> For clean Markdown of any page, append .md to the page URL.
> For a complete documentation index, see https://docs.beatapi.io/llms.txt.
> For AI client integration (Claude Code, Cursor, etc.), connect to the MCP server at https://docs.beatapi.io/_mcp/server.

# 一个小红书关键词，怎样变成有讨论依据的内容选题？

> 从种子关键词出发，结合 xiaohongshu.pgy.get_keyword_related、get_keyword_daily、xiaohongshu.app_v2.search_notes 与已审核评论，用 build_briefs.py 生成可核对的选题简报。

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？

| 材料      | 能帮助决定什么          | 下一步               |
| ------- | ---------------- | ----------------- |
| 关联候选词   | 读者还可能关心哪些相近问题    | 人工选择与受众有关的词       |
| 逐日指数    | 返回时间窗口内怎样变化      | 保留日期和缺值，比较相同口径    |
| 笔记与评论原句 | 实际讨论了什么、哪里还没解释清楚 | 选具体问题，写角度和需要验证的内容 |

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](https://beatapi.io/zh/pricing)。

## 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

```bash
curl -sS https://api.beatapi.io/v1/capabilities/inspect \
  -H 'Content-Type: application/json' \
  -d '{"reference":"data:xiaohongshu.pgy.get_keyword_related"}'
```

确认价格后，请求关联词：

```bash
curl -sS https://api.beatapi.io/v1/social-data/call \
  -H "Authorization: Bearer $BEATAPI_API_KEY" \
  -H 'Content-Type: application/json' \
  -d '{"action":"xiaohongshu.pgy.get_keyword_related","params":{"search_word":"面膜"}}' \
  -o keyword-related.json
```

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：

```bash
curl -sS https://api.beatapi.io/v1/social-data/call \
  -H "Authorization: Bearer $BEATAPI_API_KEY" \
  -H 'Content-Type: application/json' \
  -d '{"action":"xiaohongshu.pgy.get_keyword_daily","params":{"search_word":"面膜"}}' \
  -o keyword-daily.json
```

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：

```bash
curl -sS https://api.beatapi.io/v1/social-data/call \
  -H "Authorization: Bearer $BEATAPI_API_KEY" \
  -H 'Content-Type: application/json' \
  -d '{"action":"xiaohongshu.app_v2.search_notes","params":{"keyword":"面膜","page":1,"time_filter":"一周内","sort_type":"comment_descending"}}' \
  -o keyword-note-sample.json
```

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](/zh/guides/xiaohongshu-notes-research)。

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](/zh/guides/xiaohongshu-note-comments)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。

[指数解释](/zh/faq/xiaohongshu-keyword-index) · [榜单与搜索区别](/zh/faq/xiaohongshu-trending-boards) · [小红书索引](/zh/faq/xiaohongshu)

## 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：

```json
[{"brief_id":"brief-1","audience":"<intended reader>","question":"<specific question>","angle":"<how the article will answer it>","title":"<proposed title>","outline":["<section one>","<section two>"],"theme":"<reviewed_theme>","evidence_ids":["<reviewed_evidence_id>"],"validation_needed":"<facts or demonstration still needed before publishing>"}]
```

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。

```python
import json
import sys
from pathlib import Path

comments_file, evidence_file, briefs_file, output = sys.argv[1:]
comments = json.loads(Path(comments_file).read_text(encoding="utf-8"))
evidence = json.loads(Path(evidence_file).read_text(encoding="utf-8"))
briefs = json.loads(Path(briefs_file).read_text(encoding="utf-8"))
by_id = {}
for item in comments:
    key = item["evidence_id"]
    if key in by_id:
        raise SystemExit("Duplicate source evidence ID")
    by_id[key] = item
if not isinstance(briefs, list) or not briefs:
    raise SystemExit("Expected at least one editorial brief")
seen = set()
result = []
for brief in briefs:
    key = brief.get("brief_id")
    if not isinstance(key, str) or not key.strip() or key in seen:
        raise SystemExit("Missing or duplicate brief ID")
    seen.add(key)
    for field in ("audience", "question", "angle", "title", "validation_needed"):
        if not isinstance(brief.get(field), str) or not brief[field].strip():
            raise SystemExit(f"Missing editorial field: {field}")
    outline = brief.get("outline")
    if not isinstance(outline, list) or not outline or any(not isinstance(v, str) or not v.strip() for v in outline):
        raise SystemExit("Expected a nonempty outline")
    theme = brief.get("theme")
    reviewed = evidence.get(theme)
    if not isinstance(reviewed, list):
        raise SystemExit("Theme is absent from reviewed evidence")
    refs = brief.get("evidence_ids")
    if not isinstance(refs, list) or not refs or len(refs) != len(set(refs)):
        raise SystemExit("Use unique evidence references")
    linked = []
    for ref in refs:
        matches = [item for item in reviewed if item["evidence_id"] == ref]
        source = by_id.get(ref)
        if len(matches) != 1 or source is None:
            raise SystemExit("Evidence is not in this theme and source set")
        quote = matches[0].get("quote")
        if not isinstance(quote, str) or not quote.strip() or quote not in source["text"]:
            raise SystemExit("Quote does not match original comment")
        linked.append({"evidence_id": ref, "quote": quote, "note_id": source["note_id"],
                       "source_file": source["source_file"], "request_id": source["request_id"]})
    result.append({**brief, "evidence": linked, "supporting_comments": len(linked),
                   "supporting_notes": len({v["note_id"] for v in linked}),
                   "scope": "selected reviewed comments; not prevalence or causal proof"})
with Path(output).open("x", encoding="utf-8") as handle:
    json.dump(result, handle, ensure_ascii=False, indent=2)
```

## 已补足的趋势路径与关联词的精确缺口

[逐日指数转换器](/zh/faq/xiaohongshu-keyword-index)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。