三个月前，我每周花12小时写内容。博客、通讯、社交媒体，样样亲力亲为，产出却平平。现在？每周30分钟，其余交给机器。
这套系统没有团队、没有预算，只有一台笔记本、三个工具，以及一个永不休息的流水线。以下是完整蓝图——没有废话，只有工具、工作流和我踩过的坑。
大多数人以为内容创作的难点是写作。错了。真正的难点是其他一切：想出值得写的选题、整理研究资料、调整语气风格、适配不同平台、以及在不想动笔时坚持发布。写作只占20%，剩下80%是围绕它的机器——把零散想法变成成品的系统。
市面上大部分"AI写作"建议停留在"用ChatGPT生成大纲"，这相当于造车只造了轮子就宣布完工。我的内容机器有四层架构：选题→研究→草稿→润色→发布，外加一条反馈回路。每层自动化方式不同，核心认知是：AI不是单一工具，而是各司其职的流水线。
第一层：选题引擎
我不再"想选题"，而是造了一台机器来干这事。每周一，我写下5个种子主题——本周想覆盖的宽泛领域，比如"远程办公效率""AI伦理""自由职业工具"。
把这些种子喂给AI提示词，每个主题生成10个文章角度。提示词强制要求具体性："每个想法必须包含：(1)具体的读者痛点，(2)反直觉的观点，(3)具体案例或数据点。禁止泛泛的清单体，禁止终极指南。"
50个生成想法中，我用评分系统筛选前5：实用价值0-3分、能否权威撰写0-3分、我会不会点这个标题0-3分、是否已有雷同文章（有则扣5分）。全程15分钟，其余时间执行。
第二层：研究不钻兔子洞
过去研究吃掉一半写作时间。谷歌一个话题，掉进维基百科漩涡，两小时后47个标签页开着，段落一个字没动。
现在用结构化研究提示词对接Perplexity API：找3-5个可信来源（学术论文、官方文档、一手数据，拒绝Medium文章）、提取2-3个关键统计或数据点、找一个反方观点、附上来源链接。60秒内拿到研究简报。
第三层：草稿流水线
研究简报直接输入Claude，用特定提示词生成初稿。关键设定：指定语气（直接、对话式、无陈词滥调）、强制结构（钩子→问题→方案→执行→结论）、字数限制（1500词硬上限）。
初稿质量约70分，够用了。追求完美是生产力的敌人。
第四层：润色与分发
初稿进第二个提示词：删减20%字数、把长句砍成两段、把被动语态改主动、检查是否有"非常""真的"等填充词。输出直接可用。
分发环节用Make.com自动化：博客文章自动转成Twitter线程（每段≤280字符、保留钩子结构）、Newsletter摘要（前150词+阅读更多链接）、LinkedIn版本（更正式语气，加1-2个行业标签）。
反馈回路：机器如何学习
每月底我做三件事：看Google Analytics哪些文章流量高、看邮件打开率和点击率、看社交媒体互动数据。表现最好的选题类型，加入下个月的种子库。表现差的，分析是选题问题还是执行问题，调整提示词。
三个月下来，这套系统每月稳定产出40篇内容：8篇长博客、4封Newsletter、28条社交媒体帖子。而我每周只投入30分钟——15分钟选题，15分钟审核和微调。
我犯的错
错误一：一开始让AI写完整文章。结果千篇一律、充满AI味，读者能嗅出来。现在AI只处理研究和结构，核心观点必须来自我。
错误二：忽视格式细节。早期直接复制粘贴，结果博客里的Markdown表格在邮件里乱码，Twitter线程没有正确断句。现在每层输出都有格式检查清单。
错误三：没有备份。有一次Perplexity API宕机，整个流水线卡住。现在关键节点都有本地备用方案。
这套系统适合谁
不适合追求文学奖项的人。适合需要持续输出、建立思想领导力、但时间有限的个体——顾问、创始人、独立开发者。核心前提：你有真实经验和观点，AI只是放大器。
如果你连5个种子主题都想不出来，机器帮不了你。但如果你卡在"有想法但执行太慢"，这套蓝图可以直接搬走。
热门跟贴