新媒体账号要做到稳定更新，每月选题规划是绕不开的环节。传统做法靠几个人围坐白板随意发散，不仅耗时，还容易重复旧思路。把提示词引入选题脑暴，本质是给人工智能明确约束条件，用结构化语言逼出高质量候选主题。提示词不是随便聊两句，而是把账号属性、读者痛点、时间节点、平台规则全部前置声明，让生成结果可直接进入排期表。
提示词为何能替代部分人工脑暴
人工脑暴受限于参与者的经验与情绪，同一个小组连续开会三次，产出质量会明显下滑。提示词把隐性知识写成显性指令，例如直接要求模型「扮演三年经验的母婴号编辑，面向一岁宝妈」，这等于把人设锁死，避免跑题。模型在接收清晰边界后，能从训练语料里抽取相关话题，短时间内覆盖人工想不到的冷门角度。
另一个优势是可复用。写好一份月度提示词模板，下个月只需改节日和热点词就能重新生成。相比每次重新讨论，模板让团队沉淀方法论。下面是一段基础提示词示例，运营者可直接复制修改。
你是一名新媒体运营专家，负责一个专注职场技能的微信公众号。 读者为工作1到3年的白领，痛点包括汇报能力不足、时间管理差。 请生成本月20个选题，每个选题包含：标题、内容角度、推荐形式（图文或短视频）、预期互动点。 本月特殊节点：季度总结季、高考季（可蹭职场父母视角）。
从代码块能看出，提示词内部用分项目方式列约束，比自然语言长句更不易被模型忽略。实际测试中，带编号要求的提示词比纯描述多出约四成有效选题。
三类可直接落地的选题提示词结构
第一类是画像锚定式，核心是把「你是谁、写给谁」写透。很多账号选题飘忽，因为提示词只写「写点有趣的内容」，模型只能猜。正确写法是给出订阅数区间、粉丝年龄、近期掉粉原因。当模型知道读者是「三四线县城服装店老板」，它就不会建议做硅谷创投分析。
第二类是节点驱动式，适合每月都有固定节气的账号。把日历贴在提示词里，要求每个节日产出三种切入法：科普型、情绪型、促销型。这样团队拿到的不是孤零零题目，而是一套组合拳。示例代码如下。
prompt = """ 我是本地美食号运营，城市为成都，粉丝喜欢探店与做法。 本月节点：冬至、圣诞节、元旦跨年。 请对每个节点给3个选题： 1. 探店角度（附推荐商圈） 2. 家常做法角度（附难易星级） 3. 节日情绪文案角度（附金句示例） """ print(prompt)
第三类是竞品反推式。把同行近期爆款标题贴进提示词，命令模型「分析其打动人之处，并生成五个差异化选题」。这能避免抄袭，又借力热点。要注意贴标题时删除链接，只留文字，防止模型去抓取页面。
把生成结果变成排期表的实操步骤
模型给的选题常混着空泛词，如「提升幸福感」之类。运营需做二轮过滤：用新提示词让模型给每个选题打「制作成本分」和「预期涨粉分」，分低者砍掉。这个过程本身也可用提示词完成，不必人工读几十行。
过滤后导出为表格，按周分配。此时可写一段脚本把文本转成CSV，方便丢进飞书或钉钉日历。下面示例展示如何用Python简单整理选题文本。
import csv
topics = [
("冬至羊肉汤避坑", "探店", "成本低"),
("圣诞公司聚餐话术", "图文", "易转发")
]
with open("topics.csv", "w", newline="", encoding="utf-8") as f:
w = csv.writer(f)
w.writerow(["标题", "形式", "备注"])
for row in topics:
w.writerow(row)
最后留一个人工把关口：提示词再强也不懂账号近期违规记录，涉及医疗、财经等敏感词需运营自己圈红。把提示词当协管而非主编，每月选题脑暴就能既快又稳。