选题方法全网最全使用指南：从入门到榨干
做榨干系列，最难的往往是决定下一篇写什么。能碰的方向很多，但真正有问题、有证据、能撑起一篇长文的题很少。
我也试过让 AI 一口气列几十个选题。看着很热闹，仔细一看，大多换个产品名照样成立。因为它只是在组合标题，没有去评论、搜索、GitHub 和社区里找真实问题。
所以这篇不再教你“让 AI 多想几个题”，直接给你一套可以重复执行的选题流程。我整理了多种方法、5 个可以直接借鉴的 Skill 和项目，带你从真实信号出发，最后筛出 3—5 个能马上开写的题。
目录（后续写作流程尾部跳转）
一、别再让 AI 空想 50 个选题：先建好这 5 个选题入口
二、旧文章别只看阅读量：从评论、搜索词和高表现内容里找续篇
三、去 GitHub、Reddit 和产品社区挖题：专找重复问题、反对意见和内容缺口
四、一个大词怎么变成几十个角度？试试内容矩阵、4A 和五问法
五、大家都在写同一个观点时，用反向开题找被忽略的成本和边界
六、5 个可以直接拿来选题的 Skill 和项目
七、20 个候选怎么压到 3 个？用四道门和 BREW 排序
八、最后做成自己的选题 Skill：输入信号，输出一张可开写的选题卡
一、别再让 AI 空想 50 个选题：先建好这 5 个选题入口
一个选题最好先有信号，再有标题。
读者在评论区追问某个步骤，是信号；三个开源项目的用户都在催导出功能，是信号；一个长尾搜索词不断把人带到旧文章，也是信号。“帮我想 50 个关于 Codex 的选题”不是信号，只是生成指令。
可以长期建五个入口：
五个入口不是五份选题清单。它们应该进入同一张“选题信号卡”：
- 读者原话或原始问题是什么？
- 它从哪里来，什么时候出现？
- 谁在什么场景里遇到？
- 现有答案哪里不够？
- 我手里有没有官方证据、真实案例或亲测？
先记信号，不急着起标题。同一个信号后面还可以拆出多个角度；标题起得太早，反而容易被第一个想法锁死。
二、旧文章别只看阅读量：从评论、搜索词和高表现内容里找续篇
自己过去的内容，通常是最便宜的选题库。但只把文章按阅读量排一遍，很容易得出错结论。
一篇旧文表现好，可能是题选对了，也可能是发布时间、标题、分发或偶然热点帮了忙。比起复制那篇文章，更值得做的是拆它：
- 它解决了哪个具体问题？
- 读者为什么收藏、转发或评论？
- 哪个章节被提到最多？
- 读者看完以后，继续问了什么？
- 它的成立条件现在还在吗？
HubSpot 公开的 Lookalike Content Skill 也是这个思路：先分析自己或外部的高表现内容，归纳出内容画像，再生成带标题、角度、开头和形式的候选题。它不让 AI 直接仿写爆款，而是先找出哪些模式可以复用。
评论区则可以按四类整理：
- 卡步骤：读者做到哪一步不会了。
- 求对比：读者在两个选择之间犹豫。
- 求更新：版本、价格、入口或规则已经变了。
- 补案例：读者提供了原文没有的用法或反例。
每类都能长出不同的续篇。卡步骤适合补教程，求对比适合写选择标准，求更新适合改旧稿或写迁移篇，补案例则可以变成进阶用法。
有搜索数据的人，还可以看 Search Console 的查询词报告。高曝光、高点击的查询词，可以往进阶篇和案例篇扩；高曝光、低点击先检查标题是不是答错了搜索意图；多个长尾词反复指向同一个任务，再考虑单独成篇。
如果内容量已经比较大，可以像 BlackTwist 的内容分析 Skills 一样，把单篇表现、受众增长、内容模式和下一轮优化分开。数据适合帮你找模式，不适合替你宣判因果。
第一次做，拿最近 10 篇内容、20 条评论和一份搜索查询表就够了。先只找“重复出现的下一个问题”。
三、去 GitHub、Reddit 和产品社区挖题：专找重复问题、反对意见和内容缺口
自己的数据还不够时，就去别人已经在提问的地方找。先盯住三类信号：重复问题、承诺与追问的落差、现有答案的缺口。
GitHub：一条 Issue 是线索，多个项目都在问才值得写
找 3—5 个解决相近任务的项目，先看 Issues、Discussions 和 Releases，别急着按 Star 排名。
把用户问题按安装、平台支持、导出、隐私、稳定性、迁移和学习成本分类。单独一条只记录；跨项目、跨时间重复出现，再升级为候选题。接着回到 Releases 和已关闭的 Issue，查问题是否已经解决，最后去 Reddit、视频评论或产品社区验证它是不是只影响少数技术用户。
可以搜“产品名 + 替代品”、“需求 + 桌面端”、“需求 + Windows”，或在 Issues 里重点看功能请求、需要帮助、长期未解决和维护者明确不做的问题。如果需要原始英文搜索词，再使用 alternative、desktop app、feature request 这类最短必要词。
Reddit：搜读者已经说出来的半个标题
Reddit 适合找还没被整理成教程的原始问题。优先搜四类句式：
- “我怎么才能……”，对应最短搜索词 How do I。
- “有没有工具能……”，搜索时使用“工具 + 具体任务”。
- “我试了 X，但是……”，对应 I tried。
- “关于这件事，有哪些少数观点”，对应 unpopular opinion。
不要把最夸张的吐槽直接当结论。记下提问者的场景、已经试过的方法、评论区的反对意见，再看同类问题是否重复出现。
Product Hunt：看产品承诺了什么，用户追问了什么
Product Hunt 产品页上，一边是产品的一句话介绍、首图和创建者首评，另一边是用户关于价格、隐私、导出、集成和竞品差异的追问。
每天找 5 个同类产品，记录它们的一句话承诺和评论区里最常出现的问题。产品说“统一所有资料”，用户却反复问能不能导出；产品说“AI 工作台”，用户却一直问和 ChatGPT 有什么区别。选题往往在这个落差里，不在当天的排名里。
搜索缺口：有人找，不等于你就该写
YouTube Studio 的趋势页 和 TikTok 创作者搜索洞察 都会给出受众在搜什么、哪些主题内容不足等线索。先搜自己的长期主题，再看现有内容是根本没有，还是太旧、太泛、没答到具体任务。
Google Trends 只适合帮你看相关搜索、上升问题和长期走势。它的数据是归一化后的相对兴趣，不是绝对搜索量。一根突然抬头的曲线，不足以单独立项。
无论从哪个社区找题，都用同一条判断：单条讨论是线索，跨平台重复才算信号。你还要能给出比现有答案更好的路径，否则不用急着开写。
四、一个大词怎么变成几十个角度？试试内容矩阵、4A 和五问法
找到一个真问题，还不等于找到了最合适的写法。“AI 内容创作”“GitHub”“Codex Skill”都只是对象，不是选题。
内容矩阵：子主题 × 内容形式
Justin Welsh 的内容矩阵 先列长期主题下的子主题，再列步骤、预测、故事、观察、反向观点等内容形式，两边交叉得到候选题。
以“AI 内容创作”为例，子主题可以是选题、调研、初稿、去 AI 味、配图、分发和复盘；形式可以是教程、对比、常见错误、工具清单和案例。只有先一步找到的真实信号，才有资格进入矩阵。否则，矩阵只会更高效地生产普通选题。
4A：同一个对象，试四种写法
Ship 30 for 30 的 4A 把角度分成四类：
- 可执行：怎么做，给步骤、工具和资源。
- 分析：拆数据、趋势、原因和机制。
- 案例：讲经历、转折、教训和起步路径。
- 人性观察：解释人为什么会卡住、误判、害怕或被误导。
“如何做选题 Skill”是可执行角度；“为什么 AI 列的选题总是很像”是分析角度；“我怎么给榨干系列建选题库”是案例角度；“创作者为什么会不断收藏选题模板”是人性角度。
五问法：从一次经历里拆出五种内容
Justin Welsh 还给过一套五问法：我能教什么？我观察到了什么？我的看法和常见建议有什么不同？有哪些工具和教训可以列出来？这件事为什么会发生？
这套问法适合拆自己已经做过的事。它能从一篇长文里继续拆出教程、观察、反常识、资源清单和原因解释，但不能替代外部需求验证。
一篇支柱长文发布后，还可以用 1—3—5 拆分法：先抽出 3 个能独立成立的判断，每个再变成短帖、视频、轮播或提问。选题库不该每次从空白开始。
这些方法只负责把角度变多，不证明这个题值得写。
五、大家都在写同一个观点时，用反向开题找被忽略的成本和边界
有真需求，也有具体角度，仍然可能写成一篇别人已经说过很多次的文章。
这时候可以用反向开题。Kieran Flanagan 公开提到过 Opposite-Start，本地的《写作 Skill 全网最全使用指南》已经把它整理成一个可执行流程：
- 这个话题最拥挤的共识是什么？
- 这句话忽略了什么成本、失败条件或反例？
- 哪类人并不适合这条建议？
- 有没有更窄，但证据更硬的切口？
比如“AI 能提高写作效率”没有错，但已经非常拥挤。往反方向问，就会出现更具体的题：速度提高以后，被省掉的是重复劳动，还是作者判断？哪些环节越快，稿子越容易空？读者讨厌的到底是 AI 句式，还是文章里没有作者选择？
再比如“多装几个 Skill，AI 就会更强”。反向开题会继续问：Skill 越多，冲突和维护成本会不会也越高？一个创作者到底需要多少个？什么时候应该合并，什么时候应该拆开？
反向开题最后要留下一张角度卡，别只留一个故意惊人的标题。卡上记主流角度、反向角度、可用证据、最大风险、推荐主线和不建议写的主线。
边界也很清楚：反向不等于反对。如果只能找到情绪，找不到反例、条件和证据，就回到普通但真实的角度。
六、5 个可以直接拿来选题的 Skill 和项目
下面这 5 个项目并不处在同一个环节。有的从旧内容里找新题，有的负责批量拆角度，有的只负责筛选。先按问题选，不要一次全装。
1. HubSpot Lookalike Content Skill：从高表现内容里找下一题
- 适合：已经有一批旧内容，但不知道哪些模式可以复用。
- 输入：自己表现好的内容，或者真正欣赏的外部内容。
- 输出：高表现内容画像，以及带标题、角度、开头、形式和趋势信号的候选题。
- 限制：官方公开页 能确认工作方式，完整资源需要留资获取；历史成功也不等于当前仍有空白。
2. Charlie Hills 的内容矩阵：批量拆角度
- 适合：长期主题已经确定，但每次只会想到同一种写法。
- 输入：内容支柱、细分主题、受众和过去的内容数据。
- 输出：content-matrix 用内容支柱与表达形式交叉生题，niche-research 补细分领域信号，post-scorer 用历史内容给新候选做参照。
- 限制：仓库的效果说明 主要来自作者；部分研究功能依赖浏览器和 Apify。
3. BlackTwist 内容模式分析：从已发内容里找重复有效的部分
- 适合：已经稳定发布，需要从一批内容里找模式。
- 输入：已发内容、表现数据和受众增长数据。
- 输出：哪些主题、内容类型和形式反复有效，以及下一轮应该测什么。
- 限制：开源仓库 可以拆结构，部分自动取数依赖 BlackTwist；表现相关不等于选题导致了结果。
4. content-topic-judgment：给候选题过四道门
- 适合：候选题很多，AI 每个都说值得写。
- 输入：候选题、业务或账号主线、客户问题、关键词和历史数据。
- 输出：相关性、外部信号、内容深度和发布时机的判断。
- 限制：content-topic-judgment 是传播很小的项目，这里只借它的结构，不把它包装成主流标准。
5. MKT1 营销策略 Skill：先写清楚哪些题不该选
- 适合：长期写同一个账号，但容易被热点和偶发兴趣带偏。
- 输入：核心受众、定位、长期优势、希望建立的认知和当前优先级。
- 输出：一份所有后续内容简报、审稿和优先级判断都会引用的长期策略 Skill。
- 限制：MKT1 这套方法 不负责批量生题，它负责约束方向。
五个里，只想先用一个的话，按自己最大的问题选：旧内容多就看 HubSpot 和 BlackTwist，主题大就看内容矩阵，候选多就用四道门，账号容易跑偏就先做长期策略 Skill。
七、20 个候选怎么压到 3 个？用四道门和 BREW 排序
扩角度的方法越好用，候选题就越容易过量。这时不要给 20 个题都打一串小数点，先过四道门：
- 相关性门：选题到账号主线要转几次弯？如果需要长篇解释“为什么这和我有关”，就先降级。
- 信号门：有没有读者提问、搜索、评论、跨平台重复或历史数据？只有“我觉得有意思”，就继续等材料。
- 深度门：教程能不能给可复现步骤，解释文能不能给出超过表面的判断？
- 时机门：这个题是不是已经写晚了，或者空白已被补齐？旧题表现好，不代表今天重写仍然有价值。
通过四道门的题，再用 Ahrefs 的 BREW 排先后：
- 账号价值：它离你的长期内容、产品或业务有多近？
- 读者范围：能帮到多少人，这些人是不是你想服务的读者？
- 制作成本：需要多少研究、亲测、采访、截图和后续更新？
- 作者能力：你有没有经验、案例和判断把它写深？
假设手里有三个题：“10 个最强写作 Skill”“如何做一个选题 Skill”“AI 写作的未来”。第一个好写，但容易变成名单；第三个覆盖面大，但距离真实任务太远；第二个如果已经有评论提问、可运行流程和本地实例，相关性、信号和深度都更强。
这只是排序示例，不是真实数据结论。换一个账号、一批读者或一个时间点，顺序都可能变。
最终不要只留一个分数。给每个入选题留下一句“为什么现在写”和一条“什么情况下不写”，这两句比 8.6 分更有用。
八、最后做成自己的选题 Skill：输入信号，输出一张可开写的选题卡
这 17 种方法不需要每次全跑。更实用的做法，是把稳定流程做成自己的选题 Skill。
它只做五步：
- 读取旧稿、评论、搜索、社区线索和当前变化。
- 把原始材料统一成选题信号卡。
- 用内容矩阵、4A 和反向开题扩角度。
- 用四道门和 BREW 过滤、排序。
- 只输出 3—5 张可开写的选题卡。
可以先用下面这份最小版本：
第一次跑这套流程，不用导入所有历史数据。拿 10 篇旧内容、20 条评论、3 个同类项目的 Issues，再加一份搜索查询就够了。
选题 Skill 不保证爆款。它更实际的价值，是让你少在没有需求、没有证据、也没有自己判断的长文上浪费时间。
我是诺鸭船长，带你在信息的海洋里寻找陆地～
其他写作榨干系列（其他系列移步个人主页）
爬虫工具全网最全使用指南：从入门到榨干全网
写作 Skill 全网最全使用指南：从入门到榨干
去AI 去味全网最全指南：从识别到榨干
来源：@noahduck283 · 发布于 2026-07-21 20:37:13 · 原文链接