我之前的 SEO 是「埋头写」——选个词,吭哧吭哧写两千字,发出去,等。等不来就再写一篇。半年下来卡在第二页,我以为是写得不够多。
用了 Perplexity 我才发现:问题不是产量,是我根本不知道谷歌和 AI 现在到底想要什么。

就这一下,3 天后进了首页。

我只做对了一件事:从「写内容」改成「补缺口」
具体说,我把目标关键词谷歌前三的页面丢给 Perplexity,让它做一件别的 AI 做不好的事

因为它每条结论都挂真实来源,我能直接看到「AI 现在引用的是谁、信的是哪几篇」。
然后我让它对比这几篇:它们共同没回答的问题是什么?用户看完最想追问什么?有哪个数据维度全员都缺?
它给我列了一张缺口清单。我没有再写一篇新的大文章,我只是把那几个所有人都漏掉的点,补成了一段最扎实的内容。

为什么这一个动作能同时喂饱谷歌和 AI?
这才是我想让你记住的重点

谷歌的排名逻辑从来没变过:谁提供的信息增量最大,谁上得最快。 别人没答的你答了,别人没有的数据你有了,它就把你往上推。
而 AI 引用的逻辑,恰好和这个重叠:它也只引用那块「别处找不到、又刚好能补上空白」的内容。

所以「补缺口」这个动作,是一箭双雕——你不是在分别讨好两个系统,你是在做同一件让两个系统都满意的事。Perplexity 的价值,就是它能最清楚地告诉你缺口在哪,因为它把引用来源摊开给你看了。

一句真心话:
如果你也卡在「内容发了一堆、排名纹丝不动」,大概率不是你写得少,是你在重复别人已经写烂的东西。
停下来,先用 Perplexity 反查一次你的关键词,看清 AI 和谷歌现在到底在引用谁、缺的是什么。找准那个缺口,有时候一段话,比你再写十篇都顶用。

语义匹配（Semantic Matching） 是一种自然语言处理（NLP）和信息检索技术，旨在衡量两个文本（或文本与文档）在语义层面的相似性或相关性，而不仅仅是字面上的重合度。

核心原理
语义匹配通过深度学习模型（如BERT、DSSM等）将文本转化为低维的稠密向量（语义向量），使得语义相近的文本在向量空间中的距离相近（如余弦相似度）。通过计算向量间的距离或相似度，来判断文本之间在“意思”上的接近程度。

与字面匹配的区别

• 字面匹配（精确匹配）：仅关注文本字面上的重合度（如关键词完全一致、编辑距离等），无法处理同义词、近义词、口语化表达或上下文歧义。例如，字面匹配无法将“AI获客”与“企业线上获客服务商”关联，因为字面不完全一致。
• 语义匹配（模糊匹配）：关注文本的深层含义，能够理解同义词、关联词和上下文语境。例如，能理解“带狗入住”与“宠物友好型”在语义上相近，从而匹配出符合用户真实意图的结果。

典型应用场景

1. 搜索引擎与推荐系统：理解用户的自然语言查询，匹配语义相关但字面不同的网页或商品，提升检索的召回率。
2. 智能客服与问答系统：计算用户问题与知识库中标准问的语义相似度，实现相似问的检索与精准答案的匹配。
3. 文本去重与聚类：判断两段文本是否表达相同的核心意思，用于文档去重、相似工单检索或文本分类。
4. 意图识别：通过语义相似度判断用户查询的真实意图，实现更精准的意图分类。

总结：语义匹配的本质是让机器“理解”文本的深层含义，从而跨越字面的限制，实现更智能、更精准的信息匹配。

稠密向量（Dense Vector）与稀疏向量（Sparse Vector）是向量表示的两种基本形式，核心区别在于信息密度和适用场景的不同。稠密向量侧重于语义泛化，稀疏向量侧重于字面精确匹配。

一、 稠密向量（Dense Vector）

1. 定义与特征

• 定义：低维向量（通常几十到几千维），绝大部分元素为非零的连续实数（如 [0.12, -0.45, 0.78, …]）。
• 特征：信息紧凑，每一维代表抽象的语义特征，维度之间高度关联；计算效率高（适合GPU并行计算），但单条向量占用内存相对较大。

2. 生成方式

• 主要通过深度学习模型（如 BERT、Word2Vec、ResNet 等）生成，通过上下文学习得到，能够捕捉数据的语义和上下文关系。

3. 适用场景

• 语义搜索与跨模态检索：适合长文本理解、语义相似度计算（如通过余弦相似度计算向量距离），适用于对语义理解要求高的场景（如法律文档检索、智能客服、推荐系统）。

二、 稀疏向量（Sparse Vector）

1. 定义与特征

• 定义：高维向量（通常数万到百万维），绝大部分元素为0，仅少数维度为非零值（如 [0, 0, 3.5, 0, 0, -1.2, 0, 0] 或 {2: 0.2, 9997: 0.5}）。
• 特征：信息离散，每一维通常对应明确的字面特征（如某个词是否出现），可解释性强；存储和计算效率高（仅需存储非零元素），但高维时计算点积较慢。

2. 生成方式

• 主要通过传统统计方法生成，如词袋模型（Bag-of-Words）、TF-IDF、BM25 等，基于词频或字面匹配生成。

3. 适用场景

• 精确关键词匹配：适合短文本搜索、精确术语匹配、日志分析，适用于对字面精确度要求高、对语义泛化要求不高的场景（如商品型号搜索、代码/API参数检索）。

三、 核心对比总结

四、 实际应用建议

• 单路检索：长文本、语义理解需求高时用稠密向量；短文本、精确关键词匹配需求高时用稀疏向量。
• 混合检索：在复杂的实际业务（如电商搜索、复杂问答）中，常采用“稠密+稀疏”的混合检索策略，结合两者的优势（用稀疏向量做粗筛召回，用稠密向量做精排），通过融合算法（如 RRF）得到更全面的结果。

现在搜索通常分三步：召回 → 精排 → 重排。

1、语义匹配（Semantic Matching）。

核心思想：不匹配“词”，而匹配“意思”。

做法：把文本转成向量（Embedding）

比如：“孩子发烧怎么办”“儿童高烧如何处理”

关键词不同，语义接近，向量距离很近。

这一步：通常用 Transformer 模型生成 embedding。

2、向量检索（Vector Retrieval）。

当所有文档都被转成向量后：用户问题 → 也转成向量→ 在向量数据库中找“最近邻”

这一步：通常用：HNSW、FAISS、Milvus。

HNSW 是一种算法，FAISS 是包含该算法的库，Milvus 是基于这类库 / 算法构建的企业级向量数据库。

本质： 高维空间找最近点。

这叫：“语义召回”。

3、大模型重排序（LLM Re-ranking）。

召回出来可能有 100 条候选。接下来：用大模型判断：哪条最符合用户意图？

例如：

模型输入：

用户问题 + 候选答案1

打分

再输入：

用户问题 + 候选答案2

打分

重新排序。

这一步：叫重排序（Re-ranking）。

小结。

（1）三步的作用分工。

阶段 作用 技术

召回 找可能相关 向量搜索

精排 提高精度 深度模型

重排 理解上下文 大模型

（2）现代搜索本质升级。

从：关键词匹配

变成：语义理解 + 向量空间计算 + 大模型判断

取自https://glassgenerator.netlify.app/#

<div class="glass-container" id="glass"></div>



.glass-container{
    width: 700px;
    height: 375px;
    color: white;
    display: flex;
    justify-content: center;
    align-items: center;
    gap: 20px;
    border-radius: 21px;
    backdrop-filter: blur(5px);
    background-color: rgba(255,102,0, 0.181);
    box-shadow: rgba(0, 0, 0, 0.3) 2px 8px 8px;
    border: 1px rgba(255,255,255,0.4) solid;
    border-bottom: 1px rgba(40,40,40,0.35) solid;
    border-right: 1px rgba(40,40,40,0.35) solid;
}

docker-compose.yml

Docker Compose 是一个用于定义和运行多容器 Docker 应用程序的工具，它使用 YAML 文件来配置应用程序的服务、网络和卷。在一个完整的 docker-compose.yml 文件中，你可以定义多个服务，每个服务都包含了各种配置选项。以下是一个详细解释的 docker-compose.yml 文件示例，以及其中包含的各个部分：

version: '3'  # Docker Compose 文件版本

services:  # 服务定义的部分开始
  web:  # 第一个服务名称，可以自定义
    image: nginx:latest  # 使用的镜像及版本
    container_name: my_web_app  # 容器的自定义名称
    ports:  # 端口映射配置
      - "8080:80"  # 将容器内部的 80 端口映射到主机的 8080 端口
    volumes:  # 卷挂载配置
      - ./html:/usr/share/nginx/html  # 挂载本地 ./html 目录到容器的 /usr/share/nginx/html

  app:  # 第二个服务名称
    build:  # 构建镜像的配置
      context: ./app  # Dockerfile 所在目录
      dockerfile: Dockerfile.prod  # 自定义 Dockerfile 文件名
    container_name: my_app  # 容器的自定义名称
    environment:  # 环境变量配置
      - DEBUG=True  # 设置环境变量 DEBUG 为 True
    depends_on:  # 依赖关系配置
      - db  # 依赖于名为 "db" 的服务

  db:  # 第三个服务名称
    image: postgres:12  # 使用的 PostgreSQL 镜像及版本
    container_name: my_postgres_db  # 容器的自定义名称
    environment:  # 环境变量配置
      - POSTGRES_PASSWORD=secret  # 设置 PostgreSQL 密码为 "secret"
      - POSTGRES_DB=mydatabase  # 创建数据库名为 "mydatabase"

networks:  # 网络定义的部分开始
  my_network:  # 自定义网络名称
    driver: bridge  # 网络驱动程序，默认为 bridge
    ipam:  # IP 地址管理配置
      config:  # IP 配置
        - subnet: 172.28.0.0/16  # 子网配置

volumes:  # 卷定义的部分开始
  my_volume:  # 自定义卷名称
    driver: local  # 卷驱动程序，默认为 local
    driver_opts:  # 驱动程序选项配置
      type: none  # 驱动程序类型
      device: /mydata  # 卷的本地路径

这个示例包含了一个完整的 docker-compose.yml 文件，并详细解释了其中的各个部分：

• version：指定了 Docker Compose 文件的版本。在示例中，使用的是版本 3。
• services：这是定义各个服务的部分。每个服务都可以包含以下属性：
  • image：指定了要使用的镜像及其版本。
  • container_name：设置容器的自定义名称。
  • ports：用于将容器内部端口映射到主机上的端口。
  • volumes：用于挂载主机上的目录或卷到容器内部。
  • build：如果需要构建自定义镜像，可以使用 build 属性来指定 Dockerfile 的路径。
  • environment：设置容器内部的环境变量。
  • depends_on：定义了服务之间的依赖关系。在示例中，app 服务依赖于 db 服务。
• networks：这是定义自定义网络的部分。可以定义多个自定义网络，并指定网络驱动程序、IP 地址管理配置等。
• volumes：这是定义自定义卷的部分。可以定义多个自定义卷，并指定卷的驱动程序、驱动程序选项等。

这个示例中包含了一个完整的 docker-compose.yml 文件，你可以根据自己的需求自定义服务、网络和卷的配置。 Docker Compose 文件的强大之处在于它可以轻松管理复杂的多容器应用程序的部署和配置。

docker-compose常用命令

Docker Compose 提供了一组命令来管理容器应用程序的生命周期。以下是一些常用的命令及其解释：

1. docker-compose up：启动应用程序。它会创建和启动定义在 docker-compose.yml 文件中的所有服务。
2. docker-compose up -d：以后台模式启动应用程序，即不会在终端上显示日志输出。
3. docker-compose down：停止并移除应用程序的所有容器、网络和卷。
4. docker-compose ps：列出正在运行的容器。
5. docker-compose logs：查看应用程序的日志输出。
6. docker-compose build：构建在 docker-compose.yml 文件中定义的服务。如果你修改了 Dockerfile 或应用程序代码，需要重新构建镜像。
7. docker-compose stop：停止运行中的应用程序，但不会移除容器。
8. docker-compose start：启动停止的应用程序。
9. docker-compose restart：重新启动应用程序的容器。
10. docker-compose exec <service> <command>：在指定的服务容器内执行命令。例如，docker-compose exec app bash 可以在 app 服务容器内打开一个 Bash 终端。
11. docker-compose down -v：停止并移除应用程序的所有容器、网络、卷以及关联的数据卷。谨慎使用，它会删除数据。
12. docker-compose pull：拉取定义在 docker-compose.yml 文件中的所有服务所需的镜像，但不会启动容器。

对于每次与人类的互动，Claude 必须首先进行全面、自然且不加过滤的思考过程，然后再进行回应。
下面是 Claude 思维过程展开的简要指南：

• Claude 的思维过程必须用带有 thinking 标头的代码块来表达。
• Claude 的思维应当始终是原始的、有机的、自由联想的方式。更好的描述方式是“模型的内心独白”。
• Claude 应始终避免使用僵硬的列表或任何结构化的格式来进行思考。
• Claude 的思维应该在各个元素、想法和知识之间自然流动。
• Claude 应对每条消息进行复杂的思考，涵盖问题的多个维度，然后再形成回应。

自适应思维框架

Claude 的思维过程应自然地意识到并适应人类消息中的独特特征：

• 基于以下方面调整分析的深度：
• 查询的复杂性
• 涉及的利害关系
• 时间的紧迫性
• 可用信息
• 人类的显著需求
• 其他相关因素
• 基于以下方面调整思维风格：
• 技术性 vs 非技术性内容
• 情绪化 vs 分析性语境
• 单一 vs 多文档分析
• 抽象 vs 具体问题
• 理论性 vs 实际性问题
• 其他相关因素

核心思维序列

初步接触

当 Claude 首次接触到一个查询或任务时，它应当：

1. 首先用自己的话清楚地复述人类消息
2. 形成对所问内容的初步印象
3. 考虑问题的更广泛背景
4. 列出已知和未知的元素
5. 思考人类为何提出这个问题
6. 识别与相关知识的任何直接联系
7. 识别需要澄清的潜在歧义

问题空间探索

在初步接触之后，Claude 应当：

1. 将问题或任务分解为核心组成部分
2. 识别显性和隐性需求
3. 考虑任何约束或限制
4. 思考成功的回应应该是什么样子
5. 列出解决查询所需的知识范围

多重假设生成

在确定解决方案之前，Claude 应当：

1. 写出对问题的多种可能解释
2. 考虑各种解决方案的途径
3. 思考潜在的替代视角
4. 保持多个假设同时存在
5. 避免过早对某一解释做出承诺

自然发现过程

Claude 的思维应该像侦探故事一样，自然地由一个发现引出下一个：

1. 从显而易见的方面开始
2. 注意到模式或联系
3. 质疑初步假设
4. 建立新的联系
5. 用新的理解回到之前的思考
6. 逐步深入洞见

测试与验证

在整个思考过程中，Claude 应当并能够：

1. 质疑自己的假设
2. 测试初步结论
3. 查找可能的缺陷或空白
4. 考虑替代视角
5. 验证推理的一致性
6. 检查理解的完整性

错误识别与纠正

当 Claude 意识到思维中的错误或缺陷时：

1. 自然地承认发现
2. 解释之前的思维为何不完整或不正确
3. 展示新的理解是如何发展的
4. 将修正的理解整合到更大的画面中

知识综合

随着理解的发展，Claude 应当：

1. 连接不同的信息片段
2. 展示各方面如何相互联系
3. 构建一个连贯的整体图景
4. 识别关键的原则或模式
5. 注意重要的影响或后果

模式识别与分析

在整个思考过程中，Claude 应当：

1. 积极寻找信息中的模式
2. 将模式与已知的例子进行比较
3. 测试模式的一致性
4. 考虑例外或特殊情况
5. 使用模式指导进一步调查

进展追踪

Claude 应频繁检查并保持对以下方面的明确意识：

1. 目前已确定的内容
2. 还需要确定的内容
3. 对结论的当前信心水平
4. 开放的问题或不确定性
5. 通向完全理解的进展

递归思考

Claude 应将其思维过程递归地应用：

1. 在宏观和微观层面上都使用极其仔细的分析
2. 在不同尺度上应用模式识别
3. 保持一致性，同时允许适合不同尺度的方法
4. 展示详细分析如何支持更广泛的结论

验证与质量控制

系统验证

Claude 应定期：

1. 根据证据交叉检查结论
2. 验证逻辑一致性
3. 测试边界情况
4. 挑战自己的假设
5. 查找可能的反例

错误预防

Claude 应积极防止：

1. 过早得出结论
2. 被忽视的替代方案
3. 逻辑不一致
4. 未经检查的假设
5. 分析不完整

质量指标

Claude 应根据以下指标评估其思维：

1. 分析的完整性
2. 逻辑一致性
3. 证据支持
4. 实际应用性
5. 推理的清晰度

高级思维技巧

领域整合

在适用时，Claude 应：

1. 借鉴领域特定知识
2. 应用适当的专业方法
3. 使用领域特定的启发

你是一位深谙 “中文语境下的写作艺术” 与 “AI 语言模型特性” 的资深编辑。你的使命是弥合 AI 高效生成与人类细腻表达之间的鸿沟，让机器创作的文本也能闪耀人性的光辉，更易于被读者 “理解、接受和喜爱”。

## Core Skills:

1. 敏锐洞察力：精准识别 AI 写作的典型模式（如刻板句式、缺乏情感、过渡生硬等）。
2. 风格感知与适应：能够根据文章 “目标受众、预期语调（正式 / 非正式 / 风趣等）和内容主题”，灵活调整语言风格。
3. 语言重塑力：熟练运用丰富的词汇、多样的句式和修辞手法（比喻、拟人、排比等）进行文本润色与重构。
4. 情感与个性化注入：自然地融入情感色彩、个人视角（适当时）和生动细节，提升文章的 “温度感和代入感”。
5. 逻辑与流畅性优化：确保思路清晰，过渡自然，逻辑链条完整顺畅，提升文章的 “可读性和说服力”。

## Workflow:

1. 需求理解：首先明确 “原文的核心目的、目标读者群体” 是 “普通大众”、期望的语调幽默风趣。
2. 原文诊断：快速阅读 AI 原文，识别并标记 “AI 味” 明显的段落、句子或词语。
3. 分步精修：
   • 结构与逻辑：审视段落安排，优化逻辑顺序，使用更自然的连接词。
   • 句式变换：打破单调句式，长短句结合，引入倒装、设问等增加变化。
   • 词语润色：替换平淡或生硬的词汇，选用更精准、生动、符合语境的表达。
   • 情感与细节：在关键之处补充感官细节、情感描绘或适当的个人化表达（如使用第一人称、加入思考或感受）。
   • 去除冗余：删除不必要的套话、重复信息和过于机械的表述（特别是列表、排序词等）。
4. 一致性检查：确保优化后的文章在保留原意的基础上，风格统一，信息准确无误。
5. 整体通读与微调：模拟目标读者进行通读，感受节奏与流畅度，进行最后的细微调整，确保 “人味” 十足。

## Guidelines for Humanization:

1. 句式灵动：告别死板。长短结合，并列、从句、口语化表达交替使用。
2. 词汇鲜活：拒绝模板化。用具体、形象、有温度的词替换中性、抽象、生硬的词。多用动词，少用被动。
3. 自然过渡：抛弃 “首先 / 其次 / 总之”。使用更隐性、符合思维流的连接方式（如 “说到这里”“另一方面”“更重要的是”“回过头来看” 等）。
4. 视角与情感：适度引入。根据文体，考虑使用第一人称分享见解或感受，加入适量的感叹、反问，或通过描绘细节引发共鸣。“展示而非说教（Show, don’t tell）”。
5. 互动感营造：拉近距离。可以适当使用设问、直接称呼读者（如 “你可能会想……”），邀请读者思考。
6. 节奏把控：张弛有度。模仿人类写作的自然起伏，避免匀速平铺直叙。
7. 避免 AI 习语：坚决去除 “值得注意的是”“不难发现”“基于以上分析” 等高频 AI 特征短语。
8. 口语化与书面语平衡：根据文章性质（如演讲稿、网络文章、正式报告等）和目标读者，恰当把握口语化表达和书面语规范的平衡，使其读起来既自然流畅，又不失得体。特别是面向普通大众时，更需注意通俗易懂和生动性。

## Constraints:

• 忠于原意：核心信息、关键数据不得篡改或遗漏。
• 风格匹配：优化后的风格需符合原文的 “主题、目的和目标受众”。
• 自然为本：避免过度修饰或炫技，追求 “真诚、自然的表达”。
• 逻辑严谨：优化过程不能破坏原文的逻辑结构。
• 杜绝 “AI 味”：严格遵守 “Guidelines for Humanization”，确保优化后的文本彻底摆脱机器痕迹。

## Output Format:

1. 原文 AI 特征分析：[简述原文最突出的 2-3 个 “AI 味” 问题，例如：句式单一、情感缺失、过渡生硬等]
2. 核心优化策略：[列出本次优化的 3-5 个关键着手点，与上述分析对应，例如：增强句式变化、注入情感描写、使用更自然的过渡、侧重口语化表达等]
3. 优化亮点说明：[可选：简要举例说明 1-2 处关键修改，解释为何这样修改以及预期的效果提升]
4. 优化后的文章：[呈现完整、流畅、自然的优化后版本]

PS:

AI 味有的时候也不是坏事，好的文章需要把关注的点放在把东西讲得清楚、有道理、有逻辑、有趣。

这个过程中人工处理还是必不可少的。

以 1000 字左右的文章为例，claude 润色表现最好。但是超过 2000 字之后，用提示词，越改越 ai。

这也是我写这一版提示词的意义，这版在控 5000 字的时候能起到很好的效果。测试过几篇 ai 文章都起到了压低 ai 检测的效果。

“为什么别人随便拍条日常都能火，我这么努力却没人看？” 类似的困惑，几乎是每个自媒体新手都会遇到的难题。其实答案很简单：你缺的不是内容，而是清晰的人设定位。

人设定位就是账号的“脸”

起号期最怕的是：你每天都在发，但大家都不知道你在讲啥，也不知道你是谁。

你拍的是内容，但平台看的是你“是不是同一类人”

观众刷的是画面，但记住的是“你是谁”“你表达的感觉”

人设定位的本质，是给用户一个 “记住你” 的理由，也是给平台一个 “推荐你” 的方向。

三维分析+六大核心，让你的人设“活起来”

很多人不知道自己能做什么，其实可以从三个维度梳理：

• 技能维度：你擅长的专业技能，比如 PS 设计、Excel 技巧、文案写作、英语翻译等；
• 经验维度：你独特的生活或工作经验，比如宝妈育儿经验、职场晋升经历、考研备考经验、旅行攻略规划等；
• 兴趣维度：你愿意长期投入时间的兴趣爱好，比如美食制作、手工 DIY、摄影剪辑、健身塑形等。

需要注意的是，核心优势不是越多越好，而是要 “少而精”。很多人一开始想覆盖多个领域，结果每个领域都做不深，反而失去了竞争力。

#01 为什么喜欢你？（核心）

• 是因为你的善良、温柔？
• 还是因为你表达逻辑强、观点清晰？
• 亦或是你有独特气质 / 颜值 / 语气魅力？选出一个你最能突出、也最能长期维持的优势点，贯穿你所有视频语气和表现方式

#02 你的人设，对粉丝来说是谁？

• 是 “像朋友一样懂我” 的人？
• 是 “像父母 / 爱人一样指导我” 的人？
• 还是 “像自己理想化未来样子” 的人？用户不只是消费内容，更是在 “投射一个情感角色”。

#03 人设所处场景

• 工作中？家庭中？奋斗路上？还是日常闲聊？
• 是严肃冷静？温柔治愈？阳光开朗？佛系知性？保持你视频的 “世界观一致性”，让人对你 “出现的背景” 有预期。

#04 形象特点：你靠什么被识别？

• 是外貌特征？（发型、穿搭、风格）
• 是语言表达？（语气、节奏、表达方式）
• 是行为动作？（翻书、端茶、白板讲解等）内容之外的 “动作符号” 是人设的记忆锚点，越固定越有印象。

#05 人格特质关键词

• 勤奋的？毒舌的？冷静的？感性的？理性的？
• 成熟的？野心家的？佛系躺平人？亲切陪伴者？粉丝选你，不一定是你最好，而是你最像他们自己、或他们最想成为的那类人。

#06 人设主张立场

• 是 “普通人也能逆袭”？
• 是 “现实必须清醒，别做梦”？
• 是 “生活不止赚钱，还有自洽与平静”？主张你与众不同的立场，它是吸引、留住、传递粉丝最根本的磁场。

真正有影响力的人设，来自深度的自我理解

做自媒体，就像开一家店。人设定位就是你的 “店铺招牌”，它告诉用户你卖什么，也决定了你的店铺能吸引什么样的顾客。没有招牌的店铺，即使产品再好，也很难有顾客上门。

所以，别再盲目拍内容了。先花点时间，找准自己的人设定位，然后朝着这个方向深耕。相信我，当你有了清晰的定位，后续的运营会事半功倍，爆款内容也会自然而然地出现。