一个小红书关键词,怎样变成有讨论依据的内容选题?
从关键词选小红书选题时,从一个读者会用的词开始:用 xiaohongshu.pgy.get_keyword_related 找相近的问题方向,用 xiaohongshu.pgy.get_keyword_daily 看逐日趋势,用 xiaohongshu.app_v2.search_notes 和笔记评论看实际讨论,最后决定文章要回答什么。热度帮助挑候选;选题值不值得写,还要看读者的具体场景和你能提供的答案。
例如种子词是“面膜”,研究读者在问哪些使用场景、包装选择或说明理解问题。先把问题找出来,再决定写比较、步骤解释还是检查清单,而不是只把热门词拼进标题。
三种材料,分别帮你决定什么?
先用一小组候选验证方向。有现成讨论报告就直接复用,不必为了写标题把整个查询链再跑一遍。
给助手的任务可以这样写
从“面膜”出发找与目标读者相关的问题,分别记录关联候选、实际趋势和笔记评论证据。选3个值得写的角度,每个给读者、要回答的问题、标题建议、提纲和支持原句;缺证据的列为待查。
最后的 editorial-briefs.json 是编辑填写、工具核对过来源的简报。标题和角度是你的建议,原句是材料;标题、角度和原句分开存放,写作时才知道哪些可以引用、哪些还要核实。
下面第 1–7 步依次扩词、看趋势、选讨论、做简报。关联词、逐日指数、笔记搜索和评论按实际选择分别计请求,当前单价见价格页。
1. 定义起点和停止范围
准备一个种子词。本例用“面膜”,先取一份关联候选和一份逐日指数,再选一页笔记,按需要读一篇笔记的评论。结果不相关时停止并调整种子词,不自动无限扩词。
2. 核对免费合同,再获取关联词
确认价格后,请求关联词:
响应包含前序(upSearchWords)与后续(downSearchWords)两组关联词;具体路径和词文本字段的缺口见末节,分值字段不自行改名。人工选一个与目标问题有关的词;没有相关词时,不让 AI 凭空编造“接口返回的热词”。
3. 读取选定词的逐日指数
先 Inspect data:xiaohongshu.pgy.get_keyword_daily,再查询。示例继续用种子词;如果使用上一步选出的关联词,替换 search_word:
保留实际日期与原值,不把指数当搜索人数,不为缺失日期补零。逐日指数动作没有月份或 date_type 输入;不要为了“近 90 日”自行加字段。需要概览时才追加 get_keyword_stat,不默认把三个动作打包执行。
4. 用笔记检验话题,而不是只看热度
Inspect data:xiaohongshu.app_v2.search_notes,确认后用相关关键词搜索:
先保存实际笔记 ID、来源与可见内容。评论最多排序只是一种搜索选择,不代表全部匹配内容或真实搜索总量。需要下一页时,遵守首次搜索状态分页。
例如指数提示「面膜」近期更受关注,首批笔记里又有人问「上妆前敷多久」。指数日期和评论原句分开记:指数说明这段时间值得看看,评论原句才给出可以回答的具体问题。再核对笔记讲的是补水面膜还是清洁面膜。
5. 只读选定讨论,整理证据
选一篇实际相关的笔记,核对参数和价格后,按评论与回复指南取一页评论。把反复出现的疑问与原文来源一一对应,区分用户原话和你的归纳。广告、笔记正文和评论是不同种类的证据。
输出包含“具体问题、来源笔记、评论证据、指数观察窗口、尚待验证的判断”。没有评论证据的主题保留为待研究,不冒充已验证的需求;有限页评论里的比例也不能描述成全部用户的比例。
6. 调用与恢复
一次关联词、一次逐日指数、一页搜索和一页选定评论,合计四次平台调用;概览、下一页或回复会继续增加调用,模型分析另计。每一步都保存 JSON 与 request_id,后续整理从本地重读,不重复支付相同查询。
逐日指数已有固定字段的导出脚本(见末节链接);关联词的词文本字段仍未明确,因此不提供自动取词,趋势数字只来自已保存的真实输出。搜索和评论已有按真实响应编写的固定适配;可以跳过指数分支,用已存的评论证据完成第 7 步的选题交付,不增加调用。
7. 把已审核的讨论变成可核对选题简报
如果已经有评论痛点报告,直接复用 comments.json 和 evidence.json,不为整理选题重新搜索。先人工选一个与读者相关的主题,区分“用户提过的问题”和“我们建议怎样讲”。例如读者反复询问包装形式,可以写成按实际需求列条件的选购检查表。建议角度要说明如何回答问题,不把未核实的推断写成作者或用户已经确认的事实。
创建 briefs.json。下面的字段全部由编辑填写;theme 和 evidence_ids 必须使用你已审核报告里的真实值,不照抄示例:
把下方脚本保存为 build_briefs.py,执行 python3 build_briefs.py review/comments.json report/evidence.json briefs.json editorial-briefs.json。build_briefs.py 核对主题与证据 ID、逐字原句和来源,统计支撑评论数和去重笔记数;脚本不会自动生成观点或发布内容,也不覆盖已有输出。最后逐条审阅标题是否超出证据,补足 validation_needed 后再用于写稿。输出含原句,转交团队前检查并脱敏原句中的个人信息。
已补足的趋势路径与关联词的精确缺口
逐日指数转换器在本地按官方 dateKey、searchScore、noteNum、userNum 字段生成日期表、缺日记录和完整七日窗口比较。
关联词响应明确了 data.data.upSearchWords 与 data.data.downSearchWords 两组,以及 searchScore、readTotalCount、noteNum、relevanceRank、brandTag 元数据,但没有写出词文本字段的精确名称,所以本指南不提供自动提取词文本。保留 upSearchWords 与 downSearchWords 的分组方向及原始词记录,不据方向推断个体因果路径,不假定 brandTag 一定是布尔值,也不把指数除以笔记数当作平台竞争度。已审阅评论到选题单的流程可以独立运行,不需要为关联词重复购买接口。

