[!info] 阅读导览
全文 11 章：痛点（1）→ 下决心整理（2）→ 核心架构：两层判断机制（3）→ 公众号写作 9 步流程（4）→ 7 个关键要点（5）→ 为什么有效（6）→ 设计理念（7）→ 实际效果（8）→ 如何搭建自己的工作流（9）→ 可复制与不可复制（10）→ 最后（11）

flowchart LR
    A[Step 1 理解需求<br>保存 Brief] --> B[Step 2 信息搜索<br>知识管理 ⭐]
    B --> C[Step 3 选题讨论<br>必做 ⭐]
    C --> D[Step 4 协作文档<br>测试/配图]
    D --> E[Step 5 学习我的风格]
    E --> F[Step 5.5 个人素材库<br>降 AI 味核心 ⭐]
    F --> G[Step 6 等待测试数据]
    G --> H[Step 7 创作初稿]
    H --> I[Step 7.5 风格转换<br>可选]
    I --> J[Step 8 三遍审校<br>降 AI 味 ⭐]
    J --> K[Step 9 文章配图 ⭐]

1. 之前的痛点

其实我很早就在写作过程中融入 AI 辅助的流程了。

但问题是…我写过和做过的东西分散在不同的工具中，很零散，很懒得整理。

所以很长一段时间以来，我的做法都是：每次都自己选些材料作为 AI 辅助协作的 Context。

包括：

• 为这次写作收集到的资料
• “我” 是谁的个人信息
• 我写过的相关文章
• 我的语言风格和写作习惯

每次写文章都要这么准备一遍，真的太烦了。

而且还有个更大的问题：AI 经常 “自作主张”。

你让它写文章，它直接给你生成一篇。

你要的是 “先讨论选题，再写”，但它跳过了讨论环节。

你想要它基于真实数据写，它却编造数据。

你想要它像你本人说话，它却一股 AI 腔。

这种 “不可控” 的感觉，让我很不爽。

2. 下决心整理

所以我终于下定决心，把和 AI 写作的工作流程、个人信息、写过的内容等等都梳理一遍，和 AI 配合得更好。

然后幸运地发现…其实也没那么多需要整理的。

虽然写过、做过的东西不少，但真正让自己满意的，值得投喂给 AI 参考的，其实就那么点。

所以…干起来还挺简单的。

而效果还真比自己想象的好。

3. 核心架构：两层判断机制

整个工作流的核心，是一个两层判断机制。

3.1. 第一层：工作区判断

AI 先判断你的任务属于哪个工作区：

• 公众号写作？
• 视频创作？
• Prompt 梳理？
• 还是其他？

每个工作区有不同的 CLAUDE.md，规则不同。

比如，公众号写作需要配图，视频创作不需要。

你不能用公众号的规则去处理视频创作任务。

3.2. 第二层：任务类型判断

确定工作区后，AI 再判断具体任务类型：

• A. 新写作任务（有完整 brief）
• B. 新写作任务（无 brief 只有需求）
• C. 修改已有文章
• D. 文章审校/降 AI 味
• E. 快速咨询

不同任务类型，走不同的流程。

比如，新写作任务需要完整 9 步流程；而修改已有文章只需要 “读取原文 → 理解需求 → 修改”。

3.2.1. 为什么要两层判断

因为这样 AI 就不会 “瞎猜” 了。

它知道自己在哪个工作区，知道该走哪些步骤，知道哪些步骤可以灵活调整，哪些核心原则不能妥协。

流程可预测，协作就高效。

4. 公众号写作的 9 步流程

以公众号写作为例，完整流程是 9 步。

4.1. Step 1：理解需求 & 保存 Brief

收到写作需求后，AI 先保存 brief 到 _briefs/ 文件夹。

文件名格式：项目名-商单brief.md

这样方便后续查阅。

4.2. Step 2：信息搜索与知识管理 ⭐

如果涉及新产品、新技术，这一步是必做的。

AI 会多渠道搜索：

• 官方信息
• 科技媒体报道（TechCrunch、The Verge 等）
• 社区讨论（Reddit、Hacker News 等）
• 竞品对比

搜索完后，保存到 _knowledge_base/ 文件夹。

文件名格式：主题-时间.md

必须包含：信息收集时间、信息来源、下次更新建议。

4.2.1. 为什么要这么做

因为 AI 的训练数据不是最新的。

如果不强制搜索，它可能会用过时的信息。

比如，它的训练数据可能停留在 2024 年初，不知道 Claude 4.5、GPT-4o 这些新模型的特性。

所以，搜索验证 > 一切。

4.3. Step 3：选题讨论 ⭐ 必做

重点来了：不要直接写文章！先讨论选题！

AI 会提供 3-4 个选题方向，每个包含：

• 标题（吸引人的）
• 核心角度
• 工作量评估（⭐评级）
• 优势和劣势
• 是否需要真实测试

每个选题还附带大纲（3-7 个大标题 + 预计字数分配）。

然后，等我选择。

AI 不会假设我会选哪个，也不会自己决定。

4.3.1. 为什么这一步很重要

因为这避免了 “方向错误”。

如果 AI 直接写，写了一半发现不是我想要的，那就浪费了大量时间。

而且，这一步让我有掌控感。

我知道 AI 在想什么，我可以及时纠正方向。

4.4. Step 4：创建协作文档（如需测试/配图）

如果选题需要真实测试或配图，AI 会创建协作文档到 _协作文档/ 文件夹。

包含：

• 测试任务清单（详细步骤、统一 Prompt、数据记录表格）
• 配图需求清单（必需配图 + 可选配图，带 checkbox）
• 时间和成本预估
• 协作检查清单

这样我清楚知道自己要做什么，AI 也清楚知道要等待什么数据。

4.5. Step 5：学习我的风格

AI 会阅读：

• /写作参考/ 中的风格指南
• 本文件夹或历史存档中至少 2-3 篇我的文章

提取：开头方式、结构偏好、语言特征、金句风格。

4.6. Step 5.5：使用个人素材库 ⭐

这一步是降 AI 味的核心。

AI 会从我的个人素材库中搜索真实的经历、观点、案例。

4.6.1. 方法 A：直接搜索原始数据（推荐）

AI 用 Grep 工具在 全部即刻动态.csv 中搜索关键词。

比如，写高德扫街榜文章，就搜索 “高德|扫街榜”，找到我的真实吐槽。

4.6.2. 方法 B：查看已提炼素材

如果是常见主题（AI 编程工具、产品开发等），AI 会打开主题索引，查看已整理的素材文件。

4.6.3. 典型使用场景

• 文章开头：用真实经历引入
• 观点支撑：用真实评价增强可信度
• 案例展示：用真实项目案例
• 结尾思考：用个人洞察升华主题

注意：所有素材都是真实的，不能编造或夸大。

而且要改写成长文逻辑，不能直接复制粘贴。

4.7. Step 6：等待我提供测试数据

如果需要真实测试，AI 会等我完成测试任务、接收数据和配图。

然后才开始写作。

4.8. Step 7：创作初稿

基于真实数据写作，保持 “实践 + 落地” 调性，加入具体案例，自然融入我的经验和视角。

初稿可以不完美，重点是把内容写出来。

审校环节会系统化优化。

4.9. Step 7.5：风格转换实验（可选）

这一步是实验性的，不强制。

AI 可以尝试用不同写作者的语言风格重新表达，比如 Keso、和菜头、梁宁、张小龙、PG 等。

核心原则：

• 只借鉴语言风格（句式、节奏、思维方式）
• 禁止使用原话（不引用别人的金句）
• 禁止用他人经历（“我” 始终是花生，所有经历都是我的）

4.10. Step 8：三遍审校（降 AI 味）⭐

这是整个流程中最关键的一步。

4.10.1. 第一遍：内容审校（逻辑、事实、结构）

检查：

• 事实准确？（数据、时间、产品名称）
• 逻辑清晰？（前后无矛盾）
• 结构合理？（无跑题）
• 无编造？（所有数据和案例都真实）

4.10.2. 第二遍：风格审校（AI 味降重）

这一遍的目标是去掉 AI 味，增加人味。

检查：

• 删除套话：“在当今时代”、“综上所述”、“值得注意的是”
• 拆解 AI 句式：“不是…而是…” 连续出现
• 替换书面词汇："显著提升"→具体数字，“充分利用"→"用好”
• 改成口语化："进行操作"→直接用动词
• 加入真实细节：抽象表达→具体数字/案例
• 加入个人态度：中立客观→明确观点

4.10.3. 常见改写

❌ "在当今AI技术飞速发展的时代，编程工具也在不断进化..."
✅ "Claude Code出了。我用了两周，确实比Cursor好用。"

❌ "通过充分利用Claude Code的能力，可以显著提升开发效率..."
✅ "用好Claude Code，你的开发速度能快不少。我测下来，平均每个项目省3-5小时。"

4.10.4. 第三遍：细节打磨（标点、排版、节奏）

检查：

• 句子长度合适？（15-25 字为主，不超过 30 字）
• 段落不太长？（手机屏幕 3-5 行）
• 标点自然？（多用句号，少用逗号连接长句）
• 节奏有变化？（快慢结合）

大声朗读，感受节奏。

找出超过 30 字的长句，拆短。

4.11. Step 9：文章配图 ⭐

如果需要配图，AI 会：

• 分析文章，确定配图需求（推荐 5-8 张）
• 创建图片文件夹：images/文章主题/
• 获取/生成图片（公共领域 → AI 生成 → 免费图库 → 截图）
• 在 Markdown 插入图片（使用绝对路径）
• 验证图片显示

4.11.1. 图片来源优先级

• 公共领域作品（Wikimedia Commons）
• AI 生成（火山引擎 API）
• 免费图库（Unsplash、Pexels）
• 截图/官方素材（需注明来源）

5. 7 个关键要点

除了 9 步流程，还有 7 个关键要点，贯穿整个协作过程。

5.1. Think Aloud 透明化思考

AI 每次做决策时，都要说明思考过程。

✅ “我认为这个标题可以从 X 和 Y 两个角度考虑…”
✅ “对比了这三种方案后，我觉得方案 A 更适合，因为…”
✅ “我不确定这个技术细节，让我先搜索一下…”

❌ 不要直接给出答案而不说明思考过程

5.1.1. 为什么要这样

因为这样我可以看到 AI 的思考过程，及时纠正方向。

不然 AI 就是个黑盒，我不知道它在想什么。

5.2. 调研先行

处理新概念、新技术、新方法时，AI 必须先做充分网络调研。

5.2.1. 什么时候必须搜索

• 涉及新概念/新方法
• 涉及 2024-2025 年的新技术、新工具
• 需要业界最佳实践
• 不确定的技术细节或专业术语

5.2.2. 信息源优先级

• ✅ 优先：权威科技媒体（TechCrunch、The Verge）、社区论坛（Reddit、Hacker News）、官方文档
• ❌ 忽略：知乎、百度 2025 年之前的信息

5.3. 选题讨论必做

不要直接写文章！先讨论选题！

这避免了方向错误造成的大量返工。

5.4. 个人素材库降 AI 味

用真实经历、观点、案例替代 AI 腔。

这是降 AI 味的核心。

5.5. 三遍审校机制

系统化降低 AI 检测率至 30% 以下。

内容审校 → 风格审校 → 细节打磨。

5.6. 文章配图流程

直接完成配图，不要只写配图指南。

5.7. 协作文档

明确分工，让我知道需要配合什么。

6. 为什么这个流程效果好？

总结一下，这个工作流效果好，核心在于三点：

6.1. 结构化

两层判断 + 9 步流程，AI 不会 “瞎猜”。

它知道自己在哪个工作区，知道该走哪些步骤。

流程可预测，协作就高效。

6.2. 透明化

Think Aloud + 选题讨论，我有掌控感。

我可以看到 AI 的思考过程，及时纠正方向。

6.3. 真实化

强制调研 + 个人素材库 + 三遍审校，降 AI 味。

文章有真实感、有温度，读起来像我本人在说话。

7. 最重要的设计理念

说完了流程和要点，我想强调一个最重要的设计理念：

流程是指南，不是教条；核心原则不可妥协。

什么意思？

7.1. 流程可以灵活调整

• 如果我明确要求跳过某步骤，AI 可以遵循（但会提醒风险）
• 如果任务特别简单/紧急，AI 可以直接执行
• 如果上下文已包含所需信息，AI 不会重复操作

但核心原则不能妥协：

• ❌ 绝不编造数据
• ❌ 绝不使用过时信息
• ❌ 绝不省略 Think Aloud
• ❌ 绝不跳过用户确认（重要决策）

这种 “灵活性 vs 核心原则” 的平衡，是这个工作流的精髓。

既保证质量（核心原则），又提高效率（灵活调整）。

8. 实际效果如何？

回到开头那个例子。

我用这个工作流，让 Claude Code 帮我写了一篇 3000 多字的文章。

整个过程：

• AI 先搜索了相关资料，保存到知识库
• 提供了 4 个选题方向，我选了其中一个
• AI 从我的即刻动态中搜索了相关素材，找到我的真实观点
• 创作初稿
• 三遍审校，删套话、改句式、加真实细节
• 完成

结果？

小红书数据不错，引起了讨论，但没有任何一个人怀疑这是 AI 写的。

8.1. 但这里有个重要的点要说清楚

虽然这篇文章 100% 由 AI 写完，但：

• 写什么主题 - 我决定的
• 我的观点是什么 - 我决定的
• 想表达什么 - 我决定的
• AI 用的素材 - 都是我自己写的即刻内容

所以，效果好，文风像我，这并不奇怪。

写作的某些部分，应该由自己掌控，做自我表达。

只是把麻烦的、自己不想做的事（比如扩写、润色、结构组织）交给 AI。

8.2. 为什么没人发现

因为：

• 文章有真实案例（从我的即刻动态中提取）
• 语言风格像我（三遍审校去掉了 AI 腔）
• 观点和态度明确（不是中立客观的 AI 腔）
• 细节真实（具体数字、具体场景）

这就是这个工作流的价值。

9. 如何开始搭建自己的工作流？

如果你也想搭建类似的工作流，我的建议是：

第一步：理解核心原理

先理解为什么要这么做：

• 为什么要两层判断？（避免 AI 误判）
• 为什么要 Think Aloud？（协作透明化）
• 为什么要强制调研？（信息准确性）
• 为什么要选题讨论？（避免方向错误）

9.1. 第二步：搭建自己的 CLAUDE.md

创建规则文档：

• 根目录 CLAUDE.md（总纲：协作方式、任务路由、信息搜索规范）
• 子文件夹 CLAUDE.md（具体流程：公众号写作、视频创作等）
• 个人素材库（真实经历、观点、案例）
• 风格指南（语言特征、审校 checklist）

9.2. 第三步：积累个人素材

这是降 AI 味的核心。

把你的真实经历、观点、案例整理出来。

不需要很多，真正值得投喂给 AI 参考的，其实就那么点。

9.3. 第四步：迭代优化

每次协作后，反思哪里可以改进。

更新 CLAUDE.md，记录迭代。

完善审校机制。

10. 可复制的部分 vs 不可复制的部分

10.1. 可复制的部分

• 两层判断机制（任何领域都适用）
• 信息搜索规范（确保准确性）
• Think Aloud 透明化（增强协作）
• 三遍审校机制（降 AI 味）

10.2. 不可复制的部分

• 个人素材库（需要你自己积累）
• 风格特征（每个人的风格不同）
• 行业知识（需要你自己的专业经验）

所以，如果你想搭建类似的工作流，可以直接复用 “可复制的部分”，但 “不可复制的部分” 需要你自己积累。

11. 最后

Claude Code 是最好的自动化写作 agent。

但前提是，你得给它明确的规则、真实的素材、清晰的反馈。

这个工作流，就是我给它的 “规则书”。

而效果？

你看这篇文章，就知道了。

[!success] 核心要点

• 两层判断：先判工作区（公众号/视频/Prompt），再判任务类型（新写/修改/审校），AI 不瞎猜
• 9 步流程：理解需求 → 调研 → 选题讨论（必做）→ 协作文档 → 学风格 → 个人素材库 → 等数据 → 初稿 → 三遍审校 → 配图
• 降 AI 味三件套：强制调研（不用过时信息）+ 个人素材库（真实经历）+ 三遍审校（内容/风格/细节）
• 设计理念：流程是指南不是教条，但核心原则（不编造、不省略 Think Aloud、不跳过确认）不可妥协
• 可复制 vs 不可复制：机制、规范、审校可复用；素材库、风格、行业知识必须自己积累