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？
而这些问题，可以用飞书结合Coze工作流完美解决！
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。
一、用户用Coze和飞书，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。
250px|700px|reset
- 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。
250px|700px|reset
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”。
250px|700px|reset
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。
250px|700px|reset
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。
250px|700px|reset
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。
250px|700px|reset
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。
250px|700px|reset
250px|700px|reset
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。
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。
250px|700px|reset
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 |
250px|700px|reset
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。
250px|700px|reset
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。
250px|700px|reset
实际操作是在飞书群里拉了好几个 Agent 机器人，各管一块。
250px|700px|reset
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。
250px|700px|reset
「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。
250px|700px|reset
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Coze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 |
250px|700px|reset
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。
250px|700px|reset
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。
250px|700px|reset
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。
250px|700px|reset
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！
250px|700px|reset
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：
- 手动触发：运营在视频表里把「拆解状态」改成「待拆解」；
- 规则触发：点赞增量大于某个阈值，自动标为「待拆解」；
- 群内触发：在飞书群里 @ 机器人，让它修改状态并触发流程。
250px|700px|reset
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：
- 查询视频对应的博主文件夹；
- 抓取视频信息；
- 把状态改成「拆解中」；
- 获取视频下载地址；
- ASR 转写口播文案；
- 调用大模型进行爆款拆解；
- 创建飞书云文档；
- 把文档存入对应博主文件夹；
- 回填文档链接到视频表；
- 把状态改成「已建档」；
- 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。
250px|700px|reset
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。
250px|700px|reset
四、这套Coze+飞书的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。
