选题最稳的来源，不是猜用户想看什么，而是直接看用户已经问了什么。本文拆解一套从评论区批量采集 → AI 自动分析用户需求 → 产出有据可依的选题清单的完整流程。
为什么很多团队总在硬想选题
大多数内容团队不缺灵感，缺的是锚点。选题会上翻翻同行爆款、看看热点日历，感觉素材满满，但真到了写的那天还是不知道具体写什么。
其实，用户早就把答案说出来了，就在评论区。每一条追问、质疑和场景化提问，背后都是一个没被满足的内容需求。
之前的做法是手工翻评论、凭感觉归类，几百条翻下来半小时过去了，关掉页面什么也记不住。现在有更高效的路径：
- 批量采集评论 → 同步飞书多维表格 → AI 自动做三维分析（需求归纳 + 选题推导 + 评论溯源）
不用你在小红书和 AI 对话之间来回切换，直接一条龙获取最后结果，且可同步操作多条笔记，你的内容选题从拍脑袋变成有据可依，且写不完。
评论区里最值得拿来做选题的四类信号
不是所有评论都适合做选题，比如那些很好看的天赋型选手发言。你需要的是那些反复出现、指向具体需求、且和你的业务方向相关的问题。
以下四类最值得关注。
高频提问：用户在告诉你他缺什么内容
比如一条香水测评笔记下面，141 个赞的评论在问"能不能出一期夏天喷的很清爽的那种香水？瞬间降温的那种"，另一条在问"有推荐 40 多岁女生用的百元香吗？想给妈妈买一个"，还有人问"有没有水汽感的香水推荐呀"——同类问题反复出现，说明现有内容没有把这些细分需求讲透。
每一个高频提问都是一篇现成的教程选题。用户已经把需求说出来了，你写出来就是精准命中。
反复出现的疑问：就是内容机会
同一条笔记下，有人说"不老药真的有惊喜"，有人说"不老药奶奶的味道"，还有人说"不老药开头超喜欢，可尾有尿骚味"——同一款产品被反复讨论，说辞截然相反。另一条 103 个赞的评论直接问："有没有可能，因为觉得你很贵，连带觉得你喷的香水也很贵？"
这些不是恶意评论，而是信任缺口，有对立观点才会有讨论。适合写破误区型内容，比如"关于XX你可能踩的几个坑"，或者坦诚讲局限性的对比文。这类内容做好了，转化率往往比纯卖点型高得多。
场景化追问：内容颗粒度还不够细
"no.3 的话男生可以吗""有什么适合甜妹的香""有没有小时候用的沐浴露、婴儿油味道的香水"——这些问题在告诉你：你的内容颗粒度还不够细。用户已经代入了自己的身份和场景，但你的内容没有覆盖到。
每一个场景追问都可以拆成一篇细分人群或细分场景的内容。"男生可以喷的小众香""送妈妈的百元香水清单""夏天适合的清爽香"——选题直接就出来了。
接近决策的问题：高商业价值选题
"在哪里买的姐妹""倩碧怎么买？代购？""至尊典藏完全搜不到""被种草了第一款去买个小样试试""每瓶多少钱"——这类评论既是转化信号，也是高商业价值选题。
如果很多人在问同一个购买前的问题，说明你现有内容没有在决策环节帮到用户。把这些问题写成"这几款香水去哪买最靠谱""入门小样怎么选不踩坑"之类的内容，可以直接缩短用户决策路径。
完整流程：从评论区到选题清单，四步跑通
第一步：选对评论样本
不是所有评论区都值得分析。你需要挑的是这几类笔记：
- 评论量大、讨论真实的笔记。 100条以上的评论区通常能看出明显的问题分布。如果评论区全是"好棒""已收藏"，分析价值不大。
- 竞品或同行的高互动内容。 不一定只看自己的号。竞品评论区里的用户提问，你同样可以拿来做选题。
- 最近 3 个月内的内容。 太老的评论区，用户关注点可能已经变了。
选 3-5 篇就够起步了。样本选错，后面的分析就是浪费时间。
第二步：批量采集评论，同步飞书
手动翻评论区有三个问题：慢、容易漏、没法复盘。一篇 300 条评论的笔记，手动复制粘贴至少半小时，而且翻到后面你已经忘了前面看到过什么。
用 MediaClaw（社媒虾）的评论采集功能会自动把指定数量评论采集完毕后导出，
核心字段包括：
- 评论内容：用户的原始表达
- 评论者昵称 + 主页链接：方便追溯评论者身份
- 评论点赞数：点赞高的评论往往代表更多人有同样的问题
导出格式支持 CSV 本地保存，也可以直接同步到飞书多维表格。推荐同步飞书——后面的 AI 分析和团队协作都在表格里完成，不用在红薯和 AI 平台之间来回倒腾。
第三步：AI 三维分析，自动产出选题
这是整个流程效率提升最大的一步。评论数据进入飞书多维表格后，模板内置的 AI 分析能力会从三个维度自动处理：
维度一：用户需求分析
AI 从评论中提炼用户的真实需求，每条需求包含：
- 需求类型——是在问操作方法、在表达不信任、在描述具体场景、还是在做购买决策
- 具体描述——用户在问什么、在意什么、在纠结什么、在调侃什么
- 频次判断——这个需求是高频出现、中频出现、还是少数但强烈
不再需要你手动翻几百条评论凭感觉归类。AI 扫完一遍，需求图谱直接出来。
维度二：可扩展选题挖掘
基于归纳出的用户需求，AI 自动推导 3-5 个可以独立成篇的选题方向，每条包含：
- 选题标题——可以直接用作笔记标题
- 内容切入角度——这个选题从哪个点切入
- 目标受众——这个选题在解决谁的问题
从"我有一堆评论不知道写什么"直接跳到"这 5 个题可以排进下周选题表"。
维度三：选题溯源
每个推导出的选题，AI 会标注它主要受哪条或哪类评论启发，引用评论原文关键句。
这一步解决的是"选题可解释性"——你不只知道该写什么，还知道为什么写这个。选题会上被问到"这个题怎么来的"，你能直接指到用户原话。
第四步：筛选优先级，排入内容计划
AI 推导出的选题不一定都要写。最终优先级由你来定。判断一个选题值不值得优先写，看三个条件：
优先级最高：高频 + 具体 + 业务强相关。 比如"小红书评论怎么批量导出"这种问题，如果你在做社媒工具，它高频、具体、和你的产品直接相关，必须优先写。
优先级次高：能明确对应一个真实使用场景。 用户不是在抽象提问，而是在描述自己的处境。"我是做教培的，这个方法能用在招生上吗"——这种问题写出来的内容天然有场景感，读者代入门槛低。
优先级一般：有价值但偏泛。 "有没有更简单的方法""能不能讲得再细一点"——这类反馈说明你已有内容的表达颗粒度需要调整，但不一定需要独立成文，可以作为已有文章的优化方向。
筛完之后，把确定要写的选题排入飞书的内容排期表。AI 解决的是"从评论到选题"的效率问题，但优先级判断还是需要人来做——别让 10 个候选选题躺在表格里，一个也没写。
让这套流程持续运转，而不是做一次就吃灰
一次性分析 3-5 篇笔记的评论区能产出十几个候选选题，够用两到三周。但评论区的价值是持续性的——用户的关注点在变，新的笔记在产生新的讨论。
一个可持续的最小闭环：
- 每周或每两周跑一次评论采集，覆盖最近新发的高互动内容（自己的和竞品的）。
- 新评论进入飞书表格后触发 AI 分析，新的需求和选题自动产出。
- 每次内容排期前先从选题池里挑，而不是重新脑暴。选题池是消耗品，写一篇划掉一篇，新评论会持续补充进来。
如果想进一步结合搜索关键词来优化标题和正文，可以参考小红书选题库怎么建立里的下拉词裂变部分。
现在就试一下
挑一篇评论量最多的笔记，用MediaClaw的评论采集把评论导出来，同步到飞书多维表格跑一次 AI 分析。你大概率会发现，下一周的选题已经在这些评论里了。
评论采集和客资过滤功能完全免费、不限次数，是这套选题工作流最轻量的起点。
