創作者庫要對照素材庫：別再用粉絲數挑人

挑選合作創作者時，多數人的流程都很熟悉：打開創作者市集，先設定粉絲數區間，再疊加類別與地區條件，最後從幾百位搜尋結果中挑出看起來最眼熟的人。

問題不在篩選器不夠細，而在一開始就選錯了判斷方向。粉絲數、類別與地區都是創作者的靜態標籤，描述的是「這個人是誰」；你真正該判斷的，卻是「他的內容結構，是否接近那些已被驗證有效的素材」。這兩件事往往沒有直接關係。

先說明範圍：本文使用的創作者目錄、推薦詞與素材排行，皆來自以自己帳號登入平台公開創作者行銷平台與創意中心後可存取的資料；不使用簽名、不繞過任何機制。這套方法談的是如何把公開資料交叉成可執行的決策。

粉絲數是落後且受污染的訊號

把粉絲數當成核心篩選條件，會系統性地選錯人，至少有三個彼此獨立的原因，任何一項都足以構成問題。

第一，它是落後指標。粉絲數是過往內容成果累積出來的存量，只能說明這個人曾經爆紅，無法告訴你他這個月是否仍能打中受眾。一個兩年前靠單支爆款衝到百萬粉絲、此後流量停滯的帳號，粉絲數可能比每支影片都持續有小幅爆發的新興帳號高一個數量級；但後者往往才是你要找的人。

第二，它混入太多雜訊。買來的粉絲、與你品類無關的爆款，以及不重疊的受眾輪廓，全都被塞進同一個數字裡。你無法從總粉絲數中拆出「其中到底有多少人與我相關」。

第三，它會把你一路推向最貴的人選。依粉絲數排序時，大型創作者永遠排在最前面，報價也最高；真正有成本效益的對象，通常在中段：內容結構對、單支互動表現好，價格卻只要頭部創作者的一小部分。若以粉絲數為主軸，這些人會被埋到你根本不會滑到的位置。

創作者篩選器裡，哪些欄位其實只是雜訊

創作者搜尋面板看似提供許多維度，大致可分成三類。

第一類是身分標籤，例如粉絲數區間、地區、語言與類別。它們適合做粗篩，例如排除明顯不相符的語言與地區；但把它們當成挑選主依據，就會落入前述問題。尤其類別最容易誤導：同樣標記為「美妝」的兩位創作者，一位可能做評測，另一位可能拍短劇，而其中可能只有一種內容形式對你有用。

第二類是平台替你計算的分數。影片播放量中位數、互動率，確實比粉絲數更值得參考，因為它們反映近期表現，而非過去累積；至於創作者價值、接單率這類綜合分數，則屬於平台黑箱。但前者描述的是結果，不是結構：它只能告訴你這個人的內容有效，卻無法說明為什麼有效。後者最佳化的是平台交易，不是你的 ROI，也無法對齊你對「有效」的定義。它們可以參考，但不該成為挑選主軸。

真正關鍵、卻完全不在目錄裡的第三類，是內容結構：鉤子落在第幾秒、開場是痛點切入還是成果先行、是旁白還是短劇、賣點如何嵌進敘事。篩選面板沒有任何欄位能表達這些資訊，但它們恰恰決定一支創意能否被成功複製。

把流程倒過來：先從有效素材找結構，再回創作者庫反查

既然目錄不提供內容結構，從創作者庫往前篩就注定走不通。正確起點不是創作者庫，而是你手上已被驗證有效的素材庫。

「有效」必須由數據定義：逐秒留存在哪裡斷崖、點擊高峰出現在第幾秒、CTR 在同品類中落在哪個百分位。這套判斷方式會在留存曲線分析文章中展開；本文假設你手上已經有一批通過門檻的素材。

逐支萃取其結構特徵，例如鉤子類型、前三秒畫面、賣點出現方式與敘事結構，整理成結構特徵卡，再歸納出「有效結構輪廓」。重點是找出勝出素材共享的結構節點，例如「痛點開場＋第 5 秒成果先行＋真人旁白」。這必須是幾個可具體描述的結構特徵，而不是「內容品質高」這種空泛結論。

第三步才回到創作者庫。但此時不要再用粉絲數過濾，而是根據這份輪廓反查：哪些創作者近期發布的內容，在結構上與它相符。你要看的，是候選人實際發布影片的結構，不是粉絲數字。最後輸出的推薦理由應該能明確說出口：推薦這位創作者，是因為他最近三支影片使用了與你高百分位素材相同的鉤子結構，而不是因為他有 50 萬粉絲。

推薦詞，其實是平台替你做好的內容分群

要把候選名單收斂到可操作範圍，推薦詞是最實用、也最常被低估的工具。你在搜尋框輸入種子詞後看到的一串推薦詞，本質上是平台依據全站行為建立的內容分群投影。

這些真正與種子詞相鄰的延伸方向，通常比你憑直覺設定的類別更準，也經常會帶出你的既有分類系統裡根本沒有的一兩個方向。把它當作種子擴展工具，而非最終答案：先拓出你原本沒涵蓋的相鄰方向，再用結構輪廓鎖定每個方向中真正適合的人。

結構萃取與相似度判斷，模型該怎麼選

這裡的模型要做兩件事：萃取內容結構特徵，以及判斷兩組結構是否相似。兩者都不是單純的「打分排序」；你不需要一個 0 到 100 的相似度數字，而是需要一份結構化判斷，清楚指出相似在哪裡、不相似又在哪裡。

四個步驟對模型能力的要求各不相同：

四步之中，只有第三步會因為換模型而明顯改變結果。欄位萃取幾乎任何模型都做得到；真正困難的是相似度判斷裡「說清楚哪裡不匹配」這件事。弱模型會給你高相似度，再用一段話重述雙方都有什麼；強模型則會說：「輪廓要求成果先行，但這位創作者最近三支影片都是過程紀錄；鉤子雖然相符，敘事結構卻不同，應謹慎評估。」你要的是後者。

不要只聽我的，自己測。測試協議與逆向工程文章中挑選演算法家族識別模型的方法相同：找一位你曾合作、且確認表現良好的創作者當對照組，把有效結構輪廓與其近期內容同時交給 claude-opus-5 和 gpt-5.6-sol，只看相似度判斷能否追溯到某一支具體影片。能指出「哪支影片、哪個結構節點」的那個層級，才值得採用。這與演算法指紋識別文章中檢驗反證品質的標準相同：即使分數很高，它是否仍敢繼續挑錯。

真正的阻力，其實是切換成本

四個能力層級、三家供應商、三套 SDK、三種驗證方式、三種錯誤格式。要為不同步驟串接三個客戶端並在它們之間切換，通常不值得；因此大多數人最後只用同一個模型跑完整條流程，常見結果是該使用推理層做相似度判斷的地方，卻用了廉價模型，最後累積一堆無法追溯來源的分數。

AIReiter 把這層複雜度攤平：一把金鑰、一個 OpenAI 相容介面，四種能力層級都在後面；只要修改請求內容中的 model 欄位，就能切換模型。

# 相似度判斷：使用推理層
curl https://aireiter.com/api/v1/chat/completions \
  -H "Authorization: Bearer $AIREITER_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5",
    "messages": [{"role": "user", "content": "<有效結構輪廓 + 某位創作者的近期內容清單>"}]
  }'

# 批量萃取結構特徵卡：只改 model 欄位，其餘不變
#   "model": "claude-sonnet-5"

若你已使用 OpenAI SDK，只要將 base_url 指向 https://aireiter.com/api/v1，其他設定都不必修改。若使用 Anthropic SDK，則以同一把金鑰呼叫 POST /api/v1/messages。

價格方面，Claude 模型為定價 7 折，GPT 模型為半價。折扣正好落在最主要的成本上：逐支萃取結構特徵卡需要數百到數千次批量呼叫，使用的是 Claude Sonnet 5，呼叫量比相似度判斷高一到兩個數量級，也是整體支出的主體；7 折正好套用在最昂貴的步驟。

• 取得 API key

• 免註冊試用：先手動對一位你熟悉的創作者做相似度判斷，看看結果是否能追溯到特定影片，再決定是否要串進流程。

完成創作者配對後，下一步是把有效結構寫入生成 brief，交給站內圖片與影片生成工具大量產出素材。完整流程會在從關鍵字到完成廣告文章中說明，創作者配對只是其中一個環節。

驗證標準：不能追溯到特定素材，就只是黑箱推薦

這套流程與「丟給模型一堆創作者，讓它推薦幾位」的黑箱作法，差異就在可追溯性。一筆合格配對必須能拆解為：推薦創作者 X，理由是他近期第 N 支影片的結構，與你的有效素材 Y 相符；X、N、Y 都必須具體明確。

少了任何一項，就無法驗證；等上線數據回來後，也無法覆核。因此要在 prompt 裡鎖定可追溯性：每筆配對都必須列出對應的具體素材與結構節點；凡是無法追溯的結果，不管相似度看起來多高，都當成雜訊丟掉。

結語

挑創作者時，拉粉絲數、再疊加類別與地區，是一個系統性錯誤的預設動作。它篩掉的是身分標籤，而你真正需要的是內容結構的匹配。

把流程倒過來：從有效創意中萃取結構，歸納出輪廓，再以這份輪廓反查結構相符的創作者，並讓每一筆配對都能追溯到特定素材。

篩選目錄提供的是靜態標籤；跑出成績的素材，才提供可複製的結構。別把判斷停在粉絲數那一欄。