选题定生死：我用 100 篇文章换来的选题方法论

写了 100 多篇技术博客后，我终于承认一个事实：一篇好文章的命运，在动笔前就决定了 80%。选题比文笔重要，比排版重要，甚至比内容质量本身还重要。

一、为什么你写的没人看

复盘我早期的文章，发现一个扎心的规律：我写的全是我想写的，而不是读者想看的。

花三天写"TCP 拥塞控制算法深度解析"，阅读量 200。花两小时写"Node.js 从 18 迁移到 20 我踩的 5 个坑"，阅读量 8000。

区别在哪？前者是知识搬运，后者是问题解决。

教训：技术文章的底层逻辑不是"教人知识"，而是"帮人解决问题"。选题的本质是找到读者当前最疼的那个点。

二、我的选题三板斧

1. 从评论区找选题（最有效）

我每个月花半天时间，在知乎、掘金、V2EX 上干一件事：找问题，不看答案。

打开一篇热门技术文章，直接翻评论区，找那些"我也遇到了同样的问题""这个方法不行，我试过了""有没有人知道怎么处理 XXX"的回复。每一个没解决的追问，都是一篇潜在的高价值文章。

前阵子我发现一篇文章下有 30 多条评论在问"Nginx 配置 HTTPS 后 Websocket 连不上"。这就是活生生的选题——30 个人有同样的痛，说明至少还有 300 个人有但没问。

2. 用关键词热度交叉验证

找到候选话题后，我不急着写。两个工具做快速验证：

Google Trends 看趋势走向——是上升还是下降？上升说明需求在增长，下降说明问题已过时。

知乎话题热度 看搜索量——直接搜你的关键词，看相关问题的关注人数和浏览量。关注人数超过 1000、浏览量超过 10 万的，就是好方向。

我的经验门槛：候选话题必须同时满足以下两条才动手——

• 我已经实际踩过坑并解决了（不能是纯理论）
• 我确定在中文互联网上，至少有一半的相关文章没覆盖我的解法

3. 用"痛点金字塔"定位

同一个技术话题，不同阶段的读者痛点完全不同。我把读者分三层：

面向 1-3 年经验的开发者，选题核心就是 "我遇到了一个具体问题，然后怎么解决的"。

三、选题评审清单

我现在每写一篇文章前，都会拿这张清单过一遍。任何一条不通过就重新选题：

• [ ] 真问题吗？ 是否真有读者正在被这个问题困扰，还是我臆想出来的？
• [ ] 有经验吗？ 是亲身踩过坑，还是纯理论推导？（后者读者一眼就能看出来）
• [ ] 够具体吗？ "深入学习 Docker"不行，"Docker 容器日志撑爆磁盘的排查与解决"可以
• [ ] 有验证吗？ 解决方案是否经过实际环境验证，而不是理论可行？
• [ ] 时效性够吗？ 这篇文章半年后还能看吗？（纯新闻类选题慎选）

注意：如果对某个选题犹豫，问自己一个问题——"如果我是读者，我愿意为这篇文章花 5 分钟吗？"如果答案不是肯定的，换。

四、一个完整的选题决策案例

上个月我想写一篇关于 AI 编程工具的文章。初始候选方向有三个：

1. "AI 编程工具推荐大全"（罗列型）
2. "AI 编程的未来发展趋势"（趋势型）
3. "AI 编程助手提示词工程实战"（实战型）

用清单卡一下：

方向 1：不够具体，网上已有大量类似文章——❌

方向 2：纯观点预测，读者读完后没有任何可操作的东西——❌

方向 3：读者有真实需求（提示词写不好、代码质量差）、我有实战经验（在 3 个项目上实践过）、够具体（从对话到精确代码生成）——✅

最终选了方向 3，发出去后 3 天阅读量 1.2 万，收藏 2000+。

五、选题的复利效应

最后分享一个观察：好的选题会自己生长。

单点解决问题 → 读者关注 → 评论区带来新选题 → 形成系列文章 → 建立专业影响力 → 更多读者反馈

我的"AI 编程实战"系列就是这么来的。第一篇讲提示词工程，第二篇讲工具链集成，第三篇讲 CI/CD 中的 AI 应用。每一篇的评论区都为下一篇提供了素材。

选题不是一次性的决策，而是一个持续的正反馈循环。 你帮读者解决一个问题，他们就会告诉你下一个问题是什么。

如果你也在苦恼下一篇写什么，不如现在就打开你常用的技术社区，翻到一篇热门文章的评论区。答案就在那里等着你。