同样写 AI，为什么有的文章 549 人看、有的只有 16 人看？——我用 40 篇掘金文章的真实数据复盘
数据截止 2026-09-12，来源：掘金创作者中心内容管理 API（本人账号，共拉取最近 40 篇文章的浏览量/点赞/评论数据，后文图表均为这 40 篇的真实统计，未做任何修饰）。
前言：前两天翻创作者中心，突然发现自己已经写了 40 篇文章了。从 Docker、Git 到 RAG、AI Agent，什么火写什么。但看着后台那一排浏览数据，我愣住了——同样一个账号、同样写 AI，为什么有的文章 549 人看，有的只有 16 人看？ 差距接近 35 倍。
好奇心上来之后，我把 40 篇文章全导了出来，按内容类型做了个分类统计。结论有点扎心，但非常清晰：在掘金，内容类型比内容数量重要得多。
一、数据是怎么来的
掘金创作者中心其实有现成的 API，登录状态下请求 content_api/v1/article/query_list 就能把文章列表连浏览/点赞/评论一起拿出来。我把最近 40 篇全部拉下来，人工给每篇打了一个标签：「实战/实测」（有实操、有踩坑过程、有可复现方法）或者**「观点/热点评论」**（评价某新闻、某模型、某行业事件）。
40 篇的分布：29 篇实战/实测，11 篇观点热点。
二、先看总账：两类内容差距有多大
| 维度 | 实战/实测类（29篇） | 观点/热点评论类（11篇） |
|---|---|---|
| 总浏览量 | 3095 | 420 |
| 平均浏览量 | 106.7 | 38.2 |
| 单篇峰值 | 549 | 137 |
| 累计点赞 | 24 | 1 |
| 累计评论 | 16 | 1 |
平均浏览 106.7 : 38.2，2.8 倍的差距；看点赞更夸张，实战类拿了 24 个赞，观点类只有 1 个。
这张图可能比表格更直观：
再看浏览量 TOP10 的分布，除了「微服务不是消亡了」这一篇观点文挤进第 6，其余 9 席全部被实战/实测类包揽：
TOP10 明细：
| 排名 | 文章 | 类型 | 浏览 | 赞 | 评论 |
|---|---|---|---|---|---|
| 1 | DeepSeek Harness 确实炸了，但我已经不 care 了——说说为什么 | 实测 | 549 | 0 | 2 |
| 2 | 用 RAG 做了个智能客服，上线第一天就被用户骂了——我的 7 天实战复盘 | 实战 | 329 | 6 | 2 |
| 3 | Docker 镜像从 2GB 压到 80MB——我被运维追着打了三天才学会的容器瘦身术 | 实战 | 275 | 9 | 4 |
| 4 | DeepSeek Harness 和 Codex Harness 都开源了，我两个都跑了 | 实测 | 149 | 0 | 0 |
| 5 | 卸了 20 个 AI 编程 Skill 后，我用 3 个原生方案把效率拉回来了 | 实战 | 139 | 0 | 2 |
| 6 | 微服务不是消亡了，是大多数团队终于发现自己根本不需要它 | 观点 | 137 | 1 | 1 |
| 7 | 配了三天 Agent 开发环境踩了 18 个坑，我总结了一份零冲突配置指南 | 实战 | 137 | 1 | 0 |
| 8 | 入职第一天就把 main 分支搞崩了——我的 Git 血泪史和团队规范诞生记 | 实战 | 130 | 2 | 3 |
| 9 | DeepSeek V4 Flash 跑赢了 Pro，这不意外——说说我的实测体验 | 实测 | 126 | 0 | 0 |
| 10 | Qwen3.8-Max 编程跑分超了 Claude Opus5——我跑了 3 个真实场景 | 实测 | 111 | 0 | 0 |
三、附上数据脚本：你也可以对自己的账号做同样的复盘
以下脚本我实际跑过（就是它导出的本文数据）。需要你在浏览器登录掘金后，把 Cookie 里的会话带上，或者像我在文章开头说的那样直接在创作者中心页面控制台里执行：
# 掘金个人文章数据复盘脚本（Python 3）
# 用法：登录掘金后，复制本脚本到浏览器控制台（或带 Cookie 用 requests 请求）
# 数据接口：POST https://api.juejin.cn/content_api/v1/article/query_list
import json
from urllib import request
USER_ID = "你的user_id" # 打开掘金首页，在 localStorage 的 user_first_visit_dispatch_coupon 或用户接口里可以拿到
def fetch_articles(user_id, pages=4):
out = []
cursor = "0"
for _ in range(pages):
body = json.dumps({
"user_id": user_id, "cursor": cursor,
"sort_type": 2, "limit": 20, "client_type": 2608
}).encode()
req = request.Request(
"https://api.juejin.cn/content_api/v1/article/query_list",
data=body, headers={"Content-Type": "application/json"})
resp = json.loads(request.urlopen(req).read().decode())
items = [a for a in (resp.get("data") or []) if a.get("article_id") and a.get("article_info")]
for a in items:
info = a["article_info"]
out.append({
"title": info["title"], "views": info["view_count"],
"likes": info["digg_count"], "comments": info["comment_count"],
"ctime": info["ctime"],
})
if not resp.get("has_more") or not items:
break
cursor = resp["cursor"]
return out
# 抓回来后，按你自己的判断给每篇打标签，比如：
TAG = {"实战/实测": ["DeepSeek Harness", "RAG", "Docker", "配了三天", ...],
"观点/热点评论": ["费马大定理", "估值", "赌它会发", ...]}
# 然后按 tag 分组求和、算均值，就是本文前两张图的数据来源。
脚本本身很简单，核心价值在于：这种复盘你想做随时都能做，数据在你自己手里，不用猜。
四、4 条规律，都是数据教我的
规律 1：能讲「我怎么做的」的文章，比「我怎么想的」的文章好 2.8 倍。 读者来看技术社区，首要目的是解决自己的问题。你踩过的坑、写过的配置、压过的镜像，才是他们能直接拿去用的东西。「DeepSeek Harness 炸了我还是不 care」为什么能到 549？因为它讲了一个真实的、有细节的取舍过程，而不是复述新闻。相反，「AI 把手机内存价格炒 4 倍」这种纯粹的观点延伸，读者看完只会有一种感受：又一个蹭热点的。
规律 2：标题给「具体数字」和「一段故事」，别给「一个观点」。 对比一下我自己的两类标题：
- 观点类：「GLM-5.3 同架构重训就起飞了——这证明大模型不缺参数」（29 浏览）
- 实战类：「Docker 镜像从 2GB 压到 80MB——我被运维追着打了三天」（275 浏览）
后者的标题里有两个要素：精确的数字（2GB→80MB）+冲突叙事（被运维追着打）。前者只有一句评论。同样的规律在 TOP10 里反复出现：549、329、275……几乎每篇都有数字或具体的坑。
规律 3：观点类不是不能写，关键是「观点要有实测背书」。 TOP10 里唯一一篇观点文「微服务不是消亡了」拿了 137 浏览，它是全站范围内少有的、能排进我文章前列的观点文章——因为它的论证建立在大量真实团队案例上，而不是纯口嗨。反过来，「奥特曼终于认了」「OpenAI 说 Astra 能自己找漏洞了」这类纯评论，安静地躺在我数据的底部。结论：观点可以写，但要用事实和数据来撑，而不是用感叹号来撑。
规律 4：单篇爆款靠内容，自然流量靠持续。 40 篇文章里，浏览分布是典型的长尾：一篇 549，一篇 329，一篇 275，剩下的绝大多数在 100 以下。如果没有前面十几篇的积累，「DeepSeek Harness」那篇也不会有那么高的基础流量。数据给我的另一个信号是：别指望一篇文章封神，稳定输出比你想象的更重要。
五、给内容创作者的 3 条实操建议
- 下一篇写什么？写你本周真实踩过的坑。 坑越具体越好：写「为什么我的 RAG 总答非所问」，别写「RAG 技术详解」。
- 标题先列数据再列情绪。 「把 X 从 A 优化到 B」永远比「揭秘 X 的真相」更有辨识度。
- 每个月做一次自己的数据复盘。 就像本文这样，把文章拉出来按类型分一分，你就知道自己该往哪个方向写了。数据永远不会骗你，它会骗你的只有你不敢看。
最后，如果你也想对自己的账号做同样的复盘，脚本在上面了，拿去用。欢迎在评论区告诉我：你的账号里，哪类内容数据最好？反正我的答案已经很明确了。😂
