一、采集公众号文章

我在服务器上部署了一个 wechat2rss，订阅了 15 个 ai 主题的公众号

在 n8n 访问它，筛选指定时间的文章，下载保存到飞书，含文章链接

在飞书利用快捷字段的 AI 功能给文章都打上固定的几个类型的标签

二、搭建数据分析模型

在 n8n 把文章链接传给「极致了」api，抓取文章的数据：阅读量、评论数、转发率、在看数、点赞数、收藏数

在飞书把这些数据做组合指标，例如转发率等

把标签和指标组合做交叉分析

三、AI 做选题分析报告

最终得出哪些标签数据好，背后就是建议做什么样的选题

确定选题后，筛选出这些标签的原文，给出具体的选题方向建议、内容结构

形成选题方案报告

n8n 长这样：

类似的工作流我之前也分享过，后面不会太详细讲，可以先看下面以往更细致的教程来入门：

保姆级教程：用 n8n + 快捷指令，一键无死角把灵感金句存入飞书

n8n+FastAPI=王炸！免费开源我年入 7 位数的小红书 AI 矩阵工作流

我的 Vibe Marketing 实践案例：如何用 AI 工作流驱动小红书矩阵，实现 7 位数营收

飞书长这样：

一、采集公众号文章

部署 wechat2rss

这一步是为了监控公众号的发布动态。

由于公众号非常封闭，几乎所有公开的 rss 源都不稳定，而且考虑到要做特定的筛选，建议是自己部署。

找朋友给我推荐了 wechat2rss，私有化部署 15 元/月，还挺稳定

https://wechat2rss.xlab.app/

要通过 Docker 部署，我用的宝塔面板，整个过程非常丝滑，不用 10 分钟就部署好了。

再花点时间把日常看的老师们公众号都给订阅上（节选）

搭建 n8n 监控工作流

这里的逻辑是，向 wechat2rss 请求当前已订阅的所有公众号清单，然后逐个公众号处理：筛选指定时间范围的文章

其中，HTTP 节点请求的是 WeChat2rss 的 list 接口，小白同学可以借助 AI 浏览器来辅导使用

后面逐个公众号请求文章，请求的是 /api/query 接口：

接着 n8n 的第二个模块就是把前面多个公众号的多篇文章，逐一处理：

** html 转 md**

wechat2rss 中返回的文章都是 html，巨长，既不方便我们自己看，也会导致传给 AI 超出上下文

所以我用 code 把它转成 markdown 格式了

[!TIP]
代码太长了，我放到后台
关注公众号「饼干哥哥 AGI」，回复「公众号」即可查看完整文档。

import re
import html

# --- 核心转换函数 (这部分是正确的，无需修改) ---
def html_to_markdown_basic(html_content):
    if not html_content or not isinstance(html_content, str):
        return ""
    # ... (前面的转换逻辑完全保留)
    # 0. 预处理
    html_content = re.sub(r'<(script|style).*?>.*?</\1>', '', html_content, flags=re.DOTALL | re.IGNORECASE)
    html_content = re.sub(r'<br\s*/?>', '\n', html_content, flags=re.IGNORECASE)
    # 1. 块级元素
    html_content = re.sub(r'<h1[^>]*>(.*?)</h1>', r'\n# \1\n', html_content, flags=re.IGNORECASE)
    html_content = re.sub(r'<h2[^>]*>(.*?)</h2>', r'\n## \1\n', html_content, flags=re.IGNORECASE)
    html_content = re.sub(r'<h3[^>]*>(.*?)</h3>', r'\n### \1\n', html_content, flags=re.IGNORECASE)
    html_content = re.sub(r'<p[^>]*>(.*?)</p>', r'\n\1\n', html_content, flags=re.IGNORECASE)
    html_content = re.sub(r'<li[^>]*>(.*?)</li>', r'\n* \1', html_content, flags=re.IGNORECASE)
    # 2. 链接和图片
    def replace_img(match):
        tag = match.group(0)
        src_match = re.search(r'(?:data-src|src)=["\'](.*?)["\']', tag)
        src = src_match.group(1) if src_match else ''
        alt_match = re.search(r'alt=["\'](.*?)["\']', tag)
        alt = alt_match.group(1) if alt_match else '图片'
        return f'![{alt}]({src})'
    html_content = re.sub(r'<img[^>]+>', replace_img, html_content, flags=re.IGNORECASE)
    def replace_a(match):
        tag = match.group(0)
        text_match = re.search(r'>(.*?)</a>', tag)
        text = text_match.group(1) if text_match else ''
        href_match = re.search(r'href=["\'](.*?)["\']', tag)
        href = href_match.group(1) if href_match else ''
        return f'[{text}]({href})'
    html_content = re.sub(r'<a[^>]*>.*?</a>', replace_a, html_content, flags=re.IGNORECASE)
    # 3. 行内元素
    html_content = re.sub(r'<(strong|b)>(.*?)</\1>', r'**\2**', html_content, flags=re.IGNORECASE)
    html_content = re.sub(r'<(em|i)>(.*?)</\1>', r'*\2*', html_content, flags=re.IGNORECASE)
    # 4. 清理
    html_content = re.sub(r'<[^>]+>', '', html_content)
    html_content = html.unescape(html_content)
    html_content = re.sub(r'\n\s*\n', '\n\n', html_content)
    return html_content.strip()

# --- n8n Main Execution Logic (已根据您的数据结构修正) ---

# 检查输入是否为空
if not items:
    return []

# 1. 获取第一个（也是唯一一个）输入项
first_item_data = items[0]['json']

# 2. 从该项中获取名为 'data' 的文章数组
articles_array = first_item_data.get('data', [])

# 准备一个新的数组来存放处理后的文章
processed_articles = []

# 3. 遍历这个 'data' 数组，而不是外层的 'items'
for article in articles_array:
    html_from_input = article.get('content')
    
    # 调用转换函数
    markdown_result = html_to_markdown_basic(html_from_input)
    
    # 在原始文章数据的基础上，添加一个新的字段 'markdown_content'
    article['markdown_content'] = markdown_result
    
    processed_articles.append(article)

# 4. 按照与输入完全相同的结构返回数据
# 即返回一个 item，其 'json' 字段下包含一个 'data' 数组
return [{'json': {'data': processed_articles}}]

「结构化的」文章摘要

但 markdown 格式依然很长，为了进一步节省上下文，需要对文章做一个浓缩

💡 注意，这里的浓缩不能把原文的结构、关键词给省略了

所以是要求用 AI 做一个结构化的文章摘要，在保留尽可能多的信息的前提下，缩短文章长度

后续做分析报告的时候，就让 AI 看这个摘要即可。

参考提示词（完整版见原文）：

[!TIP]

角色设定

你现在就是原文作者本人，一位极其擅长将复杂思想精炼化的专业作家。你对自己文章的逻辑、观点和每一个关键细节都了如指掌。

核心目标

将你（即作者）自己写的长篇文章，亲自改写成一篇结构完整、信息齐全、逻辑严密的精简短文。

想象一下，这是为那些时间极其宝贵但又必须掌握你思想精华的核心读者（比如投资人、合作伙伴、高级决策者）准备的“浓缩精华版”。它本身就是一篇独立、完整、且有说服力的作品。

核心任务与严格约束

。。。

写作框架与关键要素清

。。。

# 角色设定

你现在就是原文作者本人，一位极其擅长将复杂思想精炼化的专业作家。你对自己文章的逻辑、观点和每一个关键细节都了如指掌。

# 核心目标

将你（即作者）自己写的长篇文章，亲自改写成一篇**结构完整、信息齐全、逻辑严密**的精简短文。

想象一下，这是为那些时间极其宝贵但又必须掌握你思想精华的核心读者（比如投资人、合作伙伴、高级决策者）准备的“**浓缩精华版**”。它本身就是一篇独立、完整、且有说服力的作品。

# 核心任务与严格约束

1.  **视角：** **必须**使用第一人称或原文的叙事口吻，完全代入作者角色。**严禁**使用“本文认为”、“作者指出”等任何第三方、抽离的分析性语言。
2.  **内容：** **必须**囊括原作中所有重要的关键要素，尤其是核心论点、支撑论据和最终结论。信息不能有关键性遗漏。
3.  **结构：** 重写后的短文必须拥有清晰的“引言-论证-结论”结构，逻辑流畅，而不是一个简单的要点列表。
4.  **字数：** 成品总字数**严格控制在 500 字以内**。

# 写作框架与关键要素清单

请在下笔前，在脑中构思好，并严格按照以下框架和要素清单来重构你的文章：

**1. 引言与破题 (约100字):**
   - **引入问题：** 像原文一样，用一个引人入胜的钩子或一个核心问题开篇。
   - **亮出观点：** 直接、清晰地提出你的核心观点或本文旨在证明的最终结论。开门见山，让读者立刻知道你的主张。

**2. 核心论证与支撑 (约300字):**
   - **逻辑链条：** 按照原文的逻辑顺序，依次呈现支撑你核心观点的 2-3 个主要分论点。
   - **精炼论据：** 对于每一个分论点，用一两句话配上最关键、最无法或缺的论据来支撑它。这些论据可能是：
     - **一个核心数据**
     - **一个典型案例**
     - **一句权威引述**
     - **一个关键的逻辑推导**
   - **过渡衔接：** 确保论点之间的过渡自然、流畅，体现出原文的思考脉络。

**3. 结论与升华 (约100字):**
   - **重申观点：** 简要回顾你的论证，再次强调你的核心观点，形成逻辑闭环。
   - **价值升华：** 像原文结尾一样，提供一个具有启发性的思考、一个最终的建议、或一个面向未来的展望，提升文章的价值感。

---

**指令开始：**
好了，现在请你以创作者本人的身份，将我下方粘贴的你的长文，严格遵循以上所有要求，亲自改写成一篇 500 字以内的精华短文。

最后，存入飞书的操作可以参考文章：

我用 Dify 把飞书表格的「AI 提示词库」打包成了 MCP Server 给 AI 使用和管理

给文章打上内容标签

这一步是把文章量化的过程，用于后续把内容标签与数据指标做交叉分析，我们才能知道哪些关键词内容在近期的势头很好。

但再好的选题，也要符合我们自己的内容方向。

也就是说，公众号其实是越垂直越好，什么都写，只会把标签搞乱。

而我的内容方向包括：

1️⃣ AI 落地应用案例，如 AI 编程、n8n 工作流、AI Agent、AI 工作流等；

2️⃣ AI 数据分析案例，如 AI 做数据分析 ppt、用户洞察、自媒体数据分析等；

3️⃣ AI 多模态玩法，例如 ai 生图（nano banana、Seedream、Midjourney）、ai 生视频（Sora2）等

基于此，我让 AI 给我设计了一套提示词：

## 角色 
 你是一名专业的 AI 内容分析师。你的任务是深入阅读并理解一篇文章，然后根据我提供的多维内容标签体系，为这篇文章精准地打上一组关键词标签。 

 ## 任务 
 分析下方提供的文章全文，并从以下四个维度中，为每个维度选择 1-2 个最贴切的标签。最终输出一个包含所有选定标签的 JSON 数组（一个简单的字符串列表）。 

 ## 标签体系说明 

 ### 1. 主题域 (Topic Domain) - 文章的核心领域是什么？ 
 - **AI 技术应用**: 侧重于使用AI解决具体问题，如自动化工作流、AI Agent、AI编程等。 
 - **AI 数据分析**: 侧重于使用AI进行数据处理、洞察和可视化。 
 - **AI 多模态**: 侧重于AI在图像、视频、音频等方面的生成与交互玩法。 
 - **AI 行业洞察**: 侧重于宏观新闻、趋势分析、大佬观点或产品评测。 

 ### 2. 核心要素 (Core Element) - 文章具体讨论了什么工具、技术或概念？ 
 - 从文章中提取最关键的 1-2 个工具、平台、技术或概念名称。 
 - 示例: "n8n", "GPT-4", "Midjourney", "Agent", "Prompt Engineering", "RAG"。 

 ### 3. 内容形式 (Content Format) - 这篇文章是怎么写的？ 
 - **教程/指南**: 提供详细的操作步骤，有明确的教学目的。 
 - **案例分析**: 深入剖析一个具体的项目或事件。 
 - **资源盘点**: 汇总整理一系列工具、资料或信息。 
 - **观点/评论**: 表达作者对某个主题的深度见解。 
 - **资讯/快讯**: 报道最新的行业动态或产品发布。 

 ### 4. 目标读者 (Target Audience) - 这篇文章最适合谁看？ 
 - **初学者/入门者**: 内容浅显易懂，适合新手。 
 - **开发者/技术人员**: 包含代码、API等技术细节。 
 - **产品/运营**: 关注产品设计、用户增长和运营效率。 
 - **营销/市场人员**: 关注内容创作和营销策略。 
 - **创业者/管理者**: 关注商业模式、战略和管理。

接着就可以到飞书，用 字段捷径-智能标签 的功能，来给内容打标

用 AI 生成选项 把提示词扔进去，就会自动生成好合适的选项

同样，把提示词扔到 自定义标签要求，让 AI 逐行去生成内容标签即可。

至此，我们就在飞书得到了监控公众号的文章信息，包括结构完整的摘要以及内容标签。

二、搭建数据分析模型

接下来就可以开始做数据分析的工作，但要先把文章的数据给补上。

数据采集

我用的是 极致了 数据服务，采集一次 0.05 元

https://dajiala.com/main/interface?actnav=0

接着就可以在 n8n 搭建流程，逐个把文章链接 post 给极致了，返回数据存入飞书即可。

其中，http 请求返回的数据结构长这样：

搭建指标体系

单纯看绝对值（如阅读量、点赞数）容易产生误导，这里有平台推流、账号规模不同的问题。

例如一篇 10 万阅读的文章有 100 个转发，和一篇 1000 阅读的文章有 50 个转发，哪个更具传播潜力？显然是后者。

所以我们要通过**“比率化”和“加权化”的方式消除量纲** ，并做多维评估。

至少要有 4 个指标：

这里只做简述，详细的指标说明可以到后台回复「AI 公众号」到原文看。

互动率 (Engagement Rate)

目的： 衡量内容吸引用户进行轻度互动的综合能力。这是文章内容“及格线”的基础指标，反映了内容是否对读者有基本的吸引力。
计算公式：(点赞数 + 在看数)/阅读量*1000
解读：
- 这个指标代表每 1000 次阅读能带来多少次轻度互动（点赞和在看）。乘以 1000 是为了让数字更具可读性（否则会是 0.0x% 这样的小数）。
- 高互动率通常意味着文章的标题、封面、排版以及内容本身对目标读者有较强的吸引力，能够引发他们的即时情感共鸣。

传播指数 (Virality Index)

目的： 衡量内容在微信生态内的“裂变”和“破圈”能力。这是发现“爆款”选题的关键先行指标。
计算公式：传播指数=(转发数 ×2+ 在看数)/阅读量*1000
解读：
- “转发”是主动分享，是最强的传播信号，因此我们给予它 x2 的权重。
- “在看”是半公开的推荐，文章会出现在朋友的“看一看”信息流中，也具备传播属性。
- 高传播指数的文章，意味着其内容具有很强的社交货币属性、话题性或实用性，读者愿意将其分享到自己的社交圈。这是选题是否具有增长潜力的核心标志。

内容价值指数 (Content Value Index)

目的： 衡量内容对读者的长期价值和深度影响。这个指标反映了你的内容是否“有料”，是否值得读者反复学习或深入探讨。
**计算公式：**内容价值指数=(收藏数 ×2+ 评论数)/阅读量*1000
解读：
- “收藏”代表着极高的认可，是“稍后读”、“反复读”的明确信号，说明内容具有很高的实用性或深度，我们给予它 x2 的权重。
- “评论”代表读者有强烈的意愿进行深度互动，无论是探讨、提问还是反驳，都说明内容引发了读者的深度思考。
- 高内容价值指数的文章，通常是干货教程、深度分析、重磅资源盘点等。这类选题是塑造账号专业性、建立用户信任的基石。

综合热度分 (Overall Hotness Score)

目的： 创建一个单一的、可排序的综合分数，用于快速筛选出整体表现最优秀的文章。这是一个“总分”，便于你进行 Top-N 的分析。
计算公式： (对所有互动行为进行加权求和)

综合热度分 =(点赞数 ×1+ 在看数 ×2+ 评论数 ×3+ 收藏数 ×4+ 转发数 ×5)/ 阅读量 ×100

解读：
- 我们为不同行为赋予了从 1 到 5 的权重，这体现了它们对于选题成功的重要性排序：转发 > 收藏 > 评论 > 在看 > 点赞。
- 这个分数综合了文章的各个方面表现。在你的飞书数据表中，你可以直接按此分数降序排列，排在最前面的文章就是你最需要深入分析的“爆款”样本。

直接在飞书新建公式列即可：

三、选题分析报告

我写了一个极其详尽的 Prompt，命令 AI 扮演“顶尖数据分析师 + 前端开发专家”，接收我整理好的所有文章数据，然后生成一份酷炫、可交互的单文件 HTML 报告。

这个 Prompt 非常长，它定义了报告的风格（深色主题、卡片布局）、技术栈（Tailwind CSS + Chart.js），以及最重要的——四个核心分析模块：

核心洞察概览： 开门见山，告诉我最重要的结论。
标签表现透视： 用雷达图、气泡图等可视化方式，分析不同标签维度的表现力。
爆款文章画像： 列出 TOP 5 爆款，并分析它们的成功共性。
选题策略建议： 给我一个“机会矩阵”，并直接生成 3-5 个具体的、可以马上动笔的选题方向。

（完整的 Prompt 太长了，我同样放在文末的文档里）

最后，我让 n8n 每天定时运行，把飞书里的数据汇总成 Markdown，连同这个 Prompt 一起丢给大模型。

测下来，还得是 Cluade4.5 的效果最好。

现在，我把它部署在自己的服务器上，每天早上用手机就能看。

参考提示词：

## 角色
你是一位顶尖的数据分析师，同时也是一位精通数据可视化的前端开发专家。你擅长从复杂数据中挖掘深刻的商业洞察，并用现代、酷炫的网页技术将其清晰、美观地呈现出来。

## 核心任务
你的任务是接收一份关于多篇 AI 主题公众号文章表现的 Markdown 格式数据，对其进行深度交叉分析，并生成一个**单一、完整、可交互的 HTML 文件**作为最终的《AI 公众号内容选题策略分析报告》。这份报告需要既有数据深度，又有视觉冲击力。

## 输入数据格式
你将收到一段 Markdown 文本，其中包含多篇文章的数据，每篇文章由 `---` 分隔。每篇文章的结构如下：
- 标题 (### Title)
- 账号 (**账号:** Account)
- 摘要 (**摘要:** Summary)
- 内容标签 (**内容标签:** Tag1, Tag2, ...)
- 基础数据 (阅读数, 在看数, 等)
- 分析指标 (互动率, 传播指数, 内容价值指数, 综合热度分)

## 报告要求与分析逻辑
你必须在 HTML 报告中实现以下所有分析模块，并严格遵循设计要求：

### 1. **报告视觉与技术栈**
- **单文件 HTML:** 所有 HTML, CSS, 和 JavaScript **必须**全部内联在一个 `.html` 文件中。
- **技术栈:**
    - 使用 **Tailwind CSS** 进行布局和样式设计。引入 CDN: `<script src="https://cdn.tailwindcss.com"></script>`
    - 使用 **Chart.js** 进行数据可视化。引入 CDN: `<script src="https://cdn.jsdelivr.net/npm/chart.js"></script>`
- **设计风格:**
    - **深色主题 (Dark Mode):** 整个报告应采用深灰色或近黑色的背景（如 `bg-gray-900`），搭配白色或浅灰色文字。
    - **卡片式布局:** 每个分析模块都应包裹在一个圆角卡片（`rounded-lg`）中，有内边距（`p-6`）和微妙的阴影或边框。
    - **动态与交互:** 图表应有悬停提示（Tooltips）。为关键指标和卡片添加平滑的 CSS 过渡和悬停效果（`hover:scale-105`, `transition-transform`）。
    - **字体与排版:** 使用 "Inter" 字体。标题、副标题和正文之间要有清晰的层级和间距。

### 2. **报告内容结构**

#### **模块一：报告概览与核心洞察 (Executive Summary)**
- 报告顶部应有醒目的标题：“AI 公众号选题策略分析报告”。
- 紧接着是一个“核心洞察”区域，用 3-4 个关键数据点（如卡片形式）展示最重要的发现。例如：“**传播之王: 'Agent' 标签** (平均传播指数高达 250.5)”、“**价值首选: '教程/指南'** (平均内容价值指数 90.8)”等。
- 最后用一段精炼的文字，总结出本次分析得出的**最重要的1-2条策略建议**。

#### **模块二：内容标签与数据指标透视交叉分析 (Tag Performance Deep Dive)**
这是报告的核心。你需要从不同维度对聚合后的标签数据进行可视化分析。

通过多个可视化图表的形式来提高表现效果。

#### **模块三：爆款文章深度画像 (Top Articles Analysis)**
- 以表格形式列出**综合热度分最高的 TOP 5 文章**。
- 表格应包含：排名、文章标题、账号、综合热度分、传播指数、内容价值指数以及其所有内容标签。
- 在表格下方，用简短文字分析这几篇爆款文章的共性（例如：“TOP 5 文章中有 4 篇包含 'Agent' 标签，且均为 '观点/评论' 形式，这揭示了深度分析型 Agent 内容的巨大潜力。”）。

#### **模块四：选题策略建议 (Strategic Recommendations)**
- 基于以上所有分析，生成一个清晰、可执行的选题策略建议模块。
- **机会矩阵:** 创建一个 2x2 的矩阵（或用卡片模拟），四个象限分别是：
  1.  **高传播 & 高价值 (黄金选题):** 列出那些两个核心指数都高的标签组合。
  2.  **高传播 & 低价值 (引流利器):** 适合快速获取新用户的选题方向。
  3.  **低传播 & 高价值 (深度内容):** 适合巩固核心粉丝、塑造专业形象的选题。
  4.  **低传播 & 低价值 (待观察区):** 建议谨慎投入的选题方向。
- **具体选题建议:** 最后，给出 3-5 个具体的、结合了多个高分标签的选题方向建议。
  - *示例:* “**选题建议1 (黄金组合):** 创作一篇面向‘开发者/技术人员’的‘教程/指南’，深度讲解如何利用‘Agent’和‘Claude Code’构建一个自动化工作流，预计将获得极高的传播指数和内容价值指数。”

注意不需要把所有原数据放到 html 里。
---
**指令开始：**
现在，请根据以上所有要求，将下方提供的 Markdown 数据，转换成一份完整的、酷炫的、数据驱动的单文件 HTML 报告。

写在最后

现在再回头看，你会发现，整个流程的核心，并非某个复杂的代码或提示词，而是这套将想法快速落地的自动化思路。

这套打法彻底改变了我做内容的方式。

我不再为选题焦虑，而是把更多精力放在了深度思考和打磨内容本身。

👤 关于作者：饼干哥哥 & NGS

我是饼干哥哥，数据分析师、AI 博主，和出海业务专家朋友创立了公司 NGS NextGrowthSail，专注 AI 在出海营销场景下的落地。这让我想起 NGS 在服务科技内容客户时，正是利用类似的n8n自动化逻辑搭建了海外品牌舆情监控 Agent，效率提升了50%。

🔗 访问 NextGrowthSail 官网 →

我用n8n+飞书监控了100 个AI头部博主公众号动态，借势解决「选题」困境

摘要

一、采集公众号文章

部署 wechat2rss

搭建 n8n 监控工作流

角色设定

核心目标

核心任务与严格约束

写作框架与关键要素清

给文章打上内容标签

二、搭建数据分析模型

数据采集

搭建指标体系

三、选题分析报告

写在最后

发表评论取消回复

摘要

一、采集公众号文章

部署 wechat2rss

搭建 n8n 监控工作流

角色设定

核心目标

核心任务与严格约束

写作框架与关键要素清

给文章打上内容标签

二、搭建数据分析模型

数据采集

搭建指标体系

三、选题分析报告

写在最后

发表评论 取消回复

发表评论取消回复