AI 辅助技术博客选题从社区热点到个性化内容规划技术博客最难的不是写而是定题。灵感昨天还在今天打开编辑器就一片空白。热点想追但怕同质化冷门想写但怕没人看。本文介绍一套用 AI 辅助选题的工作流从社区热点抓取、竞争度评估到基于个人技术栈的个性化选题推荐最后生成可执行的月度内容日历。flowchart TB A[数据采集层] -- B[GitHub Trending] A -- C[Hacker News / V2EX] A -- D[技术周刊 Newsletter] B -- E[热点聚合与去重] C -- E D -- E E -- F[竞争度评分] E -- G[个人匹配度计算] F -- H[选题综合排序] G -- H H -- I[月度内容日历生成]一、选题的本质在热点、能力和差异化之间找交集选题不是找最热的话题而是找你最擅长的领域中有足够关注度且竞争不太激烈的那个方向。三个维度的权衡热度这个话题最近有多少人在讨论值不值得写能力匹配你有没有第一手的实践经验能支撑这篇文章竞争度已经有多少篇类似文章你的文章凭什么脱颖而出理想选题是热度中高、能力匹配高、竞争度低的组合。AI 的作用不是替你拍板而是帮你把这三个维度量化缩小选择范围。二、热点数据采集多源聚合与去重热点信息源分三类代码社区GitHub Trending、技术讨论Hacker News、V2EX、Reddit、技术周刊JavaScript Weekly、Node Weekly。// sources/aggregator.ts interface HotTopic { source: string; title: string; url: string; score: number; keywords: string[]; timestamp: number; } async function aggregateHotTopics(): PromiseHotTopic[] { const sources [ fetchGitHubTrending(), fetchHackerNews(50), fetchV2EXHot(), ]; try { const results await Promise.allSettled(sources); const topics: HotTopic[] []; for (const result of results) { if (result.status fulfilled) { topics.push(...result.value); } } // 基于标题相似度去重 return deduplicateTopics(topics); } catch (error) { console.error(热点采集失败:, error); return []; } } function deduplicateTopics(topics: HotTopic[]): HotTopic[] { const seen new Setstring(); return topics.filter((t) { const normalized t.title.toLowerCase().replace(/[^a-z0-9\u4e00-\u9fff]/g, ); if (seen.has(normalized)) return false; seen.add(normalized); return true; }); }采集踩坑GitHub Trending 没有官方 API只能抓取 HTML 页面页面结构变更会导致解析失败。用cheerio解析并设置降级策略——失败时返回最近一次成功缓存的快照。Hacker News API 限速 10000 次/天本地缓存 10 分钟可避免频繁请求。V2EX 热门话题接口偶尔返回空数组服务器维护期需用Promise.allSettled容错而非Promise.all否则一个源失败会导致全部采集结果丢失。三、竞争度评估衡量已有内容的覆盖程度热点高不代表值得写——如果已有 50 篇相似文章你的文章很难获得流量。竞争度评分的思路是搜索该话题的现有文章评估覆盖度和质量。// analysis/competition.ts interface CompetitionScore { topic: string; existingArticles: number; avgQuality: number; // 0-10 coverageDepth: number; // 0-10覆盖深度 competitionIndex: number; // 越低越好 } async function evaluateCompetition( topic: string, ): PromiseCompetitionScore { // 用搜索引擎 API 查询已有文章 const searchResults await searchArticles(topic); if (searchResults.length 0) { return { topic, existingArticles: 0, avgQuality: 0, coverageDepth: 0, competitionIndex: 0, }; } const avgQuality calculateAvgQuality(searchResults); return { topic, existingArticles: searchResults.length, avgQuality, coverageDepth: evaluateCoverage(searchResults), competitionIndex: searchResults.length * avgQuality * 0.1, }; }如果竞争度指标显示已有大量高质量文章AI 会建议你调整切入角度而不是直接放弃。例如React 性能优化这个主题已充分覆盖但React Server Components 下的性能优化策略仍然是内容缺口。实际案例热门话题Vite 配置优化已有 23 篇中文文章竞争度评分 7.8/10分数越高代表竞争越激烈。但 AI 分析发现所有文章都只讲基础配置alias、proxy、css没有一篇涉及Vite 插件的执行顺序与钩子生命周期。这个细分方向的竞争度为 1.2/10且与前端的技能树高度匹配。最终这篇文章获得了 3 倍于平均值的阅读量。四、个性化匹配与综合排序把个人技能树结构化为知识图谱每个话题自动映射到你的技术栈中// matching/skill-match.ts interface SkillNode { name: string; level: number; // 1-5 children: SkillNode[]; } const skillTree: SkillNode { name: 前端工程化, level: 5, children: [ { name: React, level: 5, children: [] }, { name: Vite, level: 4, children: [] }, { name: 微前端, level: 4, children: [] }, { name: 设计系统, level: 3, children: [] }, ], }; function calculateTopicMatch( topic: HotTopic, skills: SkillNode, ): number { const relevantSkills findRelevantSkills(topic.keywords, skills); if (relevantSkills.length 0) return 0; // 取最匹配技能的平均等级加权实践深度 return relevantSkills.reduce( (sum, skill) sum skill.level, 0, ) / relevantSkills.length / 5; // 归一化到 0-1 }个人匹配度保证了选题在你的能力范围内——你不会被推荐去写Rust 编译器优化如果你从未接触过 Rust。最终排序采用加权公式三个维度的权重可根据个人策略调整// ranking/sorter.ts interface TopicScore { topic: HotTopic; heatScore: number; competitionScore: number; // 越低越好 matchScore: number; finalScore: number; } function rankTopics( topics: HotTopic[], competitionMap: Mapstring, CompetitionScore, matchMap: Mapstring, number, ): TopicScore[] { const W_HEAT 0.3; const W_COMPETITION 0.3; const W_MATCH 0.4; return topics .map((topic) { const competition competitionMap.get(topic.title); const match matchMap.get(topic.title) || 0; const heatNorm topic.score / 100; // 归一化 const competitionNorm competition ? 1 - Math.min(competition.competitionIndex / 50, 1) : 1; const finalScore heatNorm * W_HEAT competitionNorm * W_COMPETITION match * W_MATCH; return { topic, heatScore: heatNorm, competitionScore: competitionNorm, matchScore: match, finalScore, }; }) .sort((a, b) b.finalScore - a.finalScore); }最终输出一份月度内容日历将高分段选题分配到每周确保发布节奏稳定function generateCalendar( rankedTopics: TopicScore[], startDate: Date, ): ContentCalendar { const calendar: ContentCalendar { months: [] }; const topPicks rankedTopics.slice(0, Math.min(rankedTopics.length, 12)); let currentDate new Date(startDate); for (const topic of topPicks) { calendar.months.push({ date: currentDate.toISOString().split(T)[0], title: topic.topic.title, heatScore: topic.heatScore, keywords: topic.topic.keywords, }); currentDate.setDate(currentDate.getDate() 7); } return calendar; }4.1 内容日历的执行与调整生成内容日历后需要根据实际执行情况动态调整。建议每周回顾选题完成情况对于未完成的选题分析原因是技术难度过大还是热度已过并将其重新评估后放入下月候选池。同时应该关注已发布文章的数据反馈阅读量、点赞、评论将表现好的选题方向在后续日历中加大权重形成正向循环。五、总结AI 辅助选题不是让 AI 替你决定写什么而是把凭感觉选题目变成看数据定方向。三步走第一步聚合社区热点了解现在大家在讨论什么第二步评估竞争度找到有流量但有空间的切入角度第三步计算个人匹配度确保选题在自己能力半径内。加权排序后自动生成月度内容日历从此告别选题焦虑。技术写作的产出稳定性就藏在这个选题流程的自动化里。