企业官网建设流程全解析

• 人工智能
• AI Agent
• 大模型
• AI 应用
• 媒体生成

导读：本文是《抖音起号参考手册》的完整技术化解读，结合开源仓库gh_mirrors/wi/xiaobei中抖音发布、内容校准、发布追踪与追爆分析等源码级实现，系统讲解一套"先立观看理由、再做垂直标签、最后用数据复盘"的抖音新号起号方法论。读完你将掌握：如何用九条视频实验模板拿到第一批可比信号、如何用七模块框架搭建账号地基、如何用可复制的视频简报与 30 天节奏把方法论落到执行，以及如何在智能体中用发布技能、打分预测循环和发布记录数据库把起号动作工程化闭环。

一、使用原则：起号是六件事，不是玄学

原文档把起号拆成六件事：定位清楚、观看理由成立、标签稳定、内容有用、互动真实、复盘持续。这一拆法决定了后续所有模板和表格的编排逻辑——每一条视频、每一次复盘、每一份简报，都要能落到这六个维度里的某一个。

两条纪律贯穿全篇：

1. 数字不做保证：来源文章里的"七个技巧"和 TikTok 小样本案例只作为启发；平台功能入口、算法权重、处罚规则一律按待确认信息处理，不能当成官方规则引用。
2. 产出要能直接执行：默认交付表格、清单、脚本简报、30 天节奏或复盘动作，少写空泛建议，多告诉用户"下一条视频该怎么做"。

在仓库中，这份手册被 主智能体 AGENTS.md 明确注册为抖音（douyin）起号咨询的知识文档：当用户"没有任何新媒体账号，需要从 0 开始运营某个平台，或者已有账号但运营思路比较混乱"时，主智能体即可引用该知识文档做梳理。这意味着本文所讲的不是纸面理论，而是智能体在真实对客会话中的标准知识库内容。

二、TikTok 小样本方法论：一周 9 条视频找到增长信号

这套方法来自一个"一周 9 条视频找到增长信号"的案例。迁移到抖音时，不要复制平台结论，要抽取更通用的内容判断：陌生人为什么要看、这个人为什么值得记住、哪些内容明显高于账号基线。

1. 先问观看理由

每条视频先回答两个问题：

• 陌生人为什么要看完这条，而不是划走？
• 看完之后，他能记住账号的哪个身份、冲突、热情或承诺？

普通内容改造表（原文档核心表格，可直接套用）：

2. 用真实短板建立人格

真人或个人 IP 不必把自己包装成最厉害的人。可公开的短板、成长过程和热情，往往比完美形象更容易产生记忆点。可用句式：

• 我以前一直卡在[短板]，这次想用[方法]试着解决。
• 我不是这个领域最强的人，但我真的喜欢[主题]，今天拿[任务]练一次。
• 我做[行业/技能]时最常踩的坑是[问题]，这条就把它拆开。

边界红线：不要编造悲惨经历、虚假失败、疾病、贫困、身份标签或用户案例。真实脆弱感是信任资产，不是表演道具——这条边界同时呼应了本文末尾的合规替代表。

3. 把内容放大

"放大"不是装疯卖傻，而是给普通信息增加一个更容易被看见的外壳，五种放大方式：

• 场景放大：在更有记忆点的环境里讲同一个知识点。
• 动作放大：边做一件有趣的事边讲主题，例如实测、挑战、拆箱、复刻、限时完成。
• 冲突放大：把错误现场、反差结果或限制条件放在前面。
• 系列放大：让单条视频变成持续任务，例如"7 天改造""9 条实验""从不会到能做"。
• 人格放大：让热情、短板、幽默感、审美或判断标准变成账号识别点。

检查标准：放大层必须服务内容本身，不能让用户只记住噱头而忘记账号价值。

4. 相对爆点不是运气

新号不要只看绝对播放量。先看同账号内部的相对表现：哪条明显高于其他条，哪条评论质量更高，哪条带来关注。复盘字段表：

复盘问题：

• 这条的第一秒让用户明白"我是谁/我在做什么/哪里不一样"了吗？
• 评论里用户是在夸信息、情绪、人物、场景，还是系列设定？
• 高表现来自选题、钩子、人格、画面动作、评论争议，还是发布时间等偶然因素？
• 下一条应该复用哪个变量，只改哪个变量来验证？

"只看账号内部中位数、只改一个变量"的复盘纪律，与仓库中内容校准技能的核心原则高度同构：content-calibrator 要求"盲预测必须在看到实际数据之前写完""升级需盲重打验证"，本质上都是用相对基准和受控变量来逼近真实规律，而不是凭感觉大改。

5. 评论是用户给出的答案

评论经常直接告诉你用户为什么喜欢、为什么质疑、为什么记住。不要只统计评论数，要读评论动机。评论分类处理：

• 喜欢内容价值：继续做同类教程、清单、案例。
• 喜欢人物状态：放大真实表达、成长线、幽默感。
• 喜欢形式设定：把挑战、复刻、实验、场景动作做成系列。
• 提出具体问题：转成下一条选题。
• 非恶意吐槽：轻松回应，增加亲和力。
• 恶意攻击：不要对骂、挂人或扩大冲突，必要时忽略、删除或举报。

三、九条视频实验模板：拿到第一批可比信号

适合新号、低播放号、定位需要验证的账号。目标不是保证涨粉，而是在一周左右拿到第一批可比较信号。

前提：

• 9 条视频必须属于同一个定位和人群。
• 每条只改变 1 到 2 个关键变量，例如钩子、场景、选题角度或人格表达。
• 每条都要有明确观看理由，而不是为了凑数量发布。

设计表：

复盘方式：

1. 先排除违规、搬运、画质严重问题和标题误导。
2. 计算账号内部中位数，找明显高于中位数的视频。
3. 读高表现视频评论，标注用户喜欢的具体原因。
4. 选择一个最可能有效的变量做下一轮 3 条验证，不要一次改完所有东西。

四、七模块起号框架

1. 标签反推：让新号前期足够垂直

目的：让平台和用户都能快速识别账号。操作：

1. 选 5 到 10 个对标账号，优先筛选低粉高播、近期更新、评论真实、内容形式可学习的账号。
2. 为每个对标账号记录主标签、细分人群、核心场景、常见痛点、标题高频词、评论高频问题。
3. 汇总成1个主标签 + 2到4个场景词 + 3到5个人群痛点词。
4. 将这些词写进昵称、简介、置顶视频、前 10 条标题、正文首句、合集名称和结尾关注理由。

输出表字段：

2. 搜索流量预埋：吃住搜索长尾

目的：让短视频不只依赖推荐流，也能长期吃搜索长尾。关键词分四层：

• 核心词：赛道或问题本体，例如辅食、职场沟通、AI工具、装修避坑。
• 长尾痛点词：用户真实搜索句，例如宝宝辅食过敏怎么办、Excel自动汇总怎么做。
• 场景词：时间、人群、空间、预算、身份，例如上班族、租房、小白、6月龄、第一次。
• 转化词：清单、步骤、模板、避坑、对比、测评、教程、案例。

标题模板：

• [人群/场景] + [痛点] + [解决结果]
• [核心词]别急着做，先看这[数量]个坑
• 我用[方法]帮[人群]解决了[具体问题]

正文埋词：首句放长尾问题，直接回应用户搜索意图；中段用步骤、案例或清单证明内容有用；结尾引导评论下一个相关问题，形成下一条内容的搜索词。

3. 3秒钩子与完播

目的：让用户在最初几秒知道"这和我有关，而且值得看完"。钩子类型：

• 矛盾前置：先展示反常识结果或错误现场，再解释原因。
• 数据冲击：使用可解释的数据或样本，不夸大来源。
• 场景代入：直接喊出具体人群和具体处境。
• 悬念留白：告诉用户后面有清单、步骤或结果，但正文必须兑现。
• 结果反差：先给前后对比，再拆过程。

检查标准：钩子是否对应账号定位；钩子是否能在正文里兑现；是否为了点击牺牲信任；画面、字幕、口播是否在同一秒传递同一个重点。

4. 评论暗号与互动：用价值承接互动

合规表达：

• 评论你的情况，我挑3个做下一条。
• 想要清单可以评论关键词，我整理成下一条。
• 你遇到的是A还是B？评论区我帮你判断。
• 这个系列会持续更新，关注后方便找到下一集。

避免表达：点赞关注才发、不关注不给、私信暗号绕过平台、复制粘贴同一句评论刷互动。

将评论转成内容：

5. 私域冷启动：真实人群拿到第一批反馈

目的：用真实相关的人群帮新视频获得第一批有效反馈，不制造虚假互动。分层触达：

• 高信任朋友：请对方判断内容是否有用，重点要反馈。
• 垂直社群：分享一个具体问题的解决方法，不刷屏、不要求统一互动。
• 老客户/读者：邀请补充真实问题或案例，作为后续内容素材。

可用话术：

• 我做了一条[人群]会遇到的[问题]短视频，想请你帮我看一下：它有没有讲清楚？
• 这条是给[场景]的人看的，如果你身边有人正在遇到这个问题，可以转给他。
• 我在收集下一条选题，你觉得这个问题里最容易踩坑的是哪一步？

底线：不买量、不互刷、不群控、不强制点赞评论、不打扰无关人群。

6. 合集滚雪球：让垂直度可复访

适合做合集的内容：同一人群的连续问题；同一能力的入门到进阶；同一场景的多步骤教程；同一产品或服务的系列答疑。合集命名：

• [人群] + [价值] + [数量]
• [场景] + [从入门到进阶]
• [痛点]避坑合集

排序：先解决最常见问题，再进入进阶问题；每条结尾提示下一集解决什么。

7. 数据校准：定位问题发生在哪一环

目的：用数据定位问题发生在哪一环，而不是凭感觉大改账号。诊断表：

阈值只作为经验提示，不能机械判断。样本太小时，先收集 10 到 20 条同类内容再做大调整。

仓库侧印证：这份"数据校准"思维在 content-calibrator 中被工程化为完整闭环——发布前对稿件做 7 维打分（情感共鸣 ER、钩子强度 HP、社会议题共振 SR、金句密度 QL、叙事性 NA、受众广度 AB、实用价值 PV，各 0-5 分）与盲预测，发布后由 published-track 的record.sh落库，T+3d 复盘对比预测与实际互动数据，detect-bump-signals.sh按"维度分 ≥3 但实际 ≤2=高估、维度分 ≤2 但实际 ≥3=低估"聚合偏差信号，同向偏差累计 ≥3 才触发 rubric 升级建议。这比人工看播放量判断"问题出在哪一环"更系统。

五、视频简报模板：下一条视频怎么做的落地单

原文档给出了可直接套用的简报结构，写脚本前先填这张表：

# 视频简报 - 账号定位： - 内容支柱： - 目标人群： - 观看理由： - 人格张力： - 用户痛点： - 搜索关键词： - 标题备选： - 3秒钩子： - 放大层： - 正文结构： 1. 2. 3. - 画面/证据： - 评论引导： - 合集归属： - 风险检查： - 发布后重点观察：

这张简报恰好对应仓库中视频生产的"轻加工"分工：主智能体 AGENTS.md 规定"从零生产完整视频（出脚本、规划分镜、端到端制作）一律委托 content-producer"，而本文简报中的"正文结构/画面/证据/风险检查"正是 content-producer 各脚本（script-write.py、shot-decompose.py、timeline-compose.py等，见 crews/content-producer/skills/video-producer) 的输入约束。也就是说，这份简报既是人工创作清单，也可以直接作为智能体分镜与脚本生产的规格书。

六、30 天起号节奏

工程化提示：在智能体中，30 天节奏的"发布"环节对应 douyin-publish 技能；"复盘"环节对应 published-track 的query-retro-pending.sh --days 3（凌晨心跳自动扫描待复盘作品并带出互动数据）与 content-calibrator 的 Step 3a/3b 复盘。节奏可以手工执行，也可以用 heartbeat/cron 落成定时任务。

七、合规替代表：高风险做法与合规替代

仓库侧印证：AI 生成内容标注不是空话——douyin-publish 的fill命令内部自动完成"填标题 → 填简介 → 选自主声明'内容由AI生成' → 点弹窗右下角粉色'确定'按钮"的完整流程（2026-07-17 真机确认，声明下拉不存在时不阻断）。也就是说，智能体发布抖音视频时已经内置了 AI 声明动作，正是合规表中"未标注AI生成内容"的工程化解法。

八、常用产物字段：起号计划、账号审计、周复盘

起号计划字段：账号目标、定位句、观看理由、人格记忆点、目标人群、内容支柱、关键词地图、主页文案、置顶视频、前30条选题、发布节奏、复盘指标、风险边界。

账号审计字段：当前定位、主页信号、内容垂直度、观看理由、标题/封面、钩子、搜索词、人格张力、评论质量、合集、合规风险、优先修复动作。

周复盘字段：本周发布、最高信号、最低信号、有效钩子、有效关键词、有效人格信号、评论素材、失败假设、下周实验、停做事项。

这三类产物在仓库里都有对应的数据载体：发布记录与互动指标落在 published-track 的 SQLite 数据库db/published_track.db（pub_douyin表，特有指标为 plays/likes/comments/shares/favorites）；打分与盲预测落在<work>/calibration/score.json与prediction.md；复盘落在<work>/calibration/retro.md。方法论字段 → 工程化字段的映射是完整的。

九、把方法论接到工程：发布、数据与追爆的完整链路

为了让"起号方法论"真正跑起来，仓库提供了从发布到数据回收的整条链路，与本文方法论一一对应：

1. 发布链路（对应"内容有用、标签稳定"的落地）：douyin-publish 是纯浏览器自动化发布技能。关键约束包括：

• 使用 camoufox-cli 持久化 sessiondouyin（登录态 + 指纹冻结在 session profile），严禁cookies import造会话；登录态判定由 agent 在 open 上传页后按页面元素（头像/用户名）判断。
• 发布前置必做douyin-publish open-page预热 cookie，再走douyin-publish run --video <视频> --title <标题> --caption <描述>；run 内部串：upload → fill → publish → get-link。
• 分步可拆：upload（上传，自动清掉"上次未发布的视频"草稿恢复框）→fill（填标题/描述 + 内置 AI 自主声明）→publish（注入拦截器捕获 aweme_id 写入 localStorage）→get-link（三级策略：localStorage → 作品管理 list APIwork_list按create_time排序取最新 → 管理页 DOM 兜底）。
• 退出码语义：0发布成功；1参数错/DOM 改版/转码超时；2SESSION_EXPIRED（走 login-manager 有头重登）；3未捕获 aweme_id（人工到管理页核实）。
• 已知坑位：视频需 mp4/mov 且 ≤15 分钟、建议 <100MB；单抖音号每 24h 限 ≤5 条，触发风控 30 分钟内不重试；创作者中心 DOM 改版频繁，selector 需真机验证。

2. 打分预测链路（对应"复盘持续"）：content-calibrator 实现"打分+盲预测 → 发布 → 记录 → T+3d 复盘 → 进化 rubric"闭环。核心命令：

# 打分校验 + 阈值门（每维需 > score_threshold，默认 0=不拦截） ./skills/content-calibrator/scripts/score-only.sh \ --platform douyin \ --content-path "output_videos/xxx/script.md" \ --cal-er 3 --cal-hp 4 --cal-sr 3 --cal-ql 4 --cal-na 3 --cal-ab 4 --cal-pv 2 # 落盘 score.json + prediction.md 到 work 目录 ./skills/content-calibrator/scripts/commit-prediction.sh \ --work-dir "output_videos/xxx" --platform douyin \ --cal-er 3 --cal-hp 4 --cal-sr 3 --cal-ql 4 --cal-na 3 --cal-ab 4 --cal-pv 2 \ --prediction-file /tmp/prediction-draft.md # 平台打分开关与全局阈值 ./skills/content-calibrator/scripts/cal-toggle.sh --list ./skills/content-calibrator/scripts/cal-toggle.sh --platform douyin --enable

注意：视频的打分+预测对象是脚本定稿（storyboard/口播稿），不是成片；发布后预测不可覆盖，复盘用detect-bump-signals.sh检测系统性偏差，rubric 升级需用户确认 + 盲重打验证。

3. 记录与数据链路（对应"复盘字段"的自动化）：published-track 统一管理发布记录，抖音对应pub_douyin表。发布成功后：

# 发布记录（自动从 <work>/calibration/score.json 读分；不打分场景显式 --no-cal） ./skills/published-track/scripts/record.sh \ --platform douyin \ --title "视频标题" \ --content-type video \ --source-folder "output_videos/xxx" \ --publish-url "https://www.douyin.com/video/<aweme_id>" # 凌晨心跳自动更新互动数据（探活 → API 抓取 → DB 写入） ./skills/published-track/scripts/fetch-and-update-metrics.sh \ --platform douyin --source-folder "output_videos/xxx"

互动数据的底层抓取由 viral-chaser 的 douyin 客户端 实现：走aweme/v1/web/aweme/detail/接口（a_bogus 签名 + COMMON_PARAMS + webid/msToken/verifyFp 拼装抽到_shared/douyin-web.ts），返回播放数play_count、点赞digg_count、评论comment_count——这正是方法论里"播放/完播/互动"三个复盘字段的数据来源。而 viral-chaser 的追爆分析能力，则对应本文"标签反推"模块中"低粉高播对标账号"的信号采集。

十、一张图串联：方法论与工程闭环

从《抖音起号参考手册》出发，整套体系可以收敛为一条可执行的流水线：

1. 定位与对标（标签反推 + TikTok 方法论）→ 产出定位句、关键词地图、对标记录表，存calibration/<platform>/audience.md与benchmark.md；
2. 内容生产（九条实验 + 视频简报）→ 产出脚本定稿到output_videos/<name>/；
3. 发布前自检（打分+盲预测 + 阈值门）→ content-calibrator 出 7 维分与盲预测，commit-prediction.sh落盘；
4. 发布（douyin-publish）→ 浏览器自动化上传、填标题、AI 自主声明、发布、取链接；
5. 记录（published-track）→record.sh落库pub_douyin；
6. T+3d 复盘（数据校准）→ 凌晨心跳query-retro-pending.sh取待复盘列表，detect-bump-signals.sh检测偏差信号，进化 rubric，形成下一个 30 天内容日历。

其中每一步都在本仓库有对应源码与脚本可查、可运行、可验证，这正是"起号方法论"在 OPC/中小微企业自媒体获客场景中从参考手册走向可执行系统的关键。

• 人工智能
• AI Agent
• 大模型
• AI 应用
• 媒体生成