选题不稳多半不是筛选环节的问题,而是上游信息不足:先建一个持续积累的选题库,把判断留给人,AI 只做执行和候选。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
选题库靠平时积累,不靠临时搜
材料里的观点在抖音、小红书搜关键词再让 AI 筛,等于每次从零开始,平台内容又杂,AI 很难判断哪条符合你的要求,出错和波动几乎是必然的。一个更稳的做法是把选题变成持续记录:平时对什么感兴趣、学到什么、想通了什么,随手记进一个笔记里,时间长了自然攒出几百个还没做的题目,接下来要做的反而是筛选而不是硬找1。这样选题的来源是你自己的判断,不是平台算法的推荐流,稳定性来自积累量而不是单次检索质量。
AI 做执行,判断留给人
把 AI 用在“选什么值得做”上容易翻车,因为它倾向挑戏剧性最高的时刻,而不是叙事上最关键的点,这个整体判断目前 AI 学不会2。更可行的分工是:人负责判断层,AI 负责执行层——人先给出方向或候选,AI 把它说清楚、整理成库;人没判断时,AI 只提供一个候选供你验收2。放到你的工具里,就是让 AI 做“整理和扩写”,而不是做“替你决定哪条能爆”。
先做一条,再决定工具长什么样
AI推演与其先搭一个完整的选题 Agent,不如先手动走一遍:录一条你最近想通的事,像给朋友解释一样说出来,交给 AI 做剪辑、字幕和封面,看一遍再发出去3。这一步能帮你验证两件事——你真正在意的选题标准是什么,以及 AI 在哪一环最容易出错。反馈回来再决定选题库该记什么、AI 该帮到哪一步,比一开始就设计复杂流程更省事。
现有材料没有专门讲短视频选题 Agent 的搭建方法,以上是从内容积累和 AI 分工的经验里推出来的,具体到你的选题要求还需自己试。
出处
- 1线下分享:如何把自媒体做成自己的事业?|话题库、商单、定价、工作时长、个人品牌、网暴、AI学习焦虑
讲话题库怎么靠日常积累攒到几百个,适合核对“选题库”这一思路的来源。
- 2视频自动生成字幕 + 矫正 + 高光片段 + 起标题
讲 AI 选高光不如人判断、AI 做执行人做判断,适合核对筛选环节为什么容易不稳。
- 3让发视频比喝水还要简单的skill
给出先手动发一条、再让 AI 接手的具体做法,适合作为起步动作参考。
追问2026年10月9日
但我想交给别人去做这个事儿,大家的问题是本来就没有选题库,所以这是个鸡生蛋、蛋生鸡的问题。我希望用 AI 先帮助他们建立起来
先别指望 AI 凭空生成选题库,让它把你们已有的判断标准变成可校准的筛选流程,选题库是这套流程跑出来的副产品。
选题库不是起点,是筛选流程的沉淀
鸡生蛋的困局在于把“库”当成了要先有的东西。换个顺序:先确定什么算好选题(哪怕只是几条粗糙标准),让 AI 按标准从已有素材里挑候选,人只审 AI 挑出来的那部分,并把每次判断结果回填进标准。这样库不是凭空造出来的,而是每轮筛选自然留下的记录。这套分工的逻辑是:确定性规则交给程序,模糊判断交给 AI,最终拍板留给人,人的反馈再反过来改进规则和评测1。选题判断恰好属于“规则不够用、要看上下文”的那一类,所以适合 AI 先做候选、人做裁决。
给 AI 一个能被打脸的反馈回路
筛选不稳,往往是因为没有东西能证明它错。可以准备一小批你已人工判定过好坏的选题当“错题本”,故意混入一些边界案例,看 AI 抓不抓得住,用 precision(挑出来的有多少是对的)和 recall(该挑的有没有漏)来看它到底行不行2。每次人审的结果都回到这套标准里,AI 才会越用越准,而不是每次从零开始聊1。判断标准本身很难一次讲清,但可以边跑边补,这比先憋出一个完美选题库现实得多。
先做一件能被人否掉的小事
AI推演如果目标是“交给别人做”,先别搭完整工具。挑一个你熟悉的垂类,让 AI 按现有标准产出二十条候选,你逐条标对错,看它错在哪类。这件事的价值不在于立刻得到库,而在于暴露你的标准里哪些其实没说清——那才是别人接手时真正会卡住的地方。真东西的最低标准是它真的可能失败、能被外部反馈否定,而不是只在内部叙事里成立3。跑通这一小轮,你才知道该把什么固化进工具、什么必须留给人。
现有材料讲的是数据筛查与判断校准的一般分工,没有专门针对短视频选题库的做法;上面的顺序是按同一逻辑推演的,不是现成方案。
出处
- 1不要一上来就让 AI 判断一百万条数据|AI与人协作的任务光谱
讲清程序、AI、人各自该负责什么,以及如何用 precision/recall 和反馈闭环校准 AI 判断,是理解本题分工的核心。
- 2课代表和鸭哥工作的实况 | how the sausage is made
提供“错题本”式数据集的具体做法,适合核对怎样给 AI 埋坑、验证它抓不抓得住。
- 3如何识别与消灭 fake work
说明为什么应先做一件能被外部否定的小事,适合核对“先跑一小轮再建工具”的理由。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 我在网上看到有些人可以把 token 用的非常多,比如说跑几百个 agent 做这种类似 one-person company。
我感觉我现在虽然也用 Claude,但我还不是这种状态,我基本还是 single thread,或者 at most 也就 3 个 thread 这样子
几百个 agent 不是靠人同时盯几百条线程,而是把大部分任务交给自动化流程,人只看关键节点和结果。
- 如果我的本职工作和要放大的事业关系不大,该怎么选那一头?
先判断哪一头有更大的放大空间,再把稳定的一头当底座、把可放大的一头当主攻;不必平均用力,也不必立刻辞掉本职。
- 我在自建中台软件,涉及到知识库和知识台两部分,知识库采用那种路径更好?是obsian这种,还是mag或grep?
现有材料没有比较 Obsidian、mag 或 grep 这三种知识库路径,无法据此判断哪种更适合你的中台。能确定的是:知识库要服务分叉、引用、结构化资产和过程可观测,而不只是线性记录。
- 我应该如何影响我的其他同事,推进当前的项目
先弄清同事在意什么,再用他们关心的价值切入,而不是只讲自己方案正确。
- 立正从什么时候开始做视频,如何坚持下来的
立正说自己是五年前开始做视频、每周至少更新一期;起点是给餐馆做外卖教学视频,发现满足了表达欲,就一直做下去。
- 在ai时代 data scientist更应该develop什么skillset 是product/strategy方向 还是更technical/statistics方向
材料不支持把两条路当成二选一:统计与编程是入场工具,product sense 决定能否把商业问题转成数据问题;AI 时代更值钱的是设计系统、定义评估,而非只做执行。