小红书舆论监控 Skill v2.0

搜索 → 详情页深入抓取 → 筛选 → 4层流水线打磨评论 → 写入飞书多维表格。

v2.0 新增：

• 详情页正文/图片/评论抓取
• 真人评论风格学习（writing-style-iterator）
• 两轮去AI味（humanize-zh + elatia-humanizer-zh）
• 8项质量检查清单

适用于任何行业：AI、电商、美妆、餐饮、教育……只需修改 config.yaml 即可适配。

---

浏览方式

使用内置浏览器（browser 工具，profile=clawd），不使用 Playwright 脚本。

• ✅ 不弹窗，不打扰用户工作
• ✅ 登录态相对持久（通常可保持数天，偶尔需要重新扫码）
• ✅ 不会出现 SingletonLock 冲突
• ❌ Playwright 脚本（已弃用）

登录

1. 用 browser 工具打开小红书（profile=clawd）
2. 每次执行前先检查登录状态（访问首页，看是否出现登录弹窗）
3. 已登录 → 直接执行；未登录 → 截图发给用户扫码

---

快速开始

1. 配置

复制 config.example.yaml 为 config.yaml，填入你自己的信息：

• 品牌名和产品（必填）
• 搜索关键词（必填，建议 3-5 个）
• 飞书多维表格 app_token 和 table_id（必填）
• 3 个评论人设（必填，选你的目标用户中最有说服力的 3 种人）
• 竞品列表（用于识别对比帖）
• 参考数据（可选，评论中可引用的真实数据）

config.example.yaml 是一份完整的示例配置（AI行业），可作为参考。

2. 运行

告诉 Agent 执行舆情监控，会自动走完全部 6 步流程。

---

工作流程（6 步）

Step 1：搜索列表页

用内置浏览器（browser 工具）执行：

1. 打开搜索页：https://www.xiaohongshu.com/search_result?keyword={关键词}&source=web_explore_feed
2. 等待页面加载（2-3 秒）
3. 点击页面上的「筛选」按钮
4. 选择时间范围（如「一天内」）和排序方式（如「最多点赞」）
5. 滚动翻页：执行 window.scrollBy(0, 1500) 加载更多结果，每次滚动后等待 2 秒
6. 从列表中提取每条帖子的：
   • 标题
   • 作者昵称
   • 帖子链接（/explore/{note_id} 格式）
   • ⚠️ 列表页只显示点赞数（且是缩写格式如 1.2万），不要用列表页的数据作为最终互动数据
7. 按 config.yaml 中的关键词逐个搜索

注意：

• 小红书搜索 URL 参数不支持时间筛选，必须在页面上点击筛选按钮
• 默认滚动 5 次，可在 config.yaml 中调整 scroll_times

Step 2：去重

• 读取飞书多维表格（app_token + table_id）中已有的「文章链接」字段
• 相同链接跳过，只处理新帖子

Step 3：详情页深入抓取（v2.0 新增）

对去重后的每篇帖子，逐一点进详情页抓取：

3a. 进入详情页

• 在搜索结果页点击帖子卡片（先移除 target 属性防止新开标签页）
• 等待详情页弹窗加载（等待 #detail-title 元素出现，超时 3 秒）

3b. 抓取正文内容

• 标题：#detail-title 的文本
• 正文描述：#detail-desc 的文本
• 发布时间：详情页中的时间信息

3b-2. 抓取互动数据（⚠️ 必须从详情页获取）

• 详情页底部互动栏有完整的三项数据：👍点赞 ⭐收藏 💬评论
• 不要用搜索列表页的数据，列表页只有点赞数且是缩写格式
• 提取互动栏中的三个数值，注意处理缩写格式（万 → ×10000，10万+ → 100000+）
• 常见选择器：.engage-bar 区域内的点赞/收藏/评论按钮旁的数字

3c. 抓取图片

• 检查是否有图片轮播（.swiper-button-next）
• 如有轮播：循环点击下一张，直到按钮不可用，确保所有图片加载
• 提取所有图片 URL（.note-slider .swiper-slide img）
• 如无轮播：提取单图（.media-container img）
• 下载图片到本地：保存到 ~/xiaohongshu-monitor/{日期}/images/ 目录
• 仅下载来自 xhscdn.com 或 xiaohongshu.com 域名的图片

3d. 抓取评论

• 提取 Top 5 条评论（.comment-item 或 .parent-comment）
• 每条评论包含：用户名（.name）和内容（.content）
• 评论内容截断到 150 字

3e. 关闭详情页

• 点击关闭按钮（.close-box），或按 Escape
• 等待 1.5 秒后处理下一篇

3f. 保存原始数据

• 将抓取的所有数据保存为 ~/xiaohongshu-monitor/{日期}/raw_data.json

Step 4：筛选

基础门槛（3 条必满足）：

1. 详情页能正常打开，标题内容对得上
2. 作者不为空
3. 互动数据完整（👍点赞 ⭐收藏 💬评论）

内容质量（满足任一入表）：

• 直接提及你的品牌或产品
• 同行业多个品牌/产品对比
• 榜单、排名、测评类内容
• 价格/性价比讨论
• 高互动且有争议讨论

不入表：

• 与你的业务完全无关
• 纯招聘/面试
• 互动极低且无对比内容
• 评论区已有足够正面声音

Step 5：生成评论 + 判定紧急度

评论生成是本 skill 的核心竞争力，采用 4 层流水线打磨，确保每条评论都像真人写的。

5a. 学习真人风格（writing-style-iterator）

在生成评论之前，先从 Step 3 抓取的真实评论中学习说话方式：

• 分析已有评论的语言特征：用词、句式、情绪、emoji 习惯
• 将风格规则写入 ~/.writing-style-iterator/style.md
• 识别评论区的整体氛围（正面/中性/负面）
• 识别已有的观点和论调，生成的评论必须避免雷同

每次监控都会积累风格规则，越用越像真人。

5b. 生成评论初稿（基于人设 + 真人风格）

• 按 config.yaml 中定义的 3 个人设，每人设 2 条 = 共 6 条
• 评论要结合帖子正文内容（不是只看标题）
• 可引用 config.yaml 中的 reference_data 数据
• 参考 style.md 中积累的真人风格规则

生成原则（⭐ 最重要）：

第一原则：先搞懂帖子到底在说什么

• 必须深入阅读帖子正文内容，不能只看标题
• 标题党很常见（如"还惨不忍睹吗？"实际是夸的），正文才是真实态度
• 搞清楚博主到底是在夸还是在踩，再决定评论方向

第二原则：参与讨论，而不是自说自话

• 先扫一遍评论区，找到可以接话的点
• 评论必须回应评论区已有的具体讨论
• 看到有人吐槽具体问题 → 针对那个问题给实用建议
• 看到有人说竞品更好 → 以用户身份反驳，分享自己的对比体验
• ❌ 绝对不能：评论区聊A话题，你的评论聊B话题

第三原则：像深度体验官，不像数据搬运工

• 评论要基于"我用过这个产品"的视角
• 分享具体使用场景、踩过的坑、实用技巧
• 数据最多偶尔提一个，而且要自然带出来，不是硬塞
• ✅ 「我用M2.7写代码确实挺顺的，特别是给它说清楚需求之后」
• ✅ 「提示词很重要，最好先让他写PRD，基于PRD构建系统」
• ❌ 「Code Arena上M2.7代码Elo 1452，全球第9」（数据搬运）
• ❌ 「AA基准50分第一梯队，成本$0.3每百万token」（广告感满满）

其他原则：

• ✅ 符合人设身份：但每个人设都要有真实使用体验，不是角色扮演念台词
• ✅ 1-3 句话，像真人随手打的
• ❌ 不要用网红腔（"姐妹们"、"宝子们"、"绝绝子"）
• ❌ 不要每条评论都引数据 — reference_data 是偶尔用的佐料，不是主菜
• ❌ 不要写小作文

5c. 去AI味（两轮打磨）

初稿生成后，必须经过两轮去AI味处理：

第一轮：humanize-zh（中文口语化）
参考 skills/humanize-zh/SKILL.md：

• 替换 AI 连接词："此外"→"还有啊"、"然而"→"但问题是"、"因此"→"所以啊"
• 替换 AI 开头："在当今..."→ 直接说事、"随着..."→ 具体经历
• 加入口语元素："说白了"、"讲道理"、"挺..."
• 加入不完美：口头禅、重复强调（"真的，真的特别..."）
• 用具体代替抽象：数字、时间、个人体验

第二轮：elatia-humanizer-zh（深度检查）
参考 skills/elatia-humanizer-zh/SKILL.md：

• 10 种核心 AI 模式扫描（夸大象征、宣传性语言、模糊归因、填充短语等）
• 三段式法则（强行三组→改为两项或不分组）
• 否定式排比（"不仅...而且..."→直接说）
• 句子节奏（连续相同长度→打断）
• 谄媚语气和破折号滥用

5d. 最终质量检查（每条评论必须全部通过）

• ✓ 读起来像一个真实的小红书用户随手写的吗？
• ✓ 有没有 AI 常用词（此外、至关重要、深入探讨、格局）？
• ✓ 句子长短有变化吗？
• ✓ 有没有具体的个人感受或经历？
• ✓ 和同一帖子的其他 5 条评论风格都不同吗？
• ✓ 和帖子已有评论不雷同吗？
• ✓ 符合该人设的说话风格吗（技术专家 vs 小白 vs 产品经理）？
• ✓ 像朋友聊天，而不是写文章吗？

⚠️ 任何一条不通过，进入自进化闭环（5d-retry）。

5d-retry. 不合格评论自进化处理

当评论未通过质量检查时，不是简单重写，而是执行学习闭环：

1. 诊断 — 识别具体是哪项检查没通过、属于什么 AI 模式
2. 记录 — 将不合格评论和原因写入 .learnings/COMMENT_RULES.md

   ## [日期] 三段式结构
   - **评论原文**：首先这个产品性能很强，其次价格便宜，最后服务也好
   - **不合格原因**：三段式结构，一眼AI
   - **AI模式类型**：三段式法则
   - **提取规则**：对比不要分点列举，用一句话带过多个优势
   - **已更新到**：style.md

3. 提取规则 — 从失败案例中提取通用规则
4. 更新 style.md — 将新规则写入 ~/.writing-style-iterator/style.md
5. 更新 SKILL.md — 如果是反复出现的模式，将规则固化到本 SKILL.md 的评论红线中
6. 重新生成 — 基于更新后的规则重写该条评论
7. 再次检查 — 重新走 5d 质量检查，最多重试 2 次

⚠️ 重试 2 次仍不合格 → 标记为「需人工审核」，写入表格时在备注中说明。

自进化效果：每次监控都会积累新规则，评论质量会随着使用次数持续提升。

5e. 判定紧急程度

• 🔴 高：发布 <24h + 互动数据增长快 + 对比/榜单类 + 负面倾向
• 🟡 中：有传播潜力 + 缺正面声音 + 评价中性
• 🟢 低：正面帖 + 互动稳定 + 已有正面声音

Step 6：风格规则保存

• 将本次监控中学到的新风格规则更新到 ~/.writing-style-iterator/style.md
• Git commit 保存，下次监控自动复用

Step 7：写入飞书表格

按「发现日期从新到旧 → 紧急程度高到低」排序，写入飞书多维表格。

⚠️ 发现日期必须是执行监控当天的日期（即"今天"），不是帖子的发布时间。用当前系统时间获取，不要手动计算。

---

评论人设

在 config.yaml 中定义 3 个人设。根据你的行业选择最合适的角色组合。

选人设的原则：选你的目标用户群里最有说服力的 3 种人。

示例：

行业	人设1	人设2	人设3
AI/科技	技术专家	普通用户	产品经理
美妆	资深化妆师	学生党	成分党博主
餐饮	美食博主	附近居民	餐饮同行
电商	老买家	第一次买的人	行业从业者
教育	在读学员	家长	教育行业人士

每个人设需要定义：

• 特征：这个人是谁
• 风格：怎么说话（口语化/专业/情绪化）
• 目的：为什么要用这个人设评论

---

评论红线

• ❌ 不写广告语
• ❌ 不贬低竞品（只客观对比）
• ❌ 不虚构数据
• ❌ 多条评论风格不能雷同
• ❌ 负面帖下不强行洗白
• ❌ 不得与帖子已有评论观点/措辞雷同
• ❌ 不得出现 AI 味词汇（此外、至关重要、深入探讨、不仅...而且...、综上所述等）
• ❌ 不得使用完美的三段式结构（第一...第二...第三...）

---

紧急程度判定（相对排名制）

核心原则：不用绝对阈值，用本批次内的相对排名。
不管什么行业，筛选出的帖子中始终保持 1/3 高、1/3 中、1/3 低 的分布。

第一步：给每条帖子打综合分

两个维度加权求和，得到综合分：

威胁度（权重 60%）

规则	条件	分值
T1	品牌被负面提及	+5
T2	竞品对比中品牌被贬低或缺席	+4
T3	帖子含事实错误	+3
T4	品牌被中性提及	+2
T5	评论区无正面声音	+2
T6	竞品对比中品牌表现正面	+1

传播力（权重 40%）

规则	条件	分值
S1	点赞数在本批次中排名前 20%	+5
S2	点赞数在本批次中排名 20%-50%	+3
S3	点赞数在本批次中排名 50%-80%	+2
S4	点赞数在本批次中排名后 20%	+1
S5	发布 < 12 小时	+2
S6	发布 12-24 小时	+1
S7	评论数在本批次中排名前 30%	+2

综合分 = 威胁度总分 × 0.6 + 传播力总分 × 0.4

第二步：按综合分排序，三等分

将所有筛选出的帖子按综合分从高到低排序，然后：

• 前 1/3 → 🔴 高（优先处理）
• 中 1/3 → 🟡 中（当天处理）
• 后 1/3 → 🟢 低（排期处理）

如果帖子总数不能被 3 整除，多余的分给🔴高（宁可多处理，不漏掉）。

示例：筛选出 10 条帖子

• 排名 1-4 → 🔴高（4条）
• 排名 5-7 → 🟡中（3条）
• 排名 8-10 → 🟢低（3条）

第三步：置顶规则（无论排名如何，强制🔴高）

以下情况不管综合分排多少，直接置顶为🔴高：

• 品牌被负面提及 + 传播力在本批次排名前 50%
• 帖子含事实错误（关于你的产品的不实数据）

这些帖子置顶后，剩余帖子重新按 1/3 比例分配🟡中和🟢低。

为什么用相对排名

• ✅ 跨行业通用：不需要为不同行业调阈值
• ✅ 保证产出：永远有 1/3 高优先级，不会全是低
• ✅ 自适应：同一行业里，流量大的时候高标准，流量小的时候低标准
• ✅ 简单：审核员拿到表格，从上往下处理就行

审核员反馈学习

审核员在飞书表格中可以手动调整紧急程度。每次跑监控时：

1. 读取上一批次中被审核员调整过的记录
2. 对比 Agent 判定 vs 审核员判定
3. 分析偏差原因（是威胁度估错了？还是传播力判错了？）
4. 将偏差规则记录到 .learnings/URGENCY_RULES.md
5. 下次打分时，应用修正规则

示例：

## [2026-03-21] 审核员上调：🟢低 → 🔴高
- **帖子**：xxx
- **Agent判定**：威胁度3 + 传播力2 = 🟢低
- **审核员调整**：🔴高
- **偏差原因**：虽然点赞不高，但作者是行业意见领袖
- **提取规则**：特定作者列表需要额外加权（维护在 config.yaml 的 watchlist 中）

---

表格字段

字段	说明
文章标题	帖子标题
文章链接	原文链接
作者	作者昵称（不能为空）
发表时间	文章发布时间
发现日期	抓取日期
互动数据	👍⭐💬 三项齐全（⚠️ 必须从详情页获取，列表页数据不准）
关键词命中	命中的搜索词
提及竞品	提到的竞品
正文摘要	帖子正文前 200 字（v2.0 新增）
已有评论	帖子已有的 Top 评论摘要（v2.0 新增）
文章倾向	正面/中性/负面
紧急程度	🔴高/🟡中/🟢低
干预理由	为什么干预
人设评论	每人设 2 条
建议水军数量	投入账号数
执行状态	待处理/进行中/已完成

---

数据存储

每次监控的原始数据保存在本地：

~/xiaohongshu-monitor/
└── {YYYY-MM-DD}/
    ├── raw_data.json          # 所有抓取的帖子数据
    ├── images/                # 下载的帖子图片
    │   ├── post_1_img_1.jpg
    │   ├── post_1_img_2.webp
    │   └── ...
    └── report.md              # 可选：AI 综合分析报告

---

可选：AI 综合分析报告（v2.0 新增）

监控完成后，可以额外生成一份综合分析报告：

1. 读取所有抓取的帖子正文和评论
2. 用 vision 能力查看下载的帖子图片
3. 按主题归类（而不是逐帖罗列）
4. 分析趋势：舆论倾向、热点话题、竞品对比焦点
5. 输出报告保存到 ~/xiaohongshu-monitor/{日期}/report.md

报告规则：

• 不要逐帖列举（"帖子1...帖子2..."），要按主题综合分析
• 有价值的评论观点融入正文叙述
• 图片中的关键信息（数据图、对比表等）要解读
• 保留多元观点，不过度总结

---

文件结构

xiaohongshu-public-monitor/
├── SKILL.md              # 使用说明（本文件）
├── config.yaml           # 配置文件（用户填自己的信息）
├── config.example.yaml   # 示例配置（AI行业，可参考）
├── scripts/
│   └── xhs_search.py     # Playwright 搜索脚本（已弃用，保留备份）
├── references/
│   └── workflow.md        # 工作流说明
├── .learnings/
│   ├── COMMENT_RULES.md  # 评论生成学习规则（自动积累）
│   └── URGENCY_RULES.md  # 紧急程度学习规则（审核员反馈）
├── assets/

外部依赖文件：

~/.writing-style-iterator/
├── style.md              # 真人风格规则（自动学习积累）
└── drafts/               # 草稿快照