在上一篇《内容创作全流程 | 选题挖掘第一弹：n8n+DeepSeek 洞察 YouTube 评论内容并自动同步到多维表格》里，我们搭建了一条「YouTube 评论选题自动化流程」：每周按关键词去 YouTube 搜热门视频 → 抓热门评论 → DeepSeek 做中文洞察 → 写入飞书多维表格。
【链接】
这个自动化流程主要是帮我们挖掘用户需求，寻找选题用。对应上我们最早写的《一图说透「内容创作全流程」：从选题挖掘→选题挑选→内容构建》里面挖选题的部分。
【链接】
文章链接：
*Tips：这张图不知道出处是哪，但觉得方法论挺值得分享；如涉及侵权，请联系我删除或署名。*
这一篇，我们写写这个系列的第二弹，把对象换成了 Reddit 。我们搭建一条新的自动化流程：「Reddit选题监控流程」：每天自动去多个 Reddit 板块抓热门帖子和评论，让 DeepSeek 帮我总结其中的需求和痛点，然后把「帖子 + 评论 + AI 洞察」沉淀到多维表格里，成为选题/选品情报池。
一、先聊聊：Reddit 是什么？
以防有的朋友们不知道reddit是什么，我们先简单介绍下这个产品：
Reddit 是全球最大的网络社区和资讯聚合平台之一，常被称作“互联网的首页”，你可以把它理解成一个超大号的「论坛 + 社区」，由无数个基于特定兴趣的主题社区组成，每个主题社区被称为subreddit。
每个社区里，用户可以发帖、评论、投票、争论，非常多是真实用户在分享体验和踩坑。
对做内容/选品的人来说，可以好好用到reddit这个平台。
1、它是真人讨论，而不是纯「营销素材」
尤其在一些细分版块里，你看到的是用户真的在用、真的在骂、真的在对比，而不是一堆广告文案。
2、按版块可以精准切你关心的领域
比如BuyItForLife，就是耐用好物，大家在讨论「值得长期使用的高质量产品」；EDC：Everyday Carry，每日随身好物；Productivity：效率工具和生产力方法……
如果我们把这些信息系统地抓下来、做一层 AI 洞察、再写进一张表里，其实就是一条非常扎实的「选题/选品库」：
- 看到用户最近在关心什么；
- 哪类产品/方案被频繁提到；
- 评论里有哪些可以直接变成选题/内容话题的问题。
二、这条 Reddit 自动化流程，整体在干什么？
我们先不看节点细节，先说说流程的整体逻辑。
这条流程每天固定时间自动运行，大概做了 8 件事：
1.读取一组我们关心的 Reddit 板块；
2.批量抓每个板块的热门帖子；
3.把帖子数据清洗成统一格式；
4.逐条处理这些帖子，并先去重；
5.对新帖子抓评论；
6.把帖子内容和评论整理成可读文本；
7.把这些内容交给 DeepSeek 做洞察；
8.把结果写进飞书多维表格。
最终，我们会得到一张持续更新的表：
- 每一行是一条 Reddit 热门帖子；
- 包含帖子标题、链接、版块、作者、评论摘要；
- 以及一段 AI 洞察：这条帖子讲了什么、评论里有哪些高频问题、可以延展出什么中文选题/选品方向。
从体验上讲，它相当于：以前你要自己每天打开 Reddit 刷板块、看帖子、翻评论、手动记笔记；现在流程每天自己跑一遍，你第二天直接打开表格看结论。
三、这条流程怎么拆？每个节点大概负责什么？
基于这个全流程，我们重点说说核心节点的用途是什么。
1、定时触发：每天固定时间点运行
这一步很简单，就是设置每天固定时间自动执行整个流程。比如每天晚上 23 点跑一轮，第二天一早你打开表格就能看结果。它的意义是养成一条稳定的情报输入节奏。
2、配置中心
这里主要集中放几类基础配置：
- TikHub 的 API Key
- 飞书多维表格的 app / table 信息
- DeepSeek 的接口地址和 Key
为什么要单独做一个配置中心？因为后面所有 HTTP 节点都会用到这些信息。集中放在一起，后续换表、换 Key、换模型都只改一处，维护起来更省事。
3、Reddit 板块列表
这一步就是定义我们的「监控范围」。
比如我现在重点关注一下几个
return [
{ json: { name: 'Productivity' } }, // 效率工具
{ json: { name: 'Notion' } }, // Notion 用户
{ json: { name: 'selfhosted' } }, // 自建工具/服务
{ json: { name: 'InternetIsBeautiful' } }, // 有意思的网站/工具
{ json: { name: 'DataIsBeautiful' } }, // 数据可视化/数据类需求
{ json: { name: 'SideProject' } } , // 人项目/产品想法
{ json: { name: 'Entrepreneur' } } // 创业者视角
];这和第一弹里用「关键词列表」是一个逻辑：
- 第一弹是按关键词搜 YouTube 视频；
- 第二弹是按 subreddit 去抓 Reddit 热帖。
这个板块列表，其实就是我们这条「选题自动化」的边界。
4、批量获取热门帖子
拿到板块列表后，流程就会对每个 subreddit 调一次 Reddit feed 接口，抓该版块里的 HOT 热门帖子。这一步得到的数据通常很杂、层级很多，不适合直接拿来写表或喂 AI，所以后面还要做一次清洗。
5、合并清洗所有帖子数据
这一步是整个流程里很关键但也很「脏活」的一步。因为 Reddit 返回的数据不是我们直接能用的「帖子标题 + 内容 + 评论数」这种结构，而是很多层嵌套、很多无用信息混在一起。所以这里我做的事是：
①过滤掉广告、推荐、排序卡片这类无关内容；
②只保留真正的帖子；
③从复杂结构里抽出我们关心的字段，比如帖子 ID、板块名、发布时间、作者、标题、正文摘要、链接、评论数、score、分享数。
做完之后，每条帖子就会变成一条结构统一的数据。这一步的价值其实很大，因为你后面无论是：去重、抓评论、AI 洞察、写入表格，都建立在「数据结构已经统一」的前提上。
6、逐个处理帖子（循环）+ 去重
拿到所有帖子之后，流程不会一下子把它们全塞进后面的节点，而是会一条条处理。这样做有两个好处：
①流程更稳，出错时更容易定位是哪条帖子有问题；
②更方便在中间插入「去重查询」。
所谓去重，就是先去飞书多维表格里查一下：这条帖子 ID 之前有没有写过？
- 如果已经写过，就跳过；
- 如果是新帖，才继续往下抓评论、做 AI 洞察。
这样就不会每天都把同样的热门帖子重复写进表格里。
7、抓评论
这一步会根据当前帖子的 post_id 去拿对应的评论。评论本身也不是平铺的，而是树状结构，有嵌套、有格式符号、有换行。所以这时候还不能直接给 AI，需要再做一次整理。
8、组装帖子+评论数据
这一块的目标是把数据变成「AI 能看得懂、人也能看得懂」的样子。具体来说，就是：
①保留原来的帖子字段；
②从评论树里抽出有价值的评论文本；
③做一些简单清洗：去掉多余换行、处理引号、让内容更适合写进 JSON / 飞书表
④把前面若干条评论拼成一段摘要文本，例如：
- 评论内容1
- 评论内容2
- 评论内容3
这样，我们就得到了一条完整的输入材料：帖子标题 + 帖子正文 + 评论摘要。这就是后面 DeepSeek 要去洞察的内容。
9. 构建 DeepSeek 提示词
这和我们第一弹里 YouTube 评论洞察很像，这里也会专门构造一段提示词给 DeepSeek。这段提示词的目标，不是让 AI 瞎发散，而是让它围绕你真正关心的几个问题来总结：
- 这条帖子在讲什么？
- 针对的是哪类用户？
- 评论里反复出现的痛点和顾虑是什么？
- 如果我要面向中文用户做内容/选品，这里面可以拆出哪几个方向？
- 哪几个评论问题值得你拿去做内容回应或社群互动？
你会发现，这一步其实就是把「AI 洞察」变成了一个结构化分析环节，而不是只让 AI 随便发挥。
10. 调用 DeepSeek 做洞察
这一节点本身是标准的 HTTP Request，连 DeepSeek 的 Chat Completions 接口。输入是上一步构造好的 prompt，输出是一段中文内容，里面会包含：
- 帖子的主题、人群、场景；
- 评论里的痛点和高频问题；
- 3 个适合中文场景的选题或选品方向；
- 值得拿来回应的评论问题。
也就是说，从这一刻开始，流程不再只是「帮你抓数据」，而是开始做第一层理解和归纳了。这也是为什么我觉得这条流程和单纯的数据抓取不一样：它抓的不只是帖子，而是把帖子变成了「可直接用于决策的情报」。
11. 组装最终记录
DeepSeek 返回的是一段结构化的文本洞察，我们需要把它和前面的帖子字段、评论摘要合并起来，形成一条完整的记录对象。这一步的作用很简单：
- 把 AI 输出抽出来；
- 命名成一个固定字段（比如 AI洞察）；
- 和帖子标题、版块、评论等一起打包，准备写入飞书。
12. 写入飞书多维表格
最终，每条帖子会写进飞书多维表格的一行。这一行里大概有这些信息：
帖子 ID、版块名、发布时间、作者名称、帖子标题、帖子内容、帖子链接、帖子评论摘要、评论数 / score / shareCount、AI洞察
也就是说，最终你在表格里看到的，不是「一堆原始 Reddit 数据」，而是：一条帖子 + 一组评论摘要 + 一段已经帮你整理过的 AI 洞察。这时候多维表格就不是简单的存储工具了，而是你的 选题 / 选品情报看板。
四、这条「Reddit 选题自动化流程」，在你的内容创作全流程里扮演什么角色？
如果我们把它放回最早那张「内容创作全流程」大图里，这条流程主要落在：
- 选题挖掘 / 多平台数据源
- 选题挖掘 / 用户需求与画像
和第一弹放在一起看，就会更清晰：
第一弹：YouTube 评论雷达
偏内容选题，帮你看「什么讲法、什么角度、什么评论互动会爆」。
第二弹：Reddit 热帖雷达
偏选题/选品情报，帮你看「用户在什么场景下、围绕什么问题在争论、吐槽、求解决方案」，哪些讨论能反推出一个选题、一个选品方向，甚至一个产品机会？
如果我们把这两条情报线一起跑起来，其实就不是「我自己在想写什么」了，而是：我每天都在被一堆真实用户需求喂选题。
五、这条流程实际帮我们省掉了什么？
以前如果你想手动做这件事，大概是这样的：
①打开 Reddit；
②一个版块一个版块刷；
③看有哪些热帖；
④点进去翻评论；
⑤复制几个有意思的评论到文档里；
⑥过几天又得重新做一遍。
而现在这条流程搭好之后：
①每天自动跑；
②自动过滤掉老帖子；
③自动抓评论；
④自动做一层 AI 洞察；
⑤自动写进飞书多维表格。
我们只需要做两件事：
①打开表格看结果；
②判断哪些值得写、哪些值得继续深挖。
这就是我们一直在讲的那句话：自动化不是替你做决策，而是替你把那些重复、机械、耗时的前置动作全部做掉。
六、写在最后
如果说第一弹的 YouTube 评论流程，是帮我们从「视频评论」里挖内容题材；那第二弹的 Reddit 流程，就是帮我们从「论坛帖子 + 社区评论」里挖真实需求和选题线索。它们看起来抓的是不同的数据源，但底层逻辑其实是一样的：
1.持续从高价值平台抓数据；
2.用自动化把原始内容标准化；
3.用 AI 做第一层洞察；
4.把结果沉淀进多维表格；
5.最终由你来做判断和创作。
这样，我们的内容创作就不再只是「凭感觉写」，而是慢慢拥有了一套自己的 选题中台。之后这个系列我还会继续往下拆，如果你也在做内容、做自动化、或者想把 AI 用到真正的业务里，可以继续关注这个系列。
最后是广告时间
如果想自己动手搭今天这条流程、或看更多 n8n / 多维表格的详细配置和案例，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87篇，总计31.6万字。 限时价格99元（一次订阅永久阅读）。
课程目录：
小报童订阅入口：
专栏名称：吨师傅工具箱 https://xiaobot.net/p/mrdun191?refer=ab67a8c6-dd54-45e1-9400-26c138383bd7（复制并在浏览器打开）
或用手机微信扫描下方二维码
📋 这套选题雷达相关模板，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「选题雷达」，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「选题雷达」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。
