別再瞎找需求了：我用 OpenClaw 搭了一套 11 步全自動挖掘系統

大家好，我係孟健。

我用 OpenClaw 整咗一套全自動需求挖掘系統，每日朝早起身，手機上面已經有一份機會清單。

今日我會將成個系統嘅搭建思路、每一步點做、用咩工具、睇咩指標，全部拆開嚟講。你睇完之後可以直接跟住整一套。

先講結論：呢套系統一共有 11 步，兩個發現入口（搜尋 + 社區），一條統一判斷鏈。行喺 OpenClaw 上面，一個 cron job 每日自動執行。

種子詞
→ ① 新詞發現（Google Trends）
→ ② 老詞篩選（關鍵詞數據庫）
→ ③ 第一次合併
→ ④ Hacker News 信號掃描
→ ⑤ GitHub 信號掃描
→ ⑥ Tavily 社區驗證
→ ⑦ 社區詞 → Trends 橋接
→ ⑧ 社區詞趨勢驗證
→ ⑨ 第二次合併
→ ⑩ SERP 競爭分析
→ ⑪ 最終分級 shortlist

下面一步一步拆開嚟講。

01 第一步：準備種子詞

所有需求挖掘嘅起點都係種子詞。種子詞唔係「你覺得乜嘢好」，而係你要研究嘅品類表達。

點樣揀種子詞：

• 你正在做嘅領域嘅核心詞（例如做 AI 工具站，種子詞就係 ai generator、ai detector、ai editor 呢一類）
• 競爭對手嘅核心關鍵詞（去 Ahrefs/Semrush 睇競爭對手排名前面嘅詞）
• 用戶喺搜尋框裏面實際打嘅表達（Google Suggest、Answer the Public）

我嘅做法：維護一個 seed_roots.json 檔案，入面放咗 127 個根詞。每日 pipeline 行嘅時候會自動由呢度攞。

種子詞唔需要好多，但要覆蓋你關心嘅品類。後面嘅 pipeline 會自動幫你擴展。

02 新詞發現：用 Google Trends 揾緊係度起勢嘅表達

呢一步嘅目標係：由海量候選詞入面，揾到搜尋熱度緊係度上升嘅新表達。

具體操作：

1. 用 Google Trends API（pytrends 庫）批量查詢候選詞
2. 每個詞同一個基準詞（我用嘅係「gpts」）做趨勢對比
3. 計三個核心指標：
• avg_ratio
  ：過去 12 個月平均搜尋量 / 基準詞平均搜尋量
• last_ratio
  ：最近一個月嘅比值（判斷當前勢頭）
• slope
  ：趨勢斜率（正=喺度升，負=喺度跌）

判斷標準：

• last_ratio > 6 而且 slope > 0：🔥 強上升信號
• avg_ratio > 3 而且 last_ratio > avg_ratio：📈 穩步上升
• slope < 0 而且 last_ratio < avg_ratio：📉 喺衰退，跳過

自動過濾三類噪音：

• 品牌詞（DeepSeek、ChatGPT、Midjourney）→ 呢啲係人哋嘅流量，唔係你嘅機會
• 娛樂詞（taylor swift、minecraft）→ 同你嘅業務無關
• 成熟大詞（free vpn、pdf converter）→ 已經競爭到極致

我嘅參數：每輪查詢 54 組 Trends 數據，攞 top 80 個候選詞進入下一步。

03 老詞篩選：由關鍵詞數據庫入面揾被低估嘅成熟詞

新詞線揾嘅係「緊係度升嘅」，老詞線揾嘅係「已經有量但競爭冇咁激烈嘅」。

數據源：關鍵詞數據庫（我用嘅係 DataForSEO 嘅 Keywords Data API，你都可以用 Ahrefs API 或 Semrush API）。

點樣篩：

1. 由 127 個種子根詞出發，每個根詞攞 20 個相關詞
2. 按以下條件過濾：
• 月搜尋量 > 1000（太細嘅唔值得做）
• KD（關鍵詞難度）< 30（太難嘅打唔過）
• 唔係品牌詞
• 唔係純導航詞（例如「gmail login」）
3. 按 search_volume / KD 嘅比值排序——搜尋量越高、難度越低嘅詞，機會越大

我嘅參數：127 個根詞 × 20 個/根 = 最多 2540 個候選，過濾後通常剩 200-400 個。

04 第一次合併：新詞 + 老詞去重

兩條線嘅候選詞合併到一個池入面，自動去重。

呢一步好簡單但好必要。因為同一個詞可能同時被新詞線同老詞線發現，合併後保留兩邊嘅證據，唔重複計算。

05 社區信號層：HN、GitHub、Reddit

呢個係成個系統最有差異化嘅部分。技術社區嘅討論往往比搜尋趨勢早 3-6 個月。

Hacker News 掃描：

• 工具：Algolia HN Search API（免費，唔需要 key）
• 方法：用候選詞搜尋最近 30 日嘅帖同評論
• 睇咩：提及次數、討論深度（評論數）、情緒（正面討論 vs 吐槽）
• 真實例子：我喺 HN 上面發現「ai humanizer」呢個詞被高頻提到之前，Google Trends 上面佢仲係一條微弱嘅上升線

GitHub 掃描：

• 工具：GitHub Search API
• 方法：掃最近新增 star 快嘅 repo，提取命名、topic、description
• 價值：一個 repo 嘅名就係一個需求嘅產品化表達。例如一個 repo 叫「ai-tattoo-generator」，咁「ai tattoo generator」就係一個候選關鍵詞

Tavily 社區驗證：

• 工具：Tavily Search API（$1 可以 search 1000 次）
• 方法：對候選詞搜 Reddit、Product Hunt 嘅討論
• 睇咩：用戶喺討論咩痛點？喺比較咩工具？喺抱怨咩？
• 點解唔直接用 Reddit API：Reddit API 限制多同唔穩定，Tavily 做間接抓取更省事

🔴 關鍵設計：社區詞唔直接入 shortlist。

呢個係好多人會犯嘅錯。Reddit 上面熱議唔代表有搜尋量，GitHub 上面火唔代表 SERP 可切入。

所以我設計咗一個「迴流」機制——

06 社區詞迴流驗證：補詞可以，但必須行驗證

社區發現嘅候選詞，會被重新送回 Google Trends 做趨勢驗證。

具體流程：

1. build_trend_candidates_from_community.py
   ：由 HN/GitHub/Tavily 嘅結果提取候選關鍵詞
2. run_community_trend_validation.py
   ：跟新詞線用同一套 Trends 邏輯驗證（avg_ratio、last_ratio、slope）
3. 驗證通過嘅詞併入主候選池（第二次 merge）

點解要咁設計：

來源可以好多，但判斷標準必須統一。唔理詞係由 Trends 發現嘅定係由 Reddit 撈到嘅，最後都要過同一條驗證鏈。

呢步嘅意義：社區層既可以補詞，亦必須將補出嚟嘅詞迴流到統一判斷鏈路。

07 SERP 主判斷：邊個喺前排決定一切

到呢一步，候選詞已經經過咗趨勢驗證 + 社區驗證。但仲差最關鍵嘅一刀：SERP 競爭格局分析。

工具：DataForSEO SERP API（$0.002/次查詢，好平）

點樣判斷：

1. 拉前 10 個搜尋結果
2. 將每個域名分類成「大站」或「niche 站」
3. 算比例

大站列表（我維護咗 30+ 個）：

Wikipedia、Amazon、YouTube、Reddit、Forbes、PCMag、CNET、G2、Capterra、OpenAI、Anthropic、Figma、Canva、Adobe、Grammarly、Turnitin……

判斷標準：

今日墨探（我嘅市場 Agent）跑出嚟嘅真實結果：

• ai character generator
  ：月搜 22,200，KD 19，niche 7 : big 3 → ✅ 最值得做，可以切角色類型子方向
• ai anime generator
  ：月搜 8,100，KD 15，niche 7 : big 2 → ✅ 值得做，趨勢穩定、競爭可控
• email generator
  ：last_ratio 6.25x（最近熱度飆到基準 6 倍），niche 7 : big 2 → ✅ 值得繼續睇
• ai detector
  ：niche 3 : big 7 → ❌ 大站鎖死
• free ai checker
  ：niche 2 : big 8 → ❌ 大站鎖死

08 最終分級：三個桶

所有詞過完整條鏈路後，被分成三類：

✅ 值得繼續：SERP 可切入 + 趨勢/數據/社區至少有兩個維度嘅證據。可以開始做產品規劃。

⚠️ 可觀察：有一定信號但證據唔夠硬，或者 SERP 競爭唔確定。放入觀察池，下星期再跑一次睇變化。

❌ 唔值得做：大站鎖死、品牌詞、娛樂噪音、或者趨勢緊係度跌。直接排除。

呢輪由幾百個種子詞最後產出：13 個值得繼續，3 個可觀察，其餘全部淘汰。

09 喺 OpenClaw 上面點樣跑

腳本結構：

scripts/
├── run_full_keyword_research_pipeline.py  # 主編排腳本
├── run_new_word_pipeline.py               # 新詞發現
├── run_old_word_pipeline.py               # 老詞篩選
├── merge_keyword_candidates.py            # 候選詞合併
├── run_hn_signal_scan.py                  # HN 掃描
├── run_github_signal_scan.py              # GitHub 掃描
├── run_tavily_community_scan.py           # Tavily 社區驗證
├── build_trend_candidates_from_community.py  # 社區→Trends 橋接
├── run_community_trend_validation.py      # 社區詞趨勢驗證
├── run_keyword_research_review.py         # SERP 分析
├── build_final_keyword_shortlist.py       # 最終分級
└── keyword_pipeline_common.py             # 公共函數

主腳本 run_full_keyword_research_pipeline.py 按順序調用 11 個子腳本，每一步嘅輸出存到 data/pipeline_results/，最終 shortlist 存到 reports/。

OpenClaw cron 配置：

我俾市場 Agent（墨探）配咗一個 daily cron job。每日朝早自動跑完整條鏈路，跑完後自動將結果發到 Telegram 羣入面。

每一步用嘅外部 API 同實際費用：

成套 pipeline 跑一次嘅實際成本大約 $2-3。 每日跑一次，一個月都係 $60-90——比一個 Ahrefs 標準訂閲（$99/月）仲平，但你得到嘅係每日更新、經過完整驗證嘅機會清單。

DataForSEO 註冊送 $50 免費額度，夠你免費跑半個多月。

10 你自己搭需要咩

如果你想跟住搭一套，需要準備嘅嘢：

1. OpenClaw 部署好
   （一台 VPS 就得）
2. DataForSEO 賬號
   （註冊送 $50 額度，夠用好耐）
3. Tavily API Key
   （$1 = 1000 次搜尋）
4. Google 賬號
   （pytrends 免費用）
5. 一份種子詞列表
   （你嘅業務領域嘅核心關鍵詞，20-50 個起步）
6. Python 環境
   （腳本都係 Python 寫嘅）

唔需要 Ahrefs 或 Semrush 嘅高價訂閲（嗰兩個分別係 $99/月同 $129/月起步）。成個系統嘅數據源成本每個月唔到 $12。DataForSEO 註冊就送 $50 額度，夠你跑大半年。

最後

2026 年，獨立開發者嘅核心瓶頸正喺度由「唔識做」轉向「唔知做咩」。

AI 令寫程式變容易咗，令做設計變容易咗。但「揾到一個值得做嘅方向」呢件事，仲係要靠判斷力。而判斷力需要數據支撐。

呢套系統做嘅嘢就係：令 AI 幫你跑完判斷之前嘅所有 dirty work——收集、清洗、驗證、分級——你只需要睇結論、做決策。

Agent 跑數據，人做判斷。呢個先係正確嘅分工。

AI 最值錢嘅用法，唔係幫你思考，係幫你跑完思考之前嘅嗰啲 dirty work。

你而家係點樣揾需求嘅？留言區傾，我每條都睇。

🚀 想同更多 AI 愛好者交流，共同成長嗎？

同一班志同道合嘅人，持續精進 AI 嘅每一天

大家好，我是孟健。

我用 OpenClaw 搭了一套全自動需求挖掘系統，每天早上醒來，手機上已經躺着一份機會清單。

今天把整套系統的搭建思路、每一步怎麼做、用什麼工具、看什麼指標，全部拆開講。你看完之後可以直接照着搭一套。

先說結論：這套系統一共 11 步，兩個發現入口（搜索 + 社區），一條統一判斷鏈。跑在 OpenClaw 上，一個 cron job 每天自動執行。

種子詞
→ ① 新詞發現（Google Trends）
→ ② 老詞篩選（關鍵詞數據庫）
→ ③ 第一次合併
→ ④ Hacker News 信號掃描
→ ⑤ GitHub 信號掃描
→ ⑥ Tavily 社區驗證
→ ⑦ 社區詞 → Trends 橋接
→ ⑧ 社區詞趨勢驗證
→ ⑨ 第二次合併
→ ⑩ SERP 競爭分析
→ ⑪ 最終分級 shortlist

下面一步一步拆。

01 第一步：準備種子詞

所有需求挖掘的起點都是種子詞。種子詞不是"你覺得什麼好"，而是你要研究的品類表達。

怎麼選種子詞：

• 你正在做的領域的核心詞（比如做 AI 工具站，種子詞就是 ai generator、ai detector、ai editor 這一類）
• 競品的核心關鍵詞（去 Ahrefs/Semrush 看競品排名靠前的詞）
• 用戶在搜索框裏實際打出來的表達（Google Suggest、Answer the Public）

我的做法：維護一個 seed_roots.json 文件，裏面放了 127 個根詞。每天 pipeline 跑的時候自動從這裏面取。

種子詞不需要很多，但要覆蓋你關心的品類。後面的 pipeline 會自動幫你擴展。

02 新詞發現：用 Google Trends 找正在起勢的表達

這一步的目標是：從海量候選詞裏，找到搜索熱度正在上升的新表達。

具體操作：

1. 用 Google Trends API（pytrends 庫）批量查詢候選詞
2. 每個詞跟一個基準詞（我用的是 "gpts"）做趨勢對比
3. 算三個核心指標：
• avg_ratio
  ：過去 12 個月平均搜索量 / 基準詞平均搜索量
• last_ratio
  ：最近一個月的比值（判斷當前勢頭）
• slope
  ：趨勢斜率（正=在漲，負=在跌）

判斷標準：

• last_ratio > 6 且 slope > 0：🔥 強上升信號
• avg_ratio > 3 且 last_ratio > avg_ratio：📈 穩步上升
• slope < 0 且 last_ratio < avg_ratio：📉 在衰退，跳過

自動過濾三類噪音：

• 品牌詞（DeepSeek、ChatGPT、Midjourney）→ 這是別人的流量，不是你的機會
• 娛樂詞（taylor swift、minecraft）→ 跟你的業務無關
• 成熟大詞（free vpn、pdf converter）→ 已經卷到極致

我的參數：每輪查詢 54 組 Trends 數據，取 top 80 個候選詞進入下一步。

03 老詞篩選：從關鍵詞數據庫裏找被低估的成熟詞

新詞線找的是"正在漲的"，老詞線找的是"已經有量但競爭沒那麼激烈的"。

數據源：關鍵詞數據庫（我用的是 DataForSEO 的 Keywords Data API，你也可以用 Ahrefs API 或 Semrush API）。

怎麼篩：

1. 從 127 個種子根詞出發，每個根詞取 20 個相關詞
2. 按以下條件過濾：
• 月搜索量 > 1000（太小的不值得做）
• KD（關鍵詞難度）< 30（太難的打不過）
• 不是品牌詞
• 不是純導航詞（比如"gmail login"）
3. 按 search_volume / KD 的比值排序——搜索量越高、難度越低的詞，機會越大

我的參數：127 個根詞 × 20 個/根 = 最多 2540 個候選，過濾後通常剩 200-400 個。

04 第一次合併：新詞 + 老詞去重

兩條線的候選詞合併到一個池子裏，自動去重。

這一步很簡單但很必要。因為同一個詞可能同時被新詞線和老詞線發現，合併後保留兩邊的證據，不重複計算。

05 社區信號層：HN、GitHub、Reddit

這是整套系統最有差異化的部分。技術社區的討論往往比搜索趨勢早 3-6 個月。

Hacker News 掃描：

• 工具：Algolia HN Search API（免費，不需要 key）
• 方法：用候選詞搜索最近 30 天的帖子和評論
• 看什麼：提及次數、討論深度（評論數）、情緒（正面討論 vs 吐槽）
• 真實例子：我在 HN 上發現 "ai humanizer" 這個詞被高頻提到之前，Google Trends 上它還只是一條微弱的上升線

GitHub 掃描：

• 工具：GitHub Search API
• 方法：掃最近新增 star 快的 repo，提取命名、topic、description
• 價值：一個 repo 的名字就是一個需求的產品化表達。比如一個 repo 叫 "ai-tattoo-generator"，那 "ai tattoo generator" 就是一個候選關鍵詞

Tavily 社區驗證：

• 工具：Tavily Search API（$1 可以搜 1000 次）
• 方法：對候選詞搜 Reddit、Product Hunt 的討論
• 看什麼：用戶在討論什麼痛點？在比較什麼工具？在抱怨什麼？
• 為什麼不直接用 Reddit API：Reddit API 限制多且不穩定，Tavily 做間接抓取更省事

🔴 關鍵設計：社區詞不直接進 shortlist。

這是很多人會犯的錯。Reddit 上熱議不代表有搜索量，GitHub 上火不代表 SERP 可切入。

所以我設計了一個"迴流"機制——

06 社區詞迴流驗證：補詞可以，但必須走驗證

社區發現的候選詞，會被重新送回 Google Trends 做趨勢驗證。

具體流程：

1. build_trend_candidates_from_community.py
   ：從 HN/GitHub/Tavily 的結果中提取候選關鍵詞
2. run_community_trend_validation.py
   ：跟新詞線用同一套 Trends 邏輯驗證（avg_ratio、last_ratio、slope）
3. 驗證通過的詞併入主候選池（第二次 merge）

為什麼要這麼設計：

來源可以很多，但判斷標準必須統一。不管詞是從 Trends 發現的還是從 Reddit 撈到的，最後都要過同一條驗證鏈。

這步的意義：社區層既能補詞，也必須把補出來的詞迴流到統一判斷鏈路。

07 SERP 主判斷：誰在前排決定一切

到這一步，候選詞已經經過了趨勢驗證 + 社區驗證。但還差最關鍵的一刀：SERP 競爭格局分析。

工具：DataForSEO SERP API（$0.002/次查詢，很便宜）

怎麼判斷：

1. 拉前 10 的搜索結果
2. 把每個域名分類成"大站"或"niche 站"
3. 算比例

大站列表（我維護了 30+ 個）：

Wikipedia、Amazon、YouTube、Reddit、Forbes、PCMag、CNET、G2、Capterra、OpenAI、Anthropic、Figma、Canva、Adobe、Grammarly、Turnitin……

判斷標準：

今天墨探（我的市場 Agent）跑出來的真實結果：

• ai character generator
  ：月搜 22,200，KD 19，niche 7 : big 3 → ✅ 最值得做，可以切角色類型子方向
• ai anime generator
  ：月搜 8,100，KD 15，niche 7 : big 2 → ✅ 值得做，趨勢穩定、競爭可控
• email generator
  ：last_ratio 6.25x（最近熱度飆到基準 6 倍），niche 7 : big 2 → ✅ 值得繼續看
• ai detector
  ：niche 3 : big 7 → ❌ 大站鎖死
• free ai checker
  ：niche 2 : big 8 → ❌ 大站鎖死

08 最終分級：三個桶

所有詞過完整條鏈路後，被分成三類：

✅ 值得繼續：SERP 可切入 + 趨勢/數據/社區至少有兩個維度的證據。可以開始做產品規劃。

⚠️ 可觀察：有一定信號但證據不夠硬，或者 SERP 競爭不確定。放進觀察池，下週再跑一次看變化。

❌ 不值得做：大站鎖死、品牌詞、娛樂噪音、或者趨勢在下降。直接排除。

這輪從幾百個種子詞最後產出：13 個值得繼續，3 個可觀察，其餘全部淘汰。

09 在 OpenClaw 上怎麼跑

腳本結構：

scripts/
├── run_full_keyword_research_pipeline.py  # 主編排腳本
├── run_new_word_pipeline.py               # 新詞發現
├── run_old_word_pipeline.py               # 老詞篩選
├── merge_keyword_candidates.py            # 候選詞合併
├── run_hn_signal_scan.py                  # HN 掃描
├── run_github_signal_scan.py              # GitHub 掃描
├── run_tavily_community_scan.py           # Tavily 社區驗證
├── build_trend_candidates_from_community.py  # 社區→Trends 橋接
├── run_community_trend_validation.py      # 社區詞趨勢驗證
├── run_keyword_research_review.py         # SERP 分析
├── build_final_keyword_shortlist.py       # 最終分級
└── keyword_pipeline_common.py             # 公共函數

主腳本 run_full_keyword_research_pipeline.py 按順序調用 11 個子腳本，每一步的輸出存到 data/pipeline_results/，最終 shortlist 存到 reports/。

OpenClaw cron 配置：

我給市場 Agent（墨探）配了一個 daily cron job。每天早上自動跑完整條鏈路，跑完後自動把結果發到 Telegram 羣裏。

每一步用的外部 API 和實際費用：

整套 pipeline 跑一次的實際成本大約 $2-3。 每天跑一次，一個月也就 $60-90——比一個 Ahrefs 標準訂閲（$99/月）還便宜，但你拿到的是每天更新的、經過完整驗證的機會清單。

DataForSEO 註冊送 $50 免費額度，夠你免費跑半個多月。

10 你自己搭需要什麼

如果你想照着搭一套，需要準備的東西：

1. OpenClaw 部署好
   （一台 VPS 即可）
2. DataForSEO 賬號
   （註冊送 $50 額度，夠用很久）
3. Tavily API Key
   （$1 = 1000 次搜索）
4. Google 賬號
   （pytrends 免費用）
5. 一份種子詞列表
   （你的業務領域的核心關鍵詞，20-50 個起步）
6. Python 環境
   （腳本都是 Python 寫的）

不需要 Ahrefs 或 Semrush 的高價訂閲（那兩個分別是 $99/月和 $129/月起步）。整套系統的數據源成本每月不到 $12。DataForSEO 註冊就送 $50 額度，夠你跑大半年。

最後

2026 年，獨立開發者的核心瓶頸正在從"不會做"轉向"不知道做什麼"。

AI 讓寫代碼變容易了，讓做設計變容易了。但"找到一個值得做的方向"這件事，還是要靠判斷力。而判斷力需要數據支撐。

這套系統做的事情就是：讓 AI 幫你跑完判斷之前的所有髒活——收集、清洗、驗證、分級——你只需要看結論、做決策。

Agent 跑數據，人做判斷。這才是正確的分工。

AI 最值錢的用法，不是替你思考，是替你跑完思考之前的那些髒活。

你現在是怎麼找需求的？評論區聊，我每條都看。

🚀 想要與更多AI愛好者交流，共同成長嗎？

和一羣志同道合的人，持續精進 AI 的每一天