做完竞品分析和行业研究两个 Skill，我在想下一个该做什么。最直接的办法，是去看别人在问什么。
我在小红书上找了 4 篇求助帖。两篇和出海有关，一篇说 AI 根本不会做海外市场调研，另一篇问海外营销报告怎样才不像小学生写的。另外两篇的作者都是新人，券商行研要在 3 天里赶出一份行业深度，内容运营实习生一来就被要求做竞品分析，连带教说的黑话都要偷偷去搜。四篇的评论加起来 533 条。
一、评论区很值钱，也很难读
实习生那篇，置顶评论只讲了一件事，拉一张表。品牌、产品、价格、规格、详情页开头那段介绍、小红书搜索时最先冒出来的联想词，一列一列写好。这条拿了 1224 赞，楼下补一句"人群、年龄那些也可以加上"，又拿了 215 赞。同一篇里讨论数据工具的那一楼，最高 119 赞。
行研那篇更夸张。有人留言说 Kimi 的深度研究不错，私信可以分享全套提示词，楼下排了七十多条"求提示词"，从 6 月一直排到这几天。
评论区也很乱。有个品牌号同一天把同一句"舆情监测，负面预警，营销分析需要吗"发了三次。行研那篇，4 个账号在三天里先后推荐同一个做 PPT 的工具，说法都差不多，其中两条还进了全帖赞数前六。另有一个网址，同一个人在楼里贴了五次。
这些东西混在一起，只看高赞很容易被带偏，自己数也容易数错。实习生那篇，按"蹲""求"这些关键词去找，只找到 4 条。一条条读下来，真正在问东西的有二十个人左右，很多人问的是"是免费的吗""可以借个会员吗"，句子里根本没有"求"字。
二、四篇放在一起，看到同一件事
四篇帖子背后的人不一样，卡住的地方也不一样。有一件事四篇都有人提，AI 给的东西没法放心用。
做海外调研的那篇，有人说 AI 给的链接经常是 404。营销那篇的作者试过 AI 访谈，问数据源怎么保证真实，觉得跟 AI 对话像在跟神棍聊天。行研那篇，有人说 AI 只能追到第一层来源，比如某家券商的研报，再往下的原始出处就找不到了。实习生说得最直接，AI 有时候会乱生成，所以想找点靠谱的数据喂给它。
另一件事，最受欢迎的回答都是能照着做的东西。1224 赞的是一张表的字段，七十多个人排队要的是提示词。行研那篇的最高赞有 159，内容是劝作者别指望 Skill，这种活标准化程度低，更适合把参考研报放进知识库反复问，观点最后由人来下。
读完这四篇，我给后面几个工具定了方向。一键出报告的东西已经很多了，前后两头反倒没人做。前面要先问清楚这份报告要支撑什么决定，后面要把每个数字、每条结论的出处记下来。
三、我把这套读法做成了 Skill
读评论这件事也可以交给 AI，只是不能让它凭感觉读。我做了一个 Skill，叫 comment-demand-mining，中文名评论区需求挖掘。
它先跑一个解析脚本，把小红书网页端复制下来的帖子拆成一条条评论，谁说的、几个赞、是主楼还是楼中楼、哪天、哪个地区，都分开记。评论数、点赞、日期、评论人数这些，以脚本算出来的为准。求资源、提问、想收藏这几类，脚本只按关键词打个记号，最后有多少条，要按意思一条条归类，报告里会写明哪些数字是人工归的。
测试的时候脚本也出过错。实习生那篇有好几个不同的人都叫 momo，只按昵称去重就会被算成一个人，后来改成按昵称加地区区分。还有人说自己对 marketing 很感兴趣，被当成了"mark 一下"那种收藏信号。这些都修掉了，也写进了单元测试。
报告先讲需求有多强，用评论数、时间跨度、高赞和求资源的人数说话。接着给这个话题画一条做事的流程，把痛点挂到具体环节上，每条写清有几条评论支持，附一句原话和评论编号，回头能查到原文。评论里提到的工具和办法，各自解决哪一步、有人夸还是有人骂，单独整理一张表。疑似软广另列，写明依据，它们的赞不算进需求。
产品机会分两种写。我的判断是，简单的东西直接做出来，拿效果给人看，读者更爱看；复杂的东西先发内容，看有没有人要，再决定做不做。所以每个机会都会判断复杂度，一到三天能做出来、只用公开数据、效果能截图对比的，归到直接做那一类。选题也一样，每条写清接住哪条需求，用表格还是清单，发出去该看收藏还是看追问。
几篇帖子一起贴进去，它会把共同的线索按出现在几篇里排序。四篇都出现的排在前面，只在一篇里出现的往后放。
四、它不做的事
它只分析你贴进去的文字。小红书要登录才能看全评论，它不去抓，也不绕过平台的限制。
评论区里的链接、"私我领取"这类话，它不会点开，也不会写成推荐。报告默认不列普通用户的昵称，种子用户只写有多少人、大概什么背景。评论里提到的工具、价格和效果，一律标成未核实。
几百条评论只能看出方向。这次的四篇是我自己挑的求助帖，本来就偏向已经在用 AI 做调研、又卡住了的人，拿它估市场有多大不靠谱。
GitHub 上那两份示例报告，就是这四篇跑出来的结果。原始帖子和评论属于别人，我没有放上去，报告里的账号名也都换成了代号。
怎么用
Skill 已经开源，在 GitHub 上叫 jiguang9/comment-demand-mining，可以装进 Claude Code、Codex、OpenClaw 和 Hermes。官网的 评论区需求挖掘 Skill 页 有安装方式和常见问题。
用的时候，在小红书网页端把一篇帖子连同评论整篇复制下来，贴给 AI，说一句"看看评论区能挖出什么需求"。几篇可以一次贴，也可以一篇一篇发，发完再让它综合。
最近刷到哪篇评论特别多的帖子，可以先拿它试试。