01 / Problem
为什么我们需要"会自己生长"的内容矩阵
小红书是品牌触达 Z 世代最有效的阵地之一，但传统内容生产存在三个结构性问题：
- 产能瓶颈：一个内容运营每周稳定产出 8-12 篇，规模化边际成本极高。
- 风格漂移：多人写作导致品牌调性不稳定，每篇像"不同人写的"。
- 选题失灵：依赖人工拍脑袋，爆款率低于 2%，且无法从历史数据中持续学习。
"我们不缺写手，缺的是一个能持续学习、复制风格、自动迭代选题的内容大脑。"
— 早期访谈，品牌方负责人
02 / Insight
用户洞察：爆款不是"写得好"，是"猜得准"
分析 8,000 条头部博主笔记后发现一个反直觉事实：
💡
爆款笔记的内容质量并不显著高于平均水平，但它们在"标题钩子 + 封面情绪 + 痛点共鸣"三件事上几乎从不失手。换言之，"爆款" = 工程问题，不是艺术问题。
- 标题模式可被结构化：87% 的爆款标题落在 12 种句式模板内。
- 封面有情绪密度阈值：高互动笔记封面平均含 1.8 个表情/惊叹符号 + 强对比色块。
- 痛点 ≠ 需求：最高互动笔记触及"被忽视的具体场景"而非宽泛痛点。
03 / PRD Excerpt
PRD 节选：核心功能模块
PRD-XHS-001 / 选题引擎 v1.2P0 · Shipped
输入近 30 天行业头部笔记 + 品牌历史爆款 + 实时热搜
处理语义聚类 → 趋势话题；标题模板匹配 → 候选 prompt；品牌向量余弦相似度打分
输出每日 30 个带评分的选题候选 + 推荐撰写模板
成功指标Top-10 选题 7 天内爆款率 ≥ 12%
异常处理合规过滤（敏感词/政策红线）+ 重复度去重（cosine > 0.85 拦截）
⚖️
关键权衡：多模型方案让单篇成本从 ¥0.05 涨到 ¥0.18，但爆款率从 1.4% 提升到 4.7%。换算后 ROI 提升 ~3 倍——成本绝不是越低越好。
04 / Prototype
系统流程与原型展示
Step 01
趋势抓取
爬取头部笔记 + 实时热搜 + 评论高频词
Step 02
选题生成
LLM 聚类 + 模板匹配 + 品牌打分
Step 03
内容撰写
Claude 撰文 + 风格迁移 + 合规过滤
Step 04
配图发布
MJ + SDXL + 智能排版 + 定时发布
content-matrix · daily queue (32 pending)
AI · 92%
3天我用 AI 把购物清单减半的真实结果
爆款分 8.6 · 适配率 91%
AI · 88%
不是我吹，这个 prompt 我用了半年
爆款分 7.9 · 适配率 88%
AI · 95%
作为 PM 我私藏的 5 个 AI 工具
爆款分 9.1 · 适配率 95%
05 / Data
数据复盘：上线 6 个月的真实表现
| 指标 | v1.0 | v2.0 | v3.0 (Now) | Δ |
|---|---|---|---|---|
| 月产笔记 | 420 | 3,800 | 10,240 | ↑ 24× |
| 爆款率 | 1.4% | 3.8% | 4.7% | ↑ 3.4× |
| 单篇成本 | ¥2.10 | ¥0.32 | ¥0.18 | ↓ 92% |
| 人工审核耗时 | 15min/篇 | 3min/篇 | 40s/篇 | ↓ 96% |
06 / Reflection
复盘：做对了什么，踩了什么坑
✓ What Worked
多模型流水线 > 单模型大力出奇迹
不同环节交给最擅长的模型，每环节有独立 eval，系统可观测、可迭代。
✓ What Worked
把"爆款"建模成工程问题
放弃浪漫主义叙事，把所有"创意"环节拆成可量化子任务。
⚠ What Didn't
低估了合规风险
v1.0 上线两周吃了一次平台限流，补救：建立四层合规过滤体系。
⚠ What Didn't
过度自动化反而降低创意上限
完全去人工后头部内容质量下滑，最终保留"人工把脉头部 5%"的混合策略。