做技术内容最怕什么？不是没人看，而是你花大力气写了一篇，结果评论区全是“老师语速太快”或者“讲得太浅了”——这些反馈跟技术本身毫无关系，根本没法用来指导下一篇怎么写。

那怎么从B站AI教程的海量评论里，捞出那些能转化成文章的真实技术痛点？关键一步：别被情绪词带偏，得把那些“不会”“报错”“找不到”之类的具体动作短语抓出来，按工具链分好类，再判断它到底值不值得写。

下面这套流程，用的工具是Monica AI，但核心思路可以迁移到任何文本分析工具上。

第一步：用Monica AI批量提取原始评论中的动作类短语

操作很简单：把B站视频的弹幕+评论CSV文件（记得至少要有时间戳、用户名、内容三列）上传到Monica AI，然后点击「提取行为意图」，选择「动词短语+宾语结构」模式。

这里有个容易踩的坑：必须把「情感倾向归类」关掉。不关的话，AI会把“看不懂”直接归到“负面情绪”里，你就再也看不到“看不懂transformer的QKV计算过程”这种带具体技术锚点的真问题了。输出结果只保留那些带“不会”“找不到”“报错”“卡在”“为什么不能”的短语，纯感叹句比如“太强了！”“学废了”直接删掉——它们对选题没帮助。

第二步：人工筛出高频可延展的技术断点

拿到提取结果后，用两种方法交叉筛选：

方法一：按工具链分组归类
把动词短语按工具聚类。比如所有提到“Colab连接超时”的归一组，“Ollama启动失败”归一组，“ComfyUI节点连不上”归一组。同一工具下，如果某个具体错误描述出现3次以上，那就是可以写的选题了。

方法二：识别「前置知识缺口」关键词
重点标记那些包含“不知道怎么装”“没搞懂什么是”“以为XX是…结果不是”的句子。举个例子：有人评论“以为LoRA是模型本体，训练完发现权重没变”——这暴露的是一个概念混淆的问题。对应的文章标题可以直接上《LoRA不是模型，是钩子：3张图讲清它到底改哪层参数》。

【关键陷阱】“老师语速太快”这类反馈，本质是视频制作问题，技术文章解决不了。但如果有人说“语速快导致没看清requirements.txt里torch版本要求”——这就是真痛点，背后是对环境配置的认知盲区。别搞混了。

第三步：验证痛点是否具备「可解性」和「搜索热度」

① 去知乎、Stack Overflow或者官方GitHub Issues，用筛选出来的短语做关键词搜索。

② 如果发现这个问题已经有高赞回答，但信息比较零散——比如5个帖子分别解释了pip install torch的-cpu、-cu118、-cu121参数的区别——那就说明存在信息碎片化的痛点，很适合写一篇整合型教程。

③ 同时打开微信指数和新榜，查这个短语最近30天的搜索曲线。如果B站视频发布后72小时内搜索量陡增200%，那就不用犹豫了——说明观众正扎堆遭遇这个问题。

这一步操作起来不复杂，直接把短语粘贴进微信指数搜索框就行。但很多人跳过了它，结果文章写出来无人问津，就是因为缺少这一层搜索热度的验证。