时候一个都调不出来。真正有用的不超过十个，而且都应该是你自己改过的——别人的模板提供起点，你自己的版本记录的是你的失败，后者才是让下一篇内容离爆款更近的东西。

第二步：爆款指令出初稿

选题定下来之后，多数人的动作是打开对话框，敲一句”帮我写一篇关于 ××× 的文章，1000 字”。然后得到一篇结构完整、语言通顺、读完毫无印象的东西。

不是模型不行，是指令不行。模型不知道你是谁、写给谁、发在哪、想要什么情绪、哪些词绝对不能用。这些信息你不给，它只能按”平均水平的网络文章”来写，而平均水平的内容，在任何一个平台上都是沉底的。

自媒体初稿和正式文章，是两种文体

正式文章的读者是被题目或身份”请来”的，他愿意花时间理解你的论证；自媒体的读者是被一句话”骗来”的，他在前两行时刻准备离开。这个根本区别，决定了自媒体初稿在结构、节奏、信息密度上都是另一套写法。

最直接的体现是：正式文章可以”先铺垫再立论”，自媒体初稿必须”先立论再补垫”。你把任何一篇学术或报告体的文章直接当自媒体发，读者的第一反应是”这跟我有什么关系”，然后就走了。

开头 3 秒定生死

信息流里的竞争发生在读者手指滑动的那一刹。开头的前两句话没给出”这跟我有关”或”这里有个反常的事”，读者就走了。所以自媒体初稿的开头，绝不能是背景交代，必须是钩子。

“随着人工智能的普及，越来越多的人开始关注这一领域”——这句话读完，手指已经滑走了。它没有提供任何信息增量，只是在铺垫。

有效的开头通常只有三种：反常识断言（”AI 写作最大的问题，是它写得太流畅”）、具体场景（”上周三，一个做了八年编辑的朋友问我……”）、直接给结果（”我删掉了 60% 的字，阅读量涨了三倍”）。

关于”具体场景”开头的一个限制

具体场景开头很好用，但有个前提：它是真的。我不能编造”我朋友的真实经历”，因为这既是不诚实，也经不起追问。如果你没有真实案例，就用反常识断言或直接给结果，这两类不需要经历背书。

每段一个信息

自媒体读者的阅读是碎片化的，每滑一次屏幕都是一个重新决策的时机。段落的功能就是”给一个完整的信息，然后允许读者离开”。如果一段里塞三个论点，读者会一个都记不住。

检验方法：把每段的第一句单独摘出来连读，如果能形成一条完整逻辑线，说明段落的颗粒度对了。这个检查可以交给 DeepSeek 做，比你自己看准。

结尾给行动

很多内容的结尾是”总之，希望大家……”，这是废话。结尾应该给一个具体动作：让读者在评论区写一句什么、让读者今晚去做一件什么事、给读者一个可以立刻用上的清单。

行动越具体，互动率越高。”你怎么看”不如”你卡在第几步，评论区写个数字，我按步骤给你补充”。

初稿提示词必须交代的五件事

要素	不给会怎样	写法示例
平台	得到公众号的腔调发到小红书，或者反过来	平台：小红书图文，手机竖屏阅读，每段不超过 3 行
读者画像	写给”所有人”，等于写给没人	读者：工作 3–8 年的普通白领，非技术岗，对 AI 有兴趣但没系统用过
情绪基调	语气忽冷忽热，读完不知道作者站哪边	基调：克制但锋利，不煽动焦虑，允许有轻微的自嘲
字数	要么 600 字潦草收场，要么 4000 字拉长注水	字数：正文 1200 字左右，允许 ±10%
结构模板	结构随机，重点位置不确定	结构：钩子—痛点—方案—案例—行动（五段，比例约 1:1:3:3:1）

除了这五项，还有一个”禁忌清单”是必须写的。这是很多人漏掉的部分，也是最影响成稿质量的部分。

识别”AI 味最重”的表达并预先禁掉

所谓”AI 味”，不是模型写错了什么，而是它倾向于使用一类高概率但低信息量的表达。这类表达在训练数据里出现频率极高，所以模型默认会选择它们。它们读起来顺，但是空的。

我整理了一份高频清单，写进提示词里直接禁掉，效果立竿见影：

在当今时代 / 在这个快速发展的社会 / 随着……的发展
值得注意的是 / 不难发现 / 显而易见
首先……其次……最后…… 的三段式机械结构
不仅……而且……更是…… 的层层递进（用三次以上就假）
让我们一起 / 相信在不久的将来 / 拥抱变化
赋能 / 抓手 / 闭环 / 底层逻辑 / 颗粒度 这类被用滥的行业黑话
每段都用”总结句”收尾（自媒体节奏里，段落不需要句号式的总结）
形容词堆叠：”极其重要且不可忽视的关键因素”

光列清单还不够，还要加一条指令：”如果某个句子删掉之后段落意思不变，就删掉它。”这条规则的威力比清单大，因为它针对的是”AI 味”的根源——冗余。

初稿提示词完整模板

你是一位在【平台】写了六年的作者，风格特点是【克制/锋利/温和/毒舌】。

【写作任务】
围绕这个选题写一篇初稿：《【选题标题】》
核心主张（只能有一个，全文服务于它）：【一句话】

【阅读场景】
- 平台：【平台】，【竖屏/横屏】阅读，读者平均停留 【X】 秒
- 读者画像：【年龄、职业、收入、当前处境、他已经知道什么、他不知道什么】
- 读者点开这篇文章时的心态：【焦虑/好奇/找答案/找认同】

【情绪基调】
【例如：克制但锋利；不贩卖焦虑；允许自嘲；不喊口号】

【结构模板】
1. 钩子（2 句内，必须是反常识断言或具体场景，不能是背景交代）
2. 痛点（读者正在经历的具体困境，要有画面）
3. 方案（3–4 个可执行的动作，每个动作说清"怎么做"而不是"要重视"）
4. 案例（真实可查证的材料，如果没有就跳过这一节，不要编造）
5. 行动（一个读者今天就能做的动作，越具体越好）

【字数】正文 【1200】 字，±10%

【禁忌】
- 禁止出现："在当今时代""随着……的发展""值得注意的是""不难发现""让我们一起""在不久的将来"
- 禁止使用：赋能、抓手、闭环、底层逻辑、颗粒度、护城河
- 禁止"首先/其次/最后"式枚举，禁止每段结尾加总结句
- 禁止任何我没有提供的具体数据、人名、经历
- 禁止使用 emoji（本条按平台调整）

【输出要求】
直接输出成稿，不要写"好的，以下是文章"，不要加标题以外的说明。
段落之间用换行分隔，每段不超过 4 行（按手机屏幕估算）。

这个模板里最容易被忽略的是”禁止任何我没有提供的具体数据、人名、经历”。不加这句，模型会为了行文顺畅，随手编一个”根据某项研究，73% 的人……”。这种数据一旦被读者揪出来，账号信誉就没了。

初稿验收标准

初稿出来后别急着改，先用三条标准过一遍：

删掉第一段，文章还成立吗？如果成立，说明第一段是废话，直接删。
把每段首句连起来读，是一条完整的逻辑线吗？不是的话，段落顺序需要重排。
全文有没有一句是”只有我能写出来”的？没有的话，这篇就是可替代的，需要加你自己的判断。

第三条最重要。AI 初稿的通病不是写得差，是写得”谁都能写”。差异化只能来自你的真实经历、你的反直觉判断、你踩过的坑。这部分模型给不了你，你得自己补。

怎么用 AI 改初稿而不是重写

很多人拿到不满意的初稿，习惯说”再写一遍”。这是错的，因为模型每次重写都会重新采样，可能整体变好也可能整体变差，你在赌运气。

正确做法是定点修改：指定段落、指定问题、指定改法。例如”第 3 段的前两句在铺垫，请直接从结论开始，不要保留任何过渡句”。定点修改的累积效果，远好于反复重写。

一个实用的定点修改指令

下面是文章的第【3】段：
「……原文……」

问题：【读者读到这句还不知道你要说什么 / 这句话和上一段重复 / 这里出现了禁忌词】

请只改这一段，要求：
- 保留原意，不改动其他段落
- 第一句直接给结论，不要任何过渡
- 长度控制在 【80】 字以内
给出两个版本，一个更克制、一个更锋利。

给两个版本是关键。因为你不一定知道自己要哪种语气，对比着看，判断会准很多。这个技巧在整篇润色时同样适用。

第三步：标题 A/B 自动打分

标题是内容里唯一”一行字决定生死”的部分。而它恰恰是创作者最难自我判断的部分，因为你自己知道文章讲什么，你看标题时会自动补全语义，感觉每个标题都挺清楚。读者没有这个语境。

所以标题必须用外部视角来筛。DeepSeek 在这里能发挥的作用，比大多数环节都大——但它的作用方式和大多数人想象的不一样。

另外，标题和正文之间还有一个隐形契约：标题许诺的东西，正文必须给足。你可以在标题上用钩子，但不能让读者点进来发现货不对板。这个契约做久了会变成账号的信任资产，而在这一次的点击率里是看不出来的。

先扩量：一轮生成 20 个候选

标题的第一原则是量大。人一次性想 5 个标题，往往都在同一个思路上；想 20 个，才可能触到不同的角度。让模型一次生成 20 个，并且强制它覆盖不同策略，这是关键。

为下面这篇文章生成 20 个标题候选。

【文章信息】
平台：【平台】
核心主张：【一句话】
目标读者：【画像】
文章最反常识的一点：【一句话】

【生成规则】
20 个标题必须覆盖以下 5 种策略，每种 4 个：
A. 反常识断言（说出与读者直觉相反的判断）
B. 身份点名（直接点名某类人，如"工作五年的人"）
C. 数字 + 结果（用具体数字制造确定感）
D. 损失厌恶（指出读者正在失去什么或做错了什么）
E. 信息缺口（给出半个答案，留下悬念）

【硬性限制】
- 每个标题 18–24 个字
- 不使用感叹号，不使用"震惊""必看""干货满满"
- 不出现问号结尾超过 3 个
- 不使用任何我没有提供的具体数据

输出格式：序号 + 策略代号 + 标题，不要解释。

注意”不使用感叹号”和”不使用问号结尾超过 3 个”这两条。感叹号会让标题显得廉价，问号结尾则是新手最容易滥用的钩子，连用五个问号标题，账号调性就散了。

再打分：用另一轮对话做评估

这一步有一个必须遵守的操作：打分必须另起一轮对话，最好在新窗口里，只提供标题和基本信息，不提供文章全文。

原因很简单：如果生成和打分在同一个上下文里，模型会对自己刚生成的内容有偏好，打分就变成了自我确认。换一个上下文，它更接近一个”没读过文章、只看标题的普通读者”，这才是你要模拟的视角。

标题打分提示词

你是内容平台的内容运营，每天要在信息流里判断上百条标题。现在是第一次看到下面这批标题，你对文章内容一无所知，只能根据标题本身判断。

【背景】
平台：【平台】
目标读者：【画像，一句话】
这批标题对应的文章方向：【只给方向，不给具体内容】

【待评分标题】
1. ……
2. ……
（粘贴 20 条）

【评分维度，每项 1–5 分】
1. 好奇心缺口：读完是否会产生"然后呢"的冲动。5 分=很想点，1 分=已经知道答案
2. 信息量：标题本身是否传达了具体信息（人物、数字、结论）。5 分=信息明确，1 分=空洞
3. 可信度：是否像真的，有没有过度承诺。5 分=像真人写的，1 分=像广告
4. 平台适配：是否符合该平台的标题习惯与长度。5 分=完全贴合，1 分=明显错配

【风险词检查】
逐条标出是否包含：绝对化用语（最、第一、唯一、百分百）、
疗效/收益承诺（保证、一定、稳赚、必瘦、根治）、
未经验证的对比（比 ××× 好十倍）、
制造恐慌的表述（再不 ××× 就完了）。

【输出格式】
每条标题一行，格式：
序号 | 总分(满分20) | 四项分数 | 一句话理由 | 它主要吸引哪类人 | 风险词(无则写"无")

全部输出后，补充三段：
一、得分最低的 5 条，分别说明它们的问题类型（是空洞、是夸张、还是错配）
二、得分最高的 3 条，说明它们有共性吗
三、如果只能保留 1 条，你保留哪条，为什么

这个提示词的设计有几处是刻意的：

“你对文章内容一无所知”——强制模型站在冷读者视角，避免它用文章内容给标题补分。
“它主要吸引哪类人”——逼模型说清标题的受众定位，很多标题分数不低但吸错了人。
最后要求”只能保留 1 条”——迫使它给出明确判断，而不是给一堆并列的”都不错”。

反常识：AI 打分的价值是淘汰最差，不是选出最好

这是我在使用中最重要的一个发现，也是这一节真正想讲的东西。

你让模型给 20 个标题打分，得分最高的那个，未必是最好的。因为模型对”什么会火”的判断是概率性的——它学到的是”什么样的标题在统计上更容易被点击”，但一个具体标题在一个具体账号、具体时间点的表现，受太多模型看不到的因素影响：账号的历史读者构成、发布时段、同日竞争内容、平台推荐策略的临时调整。

换句话说，AI 在”预测爆款”这件事上的准确率，并不比一个经验丰富的人高多少，甚至可能更低，因为它感受不到”这个账号的读者最近在烦什么”。

但反过来，模型对”什么读起来别扭”的判断非常可靠。语感、节奏、语义冗余、逻辑断裂、词不达意——这些是语言层面的特征，模型在这上面的判别能力远超人类，因为人类读自己的标题会自动补全，模型不会。

所以正确的用法是反着用

不要盯着得分最高那条，看得分最低的 5 条，找出它们共同的问题，然后把这个问题从所有标题里清掉。

比如低分标题的共同问题是”太笼统，没有具体对象”，那你回头看高分标题，凡是也有这个毛病的，一并改掉。一轮下来，你剩下的 10 个标题，整体质量比原来 20 个都高。

这个逻辑和代码评审很像：好的评审不是告诉你哪行写得漂亮，是把明显的 bug 挑出来。挑出 bug 的确定性，远高于夸赞的确定性。

为什么这个思路更可靠

因为”差”是有明确特征的：空洞、夸张、错配、风险词、语义重复。这些特征可以被规则化、被稳定识别。而”好”是无边界的：好标题的可能性空间几乎是无限的，模型只能在它见过的分布里给你建议，看不到你没想过的那个角度。

所以：用 AI 做减法，好标题靠你自己做加法。模型帮你把 20 个里明显不行的筛掉，剩下 5–8 个里的最终选择，靠你对读者和账号的理解。

风险词自查

标题的合规风险大多来自三类词，这三类在任何平台上都是高风险：

风险类型	典型表达	为什么有风险	改写方式
绝对化用语	最、第一、唯一、百分百、彻底、永远	广告法明令限制，且读者会本能怀疑	换成限定条件：”在我试过的 5 个方法里”
疗效与收益承诺	保证、一定、稳赚、三天瘦十斤、根治	属于虚假宣传范畴，且不可验证	换成过程描述：”我做了哪些动作，后来发生了什么”
未经验证的对比	比 ××× 好用十倍、吊打同行	无法举证，容易引发争议和投诉	换成具体维度的对比，或标明测试条件
制造恐慌	再不 ××× 就完了、这代人将被淘汰	短期点击高，长期损伤账号信任	换成”会发生什么”的具体推演

这张表可以直接作为提示词的一部分贴进去，让模型在打分时逐条对照。自查的关键是不放过任何一个，因为风险词通常只需要一个就能让内容限流。

标题验收标准

经过打分和自查之后，最终选标题的标准可以参考这三条：

把你的标题发给 3 个目标读者，让他们复述”这篇文章大概讲什么”——复述得越接近你的本意，标题越清楚。
标题里至少有一个具体的名词或数字，不能全是抽象词。
念出来不别扭。念三遍，任何一遍觉得”这句话怎么说成这样”，就改。

第四步：多平台适配

内容做好之后，多数人的多平台运营方式是”一键同步”：公众号发完，复制到小红书，复制到知乎，顺手剪个视频。结果每个平台的读者都觉得这篇东西”不太对”——但又说不清哪里不对。

问题在于，不同平台的读者不是同一批人，他们的阅读姿势完全不同。公众号读者可能是在通勤时点开一篇长文，慢慢读；小红书用户是滑到一张图，3 秒判断要不要往下看；知乎读者带着”我在验证一个观点”的预期；抖音用户则是被动接收，前 5 秒没抓住就划走。

不同平台的形制差异

平台	阅读姿势	篇幅	段落结构	语言特征	标题偏好	开头钩子
公众号	主动打开，愿意读完	1500–3000 字	段落留白多，一段 1–3 句，强调用加粗	书面语偏口语，可以有长句，节奏较稳	偏稳重，信息量大，少用感叹号	前两段内给出核心主张
小红书	竖屏滑动，快速判断	300–600 字	短句，一行一个意思，大量换行	口语化，第一人称，适度 emoji 与标签	直白、有身份感、带情绪	第一句就给结论或反常识
知乎	带着问题来，验证观点	2000–5000 字	论证密度高，小标题分节，有引用与数据	书面语，理性，少情绪词，允许术语	问句式或结论式，稳重	先给结论，再展开论证
视频号 / 抖音	被动接收，随时划走	口播 60–180 秒	每 15 秒一个钩子，短句，一次性讲清一件事	完全口语，有停顿提示，避免书面词	口语化，带冲突或悬念	第一句话就要有”信息冲突”

看这张表你会发现，真正重要的不是字数，是阅读姿势。字数只是姿势的结果。公众号读者愿意读完，所以能承载复杂论证；小红书用户快速判断，所以必须一行一个信息；抖音用户被动接收，所以必须不断给新的刺激。

平台形制是从阅读姿势推出来的

很多人看形制差异，记住的是”小红书要加 emoji、知乎要讲道理”这些结果。记结果是危险的，因为平台规则一直在变，去年有效的形制，今年可能就被判成不合规或不合流量口味。

记原因才可靠。小红书要用短句，根本原因是用户在竖屏信息流里滑动，一屏只能看到一两行，长句还没读完就被划走了；知乎要论证密度高，根本原因是用户是从搜索结果页带着具体问题进来的，他要验证你说得对不对；口播要每 15 秒一个钩子，根本原因是听众没有”回看”的按钮，一旦走神就再也接不上。

所有这些原因，最终都归结到一件事：读者在这一刻，愿意付出多少注意力。换形的时候可以先问自己这个问题，再决定结构、语体、信息密度。这比记四条平台规则有用得多。

注意力的三个档位

高投入（知乎、长文浏览器）：读者愿意读完三分钟，能用论证承载复杂度。
中投入（公众号、部分图文）：读者愿意给一分钟，但随时可能跳到下一屏，必须靠段落节奏留住。
低投入（短视频、信息流）：读者只给 3 秒，每个 15 秒都要重新争取。

把内容放进这三档里对号入座，换形的方向就自然出来了。同一篇文章，放进高投入档可以保留完整的推理链，放进低投入档就只剩一层结论加一个画面。这不是降级，是承认不同场景下读者的耐心本来就不同。

适配不是改写，是”换形”

这是最容易做错的地方。所谓改写，是把”我认为”换成”我觉得”、把长句拆成短句、加点 emoji，表面变了，骨架没变。读者还是能闻出那股”这不是这个平台的东西”的味道。

换形不一样。换形是同一主张，改结构、改语体、改信息密度。三个都改，才算换形。

改结构

公众号的结构是”钩子—痛点—方案—案例—行动”，讲究层层递进。同一内容搬到知乎，结构要变成”结论—论据 1—论据 2—反面论证—结论回收”，因为知乎读者要的是论证过程，不是情绪引导。搬到小红书，结构要变成”结论—3 个要点—一句话总结”，因为读者只想快速拿到能用的东西。搬到口播，结构要变成”冲突开场—一个问题—一个例子—一个结论”，因为这个形制只容得下一个信息点。

改语体

公众号可以用”某种意义上”这种书面过渡，知乎可以用”这背后的机制是”，小红书必须用”我之前也这样，后来发现”，抖音必须用”你是不是也这样”。同一句话，四个平台四种说法，不是换同义词，是换说话的人。

改信息密度

信息密度是单位文字承载的信息量。知乎的信息密度最高，因为它承载论证；公众号次之，因为它承载叙事；小红书最低，因为它承载情绪和结论；口播几乎不承载论证，只承载观点和画面。

这意味着换形的时候必须删东西。知乎版本里的三段论证，小红书版本只剩一句结论，剩下的论证要删掉，不是压缩。压缩会留下”看起来像论证但读者没耐心读”的残渣。

一次产出多平台版本的提示词

关键在于分两步：先锁定核心，再分别套模板。如果直接说”帮我改成小红书版本”，模型会丢掉你的核心主张，改成一篇通用的种草文。

【第一步：锁定核心】
下面是我要分发的内容，请先不要改写，只提取并确认以下四项：
1. 核心主张（一句话，不超过 25 字，必须是可被反驳的判断）
2. 三个关键论据（每个一句话）
3. 目标读者（画像，一句话）
4. 这篇文章最不适合放进哪个平台，为什么

如果核心主张无法用一句话说清，请指出原因。

【第二步：换形】
核心确认后，分别生成以下四个版本。每个版本都必须从上面的核心主张出发，
允许删减论据，但不得改变主张的方向。

—— 版本 A：公众号 ——
字数 1800 左右；结构为 钩子—痛点—方案—案例—行动；
每段不超过 3 句；标题稳重、信息量大、不用感叹号；可用小标题分节。

—— 版本 B：小红书 ——
字数 400 左右；每行不超过 20 字；第一句必须是结论；
用 3 个要点承载信息，每个要点不超过 3 行；
适度使用 emoji（每段最多 1 个），结尾给 5 个话题标签；
语气完全口语，第一人称。

—— 版本 C：知乎 ——
字数 3000 左右；开头先给结论段（不超过 100 字）；
然后分 3–4 节论证，每节有小标题；
论证中必须区分"事实"与"我的判断"，事实部分标注来源（没有来源就写"据我的实践观察"）；
语言书面、克制，不使用 emoji。

—— 版本 D：口播稿（60–90 秒）——
纯口语，每句不超过 20 字；
每 15 秒有一个钩子（共 4–5 个），用【停顿】标出停顿处；
开头第一句必须是信息冲突，不能自我介绍；
结尾给一句可以被复述的话。

【全局禁忌】
不使用："在当今时代""随着……的发展""值得注意的是""让我们一起""赋能""闭环"
不编造任何数据、案例、人名
不改变核心主张的方向

“第一步”那个”最不适合放进哪个平台”的问题，是故意加的。它能逼模型先想清楚内容的性质——有些内容天生适合知乎，不适合小红书；有些适合小红书，在知乎会显得单薄。知道它不适合哪，比知道它适合哪更重要。

口播稿的一个特殊要求

口播稿最容易写砸，因为书面语和口语的节奏完全不同。书面语可以用从句嵌套，口语一旦嵌套，听众就跟丢了。所以口播稿的检验标准不是”读起来顺”，而是念一遍，有没有地方需要回头重听。有，就拆。

另外，”每 15 秒一个钩子”这个要求不是随便定的。短视频的注意力曲线大致是每 15 秒一个低谷，你要在低谷前给出新的刺激。实操上就是每 3–4 句话必须有一个”但是””结果””反过来”。

多平台适配的验收标准

遮住平台名，还能猜出这是哪个平台的吗？猜不出，说明换形没做到位，只是改了字数和标点。
四个版本的核心主张，方向一致吗？不一致，说明某个版本跑偏了，通常是小红书版本跑偏（因为最容易写成种草）。
每个版本是否有该平台独有的一句话？比如小红书有一句只有小红书读者才懂的口语，知乎有一段只有知乎读者才看的论证。没有，说明还是同一篇东西。

大多数人做错的地方

前面四步讲的是怎么做。这一节讲的是我在看别人的实操案例时，反复见到的同一批错误。它们不是技术问题，是认知问题。

错误一：把 AI 打分当成”选爆款”的机器

这是最普遍、也最伤人的一个误解。很多人做完标题打分，看到 18 分那个，就认定”这个会爆”，然后对结果产生不切实际的期待。没爆，就怀疑方法。

前面已经说过，AI 对”会火”的判断是概率性的。这里再补一个更具体的理由：模型训练时看到的是海量内容的平均表现，它学到的是”这类标题的平均点击率更高”，但爆款恰恰是偏离平均的那一小撮。用平均值去预测偏离值，本身就存在结构性矛盾。

更麻烦的是，模型没有办法判断”时机”。一个标题在某个题材势能窗口里是神来之笔，出了这个窗口就是尬蹭。这个判断只能由人做。

那 AI 打分到底该怎么用

三个用途，按可靠性从高到低：

淘汰明显不行的：可靠性最高。空洞、夸张、错配、带风险词的，一律删掉。
发现你自己的盲区：看它给的”吸引哪类人”，很多标题你以为在吸引 A 人群，实际在吸引 B 人群，这个反馈很有价值。
参考排序，但不做决定：得分前三的可以重点考虑，但最终选择要结合你对账号读者的了解。

记住一句话：AI 打分只能淘汰差的，不能保证选中爆的。把它当成一道过滤网，不要当成一台选号机。

错误二：把”生成”当”创作”

第二个高频错误，是把模型生成的初稿当成成稿直接发。这类内容的特征是：语法完美、结构完整、观点正确、毫无个性。读者读完不会有任何情绪波动，也不会记住你是谁。

生成和创作的区别在于判断。模型可以给你 20 个角度，但选哪个角度、砍掉哪段、保留哪句，这些判断只能你来做。一个好的自媒体账号，核心资产是作者的判断，不是文字。

一个自检方法

把成稿里所有”观点句”单独摘出来，问自己：这些观点，一个没看过这篇文章的普通人也说得出来吗？如果是，那这篇就是”生成”的产物，不是”创作”的产物。你需要往里面加入至少一个”只有你会这么说”的判断。

我在写这类教程时，常常在每一节末尾加一句带个人色彩的话，比如”我的经验阈值是 14 分以下不写”——这种具体的、不普适的判断，才是内容有辨识度的来源。它不必正确，但必须是你真实的判断。

错误三：把所有平台当同一个平台

第三个错误是”一稿多发”。它的问题不在于偷懒，在于每个平台的推荐机制都在惩罚错配内容。一篇公众号风格的长文发到小红书，前 3 秒留不住人，完读率极低，账号权重会被拉低。一次两次没事，积累下来，账号就被打上了”低质”标签。

多平台运营的正确姿势是：一个主张，四个形制，四个节奏。主张不变（这是你的品牌），形制、节奏各自适配（这是你对平台的尊重）。

错误四：迷信”提示词越长越好”

第四个错误是提示词的堆积。看到别人发一个 3000 字的提示词模板，直接抄过来，结果发现输出更差。原因是那份模板针对的是别人的领域、别人的读者，硬套到你的场景，约束越多越跑偏。

提示词的核心不是长度，是约束的有效性。一条有效的约束通常是具体的、可检查的、针对你见过的真实问题的。比如”禁止每段加总结句”，这是有效的，因为它针对一个具体的坏习惯；而”请写得生动有趣”，这是无效的，因为它不可检查。

我的建议是：从简版开始，每次遇到一个具体问题，加一条针对它的约束，慢慢积累成你专属的提示词。这个过程本身就是在建立你对内容的判断力。

错误五：把”多发”当成”多平台”

第五个错误是把”发得多”误认为”做得多平台”。一个人同时在六个平台维持日更，表面上产出极高，实际上每个平台的内容都只是”能发”，没有一个平台的读者会觉得”这是给我写的”。

多平台的本质是在多个不同的注意力档位里各有一套打法，它需要的是理解力，不是产能。与其六个平台都发同一稿，不如把一个主张在三个平台上做到真正适配：各自有独立的标题、独立的开头、独立的结构。数量少，但每个版本都有自己的读者。

我在观察长期做得好的账号时发现，它们通常有一个”主阵地”，其余平台是”分发出口”，各自根据精力分配资源。没有账号能靠平均用力在六个平台都做到头部，那样分散的注意力反而哪一个都喂不饱。

这套方法的边界

讲了这么多，最后必须讲清楚它做不到什么。一个不说明边界的教程，本质上是在误导。

它提高的是及格线，不是爆款率

这套四步法能保证的，是你的内容不因为低级错误而失败：选题有落点、开头能留人、结构不散、标题不别扭、平台不错配。这些做到了，你的内容下限就比大多数人高。而下限高，意味着稳定的小流量，意味着账号能持续增长。

但它不能保证爆款。爆款的构成里，有相当比例是运气——发布时间恰好撞上一个社会情绪、某句话恰好被一个大号转发、平台的推荐策略在那个星期恰好偏爱你这个品类。这些因素，任何人都无法提前计算。

能控的是下限，不能控的是上限。这句话听起来像退而求其次，但它其实是做内容最重要的心态：把能控的控到极致，对不能控的保持平常心。

为什么”稳定及格”比”偶尔爆款”更值钱

一个账号每月出一次爆款、其余时间无人问津，商业价值远低于一个每篇都在中上的账号。因为品牌合作、读者关系、内容积累，都建立在”可预期”的基础上。偶尔爆款带来的是一次性的曝光，稳定及格带来的是可以长期经营的资产。

还有一个更现实的理由：高频但不爆的内容，会训练你的读者形成”他写的东西我可以放心点开”的预期，这个预期本身会提高你的打开率。而偶尔爆款、平时潦草的账号，读者会在几次失望之后彻底不点。信任的建立和消耗，都是复利的。

不要把 AI 的判断当自己的判断

这套方法里，AI 承担的是分析和执行的活，判断的活必须留给你自己。如果有一天你发现自己在选题时完全依赖模型打分、在写稿时完全依赖模型生成、在标题时完全依赖模型排序，那你的创作能力就在退化。

一个可操作的平衡是：每一篇内容，你自己至少要贡献一个判断——一个角度、一句结论、一个取舍。不用多，一个就够。这一个判断，是这篇内容之所以是你的证据。

读者会在几次失望之后彻底不点。信任的建立和消耗，都是复利的。

它不能替你决定”今天该写什么”

还有一个更隐蔽的边界：这套方法能判断一个选题好不好，但不能决定你此刻该不该写这个选题。

因为写作是有状态的。你手上有一个 18 分的选题，但你对它毫无感觉，写出来一定是干的；你手上有一个 15 分的选题，你有大量真实材料、有话想说，写出来往往是活的。材料与表达的匹配度，权重比分数高。

所以我给选题池打分的时候，会在四维之外偷偷加一个第五项：我现在想写吗。它不进总分，只在两个选题分数接近时用来打破平局。这一项听起来不专业，但它是有效的——写作的兴奋感会渗透到文字里，读者能感觉到。

什么样的选题应该被果断放弃

哪怕它分数不低。判断标准是：你写它的时候，有没有一句话是你真的想说的。整篇里都找不到这样一句，那就先放着。不是为了追求完美，是因为靠流程硬撑出来的内容，自己都不愿意读第二遍，很难指望别人读完。

不要做的事

最后说三件坚决不能做的事。它们看起来能带来短期收益，实际上是在拿账号的长期信用换一次性的流量。

不要伪造数据

模型在写稿时为了行文顺畅，非常容易编造”据某研究显示，73% 的人……”这类数据。这类内容一经核实，账号的信誉基本就没了。而且在 AI 内容泛滥的今天，读者对”来源不明的数据”的敏感度正在快速提高。

如果需要数据支撑，要么找到真实可查的来源，要么明确标注”据我的实践观察”。前者给可信度，后者给诚实度，两种都比编造好一百倍。

不要洗稿

“改写别人的文章”是内容行业最古老也最脏的做法。用 AI 做洗稿更省力——把原文喂进去，让它换个说法输出，但本质没变：你没有提供任何新信息，只是在占用别人的劳动成果。

更现实的问题是，现在的平台对同质内容的识别能力越来越强，洗稿内容的推荐权重会被压得极低。费力不讨好。

不要编造”我朋友的真实经历”

这一条我要说得重一点。很多自媒体为了增加可信度，会编一个”我朋友”的故事。这在 AI 辅助创作里变得特别容易，因为模型能生成极其像真的细节。但它有两个致命问题。

第一，它是不诚实的。读者信任你，是因为相信你写的是真的，虚构的”朋友经历”就是在滥用这份信任。第二，它经不起追问。一旦读者在评论区问”你朋友具体是做什么的”，你就得继续编，编得越多越容易露馅。

如果你没有真实经历，就写”我观察到””我读到过一个案例，来源是 ×××”，或者干脆不写案例，用逻辑推演代替。没有案例的内容可能不如有案例的生动，但它是干净的。

不要为了数据去制造对立

还有一件容易被忽略的事：不要为了互动率去故意挑起口水。刻意在内容里埋一句会引发骂战的话，确实能把评论区点着，但进来的是情绪，不是读者。等热度过去，你涨的粉丝会掉，还会带走一部分原本信任你的老读者。

争议和表达是两回事。有理有据的反直觉判断，反对的人也会认真回复；为了吵架而吵架的表述，反对的人只会来骂你，然后划走。这两者在短期数据上可能很像，在长期价值上是相反的。你要的是能留下来的读者，不是一次性的流量峰值。

实操节奏：把四步跑成一周一个循环

方法讲完，最现实的问题是怎么落地。四步不是四件独立的事，把它们排进一周的节奏里，才可能坚持下去。

四步各自的工作日分配

我给自己的排法是：周一做素材收集与爆款归因，周二把候选选题过四维打分、选定当周要写的，周三上午跑初稿、下午做定点修改，周四做标题打分与风险词自查，周五按平台换形、先发主阵地，周末分发其他平台并记录数据。

为什么要给选题留出整整一天

因为选题是最难”当场想出来”的环节。你一旦把它压缩到写作开始前的十分钟，质量必然崩。留一天的意义不在于真正花一天，而在于给它一个独立的思考窗口——你可以在通勤、吃饭、睡前随时往选题池里补规则，第二天再来做判断，这时候的判断比你坐在电脑前十分钟想出来的准得多。

一周一篇可能太少

四步法的完整流程确实需要好几天，但流程本身的熟练度会随着重复快速提升。前两周你可能写一篇就要五天，一个月后可能两天就能走完一遍，因为你已经有了自己的选题池、自己的提示词库、自己的判断标准。

所以正确的做法不是一开始就追求高频，而是先把一周一篇的流程跑顺，等流程变成肌肉记忆，自然就提速了。反过来，一开始就逼自己日更，走流程的时间被压缩到几乎为零，最后又退回到”打开对话框直接让它写”的老路。

记录数据，让下个循环更准

该记哪几个数

不要记阅读量、点赞数这种结果指标，要记中间指标：开头留存率（有多少人读到第二段）、完读率、互动率、标题点击率。这四个数能拆出具体的问题环节——开头留存低说明钩子有问题，完读率低说明中段结构散，互动率低说明结尾行动没给清楚。

把数据结论回写到提示词里

这是四步法能形成正循环的关键一步。比如你发现连续三篇内容的开头留存都低，就把”开头必须是反常识断言或具体场景，不能是背景交代”这条约束加粗地写进你的初稿提示词；发现标题点击率一直一般，就回看打分记录，看看是不是每次都被”分数高分”这条规则误导了。

提示词不是一次性写好的，它是跟着你的数据一路长出来的。一年下来，你手上那份提示词，会变成别人抄不走的资产——因为它记录的是你的读者、你的平台、你的失败史。

判断力训练：让这套方法不依赖模型

写到这里，必须回应一个必然会出现的质疑：如果哪天模型能力大幅提升，这套方法是不是就过时了？

我的判断是不会，但它会变形。变的是工具，不变的是判断力——什么选题值得写、什么表达是空的、什么标题会让人别扭、什么内容该配什么形制。这四件事，本质上都是对”人”的理解，不是对模型的理解。模型越强，这些判断力越值钱，因为模型替你省下的时间，最后都会转化成你需要做判断的次数。

每天十分钟的三个小练习

练习一：读标题，猜正文

刷信息流的时候，看到标题先别点开，自己写一句话猜”这篇讲什么、怎么讲”。点开对比，你会发现大量内容与标题严重不符——标题许诺的，正文没给。坚持一个月，你对”标题与内容是两张皮”的敏感度会大幅提升，写自己的标题时也会更诚实，标题、爆款这一类判断都会更稳，也更容易在动手前就淘汰掉那些注定点不动的选项。

练习的通用心法：复盘比次数重要

练习的关键不在量，在事后复盘。每次猜完、删完、换完，花一分钟问自己：”我刚才判断错在哪？”判断力是靠错误校准出来的，不是靠重复次数堆出来的。这也是为什么我建议把每天的练习记录和数据周报放在一起看——练习里的直觉偏差，往往会在数据里露出同一张脸。

练习二：删句

随便找一篇你觉得写得不错的内容，从头到尾做删句：删掉之后意思不变的，划掉。你会惊讶地发现，一篇文章里能被删掉的比例常常超过三成。这个练习锻炼的是”识别冗余”的能力，而这恰恰是最影响内容可读性的能力。

删句做多了，你再回头看 AI 生成的初稿，会发现很多当时读着顺的句子，其实是纯冗余。到那时候，你不再需要”禁用词清单”，因为你自己就能看见那些空洞的填充。这份清单最初是别人告诉你的，最后会变成你自己长出来的嗅觉。

练习的进阶版：删到只剩”不删会心疼”的部分

普通删句是删冗余，进阶删句是删”还算有用”的部分。逼自己把一篇 2000 字删到 800 字，你会发现留下来的那些句子，往往就是这篇文章的骨架。这个练习很痛，但它能让你下次写初稿时，本能地先写骨架、再补血肉，而不是先堆一堆血肉再找骨架。

能跑出流量的内容，几乎都有一个共同点：骨架清晰得可以一句话复述。你复述不出来，读者就更记不住。

练习三：把同一段话换成三种语体

找一段你写过的内容，分别用”公众号的书面语””小红书的日常口语””口播稿的说话腔”各写一遍。三遍之间不能共用同一个句子。这个练习很枯燥，但它能建立你对”语体”的敏感度——很多人做多平台失败，本质上是只会一种语体。

做这个练习时有个细节值得注意：不要先写书面语再往口语改。反过来，先写最土的口语，再往书面语收。因为从口语往书面语收，句子会越收越紧；而从书面语往口语改，总是改不干净，留下一种”念稿子”的僵硬感。这个顺序差异，直接决定了多平台版本里那个平台读者读起来是”像个人在说话”还是”像篇稿子”。

为什么判断力才是长期护城河

工具会一直变。今天用的是这个模型，明年可能是另一个；今天的提示词技巧，明年可能已经内置成产品功能。但有两种东西不会变：一是你对读者处境的理解，二是你对好文字的判断。

这两样都没法被外包给模型。模型可以告诉你 20 种开头写法，但不知道你的读者此刻正在地铁上、在加班、在带孩子；它能生成流畅的句子，但不知道哪一句该留、哪一句该删。这些判断，构成了一个创作者真正的、不可替代的部分。

所以我把这套四步法定位成脚手架：它帮你把机械的活干完，让你把精力集中在判断上。脚手架会用完，判断力则会越用越强。这也是它和”一键出稿”类工具最根本的区别——后者让你变懒，前者让你变快，但更快地走向同一批判断。

FAQ

下面八个问题，是我在分享这套方法时被问得最多的。

Q1：方法学会了，为什么大多数人还是做不出爆款

因为方法只解决”可控变量”，而把方法真正跑在日常生活里的人非常少。我见过太多人把这篇教程读完、把提示词复制走，然后回去打开对话框说”帮我写一篇关于副业的文章”。不是他们不认同方法，是方法里最费力的一步——收集样本、拆评论、打四维分——既不酷也不出成果，最先被砍掉。

所以如果你只能带走一句话，我希望是这句：爆款不是写出来的，是筛出来的。你筛掉的那些选题，比留下来的那个更能说明你有没有在认真做内容。

Q2：能不能先给一个完整的执行顺序？

把四步串起来，一次完整的内容生产大致长这样：第一天收集 20–30 条同领域高互动标题与 50 条高赞评论，跑一轮爆款归因，整理进选题池；第二天从池子里挑 3 个过 14 分的候选题，做四维打分，选最高的那个；第三天用初稿提示词生成，自己做定点修改，补上至少一个属于你的判断；第四天生成 20 个标题，换一个窗口打分，淘汰低分并做风险词自查；第五天按平台模板换形，先发主阵地，隔一天分发其他平台。一周一个完整闭环，一个月能跑四轮，四轮下来你对这套流程的手感就稳定了。

Q3：这套四步法，每一步大概要花多少时间？

时间投入因人而异，但有一个大致比例可以参考：选题约占四成，初稿约三成，标题约占半成，多平台适配约两成。选题花最多时间是合理的，因为选题错了后面全白做。很多人反过来，把大部分时间花在润色文字上，这是效率最低的分工。

Q4：不用 DeepSeek，用其他模型可以吗？

可以。这套方法的四步——归因、生成、打分、换形——不依赖某个特定模型，提示词的核心约束在任何主流大模型上都能生效。区别主要在两点：一是不同模型对长提示词的遵循程度不同，有的模型会把你的”禁忌清单”直接忽略；二是不同模型的中文语感有差异，有的写出来更”翻译腔”。建议同一套提示词在两个模型上各跑一遍，对比后再定主力。

Q5：标题打分每次都差不多，是不是模型在敷衍？

如果 20 个标题的分数集中在 15–17 分，那多半是标题本身的同质化太严重，模型没有拉开区分度。解决办法是回到生成环节，强制它覆盖更多策略（尤其是”损失厌恶”和”信息缺口”这两类，人自己想的标题里往往最缺这两类），样本拉开差距，打分才有意义。另外，打分时要求它输出”得分最低的 5 条”这个动作，本身就是在逼它找差异。

Q6：多平台适配的时候，内容会不会被平台判定为重复？

只要真正做了”换形”——改结构、改语体、改信息密度——重复度就会很低，因为三个维度都变了。真正被判定重复的，是”一键同步”式的复制粘贴。另一个降低风险的做法是错开首发：先在最适合的平台首发，隔一两天再发其他平台，让首发平台拿到原创权重。

Q7：选题四维打分，能不能直接让 AI 来打？

可以让 AI 打，但要清楚它打的是什么。共鸣度和具体度它有一定的判断力，因为这两个可以从”这个选题是否指向具体的人和场景”来评估；差异化它判断不了，因为它不知道你所在平台此刻的竞争格局；可验证性它更判断不了，因为它不知道你手里有什么材料。所以我建议：差异化与可验证性由你自己打，另两项可以让 AI 先给一个参考分，你再修正。

Q8：这套方法适用于所有内容类型吗？

大致适用于”以观点和经验为主”的内容——职场、技能、生活方式、行业观察这一类。不太适用于三类：一是强时效的新闻资讯，这类内容的核心是信息获取速度，流程化帮助有限；二是强个人化的文学创作，这类内容的魅力恰在不可复制的部分；三是强专业的技术文档，这类内容的评估标准和自媒体完全不同。选对适用场景，方法才有价值。