只采一层下拉词和递归挖三层长尾词，产出的词库差了50倍，收录率差了3倍

一个做本地装修站群的朋友跟我算了笔账：20个城市站，每个站铺200篇文章，总共要4000个关键词。他用5118的词根扩展功能，输入"XX装修多少钱一平"，把20个城市名替换进去，捣鼓了三天，凑出来大概3200个词。发了一个月，收录率不到15%，有流量的站不到5个。

后来他换了种玩法：用AI先采集百度下拉词，再对每个下拉词递归挖两层相关搜索，最后让大模型按"需求类型+地域+人群"做语义分类。同一批城市站，词库从3200膨胀到17万，筛完去重还有11万可用词。收录率直接拉到40%以上，三个站上了首页。问题出在哪？不是工具不行，是词库的"生长方式"从根本上错了。

一、同样一个核心词，不同挖法的产出量差了一个数量级

大部分站群操作者的关键词来源只有两个渠道：5118词根扩展 + 百度下拉框手动复制。这两种方式产出的词量天花板很低——一个核心词扩展出来大概200-500个词，去掉重复和无效词，剩300个左右。

但如果你把数据源从两个扩展到六个，差距就出来了。除了百度下拉框和5118词根扩展，还有四个来源经常被忽略：百度相关搜索（搜索结果页底部的10个词，每个都能继续展开）、百度竞价后台关键词规划师（词量极大且有搜索量数据）、竞品站点的百度流量词（爱站/5118反查竞品域名，直接扒人家的词库）、知乎/小红书/抖音的问题词（用户真实提问，长尾度高且竞争小）。

六个数据源一起开，一个核心词从原来的300个种子词直接涨到3000-5000个。这是第一层差距。

二、递归扩展的本质不是"多挖一层"，而是让每个词都成为新种子

第一层采集完成之后，绝大多数人的做法是：去重、分类、直接用了。这就等于只挖了一层，后面99%的增量全丢了。

递归扩展的逻辑很简单但很暴力：把第一层采集到的每一个词，都当成新的"核心词"，重新走一遍六个数据源的采集流程。

实际操作中，递归层数不是越多越好。经验数据是：三层递归是最佳拐点。第一层出3000-5000个，第二层膨胀到3-5万个，第三层到15-20万个。第四层开始，新增词中重复率和无效词比例急剧上升（超过60%），边际收益骤降。

递归过程有一个关键控制点：每层必须做语义去重，不能等三层跑完再统一去重。因为第三层产出的词如果和第二层高度语义重复，等于白跑。正确的做法是：每层采集完成后立即做语义去重，只把不重复的词送入下一层作为种子。

三、AI去重和传统字符串去重的本质区别：一个看"长什么样"，一个看"在说什么"

递归产出的20万词里，至少有40%-50%是语义重复的。比如"深圳装修报价明细表""深圳装修费用清单""深圳装修预算表2025"，字符串去重会认为这是三个不同的词，但语义上去掉两个就够了。如果三个都保留，就等于三个站发了内容高度雷同的文章，被搜索引擎判定为重复内容。

AI语义去重的具体做法：把词库分批（每批500-1000个词）扔给大模型，让它按搜索意图分组。同一个意图组里保留搜索量最大或最长尾的那个词，其余标记为重复。处理完一轮后，跨组再做一次交叉检查，防止不同组的词存在隐性语义重复。

百万级词库用AI去重，成本大概在几十到一百多块钱（用GPT-4o mini或Claude Haiku级别的模型即可，不需要顶级模型）。相比省下来的内容生产成本和避免的站内重复惩罚，这个投入完全可以忽略。

四、词库分类不是贴标签，是做"站-词-内容"的三角映射

去重之后的10万+词库，如果不做分类就直接随机分配给20个站，会出现严重的内耗：两个站拿到了同一个意图方向的词，写出来的文章大同小异，搜索引擎判断为重复内容，两个站都拿不到排名。

AI分类要做的是三件事同时完成：

分类完成后，每个站拿到的是一组意图方向不同、地域匹配、难度分层的关键词包。比如"北京装修报价"和"深圳装修报价"两个词，意图相同但地域不同，分别分给北京站和深圳站。"装修报价明细表"和"装修公司怎么选"意图不同，可以分给同一个站的不同栏目。

五、六个核心数据源怎么用，从免费到付费的实操方案

很多人听到"六个数据源"就觉得要买一堆付费工具。实际上免费方案就能跑通80%的流程，剩下20%靠一两个付费工具补上精度。

最省钱的组合：百度下拉框（免费）+ 百度相关搜索（免费）+ 知乎小红书手动采集（免费）+ 5118基础版（约99元/月）+ Claude/GPT API做去重分类（按量付费，几十元/月）。月成本控制在200元以内，一个站群项目周期跑下来，10万+词库的采集+去重+分类全搞定。

如果想做得更省事，可以买5118的专业版（约300元/月），把下拉词、相关搜索、竞品反查、竞价词四个数据源全包了，再搭配免费的问题词采集。API调用成本另算，但省下来的时间远比300块钱值钱。

六、用Python加AI跑通百万词库的完整流程，跑一次管半年

手工一个个采词不现实，必须上脚本。整个流程可以拆成四个Python脚本串联自动化：

# 脚本1：多数据源采集（百度下拉+相关搜索+5118API）# 输入：核心词列表 keywords.txt# 输出：raw_keywords.csv（原始词库，含来源标注）# 脚本2：递归扩展（3层）# 输入：raw_keywords.csv → 输出：expanded_keywords.csv# 每层扩展后调用AI语义去重，去重后的词作为下一层种子# 脚本3：AI语义去重+意图分类# 输入：expanded_keywords.csv → 输出：dedup_classified.csv# 调用GPT/Claude API，每批1000个词# 脚本4：站群分配映射# 输入：dedup_classified.csv + 站点列表 sites.csv# 输出：site_keywords/ 目录下每个站一个CSV

七、词库分配到站点时最容易踩的三个坑

分配还有一个时间维度要考虑：词库不是一次性全部分完的。10万词的词库，一个20站的站群如果一次性全分配，每个站5000个词，按每天发5篇的速度要发将近三年。实际做法是：先分前30天的量（每站150个词），等第一批内容被收录后，根据收录数据调整第二批的分配策略——收录好的站多给词，收录差的站排查原因。

八、系统化管词库和手工折腾的效率差在哪

前面的流程看起来很清晰，但真正自己跑一遍就知道：四个Python脚本、六个数据源、三个AI处理环节，再加上定期更新词库、监控站间重叠、调整分配策略——这些事如果每次都要手工跑脚本、手工检查CSV，一个月下来光维护词库就要耗掉大半个星期。

系统化的核心价值不是"能不能做"，而是"能不能持续做"。手工作坊式的一次性采集，词库是死的——三个月后搜索趋势变了、新词出来了、竞品换了打法，你的词库还停在三个月前。系统化方案能做到每周自动增量更新，新的下拉词、新的相关搜索、新的竞品词自动汇入词库，AI自动分类分配到对应站点。词库从"一次性的静态资产"变成"持续生长的活水"。

九、百万词库的成本账：到底花多少钱能跑起来

最后算一笔实在的账。搭建一个覆盖20个城市、10万+可用词的站群词库，三种方案的成本如下：

标准方案150元/月，专业方案380元/月。对比站群带来的流量和转化收益，这个成本基本可以忽略。真正贵的是时间——极简方案虽然不花钱，但每月40小时的维护时间，按最低时薪算都远超380元了。如果不是纯粹为了学习技术，标准方案起步是最合理的。

另外有一个隐藏成本经常被忽略：词库维护的持续性。一次性花150元搭好词库是一回事，每月花150元持续更新是另一回事。很多人只算了第一笔，没算后面的。实际上词库维护是一个长期开销，搜索趋势每月都在变，如果只采一次就放着不管，三个月后至少30%的词已经过时了。所以预算规划的时候，至少按6个月来做，标准方案就是900元，专业方案就是2280元。