做内容的朋友，大概都经历过这种时刻：精心写完一篇文章，发出去，阅读数定格在两位数。翻了翻后台，心里开始犯嘀咕，是写得不够好？还是这个选题本来就没人感兴趣？这两个问题，其实只有第二个是可以在动笔前就回答的。内容做不好，一般有两种情况：一种是写得不好，一种是选题没需求。前者靠练，但后者完全可以在动笔前用数据验证清楚。

我们平时选题，大多靠感觉，觉得这个话题最近很热、觉得这个方向有人关注、或者单纯是自己想写。这本身没什么问题，但有一个很大的漏洞：你觉得热的词，可能早就被写烂了，平台算法早就不给新内容权重了。你觉得冷门的词，可能正好是「搜的人多、写的人少」的蓝海，写一篇 80 分的内容就能排第一。这就是为什么要做关键词潜力分析。在动笔之前，先用数据搞清楚这个词在公众号生态里的供需关系：

这个词有多少人在搜、现有文章能读到多少量？（需求天花板）
历史上有多少篇文章在写这个词，近期还有多少新内容？（供给竞争）
已有的文章质量怎么样，有没有超车空间？（内容机会）

三个问题都清楚了，你才知道「要不要写」「怎么写才有机会」。

一、关键词分析能告诉你什么

这是一个常被忽略的认知：公众号的搜索行为，本身就是用户需求的真实投票。用户在微信里搜「私域运营」，是因为他有这个需求，想找答案。搜索量大的词，代表需求是真实存在的；反过来，如果一个词几乎没人搜，就算写得再好，流量也很有限。但光有需求还不够。一个词搜索量大，同时已经有几千篇高质量文章在占位，新人去硬刚，概率也不高。所以，关键词潜力分析的本质，是判断「需求 vs 供给」的比值：

需求大、供给少 → 蓝海词，值得写
需求大、供给也大但质量差 → 有超车机会，值得写
需求小、供给少 → 冷门词，谨慎
需求小、供给大 → 红海，除非有很强的差异化，否则跳过

具体到公众号，我们要判断三件事：

① 这个词的需求天花板有多高：看「按阅读数排序」的前 20 篇文章，平均阅读多少。这反映的是：如果你写这个词，理论上能到的天花板在哪里。如果前 20 篇均阅读才几百，说明流量池本身就很小。

② 现有内容有没有超车空间：看前 20 篇的「赞阅比」（点赞/阅读）和平均字数。赞阅比低，说明现有内容共鸣感一般；字数普遍偏短，说明都是浅薄内容，你写一篇 3000 字深度文章就能直接超车。

③ 近期供给是不是新鲜：看「按时间排序」的近 7 天，有多少篇文章在写这个词。如果近 7 天只有零星几篇，说明近期供给空白，微信算法更可能给新内容权重，是发布的好时机。

今天我们就用一个微信文章搜索接口 + n8n，把这套分析流程自动化，每次评估一个或多个关键词，只需要跑一遍流程，结果自动出来。

二、用一个接口把三件事全搞清楚

微信搜索数据从哪来？微信的封闭生态导致获取数据比较困难，我用的是极致了API这个专做微信公众号的接口平台。用「关键词搜索微信文章」这个数据库接口，支持按阅读数或时间排序，能拿到每篇文章的标题、正文、阅读数、点赞数、再看数、发布时间、账号名等字段，以及这个关键词在数据库里的总文章数（total 字段）。

这个接口我们可以分两次查询，分别读不同的信息：

查询	参数	目的
查询 A	sort_type=1（按阅读数），period=720	历史高质量内容：判断天花板 + 竞争格局 + 内容质量
查询 B	sort_type=2（按时间），period=7	近 7 天供给：判断近期竞争和发布时机

这两次查询目的不同、参数不同，在n8n可以分开成两个 HTTP 节点，再用 Merge 节点合并后统一计算。后续在n8n配置里会说，好，接下来我们看看n8n如何配置。

三、n8n 工作流配置

整体结构

这个工作流大概是这样一个流转逻辑

Schedule Trigger
    ↓
Code in JavaScript（设置关键词列表）
    ↓
Loop Over Items
    ├──→ HTTP_Request_A（热度排序）──→ Merge（input 1）
    └──→ HTTP_Request_B（时间排序）──→ Merge（input 2）
                                           ↓
                                   Code（数据加工）
                                           ↓
                                Create chat completion（DeepSeek）
                                           ↓
                                   Loop Over Items（闭环，继续下一个）

在n8n里这样来配置

节点1：Schedule Trigger

定时节点。我们可以设置每周触发一次，平时也可以手动执行。

节点2：Code in JavaScript（设置关键词列表）

选择code节点，这个节点的主要目的是把我们要搜索的关键词维护进去。

比如我们设置”私域运营” 和”企业微信运营”两个关键词

return [
  { json: { keyword: "私域运营" } },
  { json: { keyword: "企业微信运营" } }
];

执行后每个关键词输出一个 Item。

要分析哪些词，直接在这里加减就行。

当然你也可以把关键词维护在多维表格，然后用多维表格接口来获取关键词。不过code的节点就比较简单一些。

节点3：Loop Over Items

循环节点。因为我们分析的关键词不止一个，所以循环这个动作是必要的。

这个节点接收上面 Code 节点输出的关键词列表，每次循环取一个关键词进入后续节点。Loop 节点有两个出口：

done（上方）：所有关键词跑完后触发，不需要接其他节点。
loop（下方）：每次循环的当前 Item，同时连到 HTTP A 和 HTTP B。

节点4：HTTP_Request_A（热度排序）

这个http节点，就是对接极致了API，获取搜索数据的节点了。

A查询是按热度进行排序。

①Method：POST

②URL：https://www.dajiala.com/fbmain/monitor/v3/kw_search

③Headers：Content-Type: application/json

④Body：

{
  "kw": "{{ $json.keyword }}",
  "sort_type": 1,
  "mode": 1,
  "period": 720,
  "page": 1,
  "key": "你的API Key",
  "any_kw": "",
  "ex_kw": ""
}

sort_type=1 按阅读数排序，period=720 取近两年，每次返回 20 条。出口连到 Merge 节点的 Input 1。

节点5：HTTP_Request_B（时间排序）

B查询也是用同样的接口，只不过查询的条件不同

同样的接口，只需改两个参数

{
  "kw": "{{ $json.keyword }}",
  "sort_type": 2,
  "mode": 1,
  "period": 7,
  "page": 1,
  "key": "你的API Key",
  "any_kw": "",
  "ex_kw": ""
}

sort_type=2 按时间排序，period=7 只取近 7 天。出口连到 Merge 节点的 Input 2。

节点6：Merge

Mode 选 Combine，Combine By 选 Position。按位置合并，把 HTTP A 的结果和 HTTP B 的结果合成一个 Item，进入下一个 Code 节点统一计算。

节点7：Code（数据加工）

这里用code节点。这是核心的计算节点，要把两次查询的结果合并，并且提取所有可量化指标

代码如下：

// 分别引用两个 HTTP 节点的返回结果
const resultA = $node["HTTP_Request_A（热度排序）"].json;
const resultB = $node["HTTP_Request_B（时间排序）"].json;

const articlesA = resultA.data || [];
const totalSupply = resultA.total || 0;

const articlesB = resultB.data || [];
const recent7Supply = resultB.data_number || articlesB.length;

// ── 需求分析 ──────────────────────────────

// 前20篇平均阅读
const avgRead = articlesA.length > 0
  ? Math.round(articlesA.reduce((s, a) => s + (a.read || 0), 0) / articlesA.length)
  : 0;

// 前20篇最高阅读
const maxRead = articlesA.length > 0
  ? Math.max(...articlesA.map(a => a.read || 0))
  : 0;

// 近7天最高阅读
const recentMaxRead = articlesB.length > 0
  ? Math.max(...articlesB.map(a => a.read || 0))
  : 0;

// ── 内容质量分析 ──────────────────────────

// 平均赞阅比（点赞/阅读，反映共鸣程度）
const avgLikeRate = articlesA.length > 0
  ? (articlesA.reduce((s, a) => {
      return s + (a.read > 0 ? a.praise / a.read : 0);
    }, 0) / articlesA.length * 100).toFixed(2)
  : "0";

// 平均再看阅比（再看/阅读，反映收藏价值）
const avgLookingRate = articlesA.length > 0
  ? (articlesA.reduce((s, a) => {
      return s + (a.read > 0 ? a.looking / a.read : 0);
    }, 0) / articlesA.length * 100).toFixed(2)
  : "0";

// 前20篇平均字数（反映内容深度）
const avgWordCount = articlesA.length > 0
  ? Math.round(
      articlesA.reduce((s, a) => s + (a.content ? a.content.length : 0), 0) / articlesA.length
    )
  : 0;

// 原创率
const originalCount = articlesA.filter(a => a.is_original === 1).length;
const originalRate = articlesA.length > 0
  ? Math.round(originalCount / articlesA.length * 100)
  : 0;

// ── 竞争格局分析 ──────────────────────────

// 账号分散度（前20来自多少个不同账号，越高说明越分散、越容易超车）
const uniqueAccounts = new Set(articlesA.map(a => a.wx_id)).size;
const accountSpread = articlesA.length > 0
  ? Math.round(uniqueAccounts / articlesA.length * 100)
  : 0;

// 主要竞争账号（前5个去重账号名）
const topAccounts = [...new Set(articlesA.map(a => a.wx_name))]
  .slice(0, 5)
  .join("、");

// ── 当前关键词（从上游 Loop 传入）────────────

// Loop 里每个 Item 都带着 keyword 字段，从 input 取
const keyword = $node["Loop Over Items"].json.keyword || "";

// ── 输出 ──────────────────────────────────

return [{
  json: {
    keyword,
    totalSupply,          // 历史总供给量
    recent7Supply,        // 近7天供给量
    avgRead,              // 前20均阅读
    maxRead,              // 前20最高阅读
    recentMaxRead,        // 近7天最高阅读
    avgLikeRate: avgLikeRate + "%",       // 平均赞阅比
    avgLookingRate: avgLookingRate + "%", // 平均再看阅比
    avgWordCount,         // 平均字数
    originalRate: originalRate + "%",     // 原创率
    accountSpread: accountSpread + "%",   // 账号分散度
    topAccounts,          // 主要竞争账号
  }
}];

这段代码做的事情，用一句话概括就是：把两次 API 查询拿回来的原始数据，加工成AI能直接看懂的指标数字。

简单来说这段代码分成了四个部分

①取出原始数据：HTTP A 和 B 各自拿回来的是一大堆原始 JSON 数据，这里就是把它们分别存到两个变量里，后面方便引用。

②需求分析——这个词有多少人在看：拿到前 20 篇文章的阅读数，算一个平均值和最大值。平均值代表「这个词正常能拿到多少阅读」，最大值代表「天花板在哪里」。reduce 是一个累加函数，把 20 篇的阅读数一个个加起来，再除以 20，就是平均值。

③内容质量分析——现有内容好不好：这四个指标是用来判断「现有内容够不够好、有没有超车空间」的：

赞阅比：把每篇文章的点赞数除以阅读数，算出比例，再对 20 篇取平均。比例越低，说明读者看完没被打动，你有机会写出更有共鸣的内容。
再看阅比：同理，再看数除以阅读数。再看比点赞更难得，高再看率说明读者觉得「值得收藏」。
平均字数：把每篇正文的字符长度加起来取平均。字数少说明现有内容普遍浅薄，写一篇深度长文就能脱颖而出。
原创率：统计 20 篇里有多少篇标了「原创」，算百分比。原创率低说明这个词下大多是转载内容，认真写一篇原创更容易被算法推荐。

④竞争格局分析——是谁在占这个词：Set 是一个去重工具，把 20 篇文章的账号 ID 去重后统计有多少个不同账号。如果 20 篇来自 20 个不同账号，分散度就是 100%，说明没有大号垄断这个词，你进来有机会。如果 20 篇有一半来自同一个账号，分散度只有 10%，说明这个词已经被某个头部账号占稳了，竞争很难。topAccounts 则是把前 5 个账号名列出来，方便你直接看「在跟谁竞争」。

最后，代码把所有指标打包输出。把上面算出来的所有数字，整理成一个结构化的 JSON 对象，传给下一个节点（AI）。AI拿到这些数字后，就能对照判断标准给出「高潜力/中/低」的结论了。

节点8：Create chat completion（DeepSeek）

这里我们需要一个AI节点，来分析上个节点输出的指标数据。

我们用deepseek节点来做。（毕竟deepseek还是比较便宜）

首先在Credential to connect with字段，把deepseek的api key维护进去。deepseek的api key需要去deepseek开发者平台去申请充值。

其他的配置：

Resource 选 Chat，Operation 选 Complete，Model 选 deepseek-chat，Simplify 开启。

然后点「Add Message」添加两条：

第一条，Role 选 System，prompt可以这样维护

你是一个公众号内容策略顾问。我会给你一个关键词的量化数据，请根据以下判断标准做分析：

供给判断：
- 历史总供给 < 500篇 = 供给很少；500-2000篇 = 中等；> 2000篇 = 供给充足
- 近7天供给 < 5篇 = 近期空白；5-20篇 = 一般；> 20篇 = 近期竞争激烈

需求判断：
- 前20均阅读 > 5000 = 需求旺盛；1000-5000 = 需求一般；< 1000 = 需求偏冷
- 最高阅读越高，说明天花板越高

内容质量判断（现有内容越差，超车机会越大）：
- 平均赞阅比 < 1% = 共鸣感差；1%-3% = 正常；> 3% = 现有内容质量高
- 平均字数 < 800字 = 内容偏浅薄；800-2000字 = 中等；> 2000字 = 已有深度内容
- 原创率 < 50% = 该词缺少认真原创的内容

请严格按以下格式输出，每项占一行，不要多余解释：
高潜力等级：高/中/低
判断理由：（2-3句话，说明主要依据）
写作建议：（给一个具体差异化切入角度，不超过50字）

第二条，Role 选 User，prompt这样维护

关键词：{{ $json.keyword }}
历史总供给：{{ $json.totalSupply }} 篇
近7天供给：{{ $json.recent7Supply }} 篇
前20均阅读：{{ $json.avgRead }}
前20最高阅读：{{ $json.maxRead }}
近7天最高阅读：{{ $json.recentMaxRead }}
平均赞阅比：{{ $json.avgLikeRate }}
平均再看阅比：{{ $json.avgLookingRate }}
平均字数：{{ $json.avgWordCount }} 字
原创率：{{ $json.originalRate }}
账号分散度：{{ $json.accountSpread }}
主要竞争账号：{{ $json.topAccounts }}

DeepSeek 跑完后，输出里的 {{ \$json.text }} 就是分析结果，包含高潜力等级、判断理由、写作建议三行。最后把这个节点的出口连回 Loop Over Items 的入口，Loop 会自动取下一个关键词继续跑。

四、拿两个关键词实际对比一下

我们这个n8n流程在第二个节点维护了两个关键词：「私域运营」和「企业微信运营」，我们就拿这个关键词来看看结果。用这套流程跑一遍，结果出来挺有意思。

指标	私域运营	企业微信运营
历史总供给	8045 篇	60 篇
近7天供给	17 篇	0 篇
前20均阅读	9893	354
前20最高阅读	23481	1275
近7天最高阅读	5147	0
平均赞阅比	0.85%	0.82%
平均字数	194 字	432 字
原创率	75%	15%
账号分散度	70%	90%
主要账号	云酒头条、葡萄酒商业观察…	通信资讯、郴州农商银行…

看完数据有几个地方值得说一下：

「私域运营」这个词，第一眼看数据挺好，均阅读将近 1 万，天花板 2.3 万，需求是真实存在的。但仔细看会发现一个很奇怪的地方：平均字数只有 194 字。前 20 篇里排名靠前的文章，正文平均才 194 个字？结合主要账号是「云酒头条、葡萄酒商业观察、险企高参」这些名字来看，基本可以判断：这个「私域运营」搜出来的高阅读文章，大概率是行业媒体发的资讯简报，内容里提到了「私域运营」这个词，而不是专门教你怎么做私域的干货文章。这类内容靠的是媒体账号的权重和读者基数，不是因为内容硬。对于想写「私域运营方法论」的内容创作者来说，这反而是个机会——真正有深度的私域运营干货，在这个词下几乎没有，写一篇 2000 字以上的实操文章，超车难度比看起来低得多。DeepSeek 的判断是「中」，给的写作建议是：> 从深度行业分析或具体消费场景切入，撰写 1500 字以上长文，提升内容价值。

「企业微信运营」就更直接了。历史总供给只有 60 篇，近 7 天供给是 0，也就是说最近一周没有任何人发过这个关键词的文章。均阅读 354，天花板 1275，需求确实比「私域运营」小很多，但供给几乎是空白的。原创率只有 15%，说明这 60 篇里大部分都是转载或非原创内容，认真写这个词的人极少。账号分散度 90%，没有任何头部账号在占位。这是一个需求偏小但竞争极弱的词，适合刚起步、还没有账号权重的新号，写一篇就能占住这个位置，后面靠自然搜索持续引流。DeepSeek 判断是「高」，写作建议是：> 从用户真实痛点切入，创作深度原创指南或经验分享，字数在 1500 字以上。

两个词对比，结论很清楚：「私域运营」需求大，但你要搞清楚你在和谁竞争——不是和同类创作者竞争，而是和行业媒体的资讯流竞争，切角度写深度文章有机会。「企业微信运营」需求小，但几乎没有竞争，适合新号快速占位。选哪个，取决于你的账号阶段：有一定粉丝基础的选前者，刚起步积累搜索流量的选后者。

五、写在最后

这套流程的本质只有一句话：在动笔之前，先让数据告诉你「这个词有没有机会」。不是说数据高的词就一定写、低的就跳过，而是让你的判断从「感觉」变成「有依据」。哪个词有机会、从哪个角度切入、现有内容弱在哪里，跑一遍流程，这些问题就都清楚了。

最后是广告时间

如果你也对多维表格/n8n自动化工作流的知识和教程感兴趣，欢迎订阅我的小报童专栏。

专栏会持续更新详细的多维表格/n8n的配置方法、详细教程，以及实际应用场景/案例。

目前累计已更新80篇，总计24万字。限时价格99元（永久）。

课程目录：

小报童订阅入口：

https://xiaobot.net/p/mrdun191?refer=ab67a8c6-dd54-45e1-9400-26c138383bd7（复制并在浏览器打开）

或扫描下方二维码

📋 这套关键词分析相关模板，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「关键词分析」，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「关键词分析」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。

公众号关键词潜力怎么分析？n8n自动化配置教程

一、关键词分析能告诉你什么

二、用一个接口把三件事全搞清楚

三、n8n 工作流配置

整体结构

节点1：Schedule Trigger

节点2：Code in JavaScript（设置关键词列表）

节点3：Loop Over Items

节点4：HTTP_Request_A（热度排序）

节点5：HTTP_Request_B（时间排序）

节点6：Merge

节点7：Code（数据加工）

节点8：Create chat completion（DeepSeek）

四、拿两个关键词实际对比一下

五、写在最后

相关阅读

一、关键词分析能告诉你什么

二、用一个接口把三件事全搞清楚

三、n8n 工作流配置

整体结构

节点1：Schedule Trigger

节点2：Code in JavaScript（设置关键词列表）

节点3：Loop Over Items

节点4：HTTP_Request_A（热度排序）

节点5：HTTP_Request_B（时间排序）

节点6：Merge

节点7：Code（数据加工）

节点8：Create chat completion（DeepSeek）

四、拿两个关键词实际对比一下

五、写在最后

相关阅读

Related Posts