在 Reddit 上有个帖子说自己学 Meta 广告，所有投放都自己做
现在每天花 25–50 美元，整体月收入一直卡在 1 万美元以下
到底是创意问题，还是漏掉了更底层的东西？

其中一个高赞回复说以前也卡在月收入 8000 美元左右，后来做到每月稳定 21.5 万美元，而且还在增长

大概率的问题是没有一套能承接广告的系统

1. 先修广告指向哪里

广告不能只是把人送到一个随便搭的页面

重新理解品牌，搭一个真正能转化的落地页框架
页面对了以后，转化率和访问量都上来了

2. 再修广告触达

Meta 是好生态，但广告打给错的人，再好的素材也浪费

瓶颈很有可能是不知道怎么找到真正的 ICP，也不知道怎么设计 campaign 去触达这些最可能购买的人

要用多种方式验证目标人群，并学会放量时不破坏算法。

3. Meta 只是底座

邮件、Google、网站、品牌理解、AOV、客户类型、产品需求，全都会影响结果
如果只盯着广告账户，想靠更多素材解决转化问题，很容易误判

真正要做的是从漏斗顶端到底端系统性检查：

品牌定位
目标人群
落地页
转化路径
KPI
邮件/搜索/网站配合
放量结构

Tweet Hunter 从 $9 涨到 $49，价格涨了 400%，流失率反而降低了。低价用户更冲动，更快取消，support 成本更高；高价用户带目标进来，会更认真地把产品用出结果

价格决定进门的人，进门的人决定反馈，反馈又会把产品路线推向不同地方

对独立开发者来说，低价获客看起来安全，长期可能是在买一群最吵、最容易离开的用户。

App 在 Meta 上投放广告比较有效的建议：

1. 先找已经验证过的有人付费的至少已经有 App 做到每月 10 万每月以上 的细分市场，更稳的做法是从已经成立的需求里切一个更具体的人群
2. 一周内做出第一版
3. 把 paywall、埋点、归因跑通，核心体验要流畅 让用户第一次打开就能得到一个明确结果
4. 用 Meta SDK 先投起来
5. 再接 MMP
6. ABO 测素材
7. CBO 放大跑通的素材
8. 最后用 CPA 判断素材、预算和产品经济性

帮转一下，杭州以及附近的朋友有需要可以参加一下！以及预告一下 10 月 出海去和Iris 在北京也有一场，到时候北京附近的可以来玩一下！

Danny Postma 用 Claude Code 搭了一套自己的 AgentOS，早上写目标，晚上回来审 PR，现在大约 95% 的编程相关任务都交给这套系统跑

一个需求进去，系统会自己写 spec、做计划、审计划、写代码、审代码、修代码、更新 wiki，最后提 PR。人不用守着终端等下一步，只在要批准、要选择、要判断的时候出现

这套系统里，每个 agent 只负责一个环节

- spec agent 写规格
- plan agent 写开发计划
- review agents 看可行性、范围、一致性
- senior developer 写代码
- code review coordinator 审代码
- code steward 更新 wiki

他展示的一个任务，下午 3 点启动，晚上 9 点跑完。第二天回来，PR 已经在那里。

权限要比 prompt 更早设计

每个 agent 都在独立容器里跑，用完就清理
客服 agent 能访问前端 MCP，但碰不到 Gmail 和 GitHub
规划 agent 只能访问计划工具。文件系统走 Cloudflare R2 + MCP，可以限制只读、只写、禁止删除
agent 会犯错，也可能被 prompt 注入影响。权限从底层收住，系统才敢让它连续跑几个小时。

人只处理判断题

AgentOS 有一个 inbox
agent 卡住、要批准、要选项时，把问题发进来
比如标题用哪段文字，Danny 在手机上点一下，流程继续跑。

成本方面

一开始他用 Anthropic 云托管 agent，效果好，但每天大概要花 500 美元
后来他把一部分 worker 搬到 Hetzner 的 10 美元 VM 上跑
规划 agent 继续用强模型，执行类 worker 放到便宜、速度快的模型上。

最后，agent、技能、模板都变成 YAML 文件，再用 AgentOS CLI 同步配置、创建项目、启动目标。

Postiz 是一款多社媒的发布平台，月营收已经接近 20 万美元了

创始人把 Postiz 放进更大的增长场景里，B2C App 怎么靠社媒拿到几百万播放，创作者怎么批量发布内容，UGC 怎么持续铺出去。产品从功能介绍改成结果证明

1. 先选一个能反复公开的可信指标

Postiz 每天发 MRR，表面看是展示收入，实际是在建立权威性信任度

如果你没有收入，也可以换成 SEO 流量、注册用户、活跃用户、公开 analytics dashboard、客户案例数据。重点是持续公开同一个指标，让别人知道你在这个细分领域里一直有结果。

这个指标后面会变成所有内容的信任底座。你写教程、发案例、做 AEO、找 creator 合作，别人先看到的是你已经做出来的东西。

2. 旧渠道先降权，别把预算押错地方

广告越来越贵。以前每天可能只有 10 个 startup 在投，现在几千个产品都能快速做出来，广告自然更贵。B2C 订阅尤其难算账，用户获取成本 $50，月费 $9，留存稍微差一点就亏

SEO 能带流量，但流量未必带收入。Postiz 的 SEO 流量一直涨，收入没有跟着涨。现在用户有问题会直接问 ChatGPT / Perplexity / Claude，传统 blog 流量的购买意图变弱了

公司账号日常更新和 build in public 也要重新看，适合维持存在感，适合建立信任，直接拉 MRR 有点难。

3. 把高表现内容改成 X Articles

X Articles 现在还有红利，因为平台想留住长内容阅读时间

最重要的两个信号是收藏和阅读时长。一个视频可以有 65 万播放和很多互动，但一篇长文如果收藏更多、阅读时间更长，X 也会继续推

可以先拿已经跑过的推文或视频改成 article，再用 30 秒左右的短视频 quote repost。短视频负责拿第一波注意力，长文负责承接阅读和收藏

这里要注意内容必须指向同一个主题。视频和长文脱节，quote repost 可能有浏览，article 本身吃不到。

4. 教程要贴着产品结果写

Postiz 的教程能带订阅，因为教程围绕“怎么靠社媒赚钱”展开，排程功能只是完成结果的一环

如果你的产品是工具，教程最好从用户想要的结果出发。比如 App 想拿下载，就写内容分发、UGC、短视频、lead magnet

产品在教程里可以自然出现。读者买到的是一条通往结果的路径，工具位只是其中一环。

5. AEO 要去 LLM 会引用的地方铺内容

AEO 和 SEO 的差别很大。SEO 要把内容放在自己网站，因为用户从 Google 点进来。AEO 不一定需要内容在你的网站，LLM 会从很多页面里找引用

建议把内容放到 Reddit、LinkedIn Articles、X Articles、GitHub awesome-list 这些高权重的地方

先去 ChatGPT 里用客户会问的方式搜索你的品类，看谁被引用。再去这些位置补真实、有用的回答和文章。

这里越细分越容易。Postiz 如果抢“social media scheduler”，对手是 Buffer、Sprout Social 这类大公司。但是押“social media tool for agents”，竞争范围小很多，内容也更容易被 LLM 抓到。

6. Lead magnet 适合放在 Instagram 和 LinkedIn

不建议在 X 上做 comment-to-DM，因为容易踩平台规则。Instagram 和 LinkedIn 更适合跑这套。

做法是先发很多视频，找到一个明显有效的视频，再不断复用。换封面、换音乐、换一点文案，继续引导用户评论关键词，然后 DM 交付教程、清单或资料。

账号要先 warm up。先在细分领域里点赞、评论，让平台知道这个账号应该被推给谁。新号直接批量发 lead magnet，很容易看起来像工具号

Lead magnet 也会疲劳。比较稳的做法是维护一个大的 source of truth，比如一篇长文、一个视频教程、一个完整清单。后面每个 lead magnet 都指向它，素材可以换，交付物不用一直重做。

7. UGC / AI UGC 按概率来跑

UGC 的逻辑是规模测试。单条视频通常不会直接爆，但一条 UGC 成本大概 $20-30，一个 creator 每天可以产 1-2 条，多个账号一起跑，就能更快测出哪个角度有效

有人用 10 个账号同时跑。等某条视频起量，再拆解为什么起量，然后重复这个角度

AI UGC 也是同一套逻辑，只是把真人出镜换成 AI 人物。适合有明确场景、明确痛点、明确前后变化的产品。画面里要让人马上看懂产品能帮他拿到什么结果。

整套打法的顺序很重要。先证明你有结果，再把结果写成内容，再把内容铺到平台和 LLM 会分发的位置。

靠 UGC 让一个 App 的年收入从 30 万美元涨到 150 万美元，其中第一个月 5000 万播放、45 万下载

最重要的一个点是，产品得先有一个能被拍出来的卖点。用户刷到视频那几秒，要马上看懂这个 App 能帮他改变什么，画面里最好还有一个能截图、能演示、能被不同创作者反复复用的核心瞬间

具体进行产品准备、创作者招聘、内容管理和设置 Spark Ads 的方法：

1. 先判断产品适不适合跑 UGC

第一，有一句话能讲清楚的卖点

第二，有一个能出现在画面里的核心瞬间
可以是截图值得分享的功能
可以是用户会自发晒出来的结果
可以是创作者拿着手机就能演示的使用场景

如果这个瞬间还没找到，先用自己的账号测内容，跑出一次自然爆款，再把钱投到 UGC 上

产品转化也要注意，下载到付费转化率最好 5% 以上，3% 也可以小规模试。onboarding、试用期后的 D3-D7 retention、付费墙表达都要先过一遍

2. 第一批创作者不要只看粉丝数

建议启动前至少准备 1.5 万美元现金

刚开始你不知道哪个会爆，也不知道多久能跑出第一个能转化的视频。真的爆了以后，你还需要快速加人、加素材、加预算

起步有两种方式：
1. 自己先发内容，找到爆款，再用 UGC 扩大
2. 先招 1-3 个创作者，一边发一边找爆款

创作者的筛选标准
- 每个人至少要有过 50 万播放的视频，最好做过同类竞品或强 UGC 项目
- 镜头前能不能自然说话
- hook delivery 行不行
- 会不会剪掉空白和废话
- 字幕位置会不会挡画面
- 是否真的属于你的 niche
- 能不能照着 script 稳定输出
- 沟通够快吗

付款形式：
- 每月 500-1000 美元，60 条视频
- 再按每 10 万播放给 20-100 美元奖金
- 通常设 100 万播放封顶，统计窗口是 1 周

可以压价，但别把创作者压到完全没动力。UGC 本质上是长期内容供给，不是一单外包素材

3. 账号和发布节奏

创作者的内容要同步发到 TikTok、Instagram、YouTube Shorts，必要时加 Snapchat

新账号建议先在 niche 里养号 1-3 天，每天 10-30 分钟，让账号的浏览、互动和内容方向先像一个真人

100-300 播放通常更像内容问题。真的 shadow ban 更接近每条都是 0 播放。所以第一周别急着怀疑账号，先看 hook、开头画面和 format

4. 用播放区间判断问题在哪

UGC 管理要先知道每天有多少播放、谁表现最好、为什么表现好

要想办法跟踪 creator views、engagement、comments 和 payout。没有这类工具时，也要先用表格把每条视频、创作者、发布时间、播放、下载、转化、奖金记录下来

判断问题可以按三个区间看

少于 1000 播放，优先改 hook
创作者 如果本身有过爆款经验，视频还一直卡在这个区间，通常是开头没抓住人
1000 到 1 万播放，优先看 retention

人点进来了，但没看完。要检查 创作者 的表达、脚本节奏、字幕、画面切换和中段信息密度

10 万以上播放但没下载，优先看 conversion

这时问题在 App 插入方式、CTA 时机、评论区承接、视频里的 demo 是否足够明确

比较能转化的内容通常有几个特征：
前 15 秒出现 App CTA
视频里有 App demo 或截图
评论区有人问 what's the app
视频里出现多次 CTA
caption 里也提到 App

常见高转化形式包括 UGC reaction + demo、talking head、和 App 强关联的 skit

5. 找到爆款后

这时候最容易犯的错是马上从 3 个 创作者 扩到 100 个

多数项目其实在 10-30 个 创作者 的区间范围里比较稳

内容策略方面，
80% 继续复制已经能转化的爆款格式，
20% 持续测新 hook、新脚本、新场景

可以用 Lightreel 盯竞品的新 hook，也会要求 创作者 上传视频时顺手把刷到的新内容格式发回来

UGC 素材会疲劳，尤其当你一天有几百万播放时，同一个风格几个月后转化就会下降。创作者每天刷同类内容，他们看到的新角度本身也是情报来源

6. 创作者文化会影响内容供给

很多 UGC 只把创作者当素材机器，所以创作者对项目没感情，内容也很交易化

可以把创作者放进一个群里，公开表扬表现好的内容，让创作者看到自己的视频带来了下载、评分、review、榜单变化

表现不合格的人也要快速处理。开掉某个人时，告知其原因

这套做法听起来重，但 UGC 扩大以后，本质上是在管理一支兼职内容团队。创作者愿意主动交好的内容形式、愿意继续合作、愿意拒绝竞品更高报价，这些都会影响后面的供给稳定性

7. 自然内容跑通后，再用 Spark Ads 放大

当你已经有 10-30 个创作者，且跑出了能转化的形式，就可以把同一批视频推到付费广告里

比较推荐 TikTok Spark Ads，因为它可以直接用创作者原帖做广告，保留自然播放、评论和 social proof。品牌账号自己上传同一条素材，信任感会弱很多

授权要在第一天就要谈好。每个创作者 都要提前同意 paid ad permission，避免某条素材跑出来以后才重新谈价

素材选择上，建议尽量多放，不要只放自然播放最高的视频。有些自然播放只有 300 的视频，在广告里也可能跑到几百万播放

投放参数先保持简单：
美国 broad campaign
每天至少 100 美元起步
ROAS 目标大于 1.5x
低于 1.5x 的素材关掉
7 天平均表现稳定后，每周加 15%-20%

建议用 MMP 做 attribution，不要只靠 TikTok 原生 SDK 判断回收

8. 可以这么开始

先用自己的账号测出一个能被拍出来的产品瞬间

然后把下载到付费转化率、onboarding、D3-D7 retention 看一遍，确认流量进来以后有机会变成收入

准备 1.5 万美元左右的测试资金，先招 1-3 个有 50 万播放经验的创作者

每人每月 60 条视频，基础加播放奖金，提前约定 Spark Ads 授权

所有内容同时发 TikTok、Instagram、YouTube Shorts

每天记录每条视频的播放、互动、评论、下载、转化和奖金

播放少于 1000 改 hook，1000 到 1 万改 retention，10 万以上没下载改 App 插入和 CTA

跑出能转化的内容风格后扩到 10-30 个 创作者，80% 押在已经跑通的内容上，20% 留给新想法试错

最后把素材放进 Spark Ads，从每天 100 美元开始，ROAS 低于 1.5x 就关，稳定后每周加 15%-20%

Firecrawl 又出神作，一个非常高效节约的 pdf 解析工具 - pdf-inspector，完全开源免费

会先在本地判断 PDF 是文字版、扫描版、图片版还是混合版。文字版直接抽文本和表格，扫描页再丢给 OCR，避免每份文件都走一遍又贵又慢的 OCR。

拿 200 份 PDF 跑了几个开源主流 pdf 解析项目的性能测试，pdf-inspector 总分排第一，200 个文档只用了 0.47 秒，遥遥领先了！Rust 还是强啊，同时给 Python、Node、WASM、CLI 绑定，适合接进 RAG、爬虫、财报/论文/法律文档等处理

这份清单有参考价值，但别把 Reddit 当成免费的广告位

17 个 subreddit，背后其实是 17 种不同的人群和社区规则

大社区不一定更有效，精准度、内容匹配和参与方式，比所谓“月访问量”重要得多

另外个人建议要把握的核心原则：
- 先贡献，再推广
- 先理解社区，再发布产品

一套自动涨 Reddit Karma 的 AI Agent 5 个核心要素：

可信内容源
严格筛选
便宜触发闸门
执行账本
定期复盘

具体操作大概是

1. 先给 agent 一个可信内容源

先建了一个个人 wiki，里面放过去的视频、文章、资料和长期关注的话题
agent 每次回答前，只能从 wiki 里找已经记录过的观点。agent 可以读 Reddit 页面，但不能靠记忆重建作者立场。

AI 自动评论最容易变成泛泛的「helpful developer」语气，看起来很会答，实际每句话都像平台上任何一个 AI 助手都能说

wiki 的作用就是把 agent 能说的话限制在你自己真的经历过、写过、踩过的坑里。

如果要迁移到别的场景，wiki 可以换成：
过往文章
客户问答
产品文档
内部 SOP
销售电话记录
自己做项目时留下的复盘

先限定它能说什么，再让它去找机会说！

2. 筛选要比生成更重要

帖子是否在 48 小时内
评论区气氛是否正常
问题是否真的是现下真实痛点
wiki 里有没有对应的具体经验
评论区是否已经有人占了同一个角度

最后一条尤其关键。如果别人已经给了一个好答案，agent 要么补一个完全不同的具体角度，要么直接跳过。

3. 触发前先过便宜 workflow

每半小时触发一次，但每次触发后，先跑一个很便宜的 deterministic workflow

检查账号 ledger、21 分钟间隔、当天评论上限，再随机决定这个 slot 要不要升级成真正的 agent 来执行

大部分 slot 会直接结束，只留一行日志。只有少数 slot 会唤醒 LLM，开始找帖、筛选、写评论

对了，这个设计其实可以迁移到很多 agent loop：
固定 cron 负责可靠性
便宜 workflow 负责限频、随机、账号检查之类的简单任务
核心 agent 只在值得执行的时候来

4. 每次执行都要留下记录

没有记录，agent 很快会变成黑箱。你只知道它跑了，但不知道它为什么选这个帖子、为什么放弃另一个帖子、哪类场景最容易出错

至少要记这些字段：
候选来源
是否执行
执行内容
跳过原因
使用了哪个 wiki 角度
当时的账号状态
后续结果

一开始不要追求自动优化，先让系统把判断过程留下来。没有记录，就没有下周的改进。

5. 每周用真实结果改策略

重新抓取过去一周发过的评论，记录每条评论拿到的分数和 karma 变化，再按 subreddit 和 topic angle 做统计，比如：
哪些 subreddit 能带来 upvote
哪些话题角度一直没人理
哪些回答方式值得继续用
哪些来源应该退休

下周的 slot 和角度会根据这些结果调整。有效的 subreddit 和 angle 会拿到更多机会，没反应的会被删掉或重写

更稳的借鉴方式，是把这套结构用在低风险场景里：

- 自动整理客户反馈
- 自动扫描 GitHub issue
- 自动发现社区里的真实问题
- 自动给内部知识库补标签
- 自动从 support ticket 里找重复痛点
- 自动复盘内容或销售动作的结果