瑞幸爆火的「全冰去水」能被复制吗？

Menu 数据专题 CBI500 AI增长 品牌案例 行业洞察 营销策略 出海观察 关于我们 商务合作 商务合作 官网首页 - AI增长 - 瑞幸爆火的「全冰去水」能被复制吗？

刘方舟@增长黑盒 核心结论 瑞幸「全冰去水」能爆，靠的不是配方创新，而是「听劝」背后的监测能力。 这个喝法由用户在社交平台自发研究出来，瑞幸看见后把它收编进官方菜单，截至七月末该系列销量已突破 6000 万杯；真正难被复制的不是产品本身，而是持续监测社交舆论、快速判断并落地上线的专门团队与系统——绝大多数品牌没有这个配置。 同一款产品在不同平台的舆论结构完全不同：小红书在制造喝法，B站在拆解逻辑。 对 B站 9 条视频、小红书 10 篇笔记、公众号 12 篇内容共 31 篇素材、498 条可读评论的聚类显示，B站围绕「去水更醇厚」「30 度室温冰 4 小时才化完」讨论产品逻辑，小红书则以「无限繁殖」「低卡掉秤」的玩法社交为主，公众号只承担扩散器角色，不代表用户真实态度。 负面舆情的最大来源不是口感，而是预期管理。 「口感评价」是最大的讨论池，出现在 23 篇内容、180 条评论中且正向占比最高；而「半杯/买冰争议」的评论负向比例是所有主题里最高的（约 24%），报告判断其本质不是容量问题，而是用户预期是否被提前管理的问题。 AI 从「一次性分析」升级为「定时任务」，才是替代人工周报的分水岭。 把 3C 分析框架交给定时任务后，每周一自动扫描库迪与幸运咖公开动态、生成不超过 500 字的竞品简报；仅手动试跑一次就捕捉到库迪联合电商平台 7.8 元尝鲜价、幸运咖郑州首家 SKU 超百臻选店、瑞幸自己上新 20 元椰芙佳朵三个新增信号。 AI 调研有三条必须讲清的边界：接不进付费数据源、样本量有限、健康类自述需人工复核。 蝉妈妈这类平台数据与线下零售数据无法接入，因此只能做定性信号挖掘、做不了定量份额测算；本次样本 31 篇内容、498 条评论不等同于平台全量舆情；小红书大量「掉秤」说法属用户自述，报告虽已主动标注「不等于效果被证实」，仍需要人来复核。 今年夏天，瑞幸的一款「奇葩」喝法火了：全冰去水。

一杯美式，不加一滴水，整杯全是冰。点单页面上，瑞幸给它标注的身份是「全网爆火隐藏喝法，听劝上线」，因为这个喝法不是瑞幸研发出来的，而是用户在社交平台上自发研究出来的，瑞幸看见了，把它收编进官方菜单。 据多家媒体报道，截止七月末，这个系列销量已突破 6000 万杯。

「听劝」是个轻巧的梗，背后的分量却很重： 瑞幸能听劝是因为有专门的团队和系统在持续监测，而绝大多数品牌没有这个配置。

所以我们就想试试看：在做出Marketing决策之前的这一系列调研、分析、对比，能不能交给 AI 做？

我们选了 TraeWork 作为测试工具，因为它是 AI 办公这个方向最早下场的产品：去年 7 月上线 SOLO 模式，今年 3 月推出独立端，6 月更名 TraeWork 全面转向办公。拿最早押注这个方向的产品来测，最能回答这个问题。

测试方法则是增长黑盒沉淀多年的老本行：借用咨询行业经典的 3C 框架（Consumer消费者、Competition竞品、Company自身），设计三个层层递进的真实任务，也顺便检验这类 AI 工具究竟是单点功能还是完整流程。

开始之前，你可以先在本地创建一个文件夹，放入一些研究可能用到的背景材料，TraeWork 可以自动读取，后续每一步的工作成果，TraeWork 也会记录在这个文件夹里。此外，还可以在设置页面里添加 AGENT.md 文档，严格按照你的要求和风格来执行任务。

【截图 0: TraeWork 设置 AGENT.md 页面】

我们给 TraeWork 的需求很直接：系统搜集 B站、小红书和公众号上关于瑞幸全冰去水系列的真实用户评价，做聚类与量化分析，提炼产品机会信号，每个结论都要附上原声引述和来源。

第一个亮点发生在 B站。 接到需求后，TraeWork 没有立刻闷头干活，而是先给出了一份执行计划：先用公开搜索定位相关视频，再读取标题、简介和评论线索；它甚至会说明“如果评论区无法直接访问，会明确标注这个限制，并只基于可验证内容总结”，避免杜撰、避免幻觉。

【截图 1：TraeWork 接到需求后给出的执行计划声明】

真正的考验在后面，因为评论区确实无法直接访问。按我们之前的经验，多数工具到这一步要么放弃，要么开始编造。但 TraeWork 的做法是，自己去研究 B站的公开数据接口，把视频 ID 转换成接口参数，调通了评论数据。整个「受阻—找替代方案—调通」的过程是自主完成的，我们没有介入。

【截图 2：TraeWork 尝试调用 B站公开接口的思考过程】

第二个亮点发生在小红书。 小红书原帖有登录限制，直接抓取会撞验证页。我们本已做好放弃这个数据源的准备，但 TraeWork 在环境里发现了我们安装的浏览器工具 openCLI，自己运行帮助命令读完了文档，识别出其中内置的小红书适配器，确认登录状态后，用四组关键词完成了检索。

【截图 3：TraeWork 推荐 openCLI 用法、识别小红书适配器】

这件事的意义超出一次抓取本身：过去 AI 工具遇到数据壁垒，答案就是「我做不到」；而这次我们看到的是「我做不到，但我去找了把钥匙」。AI 调用工具解决问题，这是它和聊天机器人之间很实际的一道分水岭。

先说样本：三个渠道共 31 篇内容、498 条可读评论进入分析——小红书 10 篇笔记，B站 9 条视频（它自己做了 UP 主去重，避免同一博主的内容主导样本），公众号 12 篇（公开接口拿不到评论，所以只计入主题观察，不参与情绪统计）。

三个渠道的结论放在一起，出现了这次测试中最有价值的发现： 同一款产品，在不同平台的舆论结构完全不同。用报告里的原话说就是，「小红书在制造喝法，B站在拆解逻辑」。

B站的共识围绕「冰」展开。几条高播放视频下，用户讨论的是「去水后更醇厚」「30 度室温下冰 4 小时才化完」「夏天不能半小时就成常温」。更有意思的是，冰本身成了被夸奖的对象——「冰还挺透亮」「瑞真该开个商品链接卖冰杯」「喝完还能获得一个冰杯」。在 B站，这款产品的核心价值被理解为：一杯能在夏天慢慢喝很久的浓咖啡，外加一个可复用的高质量冰杯。同时 B站也最「较真」，把饮品拆成成本、容量和商业模式来辩论，「半杯/买冰」争议的负向声音主要集中在这里。

小红书则是另一套话语。这里传播最强的玩法叫「无限繁殖」：先喝掉一部分浓缩基底，再往剩下的冰里加牛奶、椰子水、茶，「一杯变三杯喝一天」。另一条高热度讨论线把全冰去水和「低卡」「掉秤」「液断」绑定，高赞笔记写着「喝完食欲归零」。全冰黑巧美式的评价在这里严重分化，有人爱它的苦感，也有人抱怨喝到后面是「水水的巧克力苦苦水」。

公众号则扮演了第三种角色：扩散器。它较少呈现真实的评论冲突，主要承担新品扩散、热量合集和行业观察的功能。这个判断对我们做内容的人也有提醒：公众号看到的热闹，不等于用户真实的态度。

量化层面有两个数字值得拎出来：「口感评价」是最大的讨论池，出现在 23 篇内容和 180 条评论中，正向占比最高；而「半杯/买冰争议」虽然内容频次不是最高，评论负向比例却是所有主题里最高的（约 24%）。报告给出的判断是，这本质上不是容量问题，而是「用户预期是否被提前管理」的问题。

【截图 4：报告中的主题频次图与情绪结构图（两张 ECharts 图表）】

这个发现对做市场的人应该不陌生，但 AI 能自己跑到这一层，还是让我们有点意外。它没有输出一份把三个平台揉在一起的「总结报告」，而是分别呈现了小红书的「玩法社交」叙事、B站的「较真拆解」叙事和公众号的「扩散」叙事。这正是平台洞察里最容易被平均值抹平、也最有行动价值的信息。

基于这些信号，它进一步给出了五条产品机会建议，每条都附用户原声：在点单页加「适合慢饮/可 DIY」的预期提示；把「半杯不是少给」做成可视化解释；给黑巧美式做「苦度/奶基」选择器；把低卡热量信息标准化但避免鼓励极端液断；给门店运营划定非标备注的执行边界。

调研的最后，我们要求它把结论交付成一份可交互的网页报告。不是 Word，不是聊天记录，而是一个带图表和导航、可以直接发给团队同事的页面。

【截图 5 ：HTML 交互式报告的浏览效果】

当然了，TraeWork 也不是万能的，有三个限制必须讲清楚。

第一，付费数据源（蝉妈妈这类平台数据、线下零售数据）TraeWork 接不进来，这意味着它能做定性信号挖掘，但做不了定量份额测算，你可以将它当作研究助理，替代不了数据中台。

第二，样本量有限：本次深挖覆盖三个渠道 31 篇内容、498 条可读评论，量化部分是关键词粗编码，报告自己也标注了「不等同于平台全量舆情」，结论的方向性可信，但颗粒度不能替代正式调研。毕竟，借助 openCLI 抓取小红书内容的量是有限的，抓太多会被平台检测出是 AI 动作，从而叫停。

第三，小红书讨论中大量「掉秤」说法属于用户自述，TraeWork 在报告里主动标注了「不等于效果被证实」，并在产品建议里提醒「避免鼓励极端液断」，这个分寸是对的，但类似判断仍需要人来复核。

竞品分析是任何消费品牌都绕不开的课题，如果你想借助 AI 的能力，就会发现，随便哪个 AI 都能聊两句竞品话题。但为了测试其真正的价值，我们把这个任务设计成了两层：先做一次性的对比分析，再升级成持续监测，后者才是真正拉开差距的地方。

我们以瑞幸为参照，让 TraeWork 对比库迪咖啡和幸运咖近几个月的市场动作，基于公开信息。它产出的对比表覆盖了新品节奏、新品逻辑、价格策略、官方内容方向等维度，引用信源逐条标注。

数据背后，它的总结抓住了三家打法的本质差异：

更有参考价值的是它给出的策略建议，每条都落到了具体动作：

客观说，这些建议的完整度超出了我们对 AI 产出的预期，因为它不止于加强品牌建设这类正确的废话，而是给出了可以拿去讨论落地的选项。当然，是否采纳、如何排优先级，仍然是人的工作。

一次性分析做得再好，也回答不了一个现实问题： 竞品不会只动一次。 市场工作的本质是持续性，而传统做法是每周花几个小时机械地刷一遍竞品动态，整理成周报。

所以我们把刚才的分析框架交给了 TraeWork 的定时任务：每周一上午自动扫描库迪和幸运咖的公开动态，生成不超过 500 字的竞品简报。

为了验证它不是摆设，我们手动试跑了一次。结果这份试跑周报里，出现了三个一次性分析之后的新增信号：库迪联合电商平台推出 7.8 元尝鲜价、幸运咖在郑州开出 SKU 超百的首家臻选店、瑞幸自己上新了 20 元的椰芙佳朵。