如何高效收集并分析社交媒体上的爆款内容，是每个内容创作者和运营团队的痛点。

传统的做法是手动复制粘贴，或者使用不稳定的爬虫工具。

然而，频繁的登录限制、验证码校验以及平台风控，让自动化爬取变得困难重重。

今天分享一套真正稳定、安全的闭环方案：Codex + Obsidian 本地爆款工作流。

这套方案的核心逻辑是：不在后台强行爬取数据，而是在你正常浏览网页时，利用 Obsidian 官方插件一键剪藏。

内容进入本地知识库后，再由 Codex 自动进行结构化拆解、计算爆款指数，并生成选题周报。

这套工作流不依赖任何违规接口，完全运行在你的本地环境，既保证了数据安全，又极具扩展性。

---

为什么选择 Codex + Obsidian？

在内容管理中，工具的分工非常关键。

Obsidian 负责安全存储。

通过网页剪藏，所有内容都会以 Markdown 格式保存在本地磁盘。

你可以利用 Obsidian 的 Properties（属性）功能，将标题、链接、互动数据等字段进行结构化管理。

Codex 负责智能执行。

它能直接读取你的本地 Vault（仓库），批量补全缺失字段、运行分析脚本，并根据历史数据自动生成选题建议。

两者的结合，打通了从“信息输入”到“选题输出”的完整闭环。

---

第一步：配置 Web Clipper 规范数据源

要建立高质量的选题库，首先要规范数据的录入格式。

我们使用 Obsidian 官方的 Web Clipper 浏览器扩展。

它支持自定义模板和变量，能够根据不同的网站自动提取关键字段。

针对爆款内容，我们可以设计一个专属的剪藏模板。

在 Web Clipper 中新建模板，并配置以下 YAML 属性：

---
title: "{{title}}"
source_url: "{{url}}"
collected_date: "{{date}}"
status: "待分析"
likes: 0
saves: 0
comments: 0
---

设置触发规则，使其仅在目标平台页面激活。

当你浏览到有价值的内容时，点击 Clipper 插件，网页的核心文本和元数据就会被瞬间保存到本地的 10-爆款样本 文件夹中。

在实际操作中，建议人工顺手补充一下页面上的点赞、收藏和评论数。

虽然这一步看起来不够“全自动”，但它能彻底避开平台的反爬机制。

把最耗时的分类、拆解和分析工作留给 AI，是性价比最高的选择。

---

第二步：利用 Properties 构建结构化数据库

普通的收藏夹之所以会变成“内容坟场”，是因为缺乏结构化的检索维度。

Obsidian 的 Properties 功能可以将笔记头部的 YAML 数据转化为可视化的属性字段。

在这套爆款库中，我们定义了以下核心字段：

• topic：内容主题分类。
• hook_type：开头引入钩子的类型。
• structure：文章大纲结构。
• likes / saves / comments：互动数据。
• viral_score：内部爆款指数。
• status：处理状态（待分析/已分析）。

这些属性不仅方便我们日常筛选，也为后续 Codex 的批量处理提供了统一的数据接口。

---

第三步：将 Obsidian 接入 Codex

打开 Codex 客户端，将你的 Obsidian Vault 文件夹作为项目导入。

此时，Codex 能够清晰地感知到你的本地目录结构：

├── 00-仪表盘
├── 10-爆款样本
├── 20-周报
├── 90-模板
└── .agents/skills

在运行分析任务前，我们需要为 Codex 配置底层的模型服务。

通常，这类 AI 编程与自动化工具支持多种登录方式。

除了常见的账号登录外，为了保证网络接入稳定性并进行精细的调用成本管理，我们通常会选择 API 登录方式。

在配置自定义 API 时，需要关注 API Key、Base URL 以及具体的模型名称。

本文使用 iThinkAPI 作为 OpenAI Compatible API 的演示环境。

你可以在 Codex 的模型服务配置中填写以下参数：

![简短描述](完整URL)

![描述](URL)

text
Base URL：https://token.ithinkai.cn/v1
API Key：YOUR_API_KEY
Model：以服务文档为准，最新模型 gpt-5.5、claude-opus-4-8、gpt-image-2 等可按文档查看；涉及图片生成时，以 0.05¥/图起、2k/4k 支持等服务文档说明为准。

为了顺利完成配置，请按照以下步骤在管理后台进行操作：

第二步：挑选模型与确定分组

在进行模型配置前，我们需要进入模型广场。

利用 gpt、claude、image 等关键词筛选适合当前任务的模型。

根据不同的分析深度和处理速度，确认模型对应的分组或线路。

需要注意的是，同一个模型在不同分组下的调用质量、价格和可用状态可能存在差异，具体请以页面和服务文档为准。

第三步：创建 API 令牌

确定模型后，进入控制台的令牌管理页面。

点击添加令牌，并将其绑定到上一步选中的模型分组。

如果不确定具体的模型限制，可以先不填写限制条件。

创建成功后，复制生成的 API Key。

回到 Codex 的模型配置界面，填入对应的 API Key、Base URL 和 Model 名称，进行连接测试。

---

第四步：设计内部爆款指数算法

在分析样本时，我们不能只看单一的点赞数。

为了更客观地评估样本的参考价值，我们需要在本地计算一个“内部爆款指数”。

我们可以通过编写一个简单的计算公式，并让 Codex 批量执行：

$$\text{Viral Score} = (Saves \times 0.42) + (Likes \times 0.3) + (Comments \times 0.18) + (Freshness \times 0.1)$$

在这个公式中：

• 收藏数（Saves）赋予最高权重（42%），因为收藏代表了深度实用价值。
• 点赞数（Likes）权重设为 30%，代表即时认同感。
• 评论数（Comments）权重设为 18%，代表话题讨论度。
• 新鲜度（Freshness）占 10%，对近期发布的新内容给予适度加权。

为了避免头部大号的极端数据破坏整体分布，在实际脚本中，我们可以引导 Codex 使用对数转换（Log Scale）来平滑数据。

配置完成后，Codex 会自动扫描 10-爆款样本 文件夹，读取每篇笔记的互动数据，计算出指数并写回 Properties 中。

---

第五步：使用 Bases 呈现选题看板

当本地笔记拥有了结构化的属性后，我们可以利用 Obsidian Bases 插件将它们聚合呈现。

Bases 可以将 Markdown 笔记渲染成类似于 Notion 的多维表格或看板。

你可以轻松实现以下筛选和排序：

• 按 viral_score 降序排列，快速找出最值得拆解的黄金样本。
• 筛选 status 为“待分析”的笔记，一键查阅新入库的内容。
• 按 topic 分组，清晰查看各个细分领域的样本储备。

这种本地数据库的形式，既保留了 Markdown 的轻量和自主性，又获得了强大的数据组织能力。

---

第六步：将分析流程固化为 Codex Skill

为了让这套工作流能够长期稳定运行，我们需要将操作步骤固化为 Codex Skill。

在项目目录的 .agents/skills/xhs-trend-library/ 下创建 SKILL.md。

在其中明确定义 AI 的工作边界和执行逻辑：

# Skill: 爆款内容拆解与选题生成

## 运行限制
- 仅读取 Vault 本地已有笔记，严禁访问外部未授权链接。
- 补全属性时，若数据缺失必须标记，严禁编造任何互动指标。
- 生成选题时，必须结合用户自身的真实案例，严禁直接复制原作者的标题和正文。

## 执行步骤
1. 扫描 `10-爆款样本` 目录下 `status` 为 "待分析" 的文件。
2. 提取文本，分析其主题、开头钩子类型及大纲结构，并写入对应的 Properties。
3. 计算并更新 `viral_score`。
4. 将处理完的文件状态更新为 "已分析"。

通过这种方式，你只需要在 Codex 中输入简单的指令，它就会严格按照 Skill 定义的规范去执行，避免了因提示词漂移导致的输出不稳定。

---

第七步：自动生成选题周报与复盘

当样本积累到一定量后，我们可以让 Codex 定期生成选题周报。

周报不仅会汇总本周新增的爆款趋势，还会深度拆解高频出现的开头钩子。

为了进一步释放生产力，我们还可以利用 Codex Automations 设置定时任务。

例如，设定每周五下午自动运行分析脚本，更新仪表盘并生成周报草稿。

需要注意的是，在运行本地 Automation 时，需要确保你的电脑处于开机状态，且 Codex 客户端正在运行。

---

实操避坑与使用建议

在搭建和运行这套系统的过程中，有几个关键点需要注意：

1. 明确筛选标准，不盲目追求高赞

并不是所有高赞内容都值得收录。建议优先保存以下四类样本：

• 收藏率极高的教程、工具清单或模板。
• 评论区讨论热烈、暴露出用户真实痛点的内容。
• 与你自身定位高度相关，且能用你自己的案例进行重写的话题。
• 结构清晰、逻辑可复用的框架。

对于纯情绪宣泄、时效性过强或无法核实事实的内容，建议直接忽略。

2. 守住合规与版权边界

在享受 AI 带来便利的同时，必须坚守合规底线：

• 绝不使用任何自动化爬虫去强行突破平台风控。
• 爆款库仅作为内部选题和结构参考，严禁直接洗稿或抄袭他人的原创图文。
• 在最终发布内容前，必须进行人工事实核查，并加入自己的真实见解。

---

写在最后

这套 Codex + Obsidian 工作流的真正价值，不在于追求“全自动抓取”的黑科技感。

而在于它帮你建立了一个本地的内容资产进化系统。

Web Clipper 负责精准输入，Obsidian 负责结构化沉淀，而 Codex 则通过强大的模型服务，将这些静态的数据转化为可执行的选题灵感。

把碎片化的收藏，变成有源之水。这才是内容创作者最坚实的生产力护城河。

参考资料：

1. Obsidian Web Clipper 官方文档：https://obsidian.md/clipper

2. Obsidian Properties 使用指南：https://help.obsidian.md/properties

3. OpenAI Codex Skills 开发者文档：https://developers.openai.com/codex/skills