手动刷平台、记录热门内容和整理链接，短期可以完成，长期很难稳定坚持。更值得搭建的是一条可重复运行的链路：读取监控目标、获取公开数据、清洗去重、筛选重点、生成报告，再把判断结果沉淀下来。
配图 1
一、系统要解决什么问题
这类系统不负责预测未来爆款，而是缩小每天需要人工查看的范围，并保留证据和处理状态。关键词监控负责发现候选内容，对标账号监控负责寻找相对异常的作品。
核心边界
采集、字段映射、去重和计算交给确定性程序；内容结构判断交给 AI；是否值得跟进由人决定。
配图 2
二、推荐架构
飞书录入关键词 / 账号 ↓ Codex Skill 读取配置并限量执行 ↓ 平台接口获取公开数据 ↓ 清洗、标准化、去重、计算 ↓ 监控简报 + 飞书内容库 ↓ 人工标记：跟进 / 观察 / 不相关 / 已采用
系统应保留原始响应的脱敏版本，标准化记录至少包含平台、作品 ID、标题、链接、发布时间、作者和实际可用的互动指标。
配图 3
## 三、两类监控引擎
- 关键词监控输入 AI 工具、AI 外贸等关键词，按平台返回结果筛选候选内容。
- 账号监控输入账号主页，使用同账号其他作品作为基线，寻找明显高于自身常态的内容。
- 人工判断结合正文、封面、评论区、发布时间和自身业务，确认是否值得研究。
## 四、评分只是排序工具
可以使用一个透明的示例互动值帮助排序，例如把点赞、收藏、评论和分享按不同权重相加。不同平台的指标含义不同，权重应视数据质量和目标调整。
对标账号可以计算：当前作品互动值 ÷ 同账号其他作品互动值中位数。建议至少有足够的同批样本后再计算，否则显示“样本不足”，不要伪造结果。
这些分数只用于安排查看顺序，不等于全平台爆款认证，也不代表未来一定会获得流量。
配图 4
## 五、飞书内容库怎么设计
- 监控关键词：关键词、平台、状态、最后扫描时间。
- 对标账号：账号名称、平台、主页链接、账号 ID。
- 内容作品库：标题、平台、作品 ID、链接、发布时间、互动指标。
- 判断字段：相对表现、监控等级、数据备注、证据缺口。
- 协作字段：AI 摘要、可复用结构、处理状态和人工备注。
处理状态可以固定为：待评估、值得跟进、继续观察、不相关、已采用。机器字段和人阅读的字段分开，系统更容易长期维护。
配图 5
## 六、从小规模试跑开始
- 输入少量目标先使用少量关键词和账号，不要一开始扩大采集范围。
- 验证数据链路确认平台、作品 ID、时间和互动指标映射正确。
- 预览报告先检查原始数据、去重结果和证据缺口，再写入内容库。
- 人工反馈标记少量内容是否相关，让下一轮监控更贴近业务方向。
Token 只能放在环境变量中；只处理有权使用的公开数据；缺失指标保持为空，不能把缺失写成 0。
## 七、相关 Skill
原文提供的项目是[Content Boom Monitor](https://github.com/xintu1314/content-boom-monitor)。安装和运行前请先查看 README、平台规则、API 条款和当前接口状态。
---
来源：<https://x.com/DZhao63405/status/2084492080173429047>