name: xiaohongshu-growth- engine version: 1.0.1 description: >-** 科学打造小红书流量博主的内容更新引擎,基于说服理论、情绪感染理论及平台实证研究, 自动生成高互动内容策略、选题日历和爆款文案。适用于需要系统化涨粉和内容规划的博主。 trigger-keywords: >- 小红书内容策略, 博主涨粉, 内容日历, 爆款内容生成, 科学选题, 流量博主打造, 小红书运营, 内容更新计划, xiaohongshu growth, content strategy author: Your Name license: MIT tags:
-
xiaohongshu
-
content-marketing
-
growth-hacking
-
communication-science
-
social-media-strategy
📈 小红书流量博主内容科学引擎
别再凭感觉发笔记了。 本引擎将传播学中的详尽可能性模型(ELM)、情绪感染理论与内容标签聚类分析结合, 帮你系统生成可测试的爆款内容假设、更新日历和文案骨架,并通过内置的 A/B 测试反馈循环持续优化。
🧪 理论基础(为什么有效)
-
ELM 双路径说服:笔记结构同时铺设"中心路径"(干货/数据)和"边缘路径"(视觉/情绪钩子),最大化互动(Petty & Cacioppo, 1986)。
-
高唤醒情绪驱动分享:基于 Berger & Milkman (2012) 的实证发现——唤起高唤醒情绪(惊奇、愤怒、焦虑、兴奋)的内容显著更易被转发。
-
信息型 vs. 情感型内容的平台适配:Tellis et al. (2019) 证实,通用社交平台(Facebook、Twitter 等)更适合情感驱动内容。
-
内容适配"最近发展区":选题难度恰好超出用户当前认知一点点,增加信息价值而避免完全陌生。
-
周期性热点函数:结合平台热搜周期词和用户活跃时段加权,给出最佳发布时间。
⚙️ 工作流程
-
博主画像输入 你只需提供:领域(如职场、护肤)、目标粉丝画像、内容形式偏好(图文/视频)、过往爆款笔记(可选)。
-
策略生成 引擎基于你所在赛道的标签共现网络,输出三类核心选题:
-
信任背书型(高收藏):可复用的方法、清单、模板(ELM 中心路径)
-
情绪共鸣型(高评论):身份认同话题、争议观点(高唤醒情绪驱动)
-
时效热点型(高曝光):借势近期平台热词
-
-
内容日历自动排期 按周推荐发布频率,并标注每篇的潜在信息增量、情绪曲线,避免内容疲劳。
-
单篇文案骨架生成 对每个选题输出科学锚定的 hook → body → CTA 结构,并给出验证指标。
-
A/B 测试反馈 选取同一选题两种不同框架(如情感强度高 vs. 低),提供测试代码片段(可选)以自动化分析互动差异。
📝 生成示例(科学增强版)
选题类型:信任背书型(中心路径为主)
理论锚点:提供可执行步骤降低认知门槛,提升收藏率(ELM 中心路径)。
Hook: "你早 C 晚 A 完全做反了!皮肤科医生不会告诉你的 3 个顺序(附打卡表)" Body:
-
为什么顺序错了会反黑——引用皮肤屏障原理(简洁版)
-
正确顺序表(图片清单)——认知阶梯,从易到难
-
我的 28 天早晚流程实录(证据)
-
常见翻车误区合集(边缘路径:配笑哭/崩溃表情) CTA: "你现在的顺序对了吗?拍下你的护肤品,评论区帮你看看" 情绪曲线:轻度焦虑 → 知识获得 → 亲近信任 Hashtags: #早C晚A #护肤干货 #干货分享 #护肤顺序 #科学护肤
选题类型:情绪共鸣型(高互动)
理论锚点:高唤醒情绪(愤怒/焦虑/惊奇)通过生理唤醒驱动分享行为(Berger & Milkman, 2012)。
Hook: "30岁后最该戒掉的不是奶茶,是'努力感'" Body:
-
三个朋友的真实故事(微调隐私)——引发"我也是"反应
-
为什么努力感会成瘾(一个心理学概念:可变奖励)
-
替代方案:用'80%完美'代替'120%拼命' CTA: "哪个瞬间你决定不再卷自己了?来评论区抱团" Hashtags: #职场情绪 #自我成长 #反内卷 #精神状态 #女性成长
选题类型:时效热点型
理论锚点:热门话题加速内容扩散,但需绑定博主独特观点以保持辨识度(Tellis et al., 2019)。
Hook: "《某某热播剧》女主的穿搭,放在职场根本活不过 3 天" Body:
-
拆解剧中造型的三个职场 bug(专业视角)
-
同风格"可上班"改造方案
-
平价替代链接(若有) CTA: "你追剧时试过同款穿搭吗?成功了吗?" Hashtags: #热播剧穿搭 #职场穿搭 #通勤穿搭 #穿搭避雷 #OOTD
📊 内置 A/B 测试框架(科学验证)
对同一选题,引擎可生成两个版本:
-
版本 A(高情感版本):标题"天哪!我终于找到不卡粉的方法了!"
-
版本 B(高信息版本):标题"底妆不卡粉的 3 个物理原理,化妆师在用"
发布后,用 tools/ab_test_analysis.py(可选)输入曝光、点赞、评论、收藏数据,自动计算贝叶斯后验概率,告诉你哪个信息框架更优。
⚠️ 学术使用说明
-
所有策略均基于经过同行评议的传播学与市场营销研究(见参考文献),但具体内容仍需博主结合自身风格二次创作。
-
引擎推荐的标签和情绪强度基于历史数据归纳,不保证必然爆款;建议进行个性化微验证。
-
A/B 测试部分依赖数据采集,需遵守平台隐私政策。
📚 参考文献
-
Berger, J., & Milkman, K. L. (2012). What makes online content viral? Journal of Marketing Research, 49(2), 192–205.
-
Petty, R. E., & Cacioppo, J. T. (1986). Communication and persuasion: Central and peripheral routes to attitude change. Springer-Verlag.
-
Tellis, G. J., MacInnis, D. J., Tirunillai, S., & Zhang, Y. (2019). What drives virality (sharing) of online digital content? The critical role of information, emotion, and brand prominence. Journal of Marketing, 83(4), 1–20.
微信扫一扫