我写了三年公众号，文章后台编辑框里躺着三百多篇稿子。热词直到上个月整理旧文，分析才发现自己写"随着"开头用了47次，工具"让我们"用了68次。文章这个数字让我后背发凉——原来我早就是热词个复读机了。

文章热词分析工具就是分析干这个的。它不读你的工具文采，不评你的文章结构，只做一件事：把高频词扔你脸上。热词像CT扫描一样，分析把那些自己都没意识到的工具口头禅、连接词、文章空话套话，热词全给你扒出来排成表格。分析我第一次用的时候，看着"其实"排在第三位，脸都红了。

这工具的原理不复杂。分词、统计词频、按权重排序，普通Python脚本两小时就能写完。但难的是怎么定义"热词"。单纯按出现次数排，满屏都是"的""了""是"，毫无用处。好一点的工具会做词性过滤、停用词剔除，再按TF-IDF算法算权重。但真正让我觉得值钱的，是它能把"无意义连接词"单独拎出来——比如"那么""然后""就是说"，这些词在写作时完全无感，但统计出来吓死人。

我拿一篇刚写完的行业分析试了试，6000字，热词榜第一名是"数字化"，出现31次。第二是"赋能"，18次。第三名"生态"，14次。读一遍原文，确实满屏都是这些词，但它们是我故意写的——标题就是"数字化赋能下的行业生态"。问题是，读者真的需要看31遍"数字化"吗？我把其中23处替换成具体场景描述，文章从"看起来专业"变成了"读起来有画面"。阅读完成率从42%涨到67%。这数据比任何写作课都管用。

另一个场景是追热点。上周某明星离婚声明上了热搜，我半小时赶了篇稿子，自觉情感充沛。工具一跑，热词是"真的""希望""永远"，全是我从评论区抄来的情绪词。那篇文章阅读量惨淡。反过来，我翻出三个月前一篇数据扎实的文章，热词是"根据""数据显示""样本"，阅读量反而高。工具不会告诉你什么是好文章，但它能提醒你——你此刻写的东西，到底有没有信息量。

当然，这工具有局限。它识别不了反讽，看不懂隐喻。我写过一句"他的努力像一场精心计算的意外"，工具把"努力""精心"标成热词，完全没抓住"意外"才是点睛之笔。所以别指望它当文学评论家。

我现在的用法是：写完初稿，跑一遍热词，重点看两类——一类是那些自己都没意识到的口头禅，删掉；另一类是那些自己明明知道写了很多、但确实必要的核心词，那就留着，但要检查是否每处都写得有信息增量。说白了，它是个照妖镜，照出的是你自己都没发现的写作惯性。至于照完怎么改，还得靠人。