把创作者库和素材库交叉起来：别再按粉丝量挑人

买量团队挑创作者，通常都是同一套流程：打开创作者市场，把粉丝量拖到某个区间，再叠加类目和地区条件，最后从搜索结果里的几百个账号中挑几个眼熟的人。

问题不在于筛选条件还不够细，而在于起点就错了。粉丝量、类目、地区描述的是一个创作者“是谁”，属于静态标签；真正需要判断的是：他们的内容结构，是否像那些已经被验证有效的创意。前者与后者，往往根本不是一回事。

先说明边界：这里使用的创作者目录、推荐词和素材排行，均来自平台公开的创作者营销平台与创意中心，通过自己的登录账号访问；没有签名，也没有绕过任何限制。本系列讨论的是如何把公开数据交叉起来，转化为决策。

粉丝量是滞后且受污染的信号

把粉丝量作为挑选创作者的主轴，系统性地不对，且有三个彼此独立的原因，任何一个都足够否定它。

第一是滞后。粉丝量是过去内容表现累积下来的存量，只能说明这个人曾经爆过，并不能说明他这个月还能跑出来。一个两年前靠单条爆款涨到百万粉、之后始终没有增长的账号，粉丝量可能比一个每条都有小爆发、持续上升的账号高一个数量级；但后者才是你更该找的人。

第二是污染。买来的粉丝、与自身品类无关的爆款，以及和你的目标用户不重合的人群画像，全被塞进同一个数字里。你无法从总粉丝量中拆出“其中有多少人真正与我相关”。

第三是它会把你不断推向头部。按粉丝量排序，排在前面的永远是报价最高的大号；真正性价比高的创作者，往往在中腰部，内容结构对、单条互动好，但报价只是头部的一小部分。把粉丝量作为主筛选维度，会系统性地把这些人埋到你根本不会翻到的位置。

创作者筛选面板里，哪些维度只是噪声

创作者搜索页的筛选项很多，大致可分为三类。

第一类是身份标签：粉丝量区间、地区、语言、类目。它们适合做粗筛，例如先排除明显不匹配的语言和地区；但若把它们当成选人的主要依据，就会落入前面的错误。类目尤其容易误导：同样被标为“美妆”的两个创作者，一个可能专做测评，另一个只拍段子，而对你真正有价值的可能只有其中一种。

第二类是平台计算出的分数。播放量中位数、互动率确实比粉丝量更值得参考，因为它们反映的是近期表现，而不是历史存量。至于创作者价值、接单率之类的综合分，则是平台黑盒。但前者依然只是结果，不是结构：它只能说明此人的内容有效，却解释不了为什么有效；后者优化的是平台交易，不是你的 ROI，也无法对齐你自己的“有效”定义。它们可以参考，不能成为挑选主轴。

真正缺失的那类信息，目录里根本没有：内容结构。钩子落在第几秒、开头是痛点切入还是结果先给、真人口播还是情景短剧、卖点如何嵌进叙事——筛选面板没有一个维度能表达这些，但它们恰恰决定了一条创意能否被成功复用。

反过来做：从有效素材提炼结构，再去创作者库找人

筛选目录无法提供内容结构，沿着筛选器正向找人自然走不通。正确方向应该倒过来：起点不是创作者库，而是你自己的有效素材库。

这里的“有效”必须由数据定义：完播留存在哪一秒断崖、点击峰值出现在第几秒、CTR 位于所在类目的哪个分位。如何判断，见留存曲线分析一文；下文默认你已经筛出一批过线素材。

逐条提取这些素材的结构特征：钩子类型、前三秒画面、卖点出现方式、叙事结构。将其压缩成结构特征卡，再归纳出一份“有效结构画像”——也就是胜出素材共同拥有的结构点，例如“痛点开场 + 第 5 秒先给结果 + 真人口播”。它必须是少数几个可清楚描述的结构要点，而不能是“内容质量高”这种空话。

第三步才回到创作者库：不要按粉丝量筛，而是拿这份画像反向寻找近期内容在结构上相符的创作者。此时看的不是候选人的粉丝数字，而是他们实际发布的视频结构。最终输出应该是一句能明确说清的话：推荐此人，因为其最近三条内容采用了与你的头部分位素材相同的钩子结构；而不是因为他有 50 万粉丝。

推荐词，是平台替你完成的内容聚类

要把候选范围收敛到可操作的程度，推荐词是最实用、也最容易被低估的工具。搜索框中输入种子词后返回的一串推荐词，本质上是平台基于全站行为构建的内容聚类投影。

这些真正与种子词相邻的扩展词，通常比你凭感觉设定的类目准确得多；其中往往还有一两个方向，甚至不在你自己的分类体系里。把它们用于扩展种子，而不是直接当答案：补齐此前没有覆盖的相邻方向，再用结构画像锁定每个方向中的具体创作者。

特征提取和相似度判断，模型该怎么选

模型在这里做两件事：提取内容结构特征，以及判断两组结构是否相似。两者都不是“打分排序”——你不需要一个 0 到 100 的相似度数字，而需要一份结构化判断，明确写出哪里相同、哪里不相同。

四个步骤，对模型的要求并不一样：

只有第三步会因更换模型而明显改变结果。字段提取几乎任何模型都能完成，真正难的是相似度判断中“说清不匹配在哪里”。弱模型会给出一个高相似度分数，再用一段话复述双方分别有什么；强模型则会说：“画像要求先给结果，但这位创作者最近三条都是过程复盘。钩子相似，叙事结构却不一致，需要谨慎。”后者才是需要的能力。

别只听结论，自己测试。测试协议与逆向分析一文中选择算法家族识别模型的方法相同：找一位你合作过、且明确表现良好的创作者作为对照，将有效结构画像和其近期内容分别交给claude-opus-5与gpt-5.6-sol，只看相似度判断能否追溯到具体视频。能够指出“哪条视频、哪个结构点”的模型层级，才值得采用。这与算法指纹识别一文里检验反证质量的标准相同：即便得分很高，它是否仍敢继续挑错。

真正的障碍，是模型切换成本

四个层级、三个厂商、三套 SDK、三种鉴权方式、三类错误格式。为了在不同步骤间切层级，分别接入三个客户端并不划算。于是大多数人最终会用同一个模型跑完整个流程——通常是在本该使用推理层的相似度判断上用了低价层，最后积累出一堆无法追溯的分数。

AIReiter把这一层抹平了：一把 key、一个兼容 OpenAI 的接口，四个层级都在背后；切换时只需要修改请求体中的model字段。

# Similarity judgment: the reasoning tier
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": "<effective structure profile + a creator recent-content list>"}]
  }'

# Extract structural-feature cards in bulk: change the model field, leave the rest
#   "model": "claude-sonnet-5"

如果你已经在使用 OpenAI SDK，只需将base_url指向https://aireiter.com/api/v1，其余不用修改。使用 Anthropic SDK 时，则以同一把 key 请求POST /api/v1/messages。

价格方面，Claude 模型按标价七折计费，GPT 模型半价。优惠正好覆盖了主要成本：逐条提取结构特征卡需要数百到数千次批量调用，使用的是 Claude Sonnet 5；其调用量比相似度判断高一个到两个数量级，也是总支出的主体。七折恰好打在最贵的步骤上。

• 获取 API key

• 免注册试用：先手动对一位已知创作者做一次相似度判断，看看结果能否追溯到具体视频，再决定是否接入流程。

匹配完成后，下一步是将有效结构写入生成 brief，交给站内图片和视频生成能力批量产出素材。完整流程详见从关键词到成品广告一文，创作者匹配只是其中一个环节。

验证标准：不能追到具体素材，就是黑盒推荐

这套流程与“把一堆创作者交给模型，让它推荐几个”的黑盒做法，核心差异就在可追溯性。一次合格的匹配必须能拆开说明：推荐创作者 X，是因为其近期第 N 条视频的结构，匹配你的有效素材 Y；而 X、N、Y 都必须是具体的。

任何一个缺失，这项匹配就无法验证；投放数据回流后，也无从复盘。因此，必须在提示词中写死可追溯性要求：每项匹配都要给出对应的具体素材与结构点；任何无法追溯的结果，无论相似度看起来多高，都应当作为噪声丢弃。

结语

挑创作者时，拖动粉丝量，再叠加类目和地区，是一种系统性错误。它筛到的是身份标签，而你真正需要的是内容结构匹配。

把流程反过来：从有效创意提取结构，归纳成画像，再用这份画像反向寻找结构相符的创作者，并让每一项匹配都能追溯到具体素材。

筛选目录提供的是静态标签，跑出结果的素材提供的是可复用结构。别停在粉丝量那一列。