我如何搭建我的 AI 研究引擎（完整系统）

我是如何构建我的 AI 研究引擎的（完整系统） 2026年7月24日 · 15 分钟阅读 · 查看原文 ↗ AI 营销 Reddit Claude 我要向你展示如何用 Claude Opus 5 构建你自己的 AI 研究引擎——一个 markdown 文件文件夹，它替你阅读 Reddit、Quora、YouTube、GitHub 以及半个互联网，然后交还给你一份按分数排好队的、人们迫切想要的东西清单。 我今年上线的每一篇帖子、每一个产品和每一个 offer，都出自这个文件夹，嗯……几乎都是，但这么说听起来很酷。 读完这篇文章，你将拥有： 一个告诉你的 AI 该去哪里看、什么才算有价值的文件夹 一个评分系统，让你不再靠猜来判断哪个想法值得你花时间 一套每周例程，只需 30 分钟，就能交给你一队想法 一条直通第 1 部分的"内容引擎"的连接，让一个主题进去，8 篇帖子出来 而且这一切你都可以在这个周末搭好。 我们开始吧。 搜索的问题 你想写点东西。你去 Google 搜"content marketing tips 2026"或任何你想找的东西。你得到十篇文章。十篇说的都是同样的四件事。你读了其中三篇，写了一篇听起来像这三篇平均值的帖子，然后纳闷为什么它只得到 400 次浏览。 那不是研究。那是把共识洗了一遍。 Google 是一台用来寻找已经存在的答案的机器。当你想知道怎么修一个 bug，或者某件事发生在哪一年时，这很棒。 但你在这里要找的是一个"缺口"（GAP），而不是一个正确答案。 缺口是这样一个地方：人们明显有一个问题，他们在大声说出来，而还没有人给过他们一个好的答案。那就是帖子爆火的地方。那就是产品被买走的地方。那就是你在你的利基里相对其他所有人拥有真正优势的地方。 而缺口不会出现在搜索结果里。根据定义就是如此。如果有人已经回答了它，它就会成为一篇文章，然后它就会进 Google，然后它就不再是缺口了。 所以你必须去那些"问题先于答案存在"的地方。 一个缺口实际长什么样 让我把它讲具体一点，因为"找缺口"听起来就像某个穿四分之一拉链的 LinkedIn 老哥给的建议。 真实例子的形状： 有人在 subreddit 里发帖："有没有一个工具就是单纯做 X 的？我试了三个，它们做的都是 Y。" 这个帖子有 240 个赞。 有 60 条评论。 没有一条回答了这个问题。 再读一遍。240 个人说了"是的，我有这个一模一样的问题"，60 个人冒了头，却没有一个人能解决它。 那就是一个市场在用它自己的语言、免费地、带着时间戳地告诉你它想要什么。 现在对比一下你在 Google 上会找到的东西。你会找到那三个做 Y 的工具。就是那些已经让这些人失望过的工具。 > Google 展示给你的是"存在什么"，信号挖掘展示给你的是"缺了什么"。 一旦你开始看见它，你就再也无法视而不见了。每一个论坛都会变成一张"人们愿意花钱买的东西"的清单。 唯一的问题是，你没法每天读 40 个 subreddit。你有自己的生活。所以你搭一个系统，让它替你读，只把好东西展示给你。 那么什么是研究引擎？ 和第 1 部分的内容引擎是同一个思路。它是一个 markdown 文件的文件夹。 有些文件说"去哪里看"。有些说"什么算有价值、什么是垃圾"。有些是你给 AI 的指令。还有一些是结果落地的地方。 你把一个 AI agent 指向这个文件夹，它读取规则、去搜索，然后带回来一份按分数排好的机会清单，而不是一堆链接。 这就是"让 AI 去研究我的利基"和"拥有一个研究引擎"之间的区别。 让 AI 去研究你的利基，你得到的是维基百科式的摘要。每一次都是。因为它不知道你已经知道什么、你关心什么，或者对你来说"有趣"意味着什么。 给它一个把这三者都定义清楚的文件夹，你就会得到一份你昨天还不知道的事情的清单。 可以把它想成：是派一个实习生去"研究一下市场"，还是递给他一份清单，明确告诉他该读哪些论坛、一个好的发现长什么样、该忽略什么、以及该怎么写出来。 同一个实习生。完全不同的产出。 结构 以下就是你要构建的东西： > /research-engine > > ├── index.md > > ├── sources/ > > │ ├── reddit.md > > │ ├── quora.md > > │ ├── x.md > > │ ├── youtube.md > > │ ├── github.md > > │ ├── papers.md > > │ └── forums.md > > ├── filters/ > > │ ├── signal-rules.md > > │ ├── scoring.md > > │ └── kill-list.md > > ├── prompts/ > > │ ├── harvest.md > > │ ├── cluster.md > > │ └── teardown.md > > └── output/ > > ├── opportunities.md > > ├── winners.md > > └── log.md 每个文件夹做什么： sources/ 告诉 agent 该去哪里，以及每个地方擅长什么。Reddit 不是 YouTube，YouTube 也不是 GitHub。每一个都会泄露不同种类的信息。 filters/ 是大脑。这是把真正的信号从噪音里分出来的部分，也是所有人都跳过的部分。别跳过它。一个没有过滤器的研究系统只会让你更快地被淹没。 prompts/ 是可复用的指令。写一次，每周运行一次。 output/ 是发现落地的地方。三个文件：实时队列、对别人已经奏效的东西的存档，以及一份你实际发布过什么的日志。 现在就去建这个文件夹。空文件就行。然后回来，我们再把它们填上。 我看哪里（以及每个地方实际擅长什么） 这是 sources/。每个平台一个文件，每个文件都回答同样三个问题：这个地方擅长什么，我在这里搜什么，一个好的发现长什么样。 reddit.md 互联网上获取原始、不加过滤的抱怨的最佳来源。 人们是匿名的，所以他们说的是真话，而不是客套话。 要找什么："is there a tool that"、"am I the only one who"、"how do you guys deal with"，以及任何有人列出自己试过什么、以及为什么全都糟糕透顶的帖子。 按"本月热门"而不是"历史热门"来排序。历史热门的已经出名了。本月热门的仍然是新鲜的。 金子藏在评论里，而不是帖子里。尤其是那些点赞数比它们所回复的帖子还高的评论。那意味着人群不同意那个框架，意味着那里就坐着一个更好的角度。 quora.md 被低估了，而且所有人都对它视而不见。 Quora 是人们提出那些有点不好意思向同事开口的问题的地方。它不那么技术性、更有人味，而且满是初学者用大白话描述自己困惑的内容。 而这恰恰是你应该用来写钩子的语言。 要找什么：有很多关注者、但答案很弱的问题。Quora 会直接告诉你有多少人在关注一个问题。那是摆在页面上的一个需求计数器。 如果有 900 人在关注一个问题，而最高赞答案是 2019 年的四句话，那不是一个缺口。那是一个陨石坑。 它也很适合用来找普通人真正使用的那些词。开发者说"workflow automation"。真实的人说"我受够了一遍遍复制粘贴同样的东西"。猜猜哪个能做出更好的钩子。 x.md 最适合找速度和此刻正在升温的东西。 要找什么：大号底下那些"ok but how do you actually do this"的回复、表示反对的引用转发，以及任何"回复比帖子本身更有趣"的帖子。 X 不擅长深度，但擅长时机。用它来发现什么正在崛起，然后去 Reddit 或 Quora 找出人们在那下面实际挣扎的是什么。 youtube.md 这张清单上最被忽视的研究来源，而且差距不小。 两个金矿： 你利基里大视频底下的评论。尤其是那些说"4:32 那段你是怎么做的"的评论。那是一个人在告诉你，一段 18 分钟的视频里，他们唯一想要的只有那 20 秒。那本身就是一整块内容。 还有搜索框。输入你的主题，读自动补全。那是聚合起来的真实搜索需求，免费，且不断更新。 还值得看看：高播放量但低订阅数的视频。那意味着是主题带起了它，而不是创作者。主题才是信号。 github.md 只有在你离工具、软件或 AI 很近时才相关，但如果你相关，它就是不可思议的。 要找什么：有很多点赞、但六个月都没有修复的 issue。那是一个已知未解决的问题，后面排着一队等待的人。 还有 trending 仓库。不是为了去写它们的代码。而是为了注意到哪个问题在本周变得足够流行，以至于有人为它做了一个工具。 forums.md 利基的东西。Discord 服务器、Facebook 群组、Slack 社区、行业论坛、Skool 和 Whop 社区，以及 subreddit 周边那些没人索引的地方。 这是你的竞争对手不来看的地方，因为说实话，来这里看很烦人。没有 AI 我也不会去看那里——而这恰恰是它有价值的原因。 什么算作信号 这是 filters/signal-rules.md，它是整个系统里唯一最重要的文件。 其他一切都是管道。而这一部分决定了你的引擎找到的是金子还是垃圾。 一个信号是： 同一个问题被反复地问，而它下面没有好答案 "Is there a tool that does X" 的帖子 某个热门产品底下的抱怨帖 一条点赞数比它所回复的帖子还高的评论 一个有成百上千关注者、但最高赞答案很弱的 Quora 问题 一个有 50+ 点赞、但六个月没有修复的 GitHub issue 一条在特定时间戳问"你是怎么做到那件事的"的 YouTube 评论 任何说"I would pay for this"的人 任何描述自己亲手搭的一个手动变通方案的人。那是一个还没有界面的产品 一篇解决了某个还没有任何产品落地的问题的论文 两个人在争论某件事的正确做法，因为这意味着根本没有公认的正确做法 注意它们的共同点。每一个都是未满足需求的证据。不是兴趣。不是注意力。是"出现又空手而归"的需求。 兴趣是廉价的。所有人对所有东西都感兴趣。挫败感是昂贵的，而人们会花钱去让挫败感停止。 该扔掉什么 这是 filters/kill-list.md，写下它，是让你不至于被淹没的原因。 大多数人的研究问题不是找不到东西。而是他们找到了太多东西，却没有一个有意义的。kill list 解决了这个问题。 忽略： 产品发布和融资新闻。人人都看得到这些。零优势。 任何处在某个 subreddit"历史热门"顶部的东西。已经被五十个人覆盖过了。 没有"我有这个问题"作为支撑的热门观点。观点不是需求。 任何你已经知道的东西。听起来是废话，但感觉像研究的那些东西，有一半只是读一些确认你已有想法的内容。 没有机制的潮流。"AI 正在改变一切"不是信号，是天气。 任何只有那些也在卖它的人在谈论的东西。 超过 6 个月的东西，除非它仍然在收到新评论。 最后一条有一个值得注意的例外。一个带有新评论的旧帖子，是存在的最强信号之一。它意味着这个问题活得比那次讨论更久。 在你开始 harvest（采集）之前，先写下你的 kill list。一旦你已经对某样东西兴奋起来，再想扔掉它就难得多了。 我如何给想法打分 filters/scoring.md 你找到的总会多于你能行动的。永远如此。所以你需要一种不靠感觉来排序的方法。 五件事，每件 1 到 5 分： 痛点：这有多痛？轻微的烦恼——正在实实在在地让他们损失钱或时间。 频率：它多久出现一次？见过一次——到处都是。 金钱：这能连到你卖的什么东西上吗？不能——直接通向你 offer 的一条线。 开放性：答案有多拥挤？存在十篇好文章——几乎什么都不存在。 速度：它是在升温还是在消亡？衰退——此刻正在增长。 18 分及以上进 opportunities.md。做这些。 13 到 17 分进一个"待定"堆。下个月再看，其中一些会开始爬升。 13 分以下直接进 kill list，附上一句为什么。那句话很重要。未来的你会再次遇到同样的想法，需要知道过去的你为什么把它扔了。 这个方法之所以有效，不是因为那些数字精确。它们不精确。而是因为打分迫使你诚实地面对第四列。开放性（Openness）是大多数人对自己撒谎的地方。你找到一个想法，你爱上它，你不去查是不是已经有四十个人做过那个视频了。 聚类 prompts/cluster.md 采集给你一堆，比如一周 40 个信号，但通常 40 个信号是没用的。它是一份你永远不会碰的待办清单。 所以你要聚类。你拿起这一堆问：其中哪些在暗地里是同一个问题？ 答案通常是，七条不同的抱怨，其实是同一个问题戴着七顶帽子。 举个例子。你在一周里分别收集到这些： 有人没法让自己的 AI 角色在不同视频里保持一致的样子 有人的品牌帖子在每个平台上听起来都不一样 有人的团队用五种不同的语气写作 有人的 AI 配音每次听起来都像换了个人 有人问怎么让自己的缩略图看起来像一整套 五条不同的帖子，五个不同的平台，五种不同的措辞。 一个问题：规模化的"一致性"。 你没有五个想法。你有一个大想法，而且现在你知道它很大，因为五个不同的人，从五个不同的方向、在没有互相交流的情况下各自到达了它。 那是一条你靠读任何单条帖子都无法得到的信息。这正是 AI 挣自己那份口粮的地方，因为一个人会在五个不同的日子读到这些，却永远无法把它们连起来。 提示词基本上是：这里是 40 个原始信号，按底层问题分组，而不是按主题或平台分组，用人们自己用的词给每组命名，并告诉我每组背后有多少个独立的来源在支持它。 40 个信号进去。6 个真正的主题出来。现在你有了真正能上手的东西。 每周运行一次 每周，同样的四步： 1. HARVEST（采集） 在你的 sources 上运行 harvest.md。所有东西都进一个原始文件。先不评判。边收集边评判会让你错过东西。 2. CLUSTER（聚类） 运行 cluster.md。40 个原始信号变成 6 个带来源计数的命名主题。 3. SCORE（打分） 把每个主题过一遍 scoring.md。任何 18 分以上的进 opportunities.md，并附上原始引述。其他的要么进"待定"，要么带着一个理由死掉。 4. ROUTE（路由） 取排在最前的一两个，送进内容引擎。 HARVEST → CLUSTER → SCORE → ROUTE 就这样。这就是整个系统。以上所有内容，只是每一步如何运作的细节。 它接入哪里 这是我最兴奋的部分。 主题来自一份按分数排好的队列，而这队列是基于真实的人这周说自己在为什么而挣扎来构建的。 而且因为机会文件保留了原始引述，你的内容引擎现在会用人们实际使用的语言来写作。他们的话变成你的钩子。那不是一个小的升级，那是文案能转化的大部分原因。 两个文件夹，一台机器： > research-engine → opportunities.md → index.md → content-engine → 8 篇原生帖子 这条链的真实世界版本：你在周三发现一个缺口，到周四就有八篇平台原生的帖子写出来了，用的正是那些有这个问题的人用来描述它的原话。 没有人能用一次 Google 搜索研究得过这套东西。 如何实际运行它 Claude Code。就这个。四步。 1. 安装 Claude Code，确保你在 Opus 5 上。 2. 打开你的终端，进入这个文件夹： > cd research-engine 3. 输入 claude，回车。 4. 然后用大白话跟它说： > 读取 index.md，并在我所有的 sources 上运行 harvest 提示词。 > > 然后把结果聚类、打分，再把所有东西写进 output/opportunities.md。 就这些。 它读取你的规则、去搜索，然后把结果写回你自己的文件里。你不用复制粘贴任何东西。不用上传任何东西。文件夹自己更新。 一旦它跑通了，把这句话存进一个叫 weekly.md 的文件里，这样下次你只需说"运行 weekly.md"，然后去冲咖啡。 每个周日 30 分钟，你就稳了。 === 如果这有用，请点赞和转发，真的很有帮助 ❤️ 现在就去建那个文件夹吧 标签：# X # AI # Marketing # Reddit # Claude # Growth # Youtube # Thread # Guide 相关文章 How To Build an AI Content Machine That Never Runs Out of Ideas random inspiration AI Reddit Marketing Claude