Hunter 的 AI 伙伴评分怎么工作，以及它在哪里止步

Hunter 的 AI 伙伴评分，会给每一位有公开商务邮箱的候选人打一个 A、B 或 C 级，一个 0 到 100 的分数，一句写给你团队、解释为什么是这个等级的话，以及一句可以用作邀约邮件开头的话。分数基于三样东西：Hunter 找到的关于此人公开页面的信息；如果是 YouTube 频道，还有一项受众检查（最近 15 个视频的平均播放、播放与订阅之比、互动率和更新频率）；以及这些信息与你写的产品、买家和竞品简介的匹配程度。每个品牌在任意 7 天内最多评 150 位候选人，输入没有变化的候选人不会重复评分。等级只是排序的辅助：它可能出错，给谁发邮件由你决定。

AI 伙伴评分到底在做什么？

伙伴发现会产生很长的名单。搜索你的买家常用的那些查询，会返回对比文章、YouTube 频道、Newsletter 和 Reddit 讨论帖，其中很多不相关、不活跃或者联系不上。逐个读页面来判断谁值得发邮件，每人要几分钟：二十个人没问题，两百个人做不到。评分的作用，是把名单排成一个合理的顺序，让你把阅读时间花在名单前面。

对每位候选人，Hunter 返回四个字段。等级是 A、B 或 C。分数是 0 到 100 的数字，用来在同一等级内排序。理由是一句写给你团队的话，可以提到风险，比如"更新很少"或"主要讲企业级工具"。钩子是一句写给候选人本人的话，针对他的具体内容，不恭维、不用感叹号，你可以修改后用作邀约邮件的第一行。

评分用了哪些输入？

分数的好坏取决于输入，所以值得确切知道输入是什么。Hunter 只把三组事实发给模型，别的一概没有。它不登录任何地方，不读私密数据，也不去猜没给它的数字。

简介是你能控制的输入，影响也最大。产品描述写成"开票软件"，几乎每个财务类创作者看起来都匹配。写成"面向用多种货币收款的自由设计师的开票工具，$19/月，竞品是 [两个具体工具]"，模型就能把一个讲设计接单的 YouTuber 和一个企业会计博客区分开。第一次评分之前，花十分钟把简介写好。

Hunter 只给有公开商务邮箱的候选人评分。没有邮箱的人收不到 Hunter 发的邀约，给他们评分只会把每周额度花在联系不上的人身上。

YouTube 受众质量检查怎么做

对 YouTube 频道，Hunter 通过 YouTube Data API 读取公开统计：频道订阅数以及是否隐藏，再从上传列表里取最新的视频，读它们的播放、点赞、评论和发布时间 [1][2]。关于这些数据有三点会影响你怎么读结果。API 返回的订阅数会向下取整到三位有效数字 [1]。频道可以隐藏订阅数，这时只返回一个标记 [1]。点踩数已经不再公开，所以互动只用点赞和评论来衡量 [2]。

基于这些数字，检查会算出：每个视频的平均播放、播放与订阅之比（平均播放 ÷ 订阅数）、互动率（(点赞 + 评论) ÷ 播放 × 100）、最近 90 天的上传数，以及距上次上传的天数。然后套用几条朴素的规则，把频道标为良好、观察或风险。

示例计算：两个频道

频道一有 40,000 订阅。最近 15 个视频平均每个 6,000 播放、300 点赞、40 评论。播放与订阅之比 = 6,000 ÷ 40,000 = 0.15。互动率 = (300 + 40) ÷ 6,000 × 100 ≈ 5.67%。最近一次上传在三天前。没有标记：良好。

频道二有 200,000 订阅，但视频平均只有 900 播放。播放与订阅之比 = 900 ÷ 200,000 = 0.0045，低于 0.01 这条线，于是得到 low_views 标记和风险标签。这并不证明有什么坏事；频道可能换了主题，或者因算法变化失去了观众。但它确实说明，你不该为那个订阅数付钱。两个频道都是示例。

这项检查有意不去估算"假粉比例"。我们没法用公开数据算出这个数，而一个看似精确、实为猜测的数字，比没有数字更糟。Instagram 和 TikTok 没有我们可用于此的公开统计接口，所以这些候选人的评分不带受众检查。

为什么评分有每周上限？

每个品牌在任意滚动 7 天内最多评 150 位候选人。上限有两个原因。评分对每位候选人都要调用一次语言模型，一个不限次的按钮会诱使人每改一点简介就把同一份名单重评一遍。而且真正的瓶颈是邀约本身：如果你给每个人写一个真正的钩子、每天发几封，一周 150 位已评级的候选人已经超过一个小团队能联系的数量。

两条规则防止额度被浪费。候选人信息没有任何变化时不会重评；Hunter 会给输入（你的简介、候选人的信息和他的受众等级）留一个指纹，指纹相同就跳过。评分只针对有邮箱的候选人。如果一次评分中途碰到上限，剩下的候选人保持未评分，等窗口腾出额度后在下一次运行里评。

外部数据源也有自己的限额，这是发现要分批运行的另一个原因。比如 YouTube Data API 给每个项目大多数读取方法每天 10,000 个配额单位，而搜索请求另有每天 100 次的单独额度 [3]。

AI 伙伴评分的局限

分数可能出错，值得具体说说怎么错。知道它会在哪里失手，你就知道什么时候该推翻它。

• 它只知道给它的东西。一个最好的测评藏在归档第三页的博客，可能只按首页摘要被评分，抓不住重点。
• 它看不到私下的信号：创作者过去的品牌合作、实际报价，或者他是否已经在竞品的计划里而且很满意。
• 它的受众检查只覆盖 YouTube，而公开数字可能被数字本身看不出的因素影响，比如一条爆款，或者最近换了主题。
• 它反映的是你的简介。含糊或过时的简介，会产出听起来很笃定、却回答了错误问题的等级。
• 它可能写出准确但平淡的钩子。把钩子当作省掉调研的初稿，而不是成稿。
• 它不检查披露记录。如果一位创作者习惯不披露赞助，不管等级如何都应该跳过；FTC 要求实质性关联要清楚地披露 [4]。

Hunter 里没有任何东西会自己按等级行动。评分从不发邮件，从不替谁申请加入你的计划，也从不把谁移出名单。每一封邀约都是你读过候选人之后，选择从你自己的邮箱发出的。

怎样用分数安排邀约优先级

一个实用的每周节奏，用等级决定阅读顺序，而不是决定结果。

1. 如果有变化就更新简介：新套餐、新竞品、对买家更准确的描述。
2. 针对三到五个买家查询运行发现，让 YouTube 结果的受众检查跑完。
3. 给名单评分。先按等级排，再在每个等级内按分数排。
4. 每一个 A 都读。逐个打开页面，确认理由，用自己的话重写钩子，加上一个你亲眼注意到的细节。
5. 扫一遍 B 的前面部分。找到清楚切入点的就提上来；其余留到下周。
6. 忽略 C，除非你知道模型不知道的事，比如一层私人关系。
7. 每天发几封，而不是一次全发，这样回复能及时处理，投诉保持在接近零。

示例计算：一周的发现

假设一次发现返回 220 位候选人，其中 130 位有公开邮箱。130 位全部评分，在每周 150 的上限之内。等级结果是 15 个 A、45 个 B、70 个 C。每个 A 读大约 8 分钟，15 × 8 = 120 分钟。快速看过后提升 10 个 B，再加 10 × 5 = 50 分钟。不到三小时的工作换来 25 封邮件，按每天 5 封在一个工作周内发完。数字是示例；要点在于形态：每周几十封调研充分的邮件。

发出之后会发生什么

邀约从你自己的 SMTP 邮箱发出，安排好的跟进在对方回复时立刻停止。每封邮件带一条有效期 90 天的签名个人邀请链接；候选人通过它注册时，会自动申请加入你的计划。几周下来，这就给了你一个检验评分本身的简单方法：如果你联系过的 A 级候选人申请加入了而 B 级的很少，等级就在起作用；如果不是，多半是简介需要改。