前言¶

做公众号内容的人常有两类困扰：一是不知道写什么，打开后台对着空白编辑器发呆；二是知道热点在哪，但判断不出这个题值不值得投入，写出来大概率是同质内容里的一条。人工盯榜的做法是每天扫一遍微博热搜、知乎热榜，再逐个点开看互动数据，一次下来半小时到一小时，而且注意力容易被标题党带走。

下面介绍的 Skill 是 公众号爆款选题雷达（skill 名 wechat-topic-radar），它把「采集多平台热点 → 计算选题热度 → 给出切入角度与差异化建议 → 输出报告」这条链路交给脚本跑。它不是内容生成器，不替你写文章，只在选题阶段给判断依据。

这是什么¶

一个基于通用 SKILL.md 格式的 Python 技能包，由 liujian 编写，在 ClawHub 上由发布者 sxzxlj 维护，当前版本 1.0.0，许可证 MIT-0。

定位是选题辅助工具：从知乎、微博、小红书、公众号等多平台抓取公开热点数据，用一套带权重的本地热度算法打分排序，再针对高分选题输出切入角度、竞品角度分布和差异化建议。它解决的是「热点太多看不过来」和「看得到热度但判断不出爆款潜力」这两个问题。

按 SkillHub 页面的记录，该 Skill 分类为 content-creation，评分 100000，下载 13680 次，安装 18 次，标签 requires_api_key=false。上游仓库显示最后更新于约 5 个月前。

核心能力¶

采集层覆盖 20 多个平台，分成三类：国内热点（百度热搜、微博热搜、知乎热榜、今日头条、抖音热搜、B站热搜与日榜）、技术社区（掘金、CSDN、GitHub、V2EX、HackerNews）、新闻资讯（网易新闻、少数派、爱范儿）。数据源方面，前两组走第三方「小尘API」，V2EX 与 HackerNews 走平台官方 API。文档提到有自动故障转移机制，多源备份以保证采集稳定。

打分层是五个维度的加权，权重写在配置文件里，可以改：

• 平台热度 20%：原始热度数据
• 互动热度 25%：点赞、评论、分享数据
• 趋势热度 20%：新鲜度与增长趋势
• 内容质量 15%：标题质量与完整性
• 爆款潜力 20%：情绪价值与传播潜力

输出层包含三部分：一是选题建议，覆盖情感共鸣、实用干货、观点评论、数据洞察、故事叙事五种切入角度，并按爆款标题公式给标题优化建议和文章结构大纲；二是竞品分析，识别相似话题、统计角度分布以避免同质化；三是可视化报告，产出 HTML 交互报告（含 TOP10 排行、雷达图、关键词云图）与 JSON 数据导出，便于二次分析。

安装与启用¶

上游仓库给出的安装方式是 openclaw 的命令行安装：

$ openclaw skills install @sxzxlj/wechat-topic-radar

页面同时提供 npx skills 作为 CLI 安装入口。

装完之后还要做两件事：一是安装 Python 依赖，技术栈是 Python 3.8+ 加上 requests、jieba、numpy、plotly、pyyaml，装包命令以仓库里的 requirements.txt 为准；二是准备配置文件 config/config.yaml，默认项目结构里 config/ 目录下已经带了一份模板。

由于它基于通用 SKILL.md 格式，能读取 SKILL.md 的 Agent 宿主都可以加载这份技能包。Cursor、Codex CLI、Claude Code 在这份文档里没有分别给出安装说明，这里不替它们补写。

配置说明¶

配置文件固定放在 config/config.yaml，下面三段分别管采集平台、算法权重和报告输出：

data_collection:
  platforms:
    - zhihu
    - weibo
    - xiaohongshu
    - wechat
  limit_per_platform: 50

heat_algorithm:
  weights:
    platform: 0.20
    interaction: 0.25
    trend: 0.20
    quality: 0.15
    potential: 0.20

report:
  output_dir: ./data/reports

这一步的作用是把「采集哪些平台、采多少条、按什么标准打分、报告写到哪里」全部外置成可配置项，改权重不需要动代码。

典型用法¶

四个子命令覆盖从全量扫描到单个选题分析。完整扫描会走采集、打分、趋势分析、选题深度分析、出报告五个阶段：

# 执行完整的热点扫描和分析
python scripts/radar_main.py scan

# 指定平台和每平台条数
python scripts/radar_main.py scan -p zhihu weibo -l 30

快速扫描用于只看概览，支持关键词筛选：

python scripts/radar_main.py quick
python scripts/radar_main.py quick -k 职场

写稿前想评估一个具体题目，或者要在几个候选标题之间取舍，用下面两个：

python scripts/radar_main.py analyze "为什么年轻人都不结婚了？"
python scripts/radar_main.py compare "标题1" "标题2" "标题3"

需要嵌进自己的流程时调 Python API：

from scripts.radar_main import WechatTopicRadar

radar = WechatTopicRadar('config/config.yaml')
result = radar.scan()
top_topics = result['scores'][:10]
for score in top_topics:
    print(f"{score.topic.title} - 热度: {score.total_score}")

quick_result = radar.quick_scan(keyword="职场")
analysis = radar.analyze_topic("你的选题标题")
print(analysis.angles[0]['suggested_title'])

扫描完成后会落两个产物：HTML 报告在 ./data/reports/topic_radar_report_<时间戳>.html，原始数据在 ./data/topic_data_<时间戳>.json。

适用场景与注意¶

适合公众号日更或日更多更的团队、选题会需要数据支撑的编辑、以及想把热点监控做成半自动流程的开发者。技术社区类的热点源（掘金、CSDN、GitHub、V2EX）让它在处理开发者向账号时比通用热点工具更顺手。

几个需要留意的点：

一是数据准确性。采集走第三方「小尘API」和平台公开接口，文档明确写网络采集可能存在延迟或波动，榜单数据和平台前端展示不一定实时一致。

二是合规边界。文档要求使用者遵守各平台的数据使用规范。接生产流程前建议确认采集频率和用途符合对应平台条款。

三是热点时效。这类选题天然有有效期，报告出来之后建议当天跟进，隔几天再写基本等于浪费这条线索。

四是算法只做参考。热度分数和切入角度是启发式输出，不构成选题决策的充分依据，最终判断还是要结合你对读者和账号定位的理解。

五是维护状态。上游仓库当前版本仍是 1.0.0，最后更新在约 5 个月前，文档里的「更新计划」（接入更多数据源、AI 标题生成、历史趋势分析、定时推送）未见落地，接入前建议自己跑一遍 scan 验证数据源是否仍然可用。

小结¶

这个 Skill 的价值在于把选题环节里重复的机械部分自动化了：多平台榜单一次抓完、按固定权重打分、给出角度和差异化建议、产出可分享的报告。它不替代判断，只把判断的输入整理干净。如果你的痛点是「每天花大量时间刷榜但仍然拿不准写什么」，值得先跑一次 quick 看看输出再决定要不要接进流程。

官方地址：https://www.skillhub.cn/skills/clawhub_sxzxlj/wechat-topic-radar
上游仓库：https://clawhub.ai/sxzxlj/wechat-topic-radar