作为一名产品经理，“竞品分析” 是我们绕不开的日常。 在我写公众号文章的时候，以前是怎么做的呢？打开微信，置顶几十个竞品公众号，每天晚上睡前刷一遍。看到好文章，点进去看看内容，阅读量，然后把文章收藏在微信里，或者复制链接发给自己。但这有个痛点：我们往往只盯着“竞品发了什么”（文章内容），却忽略了更重要的一点——“用户说了什么”（评论区）。很多时候，真实的用户痛点、吐槽、需求，其实都藏在那些高赞评论里。比如竞品发了个新功能，用户在下面骂“太难用了”，这恰恰就是机会；或者用户说“如果能加上XX功能就好了”，这有可能就是一个高价值需求。但靠人肉去翻上百条评论，再肉眼提炼需求，这活儿就太耗时间了。效率低不说，还没法沉淀。所以我思考了一下，能不能把这套流程自动化？
1. 自动监控：对标公众号一发文，自动抓取到飞书多维表格里。省了我每天去刷的时间。 2. 数据补全：自动获取它的阅读量、点赞数，最重要的是把评论区全部抓下来。 3. AI 洞察：把评论区的数据丢给 AI，让它告诉我：用户可能会有什么样的需求？
折腾了一下，这套“WeWe RSS + n8n + 多维表格 + 极致了API + AI” 工作流还是可以跑通的。今天就来分享一下这套工作流的思路和配置。
我们照旧，在动手之前，先理清思路。这套流程的逻辑其实就是常说的 “输入- 处理 – 输出”。
- 监听层（输入）：WeWe RSS + n8n。
微信公众号是封闭生态，很难去监控。所以我们就要用一些网络上的大神作品来帮我们实现。这里推荐WeWe RSS，可以把公众号变成 RSS 订阅源。也就是当你监控的账号一旦有更新，就会给你通知。
然后，我们用n8n，每天定时去查询，当有更新的时候，就把基础信息（标题、链接、发布时间、作者）自动搬运到多维表格。
- 数据层（处理）：多维表格 + 极致了 API。
只有基础信息没啥作用，我们还需要把核心数据（文章内容/评论/阅读/点赞/）拿到。这里我们利用多维表格自带的“自动化工作流”，调用第三方接口（极致了 API），把这些数据抓回来。
- 大脑层（输出）：多维表格 AI 字段。
有了评论数据，最后用 AI 字段进行分析，提炼用户可能的需求。
这套方案最大的优势是：低代码、自动化、可沉淀。
二、操作步骤
第一步：自动抓取文章
这一步的核心目标是：不需要打开微信，监控的公众号有更新时，可以自动写入到多维表格里。
1、部署 WeWe RSS
首先我们要先把WeWe RSS部署一下，也就是把作者的这个工具部署到一个服务器里去跑。
WeWe RSS地址：https://github.com/cooderl/wewe-rss
如果是小白的话，听到这个可能就怕了，觉得太难。不用怕，现在这些工作已经很简化了。
我推荐用Zeabur平台来部署，因为这个最简单，可以一键部署，并且Zeabur每个月有5美元免费额度，绝对是够用了。
操作步骤：
（1）打开 Zeabur 官网，注册并登录。
（2）在github里找到一键部署，deploy on zeabur。
https://github.com/cooderl/wewe-rss
（3）点击部署，然后配置一个你能记住的域名。
点击确定，你就不用管了，它就开始自动进行部署。
（4）部署成功后，在浏览器打开你刚才的域名，把授权码输入进去。
这个授权码，部署完成后，在你的项目里可以看到。
（5）我们进入到网页后，点击“账号管理”，扫码登录我们的微信读书账号。
（6）最后，我们添加想要监控的公众号。只需要复制该公众号的一篇文章链接粘贴进去即可。
（7）添加成功后，点击右上角的 RSS 按钮，然后在打开的网页上，复制网址。
到这一步，就完成了部署和监控的配置，这个RSS地址，就是后面文章数据的来源。
2、配置飞书多维表格
数据抓到了，得把它放在一个地方。我们放在飞书多维表格里，方便后续在多维表格里进行工作流配置和AI分析。
（1）新建一个多维表格数据表：配置表格的字段。
字段的配置要匹配我们从RSS获取到的数据内容。
从RSS获取到的内容包括：文章标题（title）、文章链接（link）、文章发布时间（pubDate）、文章作者（author）
那我们也在多维表格里配置这几个字段。
除了这几个字段，我们还需要新增以下几个字段
- content文章内容：把抓取到的文章内容写入到这里做参考
- comment文章评论：把抓取到的文章评论写入到这里
- 评论洞察：用AI字段分享文章评论数据，生成评论洞察
- 阅读数、点赞数、在看数、分享数、收藏数：获取文章的表现数据（这一块之前讲过，我们这次就不详细说了）
- 新增记录时间：自动生成表格记录新增的时间。
我们后面重点来讲获取文章评论和评论洞察。
表格建好了，接下来就要把内容填到表格里。
3、n8n 流程自动化搬运
我们还是用n8n，作为RSS和飞书多维表格的桥梁，把数据传递并写入到多维表格里。
这个流程的配置很简单
节点配置逻辑：
①Schedule Trigger：设置每天触发一次（比如每晚 23:00），这样基本能保证获取到当天发布的所有内容。
②RSS Feed Read：在 URL 栏填入我们在第一步复制的WeWe RSS链接。
③code：过滤作用，只筛选出pubDate为当天的数据内容
const today = new Date().toISOString().split('T')[0];
// 过滤出发布时间为今天的文章
const filteredItems = items.filter(item => {
const pubDate = item.json.pubDate || item.json.updated || item.json.isoDate;
if (!pubDate) return false;
const itemDate = new Date(pubDate).toISOString().split('T')[0];
return itemDate === today;
});
return filteredItems;或者直接用filter节点也可以
④同步到飞书多维表格
这个操作讲的比较多了，这里就不详细说了，用两个http节点，一个获取飞书token，另一个调用多维表格新增记录节点，把内容写入到多维表格里。
这一步跑通后，就实现了监控文章的自动获取和自动写入到多维表格。每天早上打开表格，昨晚发的所有文章就都在这儿了。
第二步：获取文章内容和评论数据
我们之前在多维表格新建的字段就可以用上了。
因为光有文章标题和链接是不够的，我们可以基于这些数据做一些分析。
我们来获取这三个数据
①文章内容
②文章评论
③文章点赞/喜欢等数据（这个就不详细说了，之前文章有讲过，感兴趣可以翻回来看 【链接】）
实现逻辑是这样，根据表格里的文章链接，通过“极致了API”，来获取到文章的内容和评论数据。
1、为什么需要 API？
我们需要一个提取数据的接口。这里推荐“极致了 API”，可以通过文章链接，直接获取到这些数据。亲测比较稳定，虽然收费但很便宜（几分钱一次），省时省力。
2、在多维表格里搭建工作流
我们可以直接用多维表格的工作流来实现数据的抓取
其实用n8n当然也可以，不过本着教学的思路，能介绍的方法我尽量都介绍到，大家可以根据自己的需求来选择。
我们以获取评论为例。
思路是这样：当到达表格中新增记录的时间后，触发工作流 -> 查找表格行中的文章链接 -> 调用 API 查数据 -> 过滤数据 -> 把数据写回到多维表格对应行的单元格里。详细配置步骤：
（1）当到达表格中新增记录的时间后，触发工作流
流程的开始节点，因为文章内容同步到多维表格后，我们有一个新增记录时间的字段，也就是这行数据新增时的时间。这个时间我们可以默认为是文章发布的时间（有误差，但可以忽略，不必太精准）
这里有一个问题：因为文章刚发布的时候，肯定是没什么评论的，我们需要等一段时间才有，所以，我们就以这个新增时间往后推一天，再去获取评论数据。大概意思就是文章已经发布一天了，我们去抓一下看看都有什么评论（因为文章发布后的24小时内是高峰期，基本评论内容都会在这个时间段内，24小时后就会逐步衰减，当然你想增加点时间跨度也可以，在设置里把触发时间改一下就行）
（2）查找表格行中的文章链接
这一步意思就是查找到触发行里的url字段的内容，就是文章链接
（3）调用 API 查数据
调用“极致了API”的获取文章评论的接口（API文档：https://s.apifox.cn/410674f9-f451-4b4f-957a-5f54f243bc83/api-199758598?environment[key]=JZLa1bc7b94611e897d）
①请求地址：https://www.dajiala.com/fbmain/monitor/v3/article_comment2 POST方法
②Header：Content-Type: application/json
③Body：
{
"url": "引用查找记录步骤里的[公众号文章链接]",
"key": "你的极致了API Key"
}（4）过滤数据
因为API获取到的评论数据有很多内容，比如评论人的昵称啦、点赞数啦、发布地点啦之类的，这些内容其实对我们并无作用，我们只关心评论的内容和回复，所以我们可以做一层过滤。
过滤的作用在于，如果我们把获取到的数据全部丢给AI分析的话，由于无关内容太多，会消耗AI的token，也会导致AI分析不准，所以我们把需要的数据过滤出来给到AI就行。
这里我们用js脚本节点
// @param {string} param1, param2
// @returns {string}
function handler(param1, param2) {
try {
// param1 是 HTTP 节点的完整输出
let responseData;
if (typeof param1 === 'string') {
responseData = JSON.parse(param1);
} else {
responseData = param1;
}
// 提取 body.data 数组中的内容
const inputData = responseData.body || responseData;
const result = {
code: inputData.code || 0,
msg: inputData.msg || "",
cost: inputData.cost || 0,
remain_money: inputData.remain_money || 0,
data: []
};
// 注意：这里要处理 body.data 而不是直接 inputData.data
const commentsData = inputData.data || [];
if (Array.isArray(commentsData)) {
commentsData.forEach(item => {
const dataItem = {
content: item.content || "",
create_time: item.create_time || "",
like_num: item.like_num || 0,
new_reply_list: []
};
if (Array.isArray(item.new_reply_list)) {
item.new_reply_list.forEach(reply => {
if (reply.content) {
dataItem.new_reply_list.push({
content: reply.content
});
}
});
}
result.data.push(dataItem);
});
}
return JSON.stringify(result);
} catch (error) {
return JSON.stringify({
error: "数据解析失败",
message: error.message,
code: -1
});
}
}（5）把数据写回到多维表格对应行的单元格里
最后，用修改记录节点，把过滤后的数据更新到多维表格里
（把评论数据更新到多维表格中）
以上就是获取文章评论内容的工作流。
还有获取文章内容，这里我们就不详细说了，和获取评论内容是一样的逻辑和方法。
第三步：AI 洞察（提炼用户需求）
数据有了，但如果是一堆密密麻麻的文字，看着也头大。这时候，就该 AI 出场了。我们利用多维表格的 “AI 字段”，让它来帮我们分析。
我们不是要 AI 做摘要，而是要它做 “需求挖掘”。我在表格里新增了 AI字段 ，维护好prompt。
参考prompt：
你是一名资深的产品需求分析师（CPO），擅长从海量的用户社交评论中洞察真实需求、产品痛点和市场机会。
Task: 我将为你提供一份 JSON 格式的文章评论数据。请你深度解析这些内容，并按以下维度进行分析归类：
1. 需求分类与洞察 (Insight Categories):
功能缺陷/Bug反馈： 用户在实际操作中遇到的障碍（如：无法导出、排版错位、图片崩溃）。
新功能建议/期望： 用户明确提出的新需求（如：中国风提示词、生成试卷、特定风格支持）。
咨询/门槛问题： 用户想用但不会用，或因环境限制无法使用的点（如：国内镜像、付费价格、入口在哪里）。
使用场景洞察： 用户提及他们将产品用在了什么地方（如：年底总结、课件制作、工作提案）。
对比偏好： 用户将此方案与其他方案（如套模板）的优劣对比。
2. 核心结论摘要: 请总结目前用户最集中的 3 个核心痛点和 2 个最具潜力的开发方向。
3. 输出要求:
请使用 JSON 格式输出，方便我后续处理。
过滤掉无意义的赞美（如“永远相信XXX”、“👍”等）。
每一条分析结果需附带 1-2 句典型的用户原始评论作为依据。
数据如下： 当我们把这个 Prompt 配置好，AI 就会自动读取表格中的所有评论数据，然后针对每一行的每个评论都会输出一份评论分析内容，比如我们测试的这一行，就是针对Gemini生成PPT功能的用户评论。
{
"analysis": {
"insight_categories": [
{
"category": "功能缺陷/Bug反馈",
"description": "用户在实际操作中遇到的障碍，如导出失败、排版错位、图片崩溃等。",
"examples": [
{
"comment": "生成PPT后，右上角没看到您说的“导出为PDF”，以及“导出到谷歌幻灯片”。而是只有“代码”、“预览”、“分项”几个按钮。",
"summary": "用户反馈导出功能缺失或不符合预期。"
},
{
"comment": "导出幻灯片的排版与在浏览器内的排版会有点差别，有些边缘的文字显示不出来，标题栏也错位",
"summary": "导出后出现排版错位问题。"
},
{
"comment": "除了转 slide 的时候图片可能会崩，其他都还好（好在提供了图片出处）",
"summary": "图片在转换过程中容易崩溃。"
}
]
},
{
"category": "新功能建议/期望",
"description": "用户明确提出的新需求，如特定风格支持、生成试卷、中国风提示词等。",
"examples": [
{
"comment": "期待一个中国风的提示词",
"summary": "用户希望增加中国风风格支持。"
},
{
"comment": "整个能生成试卷的提示词吧",
"summary": "用户建议扩展功能至试卷生成场景。"
},
{
"comment": "提示词控制 PPT 的页数可以的，我生成了31页",
"summary": "用户认可页数控制功能，并期望进一步优化。"
}
]
},
{
"category": "咨询/门槛问题",
"description": "用户因不会用或环境限制无法使用，如入口寻找、付费价格、国内镜像等。",
"examples": [
{
"comment": "需要付费吗，价格怎样",
"summary": "用户咨询付费模式和价格。"
},
{
"comment": "gemini app在Windows上可以下载吗？",
"summary": "用户询问环境兼容性问题。"
},
{
"comment": "老师，有时照顾一下新进人员。试验工具如何下载。",
"summary": "新用户需要更清晰的使用指引。"
},
{
"comment": "如何根据自己的文档生成ppt，我上传文字就不行",
"summary": "用户遇到文档上传功能的使用障碍。"
}
]
},
{
"category": "使用场景洞察",
"description": "用户提及的具体使用场景，如年底总结、课件制作、工作提案等。",
"examples": [
{
"comment": "正好年底了ദ്ദി(˵ •̀ ᴗ - ˵ ) ✧",
"summary": "用户将产品用于年底总结场景。"
},
{
"comment": "效果真不错，还得是藏师傅！我这个课件缝合了荧光绿和极简黑白风两版提示词",
"summary": "用户用于课件制作，并混合多种风格。"
},
{
"comment": "ppt大部分场景用于工作场景，发挥AI头脑风暴和语言功底的时候到了，风格反而是其次",
"summary": "用户强调工作场景中内容生成的重要性。"
}
]
},
{
"category": "对比偏好",
"description": "用户将此方案与其他方案（如套模板）的优劣对比。",
"examples": [
{
"comment": "藏师傅觉得是这种ai写代码的ppt效果好，还是ai写大纲套现成模板的ppt效果好呢？我用下来目前觉得后者好一点。",
"summary": "用户对比AI生成与套模板的优劣，倾向于后者。"
},
{
"comment": "感觉现在ai ppt这趴还是有很长的路要走，要么套模板改文案，要么就是特别简约的那种。可用性其实不高",
"summary": "用户认为当前AI生成效果有限，更依赖模板调整。"
}
]
}
],
"core_conclusions": {
"top_pain_points": [
{
"pain_point": "导出功能不稳定且体验差",
"description": "用户频繁反馈导出选项缺失、排版错位、图片崩溃等问题，严重影响实用性和信任度。",
"evidence": "导出幻灯片的排版与在浏览器内的排版会有点差别，有些边缘的文字显示不出来，标题栏也错位"
},
{
"pain_point": "新用户上手门槛高",
"description": "大量咨询类问题集中在工具入口、下载方式、文档上传操作等基础环节，说明新用户引导不足。",
"evidence": "如何根据自己的文档生成ppt，我上传文字就不行"
},
{
"pain_point": "生成效果单一，缺乏深度定制能力",
"description": "用户指出当前生成结果过于简约或模板化，难以满足专业场景的多样化风格需求。",
"evidence": "感觉现在ai ppt这趴还是有很长的路要走，要么套模板改文案，要么就是特别简约的那种。可用性其实不高"
}
],
"potential_opportunities": [
{
"opportunity": "拓展垂直场景的深度支持",
"description": "用户明确提出了试卷生成、中国风提示词等细分需求，结合课件、年底总结等高频场景，可针对性地开发行业化功能。",
"evidence": "整个能生成试卷的提示词吧；期待一个中国风的提示词"
},
{
"opportunity": "强化编辑与集成能力",
"description": "用户肯定页数控制、多风格缝合等灵活功能，并对比提及与Google幻灯片的集成价值，需加强生成后的无缝编辑和跨平台协作体验。",
"evidence": "提示词控制 PPT 的页数可以的，我生成了31页；还能无缝对接Google幻灯片继续编辑，比单纯生成PPT实用多了"
}
]
}
}
}如果你也是做AI PPT工具的，或者是相关的自媒体博主，是不是从这些评论里，能找到一些需求、灵感或选题？
这些内容我们还可以进一步做成一个简单的报告，通过飞书机器人发送给自己，这样就可以即时获取到内容。
当然，还是要提醒一点，这套流程有一个不是很稳定的地方，就是WeWe RSS的步骤，我用起来发现，扫码登录后的号经常会掉，而且观察下来可能也不是很稳定，没办法，微信生态是这样子。退而求其次我只能把微信里收到推送的公众号文章的链接复制下来，然后发给多维表格，后面的流程都都是自动化了，自动获取文章内容、获取文章评论、AI分析。
三、这个流程有什么作用？
搭建工具只是手段，目的还是为了业务增长。这套流程的应用场景主要有三个：
1、寻找 Feature Request（功能需求）
用户的抱怨 = 你的机会。以前做需求调研要发问卷、做访谈，周期长成本高。现在，竞品的评论区就是你免费的“调研池”。每周可以把 AI 提取出的用户需求汇总一次，出现频率最高的，直接进入需求池排期 MVP。还可以去评论区去互动。
2、优化内容选题
用户在评论区问什么，下一篇文章就写什么。如果一篇技术文章下面，很多人在问“怎么部署”、“有没有教程”，说明这个话题的落地门槛很高。那你写一篇“保姆级部署教程”，绝对爆款。这就是“追着用户需求写”，而不是“拍脑袋写”。
3、监测舆情风险
对于自己的账号，这套系统同样适用。设置 AI 预警，一旦评论区出现“退款”、“骗子”、“不好用”等关键词占比过高，立刻推送到飞书群里。公关危机往往都是从评论区的小火苗开始的，早发现一分钟，就能少损失很多钱。
四、写在最后
这套系统看似用了不少工具：WeWe RSS、n8n、API、AI…但其实你仔细看，核心逻辑非常简单：自动化采集 -> 结构化存储 -> 智能化分析。“我看了 100 篇竞品文章”，这不叫努力，这叫苦力。“我从 1000 条评论里洞察出了 3 个核心痛点，并转化为了 1 个新功能”，这才是产品经理的核心竞争力。工具的价值，在于把人从繁琐的流程中解放出来，去把时间花在思考、决策和洞察上。如果你对这套流程感兴趣，或者在搭建过程中遇到了卡点，欢迎在评论区留言。如果这篇教程对你有启发，记得点个“在看”。
附：工具清单与成本预估
- WeWe RSS：开源免费（部署在 Zeabur 约 \$5/月，有免费额度
- n8n：开源免费（自部署或桌面版）
- 飞书多维表格：个人版免费
- 极致了 API：约 0.06元/次（新用户送额度，够玩一段时间）
- 多维表格AI字段（DeepSeek/豆包）：按 Token 计费（新用户免费送额度）
📋 这套需求池相关模板，我整理成模板了
跟着上面步骤搭要花点时间。想直接拿现成的改，加我微信备注「需求池」，我发你。
🤔 卡在某一步了？
搭建过程里如果哪一步卡住了，如果你照着做没跑通，或者你们公司情况不太一样，可以找我聊聊，我免费帮你看看怎么调。不合适我也会直说。
扫码加我，备注「需求池」领模板
想看更多这类方案，我都整理在 吨师傅工具箱 里了：客户管理、进销存、工单报修……按场景分好类，可以直接抄。
