我是怎么用 Codex 做小红书：从选题模型到 2 天涨 1000 粉

来源：Andy L 在 X 发布的长文，原文标题为《我是怎么用 Codex 做小红书，2 天涨了 1000 粉》。原帖发布于 2026 年 9 月 18 日。本文是结构化整理与编辑延伸，保留原作者的实验数据、方法和判断边界；“105.1 万曝光”“18.4 万观看”“17.9% 封面点击率”和“两天涨 1000 粉”均属于原作者自述，未经独立审计，也不是普适的增长承诺。

很多人把 AI 做内容理解成“让模型多写几篇文案”。Andy L 这次分享的实验更值得拆解的地方，是他没有从空白开始发散，而是先找到一个已经被验证的内容模型，再把选题、资料核对、标题、图片和排版交给 Codex 执行，自己只保留方向判断和最终审核。

这套方法可以浓缩成一句话：发现已经跑通的底层逻辑，拆成可执行的生产步骤，再用 AI 缩短从想法到市场反馈的距离。

先看结果：这是一次小规模内容实验

根据原作者的描述，这个小红书账号前期只发布了几篇笔记，随后获得了：

指标	原作者披露的数据
曝光	105.1 万
观看	18.4 万
封面点击率	17.9%
后续增长	两天涨粉约 1000

这些数字适合作为一次实验的结果记录，而不是拿来直接复制的 KPI。账号基础、发布时间、平台分发、题材竞争、封面质量、粉丝定义和统计口径都会影响结果。真正值得复用的不是“照着做一定涨 1000 粉”，而是下面这条路径：

发现一个已验证的内容模型
  → 拆解选题与视觉结构
  → 固定生产流程
  → 用 Codex 批量执行
  → 用真实数据验证
  → 继续强化有效模型

一、内容模型：熟悉的东西，陌生的名字

Andy L 观察到的参考账号，内容非常简单：专门讲生活中天天见，但很多人不知道英文叫什么的东西。

例如：

• 披萨盒中间的小塑料架，英文叫什么？
• 鸡蛋里的白色“绳子”，英文叫什么？
• 订书机下面那块铁片，英文叫什么？

这些物品都有三个共同点：

1. 用户已经见过，理解成本很低；
2. 用户通常叫不出它的准确英文名称；
3. 揭晓答案后，会产生“原来它还有名字”的即时反馈。

因此，一个可复用的选题公式是：

熟悉的东西 + 陌生的英文名 + 一个好奇心问题

用户刷到内容时，往往会经历这样的心理过程：

我天天见过它
  → 但我不知道它叫什么
  → 原来英文是这个
  → 我还想看看下一个

这里形成的不是复杂知识，而是一个足够小、足够明确的信息差。用户不需要先学习背景，也不需要理解一套专业术语，只要看到图片就知道问题和答案之间存在距离。

二、为什么这个模型适合小红书

这类内容同时满足了小红书封面需要的几种特征：一眼能认出对象、问题足够具体、答案有一点意外，而且可以用统一模板持续生产。

1. 认知成本低

用户不需要先知道一个陌生行业或复杂事件。披萨盒、鸡蛋、订书机都是日常物件，图像本身就能完成大部分上下文传递。

2. 好奇心非常明确

“这个叫什么？”比“英语学习方法分享”更具体。用户在滑动信息流时，能够快速判断自己是否想知道答案。

3. 答案有即时回报

如果答案只是一个显而易见的单词，内容就没有足够的记忆点；但如果用户发现这个物品确实有一个自己没听过的正式名称，就会形成一次小型的知识奖励。

4. 视觉模板容易统一

一张熟悉物品的图，加一个圈或箭头，再配一句提问，用户在很短时间内就能看懂。模板统一之后，生产成本和审核成本都会下降。

不过，低成本不等于可以牺牲准确性。英文名称、拼写、语境和图片指向仍然需要逐条核对，否则“信息差”会变成“错误信息”。

三、把执行交给 Codex：人定方向，AI 跑流程

原作者没有让 Codex 自由发挥，而是先把内容模型拆成固定流程：

找选题
  → 查英文名称
  → 核对资料
  → 写标题
  → 做图片
  → 排版
  → 发布
  → 观察数据

人主要负责两件事：

• 定方向：确定账号服务谁、内容解决什么好奇心、视觉保持什么风格；
• 做审核：判断选题是否有信息差，资料是否可靠，图片是否指向正确，成品是否值得发布。

Codex 适合承担的是大量、明确、可检查的中间工作：整理候选物品、查询和归纳名称、生成标题备选、按固定结构组织文案、准备图片说明和排版草稿。

这条边界很重要。内容自动化不是把判断完全交给 AI，而是把人的判断集中到少数真正决定质量的节点。否则，生产速度越快，错误和低价值内容也会一起被放大。

四、选题审核：先问有没有信息差

原作者给出的选题标准很简单：

这个东西是不是大家都见过，但大多数人不知道它英语叫什么？

如果答案太明显，就不做；如果用户看到答案后会产生“原来这个东西英语叫这个”的感觉，就是更值得尝试的选题。

可以把它整理成一张发布前检查表：

检查项	通过标准	不通过时的处理
熟悉度	普通用户大概率见过	换成更日常的物品
名称差异	正式名称和日常叫法有距离	放弃没有信息差的题目
答案惊喜	揭晓后有“原来如此”	增加背景或更换选题
图片指向	圈选、箭头能明确指到对象	重做图片或版式
资料可靠	名称、拼写、语境有来源	先核对，不能直接发布
标题清楚	用户瞬间知道要回答什么	删除抽象或绕口表达

这张表的意义不是把创作变成机械打分，而是让“为什么做这个题”能够被复盘。后续数据表现不好时，团队可以判断是选题本身弱、封面不清楚、答案不够有趣，还是执行质量有问题。

五、封面设计：让用户 0.5 秒看懂

原帖总结的封面结构是：

一个熟悉的东西
  + 一个圈或一个箭头
  + 一句“这个叫什么？”

它的核心不是装饰，而是降低理解时间。用户不需要阅读一段长文，就能完成三次判断：

1. 我认识这个东西；
2. 图片在问它的某个具体部分；
3. 我可能不知道答案。

因此，封面设计可以优先验证“指向是否清楚”，再讨论字体、颜色和装饰。如果箭头指错位置，或者图片里同时出现多个可能的目标，点击率即使短期上升，也会伤害后续的信任和收藏价值。

对于这类知识型内容，封面和正文最好保持同一承诺：封面提出一个具体问题，正文给出准确答案，并补充一小段有用的背景，而不是只用问题制造点击。

六、数据出来以后，不要急着换玩法

原作者的另一个判断是：数据验证了某个结构后，起号阶段不一定要天天创新。更有效的动作可能是继续做类似内容，强化已经跑通的模型。

这不是拒绝创新，而是把创新放到正确的阶段：

起号阶段：先确认一个模型能否稳定获得反馈
  → 放大阶段：围绕模型做题材和表达变体
  → 优化阶段：一次只改变一个关键变量
  → 转型阶段：再判断是否需要进入新的内容支柱

如果每篇内容都换一个主题、风格、封面和受众，数据就很难解释。你不知道是题目变好了，还是封面变好了；也不知道是平台分发偶然波动，还是内容模型真的有效。

更稳妥的实验方式是固定大部分变量，只改变一项：

• 同一内容模型，测试不同物品；
• 同一物品，测试不同提问方式；
• 同一标题结构，测试不同封面指向；
• 同一视觉模板，测试不同答案长度。

这样才能把平台反馈转化为下一轮生产规则，而不是只留下一个“这篇爆了”的故事。

七、模仿不是搬运：复制底层逻辑，重新生产内容

原作者把方法概括为四个动作：

发现 → 拆解 → 模仿 → 迭代

这里的“模仿”不是复制别人的图片、文案或具体选题，而是提取已经被验证的底层结构：

可借鉴的层	需要重新生产的层
用户为什么会停下来	自己的物品和知识素材
问题如何在封面上呈现	自己的图片、标题和排版
什么样的答案形成回报	自己的资料来源和解释
内容如何连续更新	自己的账号定位与栏目节奏

如果只复制表面，最终会变成同质化搬运，也可能带来版权、平台规则和账号信任风险。真正有价值的是理解“为什么这个模型能工作”，然后用自己的素材、来源和表达重新构建一遍。

八、把一次实验变成可复用的 Codex 工作流

如果要把这套方法落成一个更稳的生产流程，可以把每个候选选题先保存成结构化记录，而不是直接让模型生成一篇成稿：

{
  "object": "披萨盒中间的小塑料架",
  "everyday_context": "披萨外卖盒中用于支撑盒盖的塑料件",
  "english_term": "待核对",
  "source_urls": [],
  "surprising_fact": "待核对",
  "cover_question": "披萨盒里的这个小塑料架，英语叫什么？",
  "visual_anchor": "图片中央圈出目标物",
  "review_status": "draft"
}

接着把流程拆成几个明确状态：

candidate
  → researched
  → fact_checked
  → drafted
  → human_approved
  → published

每一步都应该留下输入、来源和审核结果。尤其是英文名称这类容易出错的字段，不能因为模型给出了一个看起来合理的答案，就跳过核对。

一个适合小红书起号的最小实验

可以先准备一组候选题目，按同一模板连续测试：

1. 收集 20 个“见过但叫不出名字”的日常物品；
2. 通过信息差、熟悉度和资料可靠性筛出 10 个；
3. 固定封面版式和正文结构，减少无关变量；
4. 连续发布并记录曝光、观看、点击率、收藏、评论和涨粉；
5. 找出表现最稳定的结构，再扩充相邻题目；
6. 对低表现内容复盘原因，不要只看单篇结果；
7. 达到人工审核标准后，才考虑批量生产。

这套实验可以帮助你判断：真正有效的是“日常物品”这个大方向，还是某一种物品、某一种视觉、某一种提问方式。

九、这套方法的边界

这篇 X 长文提供了一个很有启发性的单账号实验，但它不能证明以下结论：

• 所有账号都能在两天内涨 1000 粉；
• 只要使用 Codex，就会自动获得同样的曝光；
• 同一内容模型在不同平台、不同时间仍然会有相同表现；
• 105 万曝光一定会转化成同样数量的观看、互动或商业结果。

更合理的使用方式是把它当成一个待验证的增长假设：

假设：日常物品 + 陌生名称 + 明确提问，可能降低用户理解成本并制造好奇心
实验：固定视觉模板，连续测试一组不同物品
指标：曝光、观看、点击、收藏、评论、关注转化
结论：只有在重复实验后，才能判断模型是否适合自己的账号

另外，自动化生产越容易，越需要注意三个问题：

1. 事实核对：英文名称、定义、语境和图片指向必须能追溯；
2. 内容原创：借鉴结构可以，不能复制他人具体素材和文案；
3. 人工审核：模型可以加速草稿，但不应自动替代发布责任。

结语：AI 降低的是从机会到执行的时间

这次实验最值得借鉴的，不是某个具体的小红书题材，而是一种内容工作方式：不再从 0 到 1 空想，而是先观察市场上已经出现的有效样本，再把它拆成选题、视觉、资料和分发几个层面，最后交给 AI 快速执行。

发现 → 拆解 → 模仿 → 迭代

AI 时代真正被大幅降低的，不只是写一篇内容的成本，还有从发现一个机会到把它做出来、拿到市场反馈的时间。当天拆、当天发、当天开始观察，才能让内容生产从一次性创作变成连续实验。

但速度必须和边界一起设计：原作者的数据要归原作者，事实要有来源，内容要重新生产，发布要经过审核。这样，Codex 才是一个可复用的内容执行系统，而不是一个更快的复制器。

来源与编辑说明

• 原始来源：Andy L 的 X 帖子。
• 作者：Andy L。
• 原文长文：我是怎么用 Codex 做小红书，2 天涨了 1000 粉。
• 原帖中的实验数据、流程和观点归属于作者；本文的表格、结构化流程、审核字段和实验建议是编辑整理与延伸，不应被理解为原作者逐字表述。
• 原帖中的两张公开配图通过 X 图片地址引用；如果图片失效，正文方法和数据边界不受影响。