用例：策略采集，从 brief 到一份能联系的 cold list
一句话：不是「按关键词加粉丝数一次搜出来谁像就给谁」，而是从 brief 出发定几个对标达人，顺着对标找内容相似、正在上升、能联系上的人，每个人附一句站得住的理由，AE 的每次要 / 不要回写成规则。
为什么先做它：会上双方共识匹配是第一个模块，「可能一天就能知道这个软件好不好」[54:35]；没有存量达人库时，它是达人库的起点。
依据标注：会 = 会议纪要里说过的；评 = 对 Centrol 实测看到的；议 = 我的判断，待讨论。
1. 现状与差距
| agency 现在怎么做（会） | Centrol 现在（评） | 这个用例要做到 | |
|---|---|---|---|
| 起点 | AE 在达人 SaaS 里搜，逐个翻主页填进 Newlist | 对话里给 brief，一次出 15 人 | brief 先拆成硬条件、软偏好、排除项，再定对标 |
| 策略 | 麦克风品类科技博主被 DJI 占满，改找户外旅行类 [02:07] | 没有对标概念 | 对标是显式一步，AE 挑定 |
| 分数 | 没有分数，靠 AE Notes 和 AM Feedback | 15 人全 84 分 | 硬条件只过滤不计分，分数只在过滤后的人里排序，拉开差距 |
| 理由 | AE Notes 一句话 | 理由与结论矛盾：写「没有美妆历史」仍推荐 | 理由引用分项数据，矛盾的打回重算 |
| 否决 | 三大类：太贵、不符 brief、合作过 [13:54]；表里有 6 个具体值 | 说「不要这个人」只改当前名单，不存 | 否决原因选标签，落成规则，下次直接用 |
| 联系方式 | Newlist 有 Email 列，AE 自己找 | 匹配出来的人没有邮箱 | 没有联系方式的人不进 cold list |
2. 输入和输出
输入：brief。字段直接用会上那套结构 [04:43]：
- 硬条件五维（会上原话「五个维度我都要，才是匹配」
[21:02]）：平台、国家、粉丝区间、平均播放、类型。 - 软偏好：Reference Profile（客户心目中的理想达人，会上说「很关键」
[03:27]）、产品卖点、交付形式、风格。 - 排除项：合作过的、竞品近期合作过的、黑名单。
- 预算层级：按 KOL / KOC 的 tier 给每人预算上限，用来过滤明显太贵的人。
输出：cold list，30–50 人，每人一张卡：
| 字段 | 内容 | 来源 |
|---|---|---|
| 分数 | 0–100，有分布，不能扎堆 | 第 ⑤ 步 |
| 像谁 | 对标锚点，「像 Reference Profile 里的 @xxx，同量级、受众 70% 美国」 | 第 ③ 步 |
| 推荐理由 | 一句，必须引用数据 | 第 ⑥ 步 |
| 风险 | 一句，「近 30 天只发 2 条」「上条广告是竞品」 | 第 ⑥ 步 |
| 信号 | 近 6 个月粉丝增长率、近 30 天播放中位数 | 数据 API |
| 联系方式 | 邮箱 / 经纪邮箱 / bio 链接，没有则不进名单 | 数据 API + 主页 |
| 预估报价 | 有历史成交就用历史并标「历史」，没有就用公开估算并标「估算」 | 自己沉淀 / HypeAuditor |
| 置信度 | 高 / 中 / 低，低的说明缺什么数据 | 第 ⑥ 步 |
3. 流程：八步，三处人定
绿 = 完全 AI；黄 = AI 给结果、人来定；灰 = 数据来源；绿虚线 = 回写。
① 解析 brief（人确认）。把 brief 拆成硬条件、软偏好、排除项。缺字段追问，这是会上说的 Brief Agent 的第一件事。不成熟的客户给不全信息 [04:23]，agent 在这里替 agency 反向梳理。
② 定对标 3–5 个（人挑定）。来源按优先级：客户给的 Reference Profile；过往同品类成交过、效果好的达人；AE 指定；都没有时 agent 提 5 个候选让 AE 挑。
这一步是「网感」落地的位置（议）。agent 可以提醒「科技类已被 DJI 占满」，但改选户外旅行类这个判断由 AE 做，并且作为一条策略记录下来。
③ 顺着对标扩展（AI）。三条路并行：
- lookalike：同量级、相似受众。数据 API 的搜索结果本身带 lookalikes。
- 内容相似：读候选人近 20 条内容的标题、字幕、封面，让模型判断和对标、和 brief 类型像不像。这是「旅行博主」和「时尚辣妹」
[14:50]的区别所在，关键词分不开，内容能分开。 - 共现：和同类品牌合作过、评论区互相出现的人。
目标候选池 200–500 人。
④ 硬过滤（AI）。五维全满足才留；30 天内发过帖；排除项剔除；必须有联系方式。到这一步剩 100–150 人。
联系方式放在过滤而不是打分里（议）：没有地址的人再好也联系不上，外联就是空转。
⑤ 按信号打分（AI）。只对过滤后的人排序：
| 维度 | 看什么 | 初始权重 | 为什么 |
|---|---|---|---|
| 上升 | 近 6 个月粉丝增长率；近 30 天播放中位数对比 90 天 | 30 | 「比市场早」的来源，静态粉丝数看不出 |
| 契合 | 内容和 brief、和对标的相似度（模型打分，带引用的内容） | 30 | 会上说类型不对就不行 |
| 受众 | 目标国家占比；语言 | 20 | 「not english」是实际出现过的否决原因 |
| 历史 | 回过信、报过价、合作过、交付准时 | 20 | 第一个 campaign 全是 0，三个之后开始起作用 |
权重是起点，之后用 AE 采纳率和客户通过率调（议）。
⑥ 写理由加自检（AI）。每人一句推荐理由、一句风险，理由必须引用分项数据。自检一条规则：理由和结论矛盾的打回重算。Centrol 那条「没有美妆历史」却推荐的卡，就该在这里拦下。
⑦ 验收：AE → AM → 客户（人定）。对应现在 Newlist 的三级意见列 AE Notes、AM Feedback、Client Feedback [13:00]。每个人要 / 不要 / 原因，原因从标签里选，可补一句话。标签直接用表里出现过的值：太贵、不符 brief、合作过、不真人出镜、非英语、更新少、互动低、最近不活跃。
⑧ 回写（AI）。两类：
- 否决原因 → 规则，分三档：本 campaign（这个客户不要露脸少的）、本客户（这家一律不要非英语）、全局（这个人要价虚高）。下次 ③④⑤ 直接用。
- 外联回复、报价、成交、交付、发布效果 → 挂回达人档案。
冷名单经过第 ⑧ 步才变成 warm list。这就是没有存量时达人库怎么长出来的答案。
4. 数据和工具：买什么，自己做什么
| 能力 | 来源 | 状态 |
|---|---|---|
| lookalike、粉丝增长率、最近发帖、有无邮箱、受众国家、关键词 | Modash Discovery API。文档已核对字段：followersGrowthRate、lastposted、hasContactDetails、audience.location、keywords，搜索结果带 lookalikes | 公开价 $16,200/年起，只能年签。先用 $199/月的平台版验证 |
| 报价估算、受众质量 | HypeAuditor | 需询价 |
| YouTube 公开数据 | YouTube Data API | 免费配额够试点用 |
| 内容相似判断、理由生成、一致性自检 | 自己做，模型读内容 | 核心 |
| 对标推荐与扩展策略 | 自己做 | 核心 |
| 标签 → 规则 → 下次匹配 | 自己做 | 核心，也是唯一别人没有的 |
不自己爬平台（议）。TikTok、Instagram 的反爬一直在变，维护采集器是无底洞，买比建便宜。我们做的是上面标「核心」的三样。
5. 指标：怎么知道它比人准
会上定的目标是「看 AI 能不能比人给的更精准」[13:54]。按这个定：
| 指标 | 定义 | 为什么 |
|---|---|---|
| 可联系率 | cold list 里有可用联系方式的比例 | 公共采集的第一道坎 |
| AE 采纳率 | AI 给的名单里 AE 留下的比例 | 第一周就能测 |
| 客户通过率 | AE 留下的人里客户确认的比例 | 现在就有人工基准 |
| 首轮回复率 | 外联后回信比例 | 名单质量的真实检验 |
| 上升命中率 | 推荐时标「上升」的人，60 天后是否真的涨 | 「比市场早」的证据 |
| 人机对比 | 同一 brief，AE 盲选 vs AI 选，比客户通过率 | 会上要的那个答案 |
6. 产品形态
Centrol Web 端（在现有页面上改，评）：
- 匹配页加「对标」区：先定对标，再出名单。
- 分数展开成四个分项，理由下面能看到引用的内容。
- 「不要」弹出标签选择，选完显示「已记为规则，范围：本客户」。
- 没有联系方式的人默认折叠，标「待找联系方式」。
CLI 和 Skill（和叙事文档第 6 章一致，每做成一个场景就出它的 CLI）：
centrol match --brief brief.md --seeds @a @b @c --window 30d --must-contact --out newlist.csv
centrol match feedback --id <达人> --reject expensive --scope client
centrol match seeds --brief brief.md # 没有对标时让它提 5 个给 Claude Code、Codex 的 Skill 就是这三条命令加一段「怎么定对标」的说明。
7. 第一周可以怎么验证，不等产品
- 用会上那份真实 brief（SmallRig 麦克风，4 个 Reference Profile）。
- Modash 开一个月平台版，按第 ②③④⑤ 步手动跑一遍，出 30 人名单，每人写理由。
- 同一 brief 给 Patty 团队的 AE 盲选 30 人。
- 两份名单混在一起交给 AM 和客户过，比通过率。
- 把所有否决原因记成标签，看三大类的分布是不是和会上说的一致。
成本一个月 $199 加一两天人工。结果直接回答「AI 是不是比人准」，也是改 Centrol 匹配逻辑的依据。
8. 待确认
- 他们现在用的达人 SaaS 是哪家，cold list 是它自动出的还是 AE 手工的
[13:54]。决定数据 API 选哪家。 - 五维里哪些是硬条件、哪些能放宽。决定第 ④ 步过滤多严。
- Centrol 现在的匹配数据从哪里来，有没有接数据 API。决定第 6 节是改还是加。
- 散在各张表里的历史成交达人（有邮箱、报价）能不能合并导入当第 ⑧ 步的种子。
提示：点击任意图片可放大查看，再点一次缩回。