agentleFS
liush2yuxjtuliush2yuxjtu/douyin-video-skill/skills/viral-topic-picking/SKILL.md

viral-topic-picking

Skill0 starsChanged 32 days agoMITView on GitHub

用“脑科学四问”给短视频(抖音、小红书、视频号)做或打磨爆款选题。用户要想选题、改标题或开头、判断选题能不能火,或者从热点、评论区、个人经历、书影素材里找选题时使用。方法来自抖音@人类最强编导的《给我两秒就好》,全文字幕见 references/transcript.md。

  • In this repositoryOne other file it gives its agents.

The file

Files
SKILL.md

Viral Topic Picking(爆款选题)

出处 / Attribution: 本 skill 基于抖音 @人类最强编导《给我两秒就好》(https://www.douyin.com/video/7690907639698132081)的完整字幕整理,仅供学习参考,版权归原作者所有,如需删除请提 issue。详见 ATTRIBUTION.md。

选题决定一条视频的流量上限。选题的使命是抢注意力:让用户的大脑优先处理你的信息,拿到完播和停留。

核心规则:用户刷到视频时,大脑先做四个判断

  1. 和我有关吗?(自我参照、用户认领) 用一个难以量化的好特质去锚定人群,比如成熟、专业、聪明、有想法、有认知,因为人们通常觉得自己在这些方面高于平均水平。光连接身份还不够,还要连接欲望、困境和对方正在面对的问题。
    • 差:为什么年轻人越活越累(太大太空)
    • 好:为什么越懂事的人回家后越不想说话(用户会马上在自己身上找证据)
  2. 我在乎吗?(兴趣强度) 大脑优先处理奖励、损失、危险和欲望。要写用户正在承受的结果,不要只讲一个重要的话题。
    • 差:睡眠很重要
    • 好:为什么明明睡了 8 小时醒来还是很累
    • 连接的人数决定上限,兴趣强度决定停留。
  3. 和我想的一样吗?(预期违背) 答案和用户的预测一致,他就不必看下去。要打断他原来的判断,逼他问“为什么”。例子:为什么越努力的人收入反而越低。真正的选题是用户不知道的、理解错的、没想清楚的,或者想过但说不明白的东西。
  4. 我能马上看懂吗?(合意难度) 太简单会无聊,太难会被放弃,元素太多或太难都会让大脑不处理。要唾手可得:花一点但不多的时间和脑力,落在认知甜蜜点上。

怎么造选题(人群够大,兴趣强度也够大)

  • 沿一个需求往下挖:问题越具体,越能用具体的场景、痛点和渴望唤醒用户真实的生活记忆。
  • 从不同现象提炼相同本质:员工扛了部门大部分工作却一直没升职,全职妈妈用心照顾家十年却被当成理所当然。这两件事的共同点是“我的付出为什么被当成理所当然”。从具体身份上升到一群人,激活更大范围的共同情感记忆。

怎么找选题(从素材出发)

素材来自热点、评论区、个人经验、读书、电影等。热点事件由角色、行为、事件三类元素构成:

  1. 从角色切入:按你的账号定位选一个角色视角,再上升到一个群体,找共同的情感记忆。
  2. 从行为切入:找原因,或找结果,或总结做法,写成“当我用什么方式去做什么事”。
  3. 从事件切入:讲影响和反思,延伸到男女关系、AI、投资、金融、社会阶层等领域。

Steps

  1. 先问清楚或推断账号定位、目标人群,以及手上的素材。
  2. 用上面的“找”和“造”方法产出 5 到 10 个候选选题,每个都写成一句标题或开头。
  3. 每个候选按四问打分(每项 0 到 2 分),并写一句理由。
  4. 输出排名前 3 的选题,每个配一句开头钩子,示例格式:给我两秒,你是不是 X,但是 Y,用认领加预期违背的结构。
  5. 指出最弱的一问,以及具体怎么改。

Fallback

  • 没有素材时,就从账号人群当下最痛的一个具体场景往下挖。
  • 人群太窄时,用“不同现象,相同本质”往上提。
  • 太抽象时,换成用户正在承受的具体结果。

Example

输入:职场号,素材是“同事抢功”。 输出:「为什么最能干的那个人,总是最后一个被看见」。认领:能干的人;在乎:付出被吞的损失;违背:能干却不被看见;合意难度:一句话就能懂。

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.