多维表格+Coze：收集好文并用AI分析评论需求

作为一名深度内容消费者，你是不是也有这种“病”：刷朋友圈、看订阅号时看到深度好文，第一反应是“先收藏/转给自己，回头细看”，结果链接在收藏夹里吃灰，连标题都想不起来。

我之前分享过一套把碎片化公众号文章变成业务资产的流程，核心是三点：

即时录入（看到好文发链接给飞书机器人，自动落表）、动态追踪（自动抓评论和阅读量）、深度挖掘（用 AI 分析评论里的需求、吐槽和可回复的问题）。

前一篇我们主要写了「即时录入」：用 Coze 搭飞书机器人、一键把文章信息写入多维表格。但最后的AI洞察没展开。这篇文章就在回顾前文的基础上，把评论洞察这一块补上：用多维表格的 AI 字段捷径按行分析评论，洞察一生成就发飞书通知，这样我们不用天天盯表，就能知道某篇文章的评论都有什么内容，是否有什么需求，或者哪些评论值得去回复、引流。

一、 为什么要搞得这么复杂？

有人会问：收藏或转给自己不行吗？当然可以，看个人习惯。对我这种经常写内容的人而言，收藏夹是线性且封闭的：存 100 篇就是 100 个孤立的链接。我更想要的是结构化且可进化的情报站。

• 结构化：标题、作者、发布时间、评论等分门别类进表格，方便聚合分析。
• 可进化：文章是静态的，但数据与反馈是动态的。刚发的文章和 24 小时后有几百条评论的文章，价值完全不同。

所以思路是：飞书机器人当“收件箱”，多维表格当“仓库”，AI 负责“想”。你负责看，机器人负责记，AI 负责从评论里提炼需求、问题和机会。

二、 如何实现？

Step1：让飞书机器人随时记录文章链接

以前我们要记录一篇文章，得点开链接、复制标题、切回表格、粘贴…这一套下来起码 30 秒。现在，我只需要“@机器人 -> 发送链接”，就搞定。

大概效果如下：

*（@机器人 ，发送文章链接）*

*（自动获取文章标题、作者、发布时间和公众号名称）*

这个机器人背后是一个 Coze（扣子） 搭建的智能体：你发链接，触发 Coze 工作流执行。

用 Coze 的原因很简单——可以一键发布成飞书机器人，和飞书、多维表格的授权在 Coze 里点几下就能完成。毕竟都是字节生态内的产品。

这个coze工作流的作用是，通过文章链接，获取到对应的标题、作者、公众号名称和发布时间。

工作流大致这几步：

①开始节点：接收你发过去的链接。

②HTTP 请求：调极致了 API 的「获取文章基本信息」接口。

③JSON 反序列化：把接口返回整理成结构化数据。

④代码节点：从返回里抽出标题、作者、公众号名、发布时间等，整理成多维表格「新增记录」需要的 fields 格式。

⑤add_records 节点：飞书多维表格官方插件，把上面整理好的数据写入你指定的表。

试运行时丢一个文章链接进去，跑完就能在表里看到这条记录。要变成飞书机器人的话，就在 Coze 里新建项目 → 关联这个工作流 → 发布 → 渠道选飞书，按提示完成授权。

之后在飞书里搜到机器人，加进群聊，@机器人并发送公众号文章链接，就会自动抓取并写入多维表格。以后看到好文，复制链接发一下就行，不用再手动填表。

coze的具体配置方法就不细说了，需要的话可以看看之前的文章：【链接】

Step2：捕获文章的评论、表现数据

第一步我们只是把文章链接、标题的基础数据记录到多维表格了，只有基础数据作用不大。我们还需要通过这一步，把文章的内容、评论、阅读/点赞数据等都爬下来写入到多维表格里。

这些数据，同样的，我们可以调用极致了API接口，直接用飞书多维表格的工作流来实现。类似n8n。

大概的逻辑就是，当我们在多维表格新增一个行时，也就是一篇文章链接时，24小时之后，工作流自动运行，调用极致了API接口，获取到内容、评论、阅读/点赞数据等，更新到多维表格里。

为什么是24小时后再自动运行流程呢？因为有些文章可能是刚发的，一开始没什么评论，所以我们就等24小时后，再去抓取文章的内容，相对来说数据会更丰富一点。

*（评论内容和文章数据都更新到多维表格里了）*

Step3：AI洞察和分析评论

好，第二步完成后，我们就有了详细的数据，之前的文章我们也只写到这里。那接下来我们怎么去用评论的数据呢？

一种方式就是直接把表格下载下来，全部扔给AI会话框，让AI帮我们分析。缺点是每次要手动操作，而且数据多了的话AI不一定分析的全。

个人觉得比较好的方式是直接用飞书多维表格里的AI字段。

我们直接在表里加一列，类似选择字段捷径 → AI相关（比如我选择的是豆包模型），然后在指令里输入提示词。

这样 ，这个AI字段，就可以帮我们针对每一行的标题和评论内容，通过AI来洞察。

让AI来分析什么内容呢？可以有这几件事：

• 评论分类：这批评论主要属于哪几类（感谢/夸赞、操作咨询、成本询问、功能需求、报错求助等）。
• 正面 / 负面：哪些在夸、在感谢，哪些在吐槽、在抱怨。
• 衍生需求：从评论里归纳读者想要什么、期待什么。
• 值得回复的问题（引流向）：尤其是“怎么操作”“怎么处理”“有没有教程”这类适合你在评论区解答、方便引流的问题，单独列出来。

我们在指令里输入提示词：

你是一位负责公众号运营与用户洞察的助手。请根据【本行的「标题」字段】 和【本行的「评论」字段】 进行分析。
【评论】字段是一段 JSON：用户评论正文在 data 数组里，每项的 content 是评论内容；new_reply_list 里是该作者的回复，也取 content。请先从中提取所有评论与回复的文本，再基于这些内容做分析。
请按以下结构输出，每条尽量简短，用分号或换行分隔即可：
1）评论分类：用几个关键词概括这批评论主要属于哪几类（如：感谢/夸赞、操作咨询、成本询问、功能需求、报错求助、其他）。
2）正面评论：列出表达感谢、认可、夸奖或明确说「跑通了」「有用」等的评论要点。
3）负面或吐槽：列出表达不满、困惑、失望或吐槽的评论要点；若无则写「无」。
4）衍生需求：从评论中归纳读者/用户提出的需求、期待或建议（如：希望有视频教程、能否支持 Mac、想了解成本等）。
5）值得回复的问题（引流向）：单独列出「怎么操作」「怎么处理」「如何解决」「有没有教程」「能不能…」等适合博主在评论区解答、便于引流或建立专业形象的问题；每条用一句话概括。若无则写「无」。
若评论为空或无法解析，直接输出「暂无评论」。

不过这里我意识到一个问题，字段捷径可能不是一个最优的方式，因为我们的评论内容， 是新增数据后的24小时才生成，但是当新增数据的时候，AI字段就开始运行了。所以，AI字段其实是少了评论数据作为输入的。

所以更好的方式，可能还是用多维表格的工作流来实现

新增一个工作流，当新增记录并且comment字段不为空时，就调用AI agent（提示词一样是用上面的），并把洞察结果内容写入到表格中的AI评论分析字段。

工作流运行后，同样的会把AI洞察结果数据写入到多维表格里。

Step4：洞察生成后，发飞书通知给我

光有洞察列还不够，表里数据多了，我们不可能每天把所有行都看一遍。所以可以再走一步：当“洞察”这一列被生成或更新时，自动发一条飞书通知给我们自己。

实现方式：用多维表格的自动化 / 工作流，触发条件设为当「AI洞察字段列从空变为有内容」时，执行「发送飞书消息」，把当前行的标题 + 刚生成的洞察内容一并塞进消息体，发给你的飞书账号或指定群。这样一旦某篇文章的评论洞察生成好了，我们马上能在飞书里收到一条提醒，点开就能看到“哪篇文章 + 用户都在说什么、有哪些可回复问题”，方便你及时去评论区互动、引流。省去了人工去翻阅表格的操作。

四、这套流程有什么价值？

搭建工具是手段，业务产出才是目的。这套系统能直接反哺工作：

• 需求池：让 AI 定期总结表里的评论和表现数据，找出高频需求。如果多篇爆文底下都在喊“想要某某功能”，就是很好的需求信号。
• 选题与引流：评论区问得最多的“怎么用”“怎么操作”，就是你下一篇内容或评论区回复的素材；洞察里标出的“可回复问题”，就是你去留言、建立专业形象的机会。
• 舆情：若是自己的号，可以再配合规则（例如某类负面词占比过高）做预警，这里不展开。

五、写在最后

整条链路可以概括成：收件箱（Coze 机器人）把文章链接变成表格里的记录 → 抓评论与数据 → 用 AI 字段捷径按行生成评论洞察 → 洞察更新时飞书通知你。这样既保留了“即时录入、动态追踪”的便利，又把“深度挖掘”落到了具体操作上：不用自己翻评论，AI 帮你归纳好；一旦归纳完，飞书推给你，你再去回复、引流就行。工具组合会变，底层思路就一个：把“看了很多文章、攒了很多评论”变成“结构化、可分析、可提醒”的资产，省下搬运和翻阅的时间，去思考、去决策、去和用户聊天。如果这篇对你有启发，欢迎点个“在看”，咱们下一篇见。

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86篇，总计30万字。 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

---