对内容运营团队来说，“盯爆款”是一件重要但很难长期坚持的事。

每天打开几十个甚至上百个对标博主主页，查看谁发了新视频、哪些内容开始起量、标题和封面用了什么方法、评论区有没有新的用户反馈。看完之后，再把值得研究的视频链接复制到文档里，手动写下两三行分析结论。

这套流程短期能跑，但很难长期稳定。

如果一个团队要监控 100 个博主，每人每天只看 3 条视频，也意味着每天要扫 300 条内容。前几天还能记录得很细，时间一长，文档里的分析越来越简略，最后很容易变成“想起来才看一眼”。

飞书观察到，一些内容运营和增长团队已经开始尝试用 AI 改造这类重复性工作。但真正的问题不是“能不能让 AI 拆一条视频”，而是能不能搭出一套每天自动运行、数据稳定沉淀、团队可以协作处理的爆款监控系统？

本文来自飞书社区「飞行社」用户【哈哈哈】的实践分享，拆解如何用 Coze 工作流 + 飞书多维表格 + 飞书群消息 + 飞书云文档，搭建一套 AI 爆款监控系统，自动监控 100 个博主的新视频和数据变化，识别正在起量的内容，生成爆款拆解报告，并把结果沉淀回飞书。

经作者授权，由飞书官方整理发布。点击查看原文

一、从“人肉监控”到“系统自动跑”：用户最终搭出了什么？

这位飞书用户最终搭出的系统，运行方式非常清晰。

每天早上九点，飞书群会自动弹出三张卡片。

• 一张讲账号：哪些博主昨晚涨粉最快，粉丝增量是多少，有没有异常波动。

• 一张讲更新：谁发了新视频，标题是什么，封面、原片链接、下载地址都在。

• 还有一张讲爆款：哪些视频点赞涨得最猛，哪些收藏增量最高，哪些昨天还在涨今天突然停了。

点开飞书群里的卡片链接，就可以直接看原片。

再打开飞书多维表格，切到「待处理新视频」视图，昨晚新抓回来的十几条视频会整齐排在表里。看完一条，勾选「已阅」，它就会从视图里消失。

以前需要一个多小时挨个翻主页的工作，现在可以在一张多维表里集中处理。

如果看到一条特别值得研究的爆款，只需要把它的状态改成「待拆解」。后续系统会自动触发流程：抓取视频信息、提取口播文案、调用大模型生成拆解报告、创建飞书云文档、把文档链接回填到多维表，并在群里通知“拆解完成”。

点开链接，飞书云文档里已经躺着一份完整的拆解报告，从开头钩子到脚本结构到可复用的改写方向，全给你掰开了。文档链接自动回填到表格里，以后随时能翻。

最后，人需要做的只有两件事：

• 判断这条内容要不要继续跟进；

• 把合适的视频拖到「待拆解」「待翻拍」或其他业务状态里。

从团队协作角度看，这套系统把原来分散在多个地方的动作收回到了飞书里：

• 数据在飞书多维表格中沉淀；

• 战报在飞书群里推送；

• 拆解报告在飞书云文档中归档；

• 状态流转在飞书多维表格视图中完成；

• Coze 工作流在背后负责自动执行。

它不是一个单独开发的 SaaS，也不是一个只会回答问题的 AI Agent，而是一套用 Coze + 飞书搭出来的业务系统。

二、系统架构：Coze 负责工作流，飞书负责数据、协作和沉淀

这套 AI 爆款监控系统可以拆成五层。

层级	名称	干什么	谁在干
第一层	抓取清洗层	抓博主信息、抓视频数据、去重、附件转存	Coze 工作流
第二层	业务计算层	算增量、算收藏率、条件格式标色	飞书公式引擎
第三层	交互看板层	6 个视图 + 仪表盘	飞书多维表
第四层	主动触达层	战报推群、爆款实时狙击	Coze + 飞书群机器人
第五层	异常监控层	Cookie 探活、熔断、告警	Coze 工作流

前端：两张表 + 六个视图 + 一个仪表盘

系统的「前端」就是飞书多维表和飞书群。

账号表：管理“我要监控谁”

账号表主要存放博主信息，四十多个字段，用途分了四类。

这部分稍微硬核，但如果自己搭，字段设计是最关键的决策，搭错了后面全部返工。

字段类型	示例字段	作用
原生抓取字段	昵称、粉丝量、作品数、总获赞数、头像、IP 属地、个人简介、主页链接、sec_uid	由 Coze 工作流douyinURL抓取后写入，形成博主基础画像
计算字段	粉丝增长率、赞粉比、更新频率、近期平均赞、涨粉势能标签、粉丝量级	通过公式自动计算，帮助判断账号表现
AI 字段	博主风格画像、视频风格、剪辑风格、变现模式、发布规律	用 AI 自动总结账号特征，辅助选题判断
管控字段	启用监控（勾选框，控制这个博主要不要纳入定时抓取） 文件夹链接（对应飞书云文档里这个博主的专属文件夹，拆解文档往这里存） 抖音 cookie（隐藏字段，部分插件需要）	控制是否纳入监控，以及拆解文档归档位置

这里有一个很重要的设计原则：

机器用的字段和人看的字段要分开。

比如粉丝数可以有两套字段：一套是隐藏的原始数字，给公式和工作流计算；另一套是格式化后的展示字段，给运营同学阅读。

这样可以避免公式套公式，也能减少后续自动化计算出错。

同时启用了两个飞书多维表格字段捷径：一个豆包「看规律」，根据近期发布时间和数据变化自动总结发布规律；一个 DeepSeek-R1（联网），直接联网搜索补充博主的公开信息。

AI 字段捷径的好处是不用跑工作流，数据变了它自动重新算。

视频表：管理“哪些内容值得关注”

视频表是整套系统最核心的表，负责存储每条视频的数据和处理状态。

三十多个字段，可以分成五类字段：

字段类型	示例字段	作用
基础信息	视频标题、账号昵称、视频 URL、封面、下载地址、发布时间、视频时长、标签	存储视频原始信息
数据指标	点赞数、收藏数、评论数、分享数	记录视频当前表现
增量字段	old 赞、old 评论、old 收藏、赞 gap、评论 gap、收藏 gap	这是整张表最值钱的部分，储存上一轮数据快照，对比上一轮数据，判断内容是否正在起量。 每跑一次增量工作流，old 字段被覆盖，gap 字段重新算。
智能计算字段	爆款指数、爆款等级、点赞分层、近 60 天标记	综合指数自动分成 S/A/B/C 档，并自动过滤过期内容，筛出高价值内容
流程管控字段	已阅、跟进状态、拆解状态、拆文案链接、ASR 文案	把视频表变成任务流转系统
字段捷径	跟进建议	引入豆包大模型，根据视频数据自动生成跟进建议

其中最关键的是增量字段。

很多内容团队容易只看总点赞数，但总点赞数只能说明这条视频曾经表现不错。对于运营来说，“正在涨”往往比“涨过”更重要。

一条视频总点赞 10 万，可能是半年前的老爆款；但如果它昨天到今天新增了 3000 个点赞，说明它正在起量，可能更值得立刻分析和跟进。

所以，这套系统不是只记录静态数据，而是通过 old 字段和 gap 字段不断计算变化。

这也是 AI 爆款监控系统和普通素材库的区别：它能发现正在发生的趋势。

用视图把数据库变成工作台

视频表上面做了六个视图，各管一件事。

视图	干什么
视频总库	按博主分组，按时间倒序，翻历史用
待处理新视频	像收件箱一样展示新抓取视频，看完勾选已阅
爆款排行榜	按点赞增量、收藏增量或爆款指数排序，快速发现正在起量的视频
干货收藏榜	按收藏率排序，适合做教程/清单参考
灵感画册	封面卡片展示，找选题灵感比刷抖音快十倍
翻拍执行看板	用看板视图管理待拆解、拍摄中、已完成等状态，鼠标拖拽流转，数据库变任务管理

还做了个仪表盘。博主数量、视频总量、今日新增、增量趋势图一眼看完大盘。

系统里用到 AI 的地方

这套系统不是纯靠规则跑的，有几个环节塞了 AI 进去。

• 爆款拆解：一条视频为什么爆、脚本结构怎么搭的、哪些点可以复用，这些判断交给大模型。目前只做了文案拆解，后面打算加多模态，直接输入视频拆画面。

• ASR 转文案：口播视频的语音转成文字稿，沉淀到表里。以后想找「某个博主讲过什么话题」，直接全文检索。

• 智能标签：飞书多维表格自带的 AI 字段捷径，根据增量数据和发布时间自动给视频贴标签。「强烈建议跟进」「经典选题做素材储备」，规则自定，AI 用自然语言把结论说出来。

• 群里的 Agent：飞书群里拉了几个 Agent 机器人，直接用自然语言跟系统对话。

整个 Agent 协作层长这样，从群里提问，到查表、执行、回复，走一条完整的链路。

实际操作是在飞书群里拉了好几个 Agent 机器人，各管一块。

不知道某个 Agent 能干嘛，直接在群里问它就行，它会把自己能做的事列出来。

「查一下 Samuel 最近涨赞最高的 5 条视频」「列出还没拆解的爆款」，不用打开表格，在群里就能查数据库。

还能追问：「这条视频为什么爆？」Agent 会翻多维表的数据和云文档里的拆解内容，接着给你分析。

所以这套系统里 AI 不是主角，但它确实在该出现的地方出现了。抓数据、算增量、推战报这些活是确定性逻辑在干，AI 只负责需要理解力的那几个环节。

后端：五条工作流逐条拆解

前面讲的都是「看到的部分」。下面聊聊背后跑着的五条Coze工作流。

工作流	一句话说清楚
douyinURL	贴博主主页链接，自动补全昵称、粉丝、作品数、头像、IP
douyin_Update	定时抓所有博主最新视频，自动去重，新视频入库、老视频更新
url_photo	把抖音外链下载转存成飞书附件，防过期
douyinGAP	算增量（涨了多少赞、藏、评），生成战报推群
douyinBao	爆款拆解建档，ASR 转文案 + 大模型分析 + 创建飞书云文档

工作流 1：douyinURL — 博主信息采集

最简单的一条。解决的是「监控谁」。

用户只需要在账号表里填入博主主页链接，Coze 工作流就会自动解析链接，抓取昵称、粉丝数、作品数、头像、IP 属地、个人简介等信息，清洗后写回飞书多维表格。

当某个博主需要纳入监控时，只需要在账号表勾选「启用监控」。

这样，账号表就变成了整个系统的监控名单。

工作流 2：douyin_Update — 视频抓取与去重

第二条工作流是整套系统的主干。

它会定时启动，读取账号表里所有「启用监控」的博主，循环抓取每个博主的最新视频列表。

抓回来的数据会进入两条逻辑：

• 如果视频已经存在，就更新最新数据；

• 如果视频不存在，就新增一条记录。

这里最重要的是去重。

很多团队在搭自动化系统时，会选择先拉取视频表里的所有历史视频，再逐条比对。但当视频数据越来越多时，这种方式很容易遇到分页上限，也会影响运行效率。

更稳的做法是反过来：

不拉全表，而是拿本轮抓到的候选视频 ID，去飞书多维表格里查询这些 ID 哪些已经存在。存在的走更新，不存在的走新增。

这样，无论视频表里已有 2000 条还是 20000 条数据，工作流都不需要反复拉取全量历史数据。

工作流 3：url_photo — 附件转存

看起来小，但很必要。解决的是「外链过期」。

抖音返回的头像、封面、视频下载地址，全是外链 URL。这些链接过一阵子就失效了，到时候表格里全是裂图，画册视图啥也看不到。

这条工作流干的事很简单：把 URL 下载下来，转存成飞书多维表的附件。图片、视频、文件都能存。存进去之后就是飞书自己的资源了，不怕抖音那边链接过期。

灵感画册能不能好用，基本靠这条工作流兜底。

工作流 4：douyinGAP — 增量计算与战报

每天最期待的一条，解决的是「哪些内容正在起量」。

它重新抓取视频详情，把最新数据和上一轮对比，算出每条视频的增量。

为什么增量比总量重要？总点赞 10 万可能只是半年前的老爆款。但昨天到今天涨了 3000 赞，说明它「正在起量」，现在就值得跟。增量才是最值钱的数据。

算完增量，工作流拼一张飞书消息卡片推到群里。战报分五块：

• 大盘概览

• 常规爆款 Top 10（按点赞增量排序）

• 干货型爆款 Top 3（按收藏率排序）

• 增长停滞观察

• 完整表格入口

这张消息卡片最开始只是普通文本，信息挤在一起很丑。用户花了不少时间写飞书卡片 JSON，把标题、增量、链接、封面组合成交互卡片，让飞书群真正变成系统的前端入口。

当然，这一步也可以用飞书CLI交给你的AI Agent处理，不用人工写JSON，只用基于你的喜好，告诉Agent你最终希望得到一张什么样的卡片，Agent就能自动帮你完成！

推送有个关键隔离：爆款消息发运营群，大家一起看。系统故障发运维群，开发者悄悄修。

工作流 5：douyinBao — 爆款拆解建档

第五条工作流负责把值得研究的视频变成可复用的拆解文档。

触发方式可以有三种：

1. 手动触发：运营在视频表里把「拆解状态」改成「待拆解」；

1. 规则触发：点赞增量大于某个阈值，自动标为「待拆解」；

1. 群内触发：在飞书群里 @ 机器人，让它修改状态并触发流程。

状态变化后，飞书自动化可以通过 webhook 触发 Coze 工作流。

后续流程设计为：

1. 查询视频对应的博主文件夹；

1. 抓取视频信息；

1. 把状态改成「拆解中」；

1. 获取视频下载地址；

1. ASR 转写口播文案；

1. 调用大模型进行爆款拆解；

1. 创建飞书云文档；

1. 把文档存入对应博主文件夹；

1. 回填文档链接到视频表；

1. 把状态改成「已建档」；

1. 在飞书群里发送拆解完成通知。

拆解报告可以固定为几个板块：

• 黄金 3 秒分析；

• 情绪价值；

• 内容结构拆解；

• 爆款逻辑；

• 可复用改写方向；

• 风险提醒。

这里有一个值得注意的 Prompt 设计原则：

ASR 原文整理和拆解分析要分开。

原文就是原文，不要让大模型改写原始口播内容。拆解分析可以交给大模型，但原始文案要尽量保持真实，方便后续复盘和二次创作。

然而，这条工作流踩坑最多的地方是异常兜底。

异常监控：让系统敢在凌晨自动跑

一套真正能长期运行的系统，必须考虑异常兜底。

内容监控类系统经常会遇到这些问题：

• 插件失效；

• Cookie 过期；

• 接口变化；

• 视频下架；

• 下载链接返回 403；

• ASR 返回空；

• 云文档创建失败；

• 某条数据字段缺失。

如果没有异常处理，系统可能会把错误数据写进表里，或者某一步失败后整条链路中断。

因此，在每轮正式抓取前，可以先做一次轻量探活：

• 插件能不能正常返回；

• 账号链接是否有效；

• 关键字段是否存在；

• 本轮任务是否应该继续执行。

如果探活失败，工作流直接终止，并向运维群推送告警。

在具体执行过程中，也可以设计更细的兜底逻辑：

• 视频 ID 抓空了，就跳过这条并记录原因；

• 封面上传失败，先保留原始链接，下一轮重试；

• ASR 失败，就把拆解状态改成「拆解失败」；

• 云文档创建失败，保留摘要并推送错误信息；

• 单条视频失败，不影响整个批次继续运行。

这层平时看起来没有存在感，但它决定了系统能不能放心自动跑。

对于需要每天定时运行的 AI 爆款监控系统来说，异常监控不是附加项，而是基础能力。

三、为什么不是直接用 Agent？

看到这里，可能会有人问：

既然已经有 Agent，为什么不直接让 Agent 每天自己去盯博主、抓视频、算数据、写报告？

原因很简单：这个场景首先需要稳定和准确。

每天凌晨两点启动，100 个博主的数据要精确到个位数。点赞量是 12583 就是 12583，不能是“大约一万两千多”。视频去重也必须准确，不能“差不多”。增量计算更不能因为模型理解不同，今天和明天跑出两套逻辑。

Agent 的优势在于开放性和理解力。它适合做分析、总结、判断、解释。但抓数据、去重、算增量、推战报这些环节，更适合交给确定性工作流。

所以，这套系统的设计原则是：

• 抓数据、清洗、去重、增量计算、战报推送，交给 Coze 工作流；

• 爆款逻辑分析、脚本结构拆解、改写方向生成，交给 AI；

• 数据沉淀、状态流转、团队协作，交给飞书多维表格、飞书群和飞书云文档。

这不是 Agent 和工作流谁更先进的问题，而是场景匹配。对于爆款监控系统来说，底层链路要稳定，上层分析要智能。飞书和 Coze 的组合，刚好可以把这两件事拆开：确定性的环节用流程跑，理解型的环节让 AI 做。

系统的五层架构，就是一个 Harness。只不过里面跑的不全是自主决策的 Agent，更多的是确定性的工作流。因为真实的业务场景，需要的是精确、稳定、可复现。

四、这套系统适合哪些团队复用？

虽然这个案例来自短视频爆款监控，但它背后的方法可以迁移到很多内容和增长场景。

内容运营团队

适合监控对标账号、沉淀选题素材、拆解爆款结构、生成内容改写方向。

团队可以把“每天翻视频”变成“每天处理系统筛出的高价值内容”。

短视频团队

适合跟踪赛道热点、观察同类账号更新、沉淀脚本结构和镜头语言。

编导、剪辑、运营可以围绕同一张视频表协作。

品牌增长团队

适合监控竞品内容、达人内容、社媒热点和用户反馈。

通过增量数据判断哪些内容正在扩散，及时跟进热点选题。

达人营销团队

适合管理达人库、跟踪达人内容表现、识别高潜合作账号。

账号表可以沉淀达人画像，视频表可以记录内容表现和合作价值。

竞品监控团队

适合监控竞品发布节奏、内容主题、互动表现和传播趋势。

相比人工截图和手动整理，数据持续沉淀后更容易看到趋势变化。

社媒运营团队

适合跨平台整理内容素材，把微博、小红书、抖音、视频号等内容统一沉淀到飞书。

后续可以继续扩展不同平台的数据采集和分析工作流。

总结：用 Coze + 飞书，把重复盯盘变成自动运行的系统

过去，内容团队要靠人工盯博主、翻视频、看数据、挑爆款、写拆解。

这件事重要，但重复度高，很难长期坚持。

通过 Coze + 飞书，飞书用户可以把这套流程变成一个自动运行的 AI 爆款监控系统：

• 用飞书多维表格沉淀博主、视频、指标和状态；

• 用 Coze 工作流完成抓取、去重、增量计算和拆解生成；

• 用飞书群消息推送每日战报、爆款提醒和异常告警；

• 用飞书云文档自动归档爆款拆解报告；

• 用飞书仪表盘持续观察内容趋势和运营大盘。

这套方案的价值，不只是“省掉几次手动整理”，而是让内容监控从个人习惯变成团队系统。

人不再每天重复翻 100 个主页，而是处理系统已经筛选出的高价值内容；团队不再依赖零散文档和群聊记忆，而是在飞书里持续沉淀数据、流程和判断。

对于内容运营、短视频增长、达人营销和竞品监控团队来说，Coze + 飞书提供了一种更轻量的系统搭建方式：不从零开发 SaaS，也不只依赖单个 Agent，而是用工作流、数据表、群消息和云文档，把 AI 能力接进真实业务流程里。