在抖音、小红书搜关键词再让 AI 筛，等于每次从零开始，平台内容又杂，AI 很难判断哪条符合你的要求，出错和波动几乎是必然的。一个更稳的做法是把选题变成持续记录：平时对什么感兴趣、学到什么、想通了什么，随手记进一个笔记里，时间长了自然攒出几百个还没做的题目，接下来要做的反而是筛选而不是硬找⁠1。这样选题的来源是你自己的判断，不是平台算法的推荐流，稳定性来自积累量而不是单次检索质量。

把 AI 用在“选什么值得做”上容易翻车，因为它倾向挑戏剧性最高的时刻，而不是叙事上最关键的点，这个整体判断目前 AI 学不会⁠2。更可行的分工是：人负责判断层，AI 负责执行层——人先给出方向或候选，AI 把它说清楚、整理成库；人没判断时，AI 只提供一个候选供你验收⁠2。放到你的工具里，就是让 AI 做“整理和扩写”，而不是做“替你决定哪条能爆”。

与其先搭一个完整的选题 Agent，不如先手动走一遍：录一条你最近想通的事，像给朋友解释一样说出来，交给 AI 做剪辑、字幕和封面，看一遍再发出去⁠3。这一步能帮你验证两件事——你真正在意的选题标准是什么，以及 AI 在哪一环最容易出错。反馈回来再决定选题库该记什么、AI 该帮到哪一步，比一开始就设计复杂流程更省事。

鸡生蛋的困局在于把“库”当成了要先有的东西。换个顺序：先确定什么算好选题（哪怕只是几条粗糙标准），让 AI 按标准从已有素材里挑候选，人只审 AI 挑出来的那部分，并把每次判断结果回填进标准。这样库不是凭空造出来的，而是每轮筛选自然留下的记录。这套分工的逻辑是：确定性规则交给程序，模糊判断交给 AI，最终拍板留给人，人的反馈再反过来改进规则和评测⁠1。选题判断恰好属于“规则不够用、要看上下文”的那一类，所以适合 AI 先做候选、人做裁决。

筛选不稳，往往是因为没有东西能证明它错。可以准备一小批你已人工判定过好坏的选题当“错题本”，故意混入一些边界案例，看 AI 抓不抓得住，用 precision（挑出来的有多少是对的）和 recall（该挑的有没有漏）来看它到底行不行⁠2。每次人审的结果都回到这套标准里，AI 才会越用越准，而不是每次从零开始聊⁠1。判断标准本身很难一次讲清，但可以边跑边补，这比先憋出一个完美选题库现实得多。

如果目标是“交给别人做”，先别搭完整工具。挑一个你熟悉的垂类，让 AI 按现有标准产出二十条候选，你逐条标对错，看它错在哪类。这件事的价值不在于立刻得到库，而在于暴露你的标准里哪些其实没说清——那才是别人接手时真正会卡住的地方。真东西的最低标准是它真的可能失败、能被外部反馈否定，而不是只在内部叙事里成立⁠3。跑通这一小轮，你才知道该把什么固化进工具、什么必须留给人。