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:
📈 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）
- 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.