#ai #skill #opc #想法
事情是从一个很朴素的念头开始的。
我想做短视频，但不知道做什么选题。于是让 Claude 帮我搜了一下小红书最近在聊什么——AI、搞钱、创业、失业，扫了一圈数据，发现每条爆款笔记背后都有规律：标题一定是「身份标签 + 具体数字 + 情绪钩子」，正文好坏看有没有步骤化、有没有数据、有没有在结尾引导互动。说白了，爆款是可以被拆解的。
调研做完，两份 md 报告存到桌面。我看着数据发了会儿呆：既然 AI 能拆解爆款的公式，为什么不做成一个工具？
从 HTML 到 Chrome 插件
插件下载：https://github.com/clarck7gmailcom/cjbj
最开始只是一个 HTML 页面。粘贴标题和正文，点一下按钮，输出标题力、结构力、情绪力、价值力四维评分，附带优化建议和可复用的标题模板。够用，但不够顺手——每次都得手动复制粘贴，刷小红书的时候谁会愿意切来切去？
那就做成浏览器插件。在笔记页右下角放一个红色按钮，点一下自动抓取页面内容，拆解结果直接弹在右侧面板里。
说起来容易，做起来踩了一堆坑。
第一个坑：按钮出不来。小红书是 SPA 应用，从首页点进笔记不是真正的页面跳转，URL 换了你都感知不到。花了好久劫持 pushState、监听 popstate、写重试注入逻辑，按钮才稳定出现。
第二个坑更头疼：拆解结果该放在哪。一开始想做 Chrome 的 Side Panel，结果 engine.js 怎么都加载不出来，chrome-extension://invalid/ 的报错看得人头皮发麻。改 background.js 做消息中转，不行；把引擎内嵌到 report.html 里，还是不稳定。最后下了决心——彻底放弃 Side Panel，把拆解结果直接画进页面里。右侧一个 420px 的浮动面板，零外部依赖，点击按钮就地渲染。简单粗暴，反而最可靠。
第三个坑：评论区加载。小红书的评论是懒加载的，每滚动一次才出来 10 到 20 条。一篇有上千条评论的笔记，六轮滚动下来只抓到 100 条。改了滚动逻辑——连续三轮没新评论才算真正触底，上限拉到 50 轮，默认目标 200 条。后来你又改成了 500 条，因为少了没分析价值。
从关键词匹配到 LLM
最初「选题灵感」是用关键词硬匹配的：comments.includes(“怎么”) → 归类到工具求助，comments.includes(“赚钱”) → 归类到变现疑问。产出的建议千篇一律，每条笔记都是「做 Q&A 解答篇」「做避坑反向内容」。
你当时说的那句话我印象很深：
你要用 LLM 来分析，不是用机械式的关键词分析。
对。于是我加了一套完整的 LLM 配置：支持 Anthropic、OpenAI、DeepSeek、Kimi，还可以自定义任何兼容端点；自动适配两种 API 格式；把几百条评论一起丢给模型，让它真正理解用户在讨论什么、共性需求是什么。API Key 存在 Chrome 本地存储，不云同步、不上传，只在你主动点拆解时才发请求。
有 Key 的时候走 LLM 分析，没 Key 的时候自动降级为规则分类。两套逻辑并行，用户无感知。
收尾工作
评分到底该不该受评论区影响？你试了一版之后觉得不要，我就把评论信号从评分公式里拿掉了。现在标题力、结构力、情绪力、价值力纯粹由标题和正文决定，评论区分析独立展示。
面板太宽挡页面？加了个折叠按钮，面板滑出屏幕，右侧留一个红色竖条，点了就展开。
图标换成了红色圆角底加一个白色的「红」字，呼应小红书。
最后打包成 20KB 的 zip，源码推到了 GitHub，写了完整的 README，截了三张图。
做这个插件的过程，从调研热门话题开始，到拆解公式的发现，到决定做工具，再到 HTML → Chrome 扩展 → LLM 集成的层层迭代——回头想，一开始其实没规划这么多。只是顺着一个问题一个问题地修，最后回头看，一个能用的 MVP 已经在了。它不完美，但它是真实跑出来的。