正文
获取原文件references/title-formulas.md
使用顺序
- 先判断文章的核心读者和正文能兑现的承诺。
- 再从下面公式中选择 4-6 类生成候选标题。
- 最后用评分表筛掉标题党、空泛标题和无法兑现的标题。
底层判断
爆款标题的共同点不是夸张，而是快速制造“生理性想看”：
- 好奇：读者想知道是什么、是谁、为什么、怎么做到。
- 共鸣：读者觉得“这说的就是我/我们这个群体”。
- 回报：读者知道读完能获得什么具体收益。
- 新闻：读者感到外部环境、行业、政策、技术或圈层发生了变化。
- 对比：读者看到明显落差、前后变化、身份差异或结果差异。
- 颠覆：标题挑战常识，但正文必须给出证据和解释。
- 关键词：标题含有读者会停下来的热点词、痛点词、场景词、数字词或超级符号词。
8 类标题公式
1. 痛点 + 解决方案
用于文章有明确读者问题和可执行方法时。
模板：
[人群]最怕的[痛点]，其实可以用[方法]解决[场景]总是[坏结果]？先改掉这[数字]个动作别再[错误做法]了，[替代方案]才是关键
要点：
- 痛点要具体，不写“效率低”“很焦虑”这种空话。
- 解决方案要能被正文兑现。
2. 数字 + 价值点
用于清单、方法论、避坑指南、复盘、经验总结。
模板：
[数字]个[主题]公式，[人群]今天就能直接用花[时间/成本]，搞懂[具体价值][数字]条[对象]建议：帮你避开[具体坑]
要点：
- 数字要真实，和正文条目一致。
- 数字最好体现成本、时间、数量、比例、年龄、金额或程度。
3. 悬念提问 + 情绪钩子
用于正文能回答一个强问题时。
模板：
为什么[同样条件]，有人[好结果]，有人[坏结果]？[异常事实]，到底发生了什么？[人群]总是[坏结果]？真相可能只有[数字]个
要点：
- 问题必须是读者真关心的问题。
- 不要问废话，例如“标题重要吗？”“AI 有用吗？”。
4. 反差 / 反直觉
用于文章有明显认知冲突、行业变化或案例反转时。
模板：
大家以为是[A]，真正决定结果的是[B][表面现象]背后，藏着[反直觉结论][弱势/低成本/小团队]，为什么能打过[强势对象]？
要点：
- 反差要有证据，不能瞎编。
- 看完正文后，读者应觉得“原来如此”，不是“被骗了”。
5. 人群定位 + 专属价值
用于读者画像明确，文章是给某类人看的。
模板：
[人群]必看：这[数字]个[方法/判断]，能少走很多弯路写给[人群]：别被[常见误区]带偏[阶段/身份]的人，最该关注[一个变化]
要点：
- 人群越精准越好，例如“医院信息科负责人”比“医疗人”更有打开理由。
- 专属价值必须实在，不写“有惊喜”“很有用”。
6. 热点 / 名人 / 机构借势
用于文章天然关联热点事件、知名机构、政策、会议、公司、论文或产品。
模板：
[热点关键词]之后，[领域/人群]真正该关注的是[切入点][机构/产品/论文]的新动作，暴露了[行业变化]别只看[热点表面]，更重要的是[本文观点]
要点：
- 只借与正文强相关的热点。
- 不蹭负面热点，不强行关联娱乐八卦或无关事件。
7. 事实 + 观点
用于文章有一个可核验事实，并能推出作者判断。
模板：
[事实]：[观点][数据/事件/案例]背后：[判断][新变化]出现了，[人群]该重新看懂[问题]
要点：
- 前半句给事实，后半句给观点。
- 观点要有启发感，不要只是复述事实。
8. 关键词强化
这不是独立公式，而是给所有标题加辨识度。
优先使用：
- 热点关键词：政策、产品、论文、会议、公司、监管、平台名。
- 痛点关键词：卡住、失效、踩坑、风险、成本、误判、掉队。
- 共鸣关键词：医生、医院、产品经理、创业者、信息科、临床一线。
- 故事关键词：一次复盘、一个案例、某个真实场景。
- 数字关键词：时间、数量、比例、金额、排名、版本号。
- 超级符号词：FDA、NEJM、OpenAI、Google、清华、北大、腾讯、阿里、央视等；仅在正文确实涉及时使用。
刘浩南公众号标题偏好
- 优先写“判断 + 场景”，不要只写“技巧 + 干货”。
- 医疗 AI 标题要具体到对象：临床医生、医院管理者、信息科、产品经理、AI 创业者、研发团队、投资/产业观察者。
- 常用标题张力：模型能力 vs 临床工作流、演示效果 vs 真实落地、技术热度 vs 证据不足、产品功能 vs 采购责任、自动化效率 vs 合规边界。
- 情报精读类标题可以用
【医疗 AI 情报精读】[反直觉标题]｜YYYY.MM.DD，但推荐同时提供一个不带栏目名的公众号短标题。
禁区
- 不写无法兑现的极端词：必爆、彻底颠覆、唯一真相、稳赚、包会、神级。
- 不用空洞口号：干货满满、建议收藏、太有用了、必看。
- 不堆关键词：标题像搜索标签会降低阅读欲望。
- 不把医疗 AI 内容写成诊疗建议、疗效承诺或投资建议。
- 不为了压缩长度牺牲准确性；必要时给短标题和长标题两个版本。