饼干哥哥从事内容创作好几年了，跑爆过单篇 100 万阅读量的文章、从 0 开新号第 5 篇就 10 万+、还有小红书境外游、教培项目等等。

之前我写过背后这套内容创作系统的完整拆解：

一篇文章卖了 20 万，开源 CC+Obsidian 打造的 LLM Wiki 内容创作 3.0 系统

今天换一个角度——不讲系统怎么搭，讲商业世界下的内容方法论怎么落地。

先说结论：大部分人用 AI 写出来的东西一眼假，问题不在 AI，在你没有标准。

1. 内容的本质是写议论文

要回答"为什么 AI 写的东西不满意"，不能上来就聊 AI。得先往回退一步——你为什么要做内容？

可能是营销、卖课、做 IP、获客——这些目的的共同本质是建立信任。信任靠什么建立？说服。说服的载体是什么？内容。

所以商业场景下的内容，本质上都是在写议论文。论点是你的核心主张，论据是数据、案例、故事，论证是把论据串起来的逻辑。

这一步看起来简单，但很多人跳过了。我自己最早用 AI 写内容，就是直接甩一句"帮我写一篇关于 n8n 自动化的文章"。出来 2000 字，每句话都对，但合在一起什么都没说。

后来我才意识到，我自己都没想清楚这篇文章要说服谁、说服什么。AI 当然只能给一篇四平八稳的废话。

2. 好内容有标准，标准可以量化

内容是为了说服，说服成不成功谁说了算？市场说了算。说白了就是流量。

但追流量有两条路。一条是"网感派"——搞抽象、玩梗、蹭热点，靠直觉，难复制。另一条是"古典派"——打磨结构和遣词造句，可复制、可教学。

我走的是古典派，因为古典派能被方法论化，能被 AI 放大。

在我看来，一篇文章各个元素的重要性排列是这样：

选题占 50%，标题占 20%，开头占 10%，正文占 20%。

流量权重公式

选题占了半壁江山。这也是为什么我说"90% 的人第一步就错了"——第一步不是写提示词，是选题。我之前写的那篇 Claude Code 源码泄漏分析，选题踩中了技术圈的痛点，阅读量是同期其他文章的 4 倍。同一个工具，换个选题角度，数据天差地别。

在选题对的前提下，我总结了好内容的六条标准。这六条不是理论推导出来的，是我对比了自己账号上 200 多篇文章的数据后提炼的——阅读量和完读率双高的文章，基本都符合这六条：

一、逻辑层层递进，不是平铺罗列。每 300-500 字要有一个新观点或新问题把读者往下拽。

二、开头反常识，制造认知冲突。读者前 3 秒决定要不要继续读。

三、正文有持续的阅读钩子。新观点、问题、悬念，任何让读者觉得"下面还有东西"的信号。

四、有素人感、人设感、故事感。读者能感受到"这是一个真人在说话"。

五、强烈个人观点，敢表态。中立等于无聊。

六、结尾不是空洞总结，而是洞察、金句或反问。

先记住这六条。等下讲 AI 的时候你会发现，这些标准就是你给 AI 下指令的核心。

3. 大多数人卡在入门水平，不是因为工具不行

标准有了。接下来的问题是：怎么用 AI 高效执行这些标准？

我把 AI 做内容分成三个版本——1.0、2.0、3.0。

AI 做内容的三个版本

大多数人在这个阶段。打开 ChatGPT 或 Claude，输入"帮我写一篇关于 XX 的文章"，拿到一坨四平八稳的废话，然后抱怨 AI 不行。

3.1. 1.0：提示词水平 = 内容水平

1.0 的质量上限，完全取决于你的提示词。而提示词的质量，取决于你对好内容标准的理解。这就是为什么我前面先花两个章节讲标准。你自己不知道好内容长什么样，AI 更不知道。

提示词不是什么玄学，就是把你心中的标准翻译成 AI 能理解的约束条件。比如前面六条标准，直接翻译成提示词：

内容逻辑层层递进，不要平铺罗列
开头要反常识、制造认知冲突
正文不断抛出新观点或新问题作为阅读钩子
文章要有素人感、人设感、故事感
用强烈个人观点做小标题
不要用比喻、不要用双引号、不要写总结式结尾

写了大半年提示词，我踩出来五条经验：

先喂素材，再要输出。 我第一次让 Claude 写公众号文章，给了一句话提示词，出来 2000 字没一句能用。后来我把三篇历史高阅读文章喂进去当风格参考，同样的主题，出来的东西直接能用 70%。空手让 AI 写，它只能给你训练数据里的平均水平。

给约束，不给自由。 "写一篇 AI 教程"是废话提示词。“用第一人称，2000 字，S·S·L·S 句式节奏，开头用结果开场，结尾用洞察升华，禁止总结式收尾”——这才是有效约束。AI 在约束条件下的表现远好于开放式写作。

让 AI 删，不让 AI 加。 AI 生成的初稿通常 80% 是水分。与其让它补充更多内容，不如让它做减法。"删掉所有不包含新信息的段落"比"再丰富一些"有效十倍。

自我批评循环。 生成初稿后，让另一个对话窗口的 AI 按你的六条标准逐项打分、挑毛病。这个循环 AI 会自动跑几轮，最终出来的东西和第一轮完全不是一个级别，起码好 10 倍。

反向工程。 喂一篇你觉得写得好的文章，让 AI 反推出风格规则、结构模式、句式特征。我自己的风格指南就是这么建的——拿了 50 篇自己最满意的文章，让 AI 提炼出写作规则，然后每次写作时当作约束条件喂进去。之前在饕餮那篇文章，原理是一样的——让 AI 从好样本中"反推"规则。

2.0 就是把这个流程固化成一套 SOP。我自己在用的四步工作流：

3.2. 2.0：把流程固化

Step 1：素材准备。 收集案例、确定痛点、找风格参考。这一步不能省，省了后面全是废话。素材从哪来？三个方向——销售端收集客户常问的问题，交付端提炼产品的真实优势，运营端复用已验证的爆款选题。

Step 2：AI 初稿。 把素材喂给 AI，加上风格样本和约束条件，生成 2-3 个版本。注意：不是让 AI 从零写，是让它基于你的素材写。

Step 3：人工加工。 读出声检查——哪里走神了就是哪里要改。删空话，加个人经历，改结尾。开头、结尾、关键判断句，这三个地方必须人来把关。

Step 4：AI 精修。 让 AI 只做减法——删冗余、调节奏、统一风格。明确告诉它"只删不加"。

这个流程的核心思想：AI 负责草稿和骨架，人负责视角和判断。

AI 内容创作四步工作流

3.3. 3.0：让 AI 有记忆

2.0 每次还是从零开始。AI 不记得你上个月写了什么，不知道你的风格偏好，不了解你的素材库。

3.0 要解决的是让 AI 有记忆。

我现在的做法是用 Claude Code 操作本地 Obsidian 知识库——这套系统的完整搭建过程之前写过，这里只说核心结构。

每个公众号有一份独立的风格指南文件（我叫它 style-guide），里面写死了这个账号的人格、语气、句式节奏、禁用词、高表现选题模式。5-10 篇标杆文章作为风格注入。AI 读完这些文件，就知道"饼干哥哥"该怎么说话。

4 个公众号共享同一个研究知识库，但各自有独立人格。每篇文章走统一的流水线——写初稿、批评、修改、评分，评分过了才能发。

3.0 的核心发现：拉开差距的不是谁会写超级提示词，而是谁能更早把自己的内容资产积累下来。提示词只是调用层，底层是你的知识库质量。

大部分人在 1.0。没关系，先把 1.0 的五条经验吃透，比盲目上 2.0 更重要。

4. AI 味的真正问题不是词，是模式

工具和方法都有了。但用过 AI 写内容的人都知道，最头疼的还是：写出来的东西有 AI 味。

大部分人以为 AI 味是用词问题——“值得注意的是”、数字列表过多。这是表面症状。

真正的问题是模式。每段都整整齐齐地"开头-展开-总结"三段式。缺乏观点立场，所有话题都两面讨好。所有回复的结构如出一辙。

我整理了一个去 AI 味检查清单，每篇文章发布前过一遍：

去 AI 味 8 项检查：

• [ ] 有没有"值得注意的是"“总的来说”"此外"等套话？→ 删
• [ ] 每段是否都整齐"开头-展开-总结"？→ 打破结构
• [ ] 连续数字列表超过 2 个？→ 改成叙述
• [ ] 结尾是泛泛总结或展望？→ 换掉
• [ ] 缺少"我"的视角？→ 加真实故事
• [ ] 所有观点都平衡中立？→ 大胆表态
• [ ] 读出声，哪里走神了？→ 那里要改
• [ ] 删掉最后一段，文章更好？→ 直接删

最后这一条是个快速检验法。AI 写的文章，直接删掉最后一个总结段，通常倒数第二段反而更有力。

去 AI 味：表面 vs 根源

5. 开头和结尾，才是 AI 最弱的地方

AI 味之外，还有两个高频问题：开头和结尾。

开头。 AI 默认给你的开头永远是"你知道吗"“很多人不知道”“今天我要分享”——烂大街了。

四种高转化开头类型——嘴替共鸣型（说出读者心里话）、反常识型（违反常识的事实）、个人故事型（真实场景代入）、数据冲击型（意外数据制造好奇）。

可以直接让 AI 按类型批量生成：

给我这个主题写 10 个开头：
前 5 个用不同情绪触发（好奇/恐惧/惊喜/共鸣/挑衅）
后 5 个用不同结构（数字/问句/故事/反常识/悬念）
每个不超过 15 字
禁止"你知道吗""很多人不知道""今天分享"
主题：[填你的主题]

结尾。 为什么 AI 写的每篇文章最后都指向"门槛越来越低、AI 越来越强"？因为 AI 在结尾会自动回到训练数据中出现频率最高的收尾模式——总结、展望、鼓励。这不是你写得不好，是模型的默认行为。

破解方法：在提示词里明确禁止自由总结，指定结尾类型。

我最常用三种——首尾呼应（呼应开头场景形成闭环）、个人表态（加入你的判断和偏见）、数据收尾（一个反直觉数据留下认知冲击）。

为这篇文章写 3 个不同风格的结尾，禁止：
x 总结全文
x 提到"AI 门槛/人工介入/未来趋势"
x 以"总之/综上/希望"开头
要求：
A：首尾呼应，呼应开头的 [填你的开头场景]
B：以作者个人的反常识判断收尾
C：以一个反直觉数据收尾

还有一个经常被忽略的问题：思路卡死。一个话题写来写去都是同一个角度。

以我们给客户做品牌营销为例，本质原因是你在用"产品类别"找选题，而不是用"用户痛点"找选题。

例如搜"AI writer"只能在 AI 社区里打转；但如果搜"struggling with writer’s block"，效率社区、学生社区、博客社区、自由职业社区全都有相关讨论——每个社区就是一个全新的选题角度。

6. 当 AI 让内容生产成本趋近于零

真正稀缺的变成了三样东西：你踩过的坑（别人没踩过）、你跑出来的数据（别人没跑过）、你基于经历形成的判断（别人想不到）。

我跑了半年内容系统，最大的体会不是 AI 多强，而是——AI 把"写"的成本干掉之后，"想"和"经历"的价值被放大了十倍。

以前一个人想得清楚但写得慢，产出有限；现在想得清楚的人，AI 帮他把产出拉到原来十倍。

这不是内容创作的终点，是内容创作门槛重新分层的起点。