一句话总结
自媒体人 雪踏乌云（@Pluvio9yte）把自己跑了两月、积了 3000+ 条数据的爆款监控系统完整开源——从多平台采集、三信号评分引擎、到两级 AI 分析管线，全链路跑通，月成本仅 $41。
本文基于雪踏乌云 X 平台长文《如何从零开始打造自己的爆款监控系统》整理，已获授权。
做自媒体的人，都踩过同一个坑
刷到同行的爆款视频，收藏一下，过两天就忘了。等自己要选题的时候，翻收藏夹全是零散的链接，根本看不出规律。
雪踏乌云做自媒体半年多，这个困扰始终没解决。于是他干脆自己写了一套爆款监控系统——每天自动扫 142 个对标账号（抖音 78 个、小红书 32 个、YouTube 32 个），检测谁发了爆款，用 AI 分析爆的原因，最后把可复用的选题模式攒起来。
跑了两个多月，库里积了 3000 多条作品数据和几十条爆款拆解。下面是他从零搭建这套系统的完整过程。
先想清楚要解决什么问题
手动盯对标账号有三个硬伤：
-
覆盖不了。一个人最多盯十几个账号，但值得学习的同行远不止这些。142 个创作者，靠手刷根本不可能每天全覆盖。
-
判断标准模糊。同样一条视频拿到 1 万赞，100 万粉的大号发出来很正常，1 万粉的小号发出来就是现象级。刷的时候全凭感觉，没有量化标准。
-
分析不沉淀。就算认真拆了一条爆款的结构和钩子，过几周就忘了。下次选题时，这些拆解并不会自动变成你的弹药。
这三个问题分别对应系统的三个核心模块：自动采集 → 评分引擎 → AI 分析管线。
整体架构
技术选型的思路很务实：
| 层 | 技术选型 | 理由 |
|---|---|---|
| 前端 | Vue 3 + Tailwind CSS v4 | 8 个页面，交互简单 |
| 后端 | FastAPI | API + 定时任务 + 后台 Worker |
| 数据库 | SQLite (WAL 模式) | 个人项目，每天几百条写入，完全够用 |
| 部署 | Docker Compose → Dokploy | 三个容器一条命令启动 |
![整体架构图]
第一步：多平台数据采集
数据源：TikHub
采集层用 TikHub，一个统一的社交媒体数据 API。它封装了抖音、小红书、YouTube 三个平台的接口，Python SDK 直接调。
选它的原因很直接：三个平台只需要一个 API key，不用分别爬。抖音和小红书的反爬越来越严，自己维护爬虫太折腾。
采集逻辑
每个平台的流程相同：拿到创作者的平台 ID → 拉最近发布的作品列表 → 标准化成统一格式。
def fetch_creator_posts(client, platform, platform_id, max_pages=3):
"""统一入口：不管哪个平台，返回格式一致的 dict"""
if platform == "douyin":
return _fetch_douyin(client, platform_id, max_pages)
if platform == "xhs":
return _fetch_xhs(client, platform_id, max_pages)
if platform == "youtube":
return _fetch_youtube(client, platform_id, max_pages)
返回的数据统一包含：作品 ID、标题、发布时间、点赞/评论/收藏/分享数、内容类型、封面 URL。
定时调度
用 APScheduler 做定时任务，三个平台错峰扫描：
- 抖音：每天 20:00
- 小红书：每天 20:10
- YouTube：每天 20:20
扫描任务先入 SQLite 队列，由单消费者 Worker 按顺序执行。因为 SQLite 不擅长并发写——队列 + 单消费者，彻底绕开这个限制。
第二步：评分引擎——什么是真正的「爆款」？
这是整套系统最核心的部分。「爆款」这个词太模糊——10 万粉的博主拿到 1 万赞，和 1000 粉的博主拿到 1 万赞，完全不是一个概念。
雪踏乌云设计了一套三信号评分体系来量化它。
信号一：R 值（账号内相对倍数）
R = 这条作品的核心指标 / 这个博主最近 20 条作品中位数
核心指标分平台：抖音看点赞，小红书看点赞 + 收藏。用中位数而不是均值，因为样本少时均值容易被极端值带偏。
R = 2 意味着这条视频是这个博主日常水平的 2 倍。R = 8 意味着 8 倍——对这个博主来说已经是现象级。
信号二：M 值（赞粉比，破圈校验）
M = 点赞数 / 粉丝数
M 值解决一个问题：有些博主平时数据很差，偶尔一条稍微好点，R 值就很高，但绝对数据很低。这种「垃圾爆款」需要过滤掉。
M 值越高，说明这条内容在粉丝池之外也获得了传播——破圈了。
信号三：Tier（粉丝体量层）
大号破圈天然更难，M 值的门槛要按粉丝量校准：
def tier_of(followers):
if followers < 10_000: return ("C", 0.30) # 素人
if followers < 100_000: return ("B", 0.15) # 腰部
if followers < 1_000_000: return ("A", 0.08) # 中部
return ("S", 0.04) # 头部
分级阶梯
R 和 M 两个信号同时达标，才能定级：
| 级别 | R 值门槛 | M 值门槛 | 含义 |
|---|---|---|---|
| T3 | R ≥ 8.0 | M ≥ 3× 基准 | 现象级 |
| T2 | R ≥ 4.0 | M ≥ 1.5× 基准 | 爆款 |
| T1 | R ≥ 2.0 | M ≥ 1.0× 基准 | 小爆 |
| low_quality | R ≥ 2.0 | M < 1.0× 基准 | 低质爆款 |
用一个具体例子验证——10 万粉博主（A 层，M 基准 0.08）：
- 拿到 10 万赞 → M = 1.00，远超 T3 门槛 → 如果 R 也 ≥ 8，现象级
- 拿到 1 万赞 → M = 0.10，刚过 T1 门槛 → 顶多算小爆
同样 10 万粉，1 万赞和 10 万赞确实是两个物种。
证据冻结
一条作品首次被评级时，当时的基线、粉丝快照、中位数样本全部冻结保存。后续这条作品继续涨赞，只更新 R 值的分子，不用新作品改写当时的基线。
这个设计是为了防止回溯偏差：一个月后这个博主整体数据涨了，如果重新算基线，当初那条爆款的 R 值会变低。
第三步：两级 AI 分析管线
检测到爆款之后，还要回答**「为什么爆了」**。雪踏乌云把分析拆成两级。
L1 快评：DeepSeek，跑在服务器上
- 每天预算 $0.50，最多 100 条
- deepseek-chat 模型够便宜，用来做快速归因刚好
- 产出六个字段：摘要（≤280 字）、爆款因素（1-4 个）、置信度、注意事项、时效/长青分类、分类理由
其中时效/长青分类是后来加的。很多爆款绑定了特定事件（「Claude 4 发布当天的测评」），过一个月再跟已经没意义。但「月度盘点」这个题型本身是长青的。L1 自动打标签，选题推荐时按时效加权。
处理优先级：T3 现象级 > T2 爆款 > T1 小爆，同级最新优先。
L2 深度拆解：Claude Code，跑在 Mac Mini 上
L2 的分析维度更深：钩子拆解、内容结构、受众触发点、可复制要素、不可复制的上下文。成本高得多，只在 Mac Mini 本地跑 Claude Code，每天凌晨 5:15 自动认领最多 5 条任务。
如果条件允许，还会用 yt-dlp 下载原视频、ffmpeg 抽帧、跑本地 ASR 拿逐字稿，给 Claude 更多证据。
两级分离的好处：L1 便宜快，日常全覆盖；L2 贵但深，只给高价值爆款用。整体成本控制在每月十几美元以内。
第四步：逐字稿提取
光看标题和数据还不够，得看视频里到底说了什么。逐字稿提取分三条路：
- 去水印 API（Qushuiyin）拿到抖音/小红书视频直链
- 阿里云百炼 Paraformer-v2 跑语音识别，拿到逐字稿
- YouTube 走另一条路：yt-dlp 下载 + 本地 Whisper
检测到爆款后自动入队，后台 Worker 持续消费。逐字稿存入数据库，前端详情页直接展示，也作为 L2 分析的输入证据。
第五步：前端——安静的观测站
前端用 Vue 3 + Tailwind CSS v4 搭了 8 个页面：
| 页面 | 用途 |
|---|---|
| Dashboard | 总览：各平台统计、最近爆款、系统健康状态 |
| Boom Feed | 每日扫描结果，按分级筛选 |
| Work Detail | 单条作品深度页：指标、评分、L1/L2 分析、逐字稿 |
| Creator Detail | 单个创作者的档案和作品列表 |
| Creators | 创作者管理表，添加/删除对标账号 |
| SOP Library | 沉淀下来的可复用选题模式 |
| Settings | 扫描计划、评分参数调整 |
| API Docs | 接口文档 |
设计上有一个自觉的克制：爆款分级的颜色是整个界面唯一的视觉重点。T3 现象级用红色、T2 爆款用橙色、T1 小爆用琥珀色，其余全部退到中性色。一眼就能看出哪些值得点进去细看。
第六步：部署
整套系统用 Docker Compose 部署到 Dokploy，三个容器：
services:
proxy: # Caddy：Basic Auth + 静态文件 + 反代后端
backend: # FastAPI：API + 定时任务 + 后台 Worker
backup: # sqlite3：每天备份一次数据库，保留 14 天
几个关键细节：
- Caddy 反向代理：前端和 API 加 Basic Auth 保护（个人工具，不需要注册登录），Worker API 用 Bearer Token
- SQLite 数据卷外挂：数据库不在容器里，重新部署不丢数据。备份容器每天
.backup，保留 14 天快照 - GitHub Actions CI/CD：推 main → 构建 Docker 镜像 → 调 Dokploy API 触发部署。全程自动化
成本分析
整套系统跑起来的每月账单：
| 项目 | 月成本 |
|---|---|
| TikHub API（142 个创作者） | ~$15 |
| DeepSeek L1 快评 | ~$15 |
| Dokploy 服务器（1C1G） | ~$5 |
| 阿里云 Paraformer ASR | ~$2 |
| 去水印 API | ~$1 |
| Claude Code L2（Mac Mini 电费） | ~$3 |
| 合计 | ~$41/月 |
40 美元一个月，换来 142 个对标账号的全自动监控 + AI 归因分析。手动刷同行视频的时间省下来，可以多做两条自己的内容。
数据库设计
10 张表，SQLite WAL 模式：
creators -- 142 个对标创作者
creator_snapshots -- 每日粉丝快照（算 M 值用）
works -- 所有作品 + 评分结果
work_snapshots -- 作品指标每日快照
analyses -- L1/L2 分析结果（JSON 存储）
transcripts -- 逐字稿
sop_patterns -- SOP 可复用模式
scan_log -- 扫描任务队列
analysis_queue -- 分析任务队列
app_settings -- 系统配置
选 SQLite 的逻辑：只有一个用户，写入量不大（每天几百条 upsert），读写比约 1:10。用 PostgreSQL 纯属浪费。
想复刻的话，分三步走
雪踏乌云的建议很务实：
第一步，先跑评分引擎。scorer.py 不到 100 行，零外部依赖，纯函数。拿一个博主的历史数据本地测，看看 R/M/Grade 的判定和你的直觉是否吻合。觉得门槛太松或太紧，调 tier_of 里的 M 基准就行。
第二步，接数据采集。TikHub 注册拿 key，先从 10 个对标账号开始。写定时脚本每天跑一次，结果存 SQLite。这一步不需要前端，命令行看数据就够。
第三步，再加 AI 分析和前端。DeepSeek API 便宜到几乎可以忽略，先把 L1 快评接上。前端是锦上添花——可以先用 Obsidian Markdown 看数据，量大了再搭 Web 界面。
从第一行代码到生产环境跑起来，大概两周。前端和部署花的时间最多，评分引擎和采集反而很快——逻辑清晰的模块写起来就是快。
小结
这篇文章的价值不在于「又有一个新工具」，而在于展示了一个自媒体人如何把模糊的「培养网感」变成可量化、可自动化、可复用的系统。
核心思路：把日常重复的盯盘工作交给代码，把分析判断交给 AI，自己只做一件事——用沉淀下来的弹药，做更好的内容。
$41/月的成本，换来的是一台不会累、不会忘、每天帮你盯着 142 个同行的雷达站。
原文：雪踏乌云 @Pluvio9yte · X | 统计时间：2026-07-29
