从 100 篇爆款帖子里抽出 8 种钩子模式：NotebookLM 一次跑通

大多数"20 种钩子模式"清单上线就死。写这些清单的人，从来没有连续读完 100 篇帖子、应用一个频率阈值，再看看到底哪些结构真的反复出现。模式通常是泛泛的——"提个问题"、"用个数字"、"讲个故事"——任何领域都能套，等于一个领域都套不住。B2B SaaS 钩子、美妆钩子、金融科技钩子根本不是同一物种。把这三类硬拍扁的清单，等于没给。

更聪明的做法是：把 100 篇 你的 细分领域里已经爆过的帖子，丢给 NotebookLM，让它去找真正重复的结构。NotebookLM 的源约束模式（source-grounded mode）意味着它不会凭空发明结构——每个返回的模式，都对应你这 100 篇文档库里的真实帖子。你拿到的是一份针对你所在领域的分类法，而不是一篇泛泛的清单文。

第一步 — 抓取你所在领域的 100 篇爆款

最快的路径是 Apify（数据抓取平台）。在 Apify 上跑一个像 scraper-engine/linkedin-profile-post-scraper 的爬虫 actor（每 1,000 篇帖子约 1 美元），针对你所在领域的前 10 位创作者抓取。筛选条件：过去 90 天内评论数 > 50、点赞数 > 1,000 的帖子。下载结果后，用一个小脚本转成 .md 文件——每篇一个文件，互动量、作者、日期作为 frontmatter，帖子正文作为内容。NotebookLM 索引 .md 文件干净利落，结构不丢。

没有 Apify 账号的话，30–50 篇手动复制粘贴也够用。快捷方式：打开帖子，全选，粘贴到纯文本文件，存为 001-作者-日期.md。枯燥但管用。

第二步 — NotebookLM 源约束提示词

新建一个笔记本，上传全部 100 个 .md 文件，然后在对话里贴上这一段提示词：

你是一位内容分析师。我上传了 100 篇 B2B AI 工具领域的爆款 LinkedIn 帖子。请通读全部内容，识别出出现频率最高的 8 种钩子结构（即帖子的前 1–3 句）。每个模式请提供：(a) 命名，(b) 带占位符的结构模板，(c) 从语料中引用 1–2 个真实例子的帖子编号，(d) 报告这 100 篇中有多少篇使用该模式。一个模式必须在 100 篇中至少出现 10 篇 才计入——低于这个数，就是噪音。请以 Markdown 表格返回答案。

10% 下限才是关键。没有它，你会拿到 25 个模式，一半是偶然的怪点子。有了它，你拿到的是这个领域的结构性真相。

第三步 — 我从 100 篇 B2B AI 工具 LinkedIn 帖子中抽出的 8 个模式

把上面那段提示词跑在我的 100 篇语料上，结果如下：

#	模式	模板	计数
1	共同敌人 → 英雄 → 悬念	"旧的{老路}正在死掉。新的{新路}正在赢。我{赞美它}。为什么？"	27
2	"我{动词}{N}{单位}。这是{框架}。"	"我发了 1,000 封冷邮件。这是 4 行模板。"	22
3	"别再做{X}了。改做{Y}。"	"别用 CRM 了。改用 Excel。"	17
4	带反向限定的数字清单	"{N}个{方法}，帮你{结果}（且不需要{常见假设}）"	15
5	"没人谈论这个"	"没人谈论{细分领域}里的{隐藏变量}。"	14
6	反共识点名	"{流行观点}是谎言。真正管用的是这个。"	13
7	数字型好奇心缺口	"{X}% 的{受众}{错误行为}。剩下的 {Y}% 这样做。"	12
8	"做{Y}之前我真希望知道这个"	"做{关键节点}之前，我希望自己知道的 5 件事。"	10

8 个模式，每一个都过了 10% 下限。最常见的（模式 1）出现在 27% 的帖子里。最少见的（模式 8）刚好卡在 10%。

第四步 — 怎么用这份分类法

你现在手握一份为 你的 领域量身定制的钩子模式菜单，而不是一本通用文案书里抄来的清单。接下来的 20 篇帖子，要有意识地在这 8 种结构之间轮换。发布时给每篇帖子打上模式编号。3 个月后你会看到你的具体受众奖励哪些模式——领域菜单和你的受众偏好会开始分叉，那才是你真正的优势所在。

那 80 篇泛泛的"钩子公式"文章，让它们待着吧。这个版本才真的合身。