Creator Overview 和 Deep Analysis 有什么区别？

Overview 读 50 条视频 + 作者基本信息，扣 1 credit。Deep Analysis 读 200 条视频 + 受众快照 + 跨平台联系方式 + 品牌画像，从 workspace credit 池扣 5 credits。schema 是严格超集——深度版多出 content_quality、partnership_history、negotiation_notes、competitive_context，以及一份量身定制的 outreach_strategy。

为什么必须填了品牌画像才出星级评分？

没有品牌画像，我们就没有「匹配度」的锚点——LLM 会凭空发明一个比较基准。打分路径必须以至少一个结构化字段（product_category / target_audience_text / target_geographies / exclusions_text）为前提。workspace 品牌画像为空时，卡片不会显示假星，而是给出指向 /workspaces/{slug}/settings 的 CTA。

每一层用什么模型？

Overview：gpt-4o-mini（settings.ai_insight_classifier_model）。Deep Analysis：gpt-4o（settings.ai_deep_analysis_model）。Background Research：gpt-4o-mini-search-preview（settings.ai_background_research_model）。全部支持环境变量覆盖——切换到不同网关只需要一次部署，不需要改代码。

每一层缓存能保留多久？

Overview：30 天。Deep Analysis：7 天（谈判 / 合作历史类洞察过期更快）。Background Research：30 天。三层都接受 ?refresh=true 强制重新调用（并按 credit 重新扣费）。

prose 字段真的是 Markdown 渲染吗？

是的。LLM prompt 明确要求 overall_summary、content_quality、partnership_history、negotiation_notes、competitive_context、audience_signal 用 Markdown 输出。Dossier UI 用一个迷你的内联 MdRender 组件渲染，支持标题、**加粗**、*斜体*、有序 + 无序列表，以及 [1] [2] 引用胶囊。

切语言会让输出跟着变吗？

会。NEXT_LOCALE cookie → BFF query 参数 → LLM system prompt + 缓存 key。缓存行按 locale 隔离，zh-CN 调用者绝不会拿到 en 缓存的正文，反之亦然。目前已上线 en / zh-CN / ja 三种。

全部文章

2026年5月19日·KOLens 团队达人尽调AI 分析品牌匹配度出海卖家

品牌匹配度档案：从 Creator Overview 到 Deep Analysis 的三层 AI 达人尽调

你想要、但不想自己写的那份 KOL 尽调档案：1 credit 带评分的概览、5 credits 的深度分析、带网页引用的背调——三层、一套缓存，每个 prose 字段都按 Markdown 渲染。

整体结构

在 /kols/[username] 打开任意 KOL 详情页 → 三张堆叠的卡片：Creator Overview（命中缓存免费 / 刷新 1 credit） → Background Research（联网，1 credit） → Deep Analysis（主动点按钮，5 credits）。三层都尊重你当前 workspace 的品牌画像和你的 UI 语言。

为什么分三层，而不是一份大报告

品牌经理不会为了判断「这个 KOL 值不值得再看一眼」去读 5 段 LLM prose。他们看一行 headline、扫四颗星，然后要么花 30 秒读深，要么直接跳过。所以三层正好对应真实的筛选漏斗：

Overview（1 credit，缓存 30 天） —— 回答「这个人在做什么，我要不要继续看」，给出带评分的判断。读 50 条最新视频 + 作者画像 + 受众数据（如果已有）。
Background Research（1 credit，缓存 30 天） —— 回答「这个人在 TikTok 之外是谁」。联网 LLM（openai/gpt-4o-mini-search-preview）翻公开来源，返回带 [1] 引用胶囊的 Markdown。适合在真正掏外联预算之前做正当性 / 身份核验。
Deep Analysis（5 credits，缓存 7 天） —— 针对已经进入候选名单的 KOL。读最多 200 条视频 + 完整受众快照 + 跨平台联系方式，额外输出五段可以直接粘进 brief 的内容：内容质量、合作历史、外联策略、谈判要点、竞争背景。

星级评分——有 ground truth 才出

四项评分（推荐度 / 内容契合度 / 受众契合度 / 风险）只有在 workspace 品牌画像至少填了一个结构化字段时才会渲染。没有这个锚点，我们就没法对「契合」打分——LLM 会凭空发明一个比较对象。

在 /workspaces/{slug}/settings 里填上product_category、target_audience_text、target_geographies 或 exclusions_text中任意一项，每份 dossier 上的评分块就会亮起来。 LLM 被告知要评什么、被要求把分数夹在 1-5，并要求在 300 字以内的 score_rationale 中说明依据。

每一份 prose 结果都落到 Postgres

三层各有自己的缓存表——主键是(workspace_id, username, platform)， locale 存在 JSON payload 里——所以换语言重渲染就是一次干净的 miss，不会读到陈旧版本。

实战上：一个忙碌的 workspace 一周内对同一份 KOL dossier 打开 20 次，每层只会真正调用 LLM 一次。剩下 19 次都是免费的。每张卡片上的「Refresh」按钮是唯一会触发新调用的路径—— 这是一个明确的操作员动作，绝不是误触。

用 Markdown 渲染，不是 `whiteSpace: pre-line`

操作员的反馈非常直接：「如果是 markdown，就用 markdown 格式来优化展示」。每一个 prose 字段现在都通过一个迷你的内联 Markdown 组件渲染—— 标题、加粗、斜体、有序 + 无序列表，以及 Background Research 的 [1] / [2] 引用胶囊。

我们没有引入完整 Markdown 库；这个 renderer 单文件、~110 行，只处理 LLM 实际会输出的那个子集。表面积小，无 MDX 插件抖动。

多语言：从前到后打通

语言切换器写入 NEXT_LOCALE cookie
BFF 读 cookie，转成 ?locale= 转发
Railway 服务把 locale 注入 LLM system prompt （「Respond entirely in Simplified Chinese (zh-CN)…」）
缓存 key 带 locale，en 缓存正文绝不会发给中文用户

目前已上线三种语言：en / zh-CN / ja。再加一门语言只需要在api/services/kol_overview.py 的_LOCALE_NAME 里加 3 行，再加一份 messages 文件即可。

来试一下这份档案

在 /kols/[username] 打开任意 KOL。如果你的 workspace 品牌画像已经设过，首屏就能看到星级评分。点 Deep Analysis 看额外的五段—— 从 workspace credit 池扣费，按钮上有明确的确认文案。

准备好了?

立即试用 —— 注册即送 50 credits。

打开一份 KOL 尽调档案

常见问题

Creator Overview 和 Deep Analysis 有什么区别？: Overview 读 50 条视频 + 作者基本信息，扣 1 credit。Deep Analysis 读 200 条视频 + 受众快照 + 跨平台联系方式 + 品牌画像，从 workspace credit 池扣 5 credits。schema 是严格超集——深度版多出 content_quality、partnership_history、negotiation_notes、competitive_context，以及一份量身定制的 outreach_strategy。
为什么必须填了品牌画像才出星级评分？: 没有品牌画像，我们就没有「匹配度」的锚点——LLM 会凭空发明一个比较基准。打分路径必须以至少一个结构化字段（product_category / target_audience_text / target_geographies / exclusions_text）为前提。workspace 品牌画像为空时，卡片不会显示假星，而是给出指向 /workspaces/{slug}/settings 的 CTA。
每一层用什么模型？: Overview：gpt-4o-mini（settings.ai_insight_classifier_model）。Deep Analysis：gpt-4o（settings.ai_deep_analysis_model）。Background Research：gpt-4o-mini-search-preview（settings.ai_background_research_model）。全部支持环境变量覆盖——切换到不同网关只需要一次部署，不需要改代码。
每一层缓存能保留多久？: Overview：30 天。Deep Analysis：7 天（谈判 / 合作历史类洞察过期更快）。Background Research：30 天。三层都接受 ?refresh=true 强制重新调用（并按 credit 重新扣费）。
prose 字段真的是 Markdown 渲染吗？: 是的。LLM prompt 明确要求 overall_summary、content_quality、partnership_history、negotiation_notes、competitive_context、audience_signal 用 Markdown 输出。Dossier UI 用一个迷你的内联 MdRender 组件渲染，支持标题、**加粗**、*斜体*、有序 + 无序列表，以及 [1] [2] 引用胶囊。
切语言会让输出跟着变吗？: 会。NEXT_LOCALE cookie → BFF query 参数 → LLM system prompt + 缓存 key。缓存行按 locale 隔离，zh-CN 调用者绝不会拿到 en 缓存的正文，反之亦然。目前已上线 en / zh-CN / ja 三种。