最该自动化的不是发布,而是复盘:一个反直觉的取舍

原创2026-11-17 20:52:261,645 阅读

最该自动化的不是发布,而是复盘:一个反直觉的取舍

做多平台内容的人,第一反应几乎都是把"发布"自动化:一条视频要传 B站、抖音、小红书、视频号、YouTube、X、Instagram,每个平台的标题字数、话题数量、封面比例都不一样,重复劳动肉眼可见,痛感最强。

但把这件事真正做进一套系统之后,结论会反过来:发布的自动化收益是有天花板的,复盘的自动化收益是没有天花板的。这篇文章不谈理念,只谈一个人在维护的开源项目 麦田(自媒体多平台发布中控与数据监控)里,代码是怎样把这个判断落到实处的——包括它为什么把"回收数据"排在"自动发布"前面,以及哪些地方它主动放弃了自动化。

一、先分清两类任务:有终点的,和没有终点的

发布是一个会结束的任务。状态机跑到 published(已发布),这件事就完了,代码里甚至专门维护了一张"到位即锁定"的状态表:

// src/db.mjs
export const LOCKED = ['filled', 'awaiting_user', 'scheduled', 'published'];

hub run 会先过滤掉这些平台,除非你显式加 --force。这是一个天然收敛的流程:做完一次,成本归零,直到下一期。

复盘不是。src/review.mjs 里定义了发布时间之后的三个观察点:第 1 天、第 3 天、第 7 天,加上每周一的周报。也就是说,一期内容在发布之后还要被消费四次,而且这四次的数据彼此不可替代——第 1 天的斜率、第 3 天的长尾、第 7 天的定局,是三组不同的数字。

这就是那个被忽略的不对称:发布漏做一天,代价是"晚一天发";复盘漏做一天,代价是"这一天永远没有"。

二、各环节的时间占比:能算出来的部分

仓库里没有埋点统计各环节耗时,所以任何"发布占 40%、复盘占 25%"的说法都是编的。但可以从代码里的时间常量和操作次数,把一个真实周期拆出来。

发布侧:config.example.json 把七个平台分成了 5 个上传批次:

"batches": [["bilibili", "douyin"], ["xhs", "channels"], ["zsz", "x"], ["youtube"], ["instagram"]],
"auto": ["zsz", "x", "youtube", "instagram"],
"manual": ["bilibili", "douyin", "xhs", "channels"]

分批不是为了好看——一次传太多平台会互相抢带宽导致超时。国内四家(B站、抖音、小红书、视频号)属于 manual:填好就停,最后一下由人点。所以发布这件事无论如何都保留了一段人类操作时间,自动化只能压缩到"你只需要核对和点一次"。

采集侧:src/metrics.mjs 每个平台之间 await drv.sleep(3000),加上单平台页面加载的 wait: 6000 ~ 14000(视频号是 wait: 14000,抖音还要轮询 15 次),一次全平台采集是分钟级的耐心活。频率呢?

// src/hub.mjs:新发的一期头三天加密采样,之后回到每天一次
if (!(Date.now() > pub + 30 * MIN && Date.now() < pub + 72 * 3600e3)) continue;
if (!every(`sample:${ep.id}`, (config.sampleHours || 6) * 60 * MIN)) continue;

头 72 小时每 6 小时采一次,共约 12 次;此后每天一次、长期留存。发布是每期一次,采集是每期持续。人来做这件事,不是"多花十分钟",而是"每天都要记得打开七个后台"。

再看手动复盘的真实结构。skills/maitian-publish/SKILL.md 里,一期发布素材要写七个平台各自的标题、正文、标签,光章节模板就排到"十、知识站";而复盘要输出的,src/review.mjs 用一段 reviewText() 就拼完了:全平台播放、互动率、同龄对比、各平台占比、涨粉、按期转化——固定字段、固定句式。写作成本高的是发布,判断成本高的是复盘。 而判断所需的事实,恰恰是散落在七个后台里的。

三、复盘的手工成本,为什么被系统性低估

这不是"懒"的问题,是四个结构性原因。

1. 入口分散,量纲还不统一

同样是播放量,B站给你 6017,抖音给你 1.2万,YouTube 给你 5.3K,X 给你 12.4K views。src/metrics.mjs 的第一段代码就是在处理这个:

// "1.2万" "6,017" "5.3K" → 数字
export function num(s) {
  if (s == null) return null; s = String(s).replace(/,/g, '').trim();
  const m = s.match(/^([\d.]+)\s*(万|亿|K|M|w)?/i); if (!m) return null;
  const k = { '万': 1e4, 'w': 1e4, '亿': 1e8, 'k': 1e3, 'm': 1e6 }[(m[2] || '').toLowerCase()] || 1;
  return Math.round(parseFloat(m[1]) * k);
}

人手动做复盘时,最耗神的不是贴数字,是被迫在七套量纲之间来回换算,然后在某一步算错互动率。

2. 平台只给"现在的数",不给"那一天的数"

这是最关键的一点。创作者后台几乎都只展示当前累计值,一周后你再打开,看到的是 8.7 万,而不是"第 3 天时它是 3.2 万"。

麦田的做法是把每次采集都当成一条带时间戳的样本落盘。src/db.mjs 里 metrics 表的主键是 (day, episode_id, platform),另有 samples 表主键是 (ts, episode_id, platform),ts 截到分钟:

// 每次采集都留一条带时间的样本,用来画新一期头几天的走势
db.prepare('INSERT OR REPLACE INTO samples (ts, episode_id, platform, views, likes, comments, favorites, shares) VALUES (?,?,?,?,?,?,?,?)')
  .run(new Date().toISOString().slice(0, 16), eid, p, m.views ?? null, ...);

这不是"记账",是在建一份不可重建的档案。 平台不会替你保存第 3 天的快照,任何一次漏采都是永久损失。

3. 没有基线,就没有结论

单看"这期 8.7 万播放"没有信息量——上期是 5 万还是 20 万,结论完全相反。但可比基线同样会消失:你要拿"上一期发布后第 3 天"的数据,去比"这一期发布后第 3 天"的数据。

src/review.mjs 用一个 at() 函数把这件事钉死:优先取不晚于目标时刻的 6 小时样本,退回每日流量里最后一条:

function at(eid, p, t) {
  const s = db.prepare('SELECT * FROM samples WHERE episode_id=? AND platform=? AND ts<=? ORDER BY ts DESC LIMIT 1').get(eid, p, ...);
  const m = db.prepare('SELECT * FROM metrics WHERE episode_id=? AND platform=? AND day<=? ORDER BY day DESC LIMIT 1').get(eid, p, dayOf(t));
  const r = s && (!m || s.ts.slice(0, 10) >= m.day) ? s : m;
  return r ? { views: r.views || 0, likes: r.likes || 0, comments: r.comments || 0, favorites: r.favorites || 0, shares: r.shares || 0 } : null;
}

以及一个非常诚实的判断——没有那一期的第 N 天数据,就不硬比:

// 有没有这一期在这个年龄附近的真实数据(麦田上线前的期没有,不能硬比)
const hasDataBy = (eid, t) => !!db.prepare('SELECT 1 FROM metrics WHERE episode_id=? AND day<=? LIMIT 1').get(eid, dayOf(t));

挑选上一期的逻辑也随之带上这个前提:pubAt(e) < pubAt(ep) && hasDataBy(e.id, pubAt(e) + ageDays * DAY),取满足条件里最近的一期。换句话说,历史数据的完整度,直接决定了你的复盘能不能成立。这也解释了为什么"晚一点再搞数据"是最贵的拖延——你拖掉的不是工时,是未来所有对比的可能性。

4. 复盘没有"完成信号",所以永远排在最后

发布有明确的结束:链接出来了、状态是 已发布。复盘没有。它更像一个"想清楚了"的瞬间,而"想清楚"永远不会被排进日程。

工程上的解法不是靠自律,是靠窗口 + 幂等。due() 在每天采完流量后被调用一次:

for (const age of [1, 3, 7]) if (Date.now() >= t0 + age * DAY && Date.now() < t0 + (age + 2) * DAY && done(`review:${ep.id}:${age}`)) out.push(reviewText(review(ep, age)));

两个细节值得注意:窗口不是"恰好到点",而是给了 2 天宽限((age + 2) * DAY),守护进程漏跑一天也不会丢;done(key) 用 meta 表做标记,保证同一期同一个节点只发一次,重启、重跑都不会刷屏。

这就是"把复盘变成基础设施"和"提醒自己要复盘"的区别:前者由系统的时间驱动,后者由人的注意力驱动。

四、麦田把复盘做成了什么:四条可复用的工程决策

单期复盘页:第 1/3/7 天的全平台播放、互动率、上一期同龄对比、期间涨粉

决策一:把"同龄对比"作为默认视角。 不用总量比总量(新发的期永远输),而是第 N 天比第 N 天。snapshot(ep, ageDays) 里还有一行容易被忽略的细节:const t = Math.min(Date.now(), pubAt(ep) + ageDays * DAY)。意思是:第 7 天的复盘即使今天还没到第 7 天,也只取到"此刻"为止,并在网页上标注"进行中"——不会为了凑一个漂亮数字而外推。

决策二:一条结构化数据,两个出口。 review(ep, ageDays) 返回对象,飞书卡片走 reviewText(),网页单期页走 src/web/pages.html 里的复盘表格,同一套算法:

// 复盘:已经到了第 1/3/7 天的节点(和飞书卡片同一套算法)
out.reviews = tasks.some(t => t.state === 'published') ? [1, 3, 7].filter(a => Date.now() >= t0 + a * 864e5 || a === 1)...

这件事的价值在于:复盘结论只有出现在你已经在看的地方,才会被看。桌面端大屏、手机小组件(scripts/widget/maitian-widget.js)、飞书群卡片,三条路径共享同一份 review 输出,而不是三份口径不同的数字。

决策三:把"涨粉"和"播放"分开归因。 fansGain(from, to) 从 followers 表里取"不晚于某天的最后一条",用两次快照相减得到期间净增。播放涨了但粉丝没动,和播放没涨但粉丝涨了,是两个完全不同的结论。

决策四:给转化留下一个可对齐的"因"。 这是整套设计里唯一必须"发布前就做对"的事。src/review.mjs 从 publish.json 里正则抓 utm_campaign:

const campaignOf = (ep) => (JSON.stringify(pjOf(ep.id).platforms || {}).match(/utm_campaign=([\w-]+)/) || [])[1] || '';

对应到 skills/maitian-publish/SKILL.md 的规则:只在长文平台放链接(B站、YouTube、X),链接带 utm_source=<平台>&utm_medium=video&utm_campaign=<主题>-<序号>。等到复盘时,站点后台返回的 campaignStats 就能把"播放 → 注册 → 会员 → 收入"这条漏斗闭合到具体某一期。

转化页:渠道带来的注册、会员、订单、收入,以及每期播放到收入的漏斗

反过来说:如果你还没设计好复盘字段,你就不知道发布时该埋什么标记。这就是"先做回收"的第一层含义——它不是"晚点做发布",而是"先把复盘的口径定下来,发布才有正确的埋点"。

五、为什么发布的自动化必须先认命

麦田对发布端的处理,是一串"承认现实"的补丁,每个补丁背后都是一次事故记录:

  • 国内四家永远留给人点。 after() 里对 config.manual 直接返回 awaiting_user;守护进程每 20 分钟提醒一次,并顺手重新 sync 一遍——因为平台可能已经记录了定时。降低风控风险,代价是这一段永远无法自动化。
  • 视频号的定时会被平台改掉。 sync() 里比对平台记录的定时和计划,差超过 1 分钟就发 ⚠️ 卡片,注释写着"第 36 期 15:00、第 37 期 22:00、第 4 期 20:00 都被改过"。你可以自动填表,但你无法自动信任回读。
  • 平台页面会变。 抖音话题识别在 src/checks.mjs 里从旧选择器改成整页找 data-mention(注释:第 37 期旧选择器读成 0/5,实际 5/5);YouTube Studio 列表加载慢时要等最多 60 秒,否则"会误读成 0 条"。
  • 防重比自动化本身更重要。 两层:库里 LOCKED 的不再跑;平台上已有的不再传(X 定时列表、YouTube Studio、Instagram 主页 + 定时内容页、站点同名课程)。hub submit 甚至要求"专用 Chrome 里恰好有一个填好的发帖页"才允许点,就是为了避免第二次点击。

这些机制让它可用,但也说明了一件事:发布自动化的边际收益在递减。你再怎么优化,最后一下还是要人点,平台的表单还是会变,登录还是会掉。而数据回收的边际收益是递增的——多采一天,就多一天不可替代的历史。

六、落地顺序:先回收,后发布

麦田自己给了三级上手路径(见 README),顺序很值得抄:

级别 你能得到 额外要装的 大概时间
L1 只看数据 各平台粉丝、已发作品的播放互动、大屏、飞书日报 只要麦田 30 分钟
L2 分发 一期一次填好七个平台、定时、自动取链接 加 Chrome 插件 + 发布 skill 再 1 小时
L3 转化 每期带来的注册和收入 站点按接口接入 看站点

L1 之所以能 30 分钟上线,是因为它不需要你重发任何东西——已经发过的期可以"补登记":

node src/hub.mjs adopt "<已发布工程的目录>"   # 不上传,按标题去各平台取链接
node src/hub.mjs metrics                      # 采最近 30 天的期的流量,发日报
node src/hub.mjs followers                    # 采粉丝
node src/hub.mjs review <id> 3                # 看这一期发布 3 天的复盘
node src/hub.mjs weekly --notify              # 上周周报

adopt 这一步是整条路径的关键设计:它只做"认领"和"取链接",不上传。这意味着你可以在不改动任何现有发布习惯的前提下,先把数据管道接通。今天开始采,明天就有第 1 天;这周开始采,下周就有周报。

而如果你反过来,先折腾 L2,会遇到的现实是:七个平台要逐个登录(hub doctor 就是干这个的)、视频号登录过期快所以要 keepAlive 每小时刷一次、掉线了要扫码(run() 里的补跑逻辑最多等 20 分钟)。这些都是必须人在场的事——把它放在第一周,很可能第一周就放弃了。

想先看效果再决定?node src/demo.mjs 会用一份假数据在 http://localhost:8788/?key=demo 起一个大屏,不碰你的真实配置和数据库。

七、如果你只有一天:最小可用顺序

  1. 跑 demo,确认自己真的会看复盘,而不是只想看发布成功的那一下。
  2. 接 L1:node src/init.mjs 生成配置,专用 Chrome 里登录各平台,hub doctor 确认登录态。
  3. hub adopt 补登记最近几期,然后 hub metrics + hub followers 跑一次,确认数字和你后台目测的一致。这一天的数据,就是你未来所有"同龄对比"的第一块地基。
  4. 打开飞书卡片,把 review 的 1/3/7 天和周报接上——src/feishu.mjs 会把文字按首行表情转成带颜色的卡片,📈 开头的复盘是紫色,⚠️ 是黄色,不需要你排版。
  5. 最后再碰发布。等你能稳定读到数据、并确认复盘口径(尤其是 utm_campaign 怎么命名)之后,再上插件和 skill。

这个顺序的收益是:你今天做的每一件事,都会在未来持续产生信息;而你推迟一天做发布,只是晚一天上线。

写在最后

麦田对"复盘"的自动化并不华丽:一张 SQLite 表、几个 SELECT ... ORDER BY day DESC LIMIT 1、一段拼字符串的 reviewText()。它做的事情本质上只有一件——在你不在场的时候,替你把时间点按下去。

发布自动化的目标是"省力",而复盘自动化的目标是"不忘"。省力有下限(那最后一下永远是你的),不忘没有。所以那个反直觉的取舍其实很朴素:先把不可逆的事情自动化,再去自动化可以重来的事情。

发布 skill、Chrome 插件与麦田的分工:文案与工程、填写与提交、调度与回收

登录后查看全文
mdldm-maitian