实战案例：65 分钟搞定 50 位 TikTok 海外母婴达人投放名单

前置准备

品牌方在 KOLens 上已经有了 workspace，且品牌画像（brand profile）已经填完：

• product_category：高端婴儿用品（DTC 婴儿车）
• target_audience_text：US Z 世代 + 千禧一代新手父母，家庭收入 $80k 以上，城市或沿海郊区
• target_geographies：["US"]
• exclusions_text：不要政治内容、不要网红营销工具的测评号、不要与博彩沾边的账号
• 发件人身份（Sender identity）：姓名 + 职位 + 邮件签名

三组复用输入，一次设置，之后每一次 LLM 调用打分时都会用到，每封邮件的署名也是它。

65 分钟全程实操

14:00 — 撒大网，关键词发现（5 分钟）

从 Claude Desktop 里发一句话：

"用 'stroller review' 跑一次 TikTok 关键词抓取，max_videos 200； 再用 'newmom musthaves' 跑一次，max_videos 100。把 job_id 给我。"

两次 scrape_tiktok_by_keyword 调用，返回两个 job_id。操作员去倒杯咖啡。

14:15 — 第一轮分流筛选（10 分钟）

两次抓取跑完。共抓到约 180 位作者，质量参差不齐。

"从这两个 job 的结果里，列出在美国、且不是品牌账号的 KOL，按粉丝量降序，给我 30 个。"

Claude 调用 list_kols，参数 country=US + hide_sellers=true， 从 180 位起始集合返回 27 位真实创作者（剩下的杂音多数是分类器自动识别出来的品牌 / 店铺账号）。

14:25 — 选一个高匹配种子，横向扩展（10 分钟）

操作员扫一眼这 27 个号，挑出第一位看着特别合适的——假设叫 @sarah.stroller。

"找 20 位跟 @sarah.stroller 相似的创作者，给我共提及分数（co-mention score）≥10 的那些。"

find_similar_creators 返回 23 位。操作员筛 co-mention ≥10， 得到 14 位高置信度候选（都是 Sarah 真实合作过 / 互相提及过的同温层达人）。

14:35 — 批量入库（5 分钟提交 + 15 分钟等待）

合并两份名单：筛过的 27 位 + 横向扩展的 14 位 = 41 位独立 handle。 再加上品牌邮件团队之前在 Excel 里手攒的 10 位 = 51 位。

粘贴到 /kols/import，max_videos = 30， 目标列表选 "Fall stroller launch seeds"（秋季婴儿车上线种子名单）。提交，51 个 job 入队。

操作员再去歇会儿。Apify 用 ~15 分钟跑完 51 次入库（并发 3-4 个）。

14:55 — 打分 + 冷启动邮件起草（15 分钟）

51 位全部入库完成。操作员浏览列表页面：因为 brand profile 已经设过，每行卡片都自动显示一个匹配度星级。按品牌匹配度 ≥4 排序，剩 38 行。

对这 38 行：点开 dossier（达人详情页），创作者概览（Creator Overview）已经缓存好了（入库后第一次打开 dossier 会自动触发生成，免费）；点头部的 "Cold outreach templates" 按钮 → 起草邮件，自动用 workspace 设的发件人身份签名，第一次生成后缓存。

操作员对 5 位最高匹配度的草稿做微调，剩下的不动。 （第一遍生成的草稿通常够用；精修预算留给名单顶端。）

15:10 — 导出到 Notion（5 分钟）

回到 Claude：

"在 'Fall stroller launch seeds' 列表里的 38 位 KOL， 建一个 Notion 表，列：handle、粉丝数、互动率、品牌匹配度评分、 是否有邮箱、冷启动邮件主题 + 正文。每位一行。"

Claude 从 list_kols 拉数据 + 从缓存里取冷启动邮件 （刚才 14:55 review 时已经生成并缓存了，这步不消耗 LLM credits）， 通过 Notion MCP 在 Notion 里建好数据库。完成。

15:15 — Review + Slack 交付（5 分钟）

操作员把 Notion 链接发到品牌的营销 Slack 群："周一上午 10 点 review， 在 row notes 里留言即可。" 收工。

Credits 花在哪了

• 2 次关键词抓取 × 1 credit = 2 credits
• 51 次精准 handle 入库 × 约 1 credit（30 视频）= 51 credits
• 38 份冷启动邮件起草 × 1 credit = 38 credits
• 对最匹配的 5 位做了概览刷新（其他都是首次打开免费触发）= 5 credits
• 对最顶尖 3 位做了深度分析 × 5 credits = 15 credits

总计 111 credits，加上品牌方此前维护 workspace credit 池 摊销的隐性成本约 300 credits。 以我们的成本基准算，实际 LLM + 抓取支出约 $3.20；按零售价约 $8。

在这之前，这件事长什么样

这一波功能上线前，同样的产出需要：

• 一位 VA 花 4-6 小时人工刷 TikTok，把账号截图丢进 Google Sheet
• 第二位 VA 或外包，手动点每个简介找邮箱
• 营销负责人手写 30+ 封冷启动邮件，因为没有可靠的 AI 起草工具懂品牌语气
• 周日晚加班整理，赶在周一 review 之前

引用我们整理这个案例时的一位真实操作员原话： "真正让我开窍的时刻，是意识到 brand profile 加 sender identity 意味着我再也不用盯着邮件草稿了。"

什么不是魔法

三条诚实的局限性：

• 邮件回复率仍然要靠你自己。 KOLens 起草的邮件 会把开场白个性化好，但能不能被打开还是看主题行的功力和你用哪个邮箱发。
• 品牌匹配度打分是建议，不是合同。 LLM 是有 grounding 的，但仍然是 1-5 星的估算。 它打 5 星的那些，自己再过一遍。
• 分类器是启发式的，不完美。 简介里写 "shop my looks" 的真实创作者会被识别成卖家账号。 在边界 case 上要手动校正开关。