Seednote Research

种草笔记选题研究

MCP 工具

完整研究流程

步骤 0：确定选题来源（优先选题池，仅原创模式）

复刻模式（用户提供笔记 ID/链接）不做选题，直接看下方「复刻模式源笔记获取」专节。

原创模式下，先确定本次笔记选题，不要凭空搜。

如何判断任务是否已指定主题：检查本任务的 user prompt——

• 含 create content about: <X> → <X> 就是任务指定主题。
• 是 research and create content ... choose the optimal theme 这类让你自己选题的措辞 → 任务未指定主题。
• ⚠️ 项目 profile 的 keywords 不是主题。

1. 任务已指定主题（user prompt 含 about: <X>）：直接采用 <X>，禁止调用 claim_topic（避免与服务端预认领重复消费），把它作为步骤 2 的搜索关键词；步骤 4 跳过「选最高分」（评分仅作参考）。
2. 任务未指定主题：先认领选题池：

   claim_topic(project_id="$PROJECT_ID", task_id="$TASK_ID")
   

   • 返回非空 topic → 采用，作为步骤 2 的搜索关键词，步骤 4 不再另选。
   • 返回 null（池空）→ 继续下方步骤 1～4 的完整研究流程。

选题池是用户预置、希望被优先消费的选题。只要池里有，就必须用池里的。

步骤 1：查重

调用 list_project_titles(project_id="$PROJECT_ID") 查看已有标题，后续标题避开。

步骤 2：搜索热门笔记

根据账号定位和用户需求，确定搜索关键词（2-3 个），调用：

search_feeds(keyword="咖啡馆选址")    // 返回 feed_id + xsecToken
list_feeds()                         // 了解平台当前推广内容

xsec_token 工作流：feed_id 和 xsec_token 只能从 search_feeds/list_feeds 的返回结果中提取，不能凭空构造。将这两个值传入 get_feed_detail 获取详细数据。

步骤 3：分析热门笔记

对搜索结果中的 Top 3-5 条笔记，调用 get_feed_detail 获取详情，提取：

• 标题模板：句式、情绪词、字数分布
• 封面模板：信息层级、文字密度、配色规律
• 正文模板：开场钩子、段落结构、结尾 CTA 形式
• 评论信号：高频关键词、用户痛点、争议点
• 标签组合：核心话题 + 垂直话题 + 长尾话题

步骤 4：评分与选题

使用 2026 小红书 CES 互动评分模型（业界共识权重，2025→2026 未变，字段名直接取自 get_feed_detail 返回）：

topic_score = engagement_rate × recency_weight × novelty_bonus

# CES 核心原则：深度互动权重远高于浅层互动（关注 > 转发 ≈ 评论 > 收藏 ≈ 点赞）
# 关注(follow)是账号级指标，单条笔记取不到，选题期用点赞/收藏/评论/转发四项
engagement_rate = (like_count×1 + collect_count×1 + comment_count×4 + share_count×4) / max(total, 1)

# 按内容类型差异化核心信号权重（覆盖到上式对应项）
# - 干货 / 教程 / 攻略类：收藏是核心信号 → collect_count 权重 ×3
# - 话题 / 情绪 / 争议类：评论是核心信号 → comment_count×4（已含）
# - 种草 / 好物推荐类：点赞 + 收藏并重（默认权重即可）

recency_weight: 24h→1.0, 7d→0.8, 30d→0.5, 更早→0.3
novelty_bonus: 同角度笔记<3 → 1.2, 否则 → 1.0

字段缺失降级：若某条笔记的 share_count 取不到（部分接口不返回），按 0 计入并继续评分，不阻塞流程；在 $DIR/topic-analysis.md 标注数据完整度。为什么这么做：宁可少算一项也不要凭空补数，CES 的评论×4 仍是主导项，足以区分候选优劣。

计算所有候选选题的 topic_score，自动选择得分最高者。为什么用这套权重：2026 小红书官方 CES 把转发/评论/关注这类"深度互动"权重抬到远高于点赞收藏——旧公式 (likes + favorites + 2×comments) 完全漏掉转发、且把评论低估一倍，会让真正有传播潜力的选题（高评论/高转发）排到后面。选题占爆款成败约 50%，这个权重对得越准，选题越接近真实流量潜力。

产出：将评分明细与选题理由写入 $DIR/topic-analysis.md。

复刻模式源笔记获取

当用户提供笔记 ID 或链接时，本 skill 只负责获取源笔记详情，不做爆款模板分析：

1. 通过 search_feeds 或 list_feeds 获取真实返回的 feed_id 与 xsec_token
2. 调用 get_feed_detail(feed_id, xsec_token) 获取源笔记详情、互动数据和评论数据
3. 将原始详情、token 来源、互动数据、评论摘要和数据缺失项写入 $DIR/source-note.md
4. 后续由 seednote-viral-analysis skill 读取 $DIR/source-note.md，生成 $DIR/source-analysis.md、$DIR/viral-template.json、$DIR/template-meta.json

边界：不要在本 skill 中提取爆款模板，不要调用 save_template，不要生成改写正文。

产出要求