给一个种子词让 AI 扩写，五分钟能拿到几百条长尾，提问式、口语式、带年份的、带价格的，五花八门。词表看起来很厚，真拿去排页面的人却常常愣住：先做哪些、一个词配一页还是几个词合一页、做完多久能看出结果。词多不等于能用，中间隔着一整套判断。
搜索本身也在变。用户越来越习惯把整句话丢进搜索框，甚至直接问一个完整任务，关键词匹配的权重被语义理解分走了一部分。以前的选词逻辑放到现在，有些还能用，有些得换个做法。下面这三个问题，是把 AI 用在关键词上的团队绕不过去的：
- AI 扩出来的词，凭什么说这个站能做、那个词先放着？
- 意图分类交给模型，分错了怎么发现，代价是什么？
- 几百条词到底配对多少个页面，谁配谁？
一、AI 扩词快，但它算的不是你这个站的账
模型扩词的强项在联想：同义变体、口语说法、提问句式、修饰词组合，它一次能铺得很开。这个能力放在"把词想全"这一步上确实好用，人工翻下拉框翻半小时的量，它几十秒就能给出来，还顺手把近义写法归在一起。
问题出在下一步。模型不知道你的站有多少页面储备、权重处在什么位置、内容团队一周能产多少页，它给词的逻辑是"这个主题下面有什么词"，而不是"这个站现在啃得动哪些词"。拿到的词表如果直接按数量排序开工，常见的结果是一半的页面在抢自己根本排不上去的大词，另一半页面做完了才发现词与页面不匹配。
AI 负责"把词想全"，人负责"把词分级"，这两个动作分开，词表才不会变成负担。分级的标准用三关卡：站点关、页面关、量级关，过不了的词就先放进观察清单，而不是直接排进度。
三关卡的问法：① 这个站有没有对应的内容储备和栏目位置？② 现有或计划中的页面能不能正面回答这个词？③ 这个词的搜索需求是长期稳定还是短期热点？三关都过，进执行清单；过一两关，进观察清单。
二、意图分类：模型分得比人快，验得比人糊
几百条词人工标注意图，一下午都标不完；交给模型，一分钟出结果。速度上没得比，但模型的分类逻辑是看词面语言，不看结果页长什么样。这个词面上像问题、实际用户在找工具的情况，它分不出来，得人工抽验。
| 意图类型 | 典型词形 | 页面该长什么样 | 模型常犯的错 |
|---|---|---|---|
| 信息型 | 是什么、为什么、怎么回事、原理 | 把概念和原理讲清楚，配例子和结构图的位置 | 带疑问词就归进来，漏掉一部分实际在找工具的提问 |
| 调研比较型 | 哪个好、值不值、区别、对比 | 对比维度摆开，优缺点和适用条件都说清 | 混入纯知识问答，写出来的内容解答错位 |
| 交易型 | 多少钱、找谁做、代做、价格表 | 服务范围、价格区间、流程和联系方式 | 词量小，容易被归错类塞进信息页，转化白白流走 |
| 任务型 | 怎么批量、怎么一键、免费在线做 | 工具入口加操作流程，步骤要能直接照做 | 和一般信息型边界模糊，分类结果经常左右摇摆 |
| 品牌导航型 | 某某官网、某某登录、某某下载 | 自己站上一般不做，做了也留不住流量 | 这类词照单全收，词表看起来大，去重后没多少能用 |
意图分错的代价不在标注本身，而在页面结构选错：信息型词配了交易页文案，等于这个页面从头到尾白做。抽验方式很简单，每种意图随机挑十条词，人工看一眼搜索结果页的类型对不对，错得多的那类单独修规则再重分。
三、竞争度不是工具里的一个分数
关键词工具都会给竞争度打分，但那个分数是综合指标，换个行业、换个搜索引擎口径就变了。更朴素也更靠谱的判断方式是看首页：这个词的搜索结果第一页，是哪些类型的页面占着位置。
如果首页里混着小站、论坛帖、聚合页、问答页，说明位置不是铁板一块，结构做好、内容答到点上，是有机会挤进去的。如果十个位置全是大站专题页和 *** 页面，而且页面常年不动，这个词就先记进观察清单，等站点整体权重上来再碰。中间地带要看内容形态：要是首页普遍是长篇列表和工具页，那意味着这个词需要的是重内容，不是一篇普通文章能接住的。
可以排进执行清单
首页以小站、论坛帖、聚合页为主；页面有更新痕迹；内容形态和你的页面能力匹配。这类词排下去，两三周内能看到动静。
先记进观察清单
首页被大站专题页、 *** 页占满；结果页以工具或平台为主；长期没有更新信号。这类词不是不能碰，是现在碰性价比低。
竞争度的判断落点是"首页位置被谁占着"，不是"分数是多少"。分数能帮你排序，位置类型才能帮你做决定。判断一次，这个词未来半年的定位就清楚了。
四、聚类分组：一簇词对应一个页面
词表过完意图和竞争度，还剩一层整理：把几百条词融合成十几个主题簇，每一簇对应一个页面或一个栏目位。这一步做完，词表才从"清单"变成"排期"。
- 语义相近的合并：表达同一件事的词，只是写法、语序、口语程度不同，合成一簇，选搜索需求最稳的那条做主词。
- 意图一致才合并：语义看着像、意图分属两类的词，宁可拆开。意图不同，一个页面答不了两种人。
- 一簇不贪大：簇里词太多说明主题太宽，再往下拆一层；一个页面围绕三五个核心变体展开，篇幅和内容厚度都更可控。
反面情形有两种，都对不上号。一种是给每条词都开一个页面，做出来几十个结构雷同、内容七成重复的页面，说到底是同一篇文章换标题；另一种是把一簇词全塞进一个页面，标题里堆五六个不搭界的词，用户点进来发现答的不是自己问的，跳出率高，页面也很难拿到稳定排名。
页面与页面之间的边界，就是用户意图的边界。按这条线划分聚类，站内结构、内链走向和后续产出的排期都会顺；按词面数量划分，产出的页面越多，站内耗损越大。
五、几种挖词形态，各自缺什么
市面上把 AI 和关键词凑在一起的做法，能归成四种形态。没有哪种全占优势，选之前先想清楚自己缺的是数据还是判断。
| 形态 | 做法 | 长处 | 短板 |
|---|---|---|---|
| 对话式模型挖词 | 投种子词让模型扩写变体、提问句，再让它聚类 | 灵活、起步快，特殊行业词也能覆盖 | 没有搜索量数据，不区分地域和时间，扩出来的词大部分要人工筛 |
| 平台工具加模型扩展 | 平台词库出基础词和数据，模型扩长尾变体 | 有量级和趋势数据，词的新鲜度较好 | 意图标注粗，越往下扩越泛，容易出一堆同质的词 |
| 第三方词库加聚类 | 词库批量导入，交给模型完成归并和意图标注 | 批量处理效率高，适合词量上千的场景 | 数据存在滞后，聚类口径不透明，结论依赖工具方的算法 |
| 自建采集加分析 | 自己采词源、抓结果页特征、模型辅助分类 | 标准自定，词表和站点能力贴合度最高 | 需要持续维护，采集规则和分类规则都要养 |
四种形态的差别不在新旧，在缺什么：缺数据就先补数据源，缺判断就先补规则，两头都缺就从最小的组合起步。起步阶段用对话式模型加人工抽验，跑顺之后再按短板升级，比一上来买全套工具更稳。
六、词表的上半场在筛选，下半场在回看
词表排完期就开始做页面，这只是上半场。一个簇做完之后表现如何、要不要继续加页、哪个词该从主词降级，都要靠发布后的数据回看。不设这个环节，词表会一直停在开工那天的状态，和站点实际表现越离越远。
从簇里挑需求最稳的一条做主词，先产一页验证结构和内容方向
记录曝光、排名、点击的变化，按簇而不是按单页汇总，方向才看得清
有曝光没点击的改标题摘要；零曝光的换簇内主词或降级观察
跑通的簇按同一结构批量出页，同时把新冒出的变体补回词表
站群场景里，这套动作乘以站点数量之后，最容易乱的是"词与页面的对应关系"：哪个词做过了、哪个词排到了下周、哪个页面在等词表更新。用 UC 建站系统批量铺页面时，一簇词绑定一个页面，标题、描述按规则一次落位，词表状态（未做、已上、有曝光）和多站页面数据统一收在后台看板上，几百条词跑到哪一步不用再翻表格核对。
词表要当成活文档：每批页面发布后回头改一次，三批之后留下的词，才是真正贴合这个站的。躺在文档里半年不动的词表，价值还不如一张空白页。
七、机器扩词，人定取舍
把四个环节串起来看：挖词交给模型，成本已经很低；分级、验意图、看首页、分簇这四件事，恰恰都依赖站点自己的信息：有多少页面储备、能承受多大竞争、内容团队什么节奏。这些判断机器替不了，也不该替。人做判断，机器做扩写和整理，配合起来词表的产出效率比纯人工高出一个量级，同时不偏离站点实际。
多站布局还要考虑词表的复用与隔离：同一主题在不同站上要有差异化定位，词表按站分开管理，评估口径统一。用 UC 建站系统的独立部署配置，每个站独立域名、独立模板，词表跟着站走，多站看板统一盯着哪些簇跑出了结果，某个站的主题调整不会牵连别的站。
速记五条：
· AI 负责把词想全，人负责把词分级，三关卡筛出执行清单
· 意图分类抽验十分之一，错了先修规则再重分
· 竞争度看首页位置被谁占着，不看工具给的分数
· 一簇词一页，页面边界就是意图边界
· 词表跟着排名和日志滚动更新，别当一次性清单
如果现在手上正躺着一份几百条的词表，不用重新挖：先按意图标一遍，再挑二十条查一遍首页，分完簇挑三个簇各做一页。三页跑上三周，词表该怎么排、哪些词该扔，答案会自己冒出来。
"AI 让关键词变便宜了，但让关键词有用的，一直是那几道取舍。"
