尚未实测｜2026-09-05。本文基于冬青的 X 文章、其公开提示词和用户提供的截图做静态分析，没有运行采集器，也没有验证成交或利润。
我为什么关注它
做虚拟商品，看到累计销量很高的链接，很容易把历史成绩当成眼前需求。我关注“红薯雷达”，是因为它尝试把这种直觉变成连续记录：先保存商品的公开显示值，再观察变化，最后决定哪些方向值得进一步调查。这套思路对需求研究有用，但前提是记录的数字可以解释。
冬青在 2026 年 9 月 4 日发布了《小红书虚拟监控软件选品工具以及逻辑（附完整提示词）》。我通过公开转读服务取得文章，再核查文末 GitHub 链接。原文强调人工判断，也承认 AI 生成项目可能需要反复调试。这一点比“复制提示词就能赚钱”的说法务实。[S1][S2]
我实际拿到了什么
核查时，dong-liudong/hongshuleida 的 main 指向 3b1dd38db4c27928393be740e1d229b39e46144a，文件树只有
dq.md。它是一份开发规格，没有 Python 实现、依赖锁定文件、测试或构建产物，未见 LICENSE。作者确实分享了需求，但没有交付能在本次审计中运行的软件。[S3][S4]截图显示的是 127.0.0.1:8765/report 网页，带左侧导航和机会日报；提示词要求的是 Tkinter 桌面工具和横向标签页。两者明显不一致。可能是不同版本或不同实现，但我没有证据确定关系，所以不能承诺照着提示词就会生成截图中的产品。[S2][S4]
两个公式究竟表达什么
令 S 为累计显示销量，D 为同一完整窗口内的显示增量，P 为参考价格。作者的爆品值 B=S/D，商品价值 V=P×D²/S。B 越低，近期增量相对累计值越突出；V 把价格、绝对增量和近期占比合成一个排序分数。这是经验规则，并没有给出预测准确率或回测证据。[S1]
我复算原文例子：S=2203、D=103、P=1.99，B≈21.39，V≈9.58；昨日显示增量 190 对应的价格乘积为 378.10 元。算术成立，输入仍是作者提供的数据，价格乘积也不能说明实收或利润。[S1]
我的判断是，这两个数并非独立证据，因为 V=P×D/B。固定 S 和 P 时，D 翻倍会使 V 变成四倍，短期尖峰因此会被放大。B 也不能推断商品真实年龄；高值不一定说明商品成熟，低值也可能来自小样本。D 或 S 为零时必须显示无法计算，不能强行除零。
我会先看完整窗口、绝对增量、连续天数、数据质量和实际产品，再看分数。滚动 24 小时、自然日截至当前以及首次观察后的几小时，要分别标记，不能放在一个榜单里假装可直接比较。
比公式更重要的，是原始读数
我认可提示词区分请求失败与商品下架、缺少基线不填零、记录跨日快照的方向。但规格仍有漏洞：它允许在响应成功且模板完整时把空销量解释为零，没有提供字段语义依据；“1.2万”等缩写值也不应被当成精确的 12000。显示值的变化可能是取整边界变化，而不是那一小时的实际订单。[S4]
历史最大值策略可以防止一次低读数造成负增长，却不能识别错误高值。用虚构例子说明：100→1000→110→120，如果误把 1000 当成可信值，后续会长时间没有增长。真实累计修正或商品换品也需要独立处理。我的建议是保留原始显示文本、精度、采集状态与异常标记，而不是只保存一个整数。
整点任务时间也不同于真实读取时间。轮次标为 10:00，而某商品 10:17 才读到，其差值就不是精确的 9:00—10:00。数据库至少应分开记录计划时刻和实际时刻，展示有效区间；没有足够近的基线就降低精度，不能补出不存在的历史。
用户截图显示启用监控 14、增长商品 2、待审核候选 12、最近采集失败 0。这些是界面上的数字，无法证明采集覆盖率。前两行同店课件的显示增量分别为 11 和 9，其中第一行明确是开学课件，值得警惕单店样本和季节窗口偏差。状态写近 6 小时增长，窗口却写 24h，也需要明确是独立状态条件还是标签错误。[S2]
实现与使用边界
公开提示词提出 Python、Tkinter、SQLite、Playwright、PyInstaller 和只读 MCP。工程方向可以理解，但写进提示词不等于实现通过。文章重点介绍的两项评分，甚至没有在当前
dq.md 中成为明确的计算、展示和测试条目；自动拓品还被标注为已无法使用，却仍保留整段交付要求。[S4]数据来源是商品 H5 路径，不能仅因无登录时偶尔可访问，就假定拥有稳定授权。小红书开放平台首页明确介绍店铺授权后的工具型应用；这不足以证明任意竞品销量接口受支持。原提示词遇到失败时不断切换浏览器环境的路径，应改成明确区分网络异常与访问限制，遇到验证或限制停止自动采集。[S4][S5]
商用边界也不清楚：没有 LICENSE，同时提示词要求界面显示禁止商业用途的文案。作者鼓励学习和使用提示词，并不能据此确定完整的商用再分发授权。GitHub 官方说明也区分公开仓库与许可证授权。我会把阅读、独立设计、复制分发分别处理，商用前补充明确许可。[S4][S6]
它能帮助找需求，但还没证明生意成立
我的理解是，这个工具最可能节省重复抄数和筛选时间。真正的商业链路还要经过原创产品、内容触达、咨询、购买、交付与售后。别人有显示销量，无法告诉我流量成本、实际成交价、退款、客服投入，也不能证明我能获得同样的客户。
评估时我会按实收减退款、平台费用、获客、工具和交付成本，再单独计算内容制作与客服工时。低价数字产品虽然没有快递，也可能被维护和售后吃掉收益。课件、课程等还需确认素材权利；原文涉及心理测评的商品有额外专业和隐私要求，不适合作为这次工具验证的默认样本。
如果只是少量候选，人工记录表格可以先判断需求；已有合规数据来源时，再做导入式看板。自动采集和桌面打包只有在确实节省时间时才值得加入。最坏的早期损失通常是开发和观察时间；若过早扩展到账号、广告或商业交付，损失范围会明显扩大。
我建议的下一步
当前状态为待批准测试。首轮可以只做本地离线验证，使用虚构数据，检查缺失字段、缩写销量、异常高低值、跨日、延迟和重复快照，确认每个指标都能追溯。预计 2—4 小时，新增现金预算 0 元，不需要账号、付费 API 或持续开机。这只能验证统计逻辑。
若以后得到合规数据来源，再单独批准一周的小样本观察，比较人工记录和工具记录的时间、准确性与候选排序。10—20 个候选只是试验规模，不是市场代表性样本；预测价值还要用观察当时的排名预测未来表现，避免事后挑成功例子。开店、发布、发送通知、购买和盈利测试需要另行确定范围。
我的结论：值得借鉴的是连续记录、异常区分和人工复核的方法。当前材料适合作为需求草稿与审计练习，尚不足以充当可靠采集器、截图产品的复现方案或盈利证明。
继续核验的来源
[S1] 冬青原帖：https://x.com/DongQingAi/status/2095698678766055704；本次正文经 https://api.fxtwitter.com/DongQingAi/status/2095698678766055704 转读，X 直连返回 403，保留中间服务可信度边界。
[S2] 用户提供的机会日报截图，画面日期为 2026-09-04，截图仅作界面证据。
[S4] 固定版本提示词：https://github.com/dong-liudong/hongshuleida/blob/3b1dd38db4c27928393be740e1d229b39e46144a/dq.md
[S5] 小红书开放平台：https://open.xiaohongshu.com/