多数人做选题库的方式是收藏一堆爆款笔记,然后照着标题改词。这样做的结果是选题越攒越多,能用的越来越少,发出去还总撞车。问题不在 AI,在于你把 AI 当成了改写工具,而不是拆解工具。爆款的可用部分不是标题句式,是它解决谁在什么场景下的什么犹豫。下面这套流程先拆结构,再按人群和场景归档,最后用 AI 做同质化检查。

先让 AI 拆结构,不要让它写标题

直接让 AI 生成标题,出来的东西一定是平均值,没有信息量。第一步只做逆向拆解。

拿 10 到 20 篇同类爆款,逐篇让 AI 输出四件事:目标人群、触发场景、读者原本的认知、笔记给出的转折。转折点是关键,它决定这篇笔记有没有增量。拆完你会发现,爆款之间的差异往往只在转折方式,不在题材。

拆解阶段的产出是一张表,一行一篇,四列对应上面四项。这张表就是选题库的原料,先别急着归类。

按人群切,不按品类切

按品类归档(护肤、穿搭、家居)很快会失效,因为同品类里的选题互相挤压。按人群切更稳。

做法是从拆解表里提取人群标签,颗粒度控制到「身份 + 阶段」,比如刚工作一年的合租上班族、孩子上小学的职场妈妈。太粗的标签(年轻人、女生)没有区分度,太细的标签凑不满一个选题池。

每个人群标签下,至少挂三个场景。场景要具体到时间和动作,比如「下班到家九点,只剩二十分钟做饭」。场景越具体,AI 后续扩写时越不容易跑偏。

用提示词批量生成候选选题

有了人群和场景,再让 AI 出选题。提示词里必须锁死约束,否则它会回到通用建议。

你是小红书内容策划。下面是我拆解出的一个内容单元:
人群:[身份+阶段]
场景:[具体时间+具体动作+具体处境]
读者原有认知:[一句话]
可用转折:[一句话]

请基于这个单元,输出 8 个选题,要求:
1. 每个选题写清「谁、在什么时刻、想解决什么具体问题」;
2. 不要出现「必看」「干货」「保姆级」这类词;
3. 至少 3 个选题要挑战读者原有认知,而不是附和它;
4. 每个选题后面用一句话说明它和另外 7 个的区别在哪里。
不要输出标题,只输出选题描述。

一次只喂一个内容单元,批量喂会互相污染。生成结果人工筛一遍,留下能说清「区别在哪」的那些。

做同质化检查,砍掉重复项

选题库的价值不在数量,在覆盖的差异度。每攒够 20 条,跑一次查重。

把已有选题描述贴给 AI,让它按「读者处境」聚类,同一处境下超过两条就标出来。被标出的选题,要么合并,要么改写场景,要么直接删。别舍不得,重复的选题在发布阶段才会暴露问题,那时成本更高。

另外单独检查转折类型。如果库里八成选题都是「你以为 A 其实 B」,说明结构单一,需要补「分情况讨论」和「反常识边界」两类。

什么情况下这套做法不适用

这套流程依赖已有爆款作为拆解样本,所以它不适合全新品类或刚起号的冷启动阶段,那时没有足够样本,拆出来的结构是错的。

也不适合强时效内容,比如突发热点、政策变化,等你拆完归类,窗口已经过了,这类直接人工判断更快。

如果你的账号定位是个人表达而非流量获取,选题库会把你往平均值上拉,反而削弱辨识度,这种情况只保留人群和场景两列做参考即可,不要用提示词批量生成。

最后,样本少于 10 篇时不要开始建库,拆解结论不稳定,后面所有归类都会跟着错。