一周产出 700 篇草稿之后,我才发现瓶颈在原料
我把「内容生产」从手工写、一条条发,改造成了一条可复用的自动化流水线:100问选题库当原料、GEOFlow 批量产母版、五个平台写手 agent 改写、飞书归档闭环。一周跑了 700+ 篇母版草稿。这篇拆解这条线怎么搭、为什么「证据纪律」是保命符,也要说清一个转折:管线通了之后我发现真正的瓶颈是原料——公司知识库还没建成,所以这批内容偏空、不能当实际参考用。
How I turned content production into an automated assembly line: 100-question topic banks as raw material, GEOFlow to generate master articles at scale, five platform-specific writer agents for rewriting, and Feishu for archiving. One person produced 700+ master drafts in a week — and then hit the real bottleneck: the company knowledge base was not built yet, so the drafts were too thin to be used as reference content. This breaks down the pipeline and argues that evidence discipline is what keeps the whole thing honest.

本项目所属:GEOFlow 自动化内容生产线
做内容的都知道一个痛:产量永远卡在写的人手上。 你想做知识科普,想覆盖知乎、小红书、公众号、什么值得买、汽车之家,可选题一堆,真一篇篇写下去,一周能产出三五篇高质量的就顶天了。更别说写得越多,越难保证质量、越容易编数据。
我这周把这件事彻底换了个打法。以前想着多雇几个写手,现在是把内容生产本身做成一条流水线。结果是一周下来累计产了 700+ 篇母版草稿,五个平台的分发改写链路也跑通了。
先给结论:内容生产可以工业化,前提是「选题库系统化 + 自动化管线 + 证据纪律」三样东西同时到位。 缺一不可,证据纪律最容易被忽视,也最致命。
⚠️ 先说清楚这篇现在讲不讲得下去
这条线的技术部分是成立的:选题库、批量生产、平台改写、飞书归档,都真的跑起来了。但写到今天必须补一句当时不知道的事:
真正的瓶颈是原料。 公司的产品知识库当时还没建成,母版的素材来源是零散、不完整的。结果就是,这批内容偏空、偏假,不能作为实际参考使用。
也就是说:这次验证的是「管线能不能跑通」,不是「内容能不能用」。管线是通的,内容不是。
这个转折本身就是这篇最有价值的部分:我一开始以为瓶颈在「写」,把自动化做完了才发现瓶颈在「知道」。没有可信的原料,再快的流水线也只是在生产不可信的东西。 所以接下来的动作是先把知识库建起来,别再堆产量了。
问题:内容生产为什么一直卡手
我一开始也以为是「工具不够强」。后来发现真问题有两个:
第一,选题是散的。 今天想到一个 topic 写一篇,明天又一个。没有一张"这个产品到底能写什么"的总图,产出的内容东一块西一块,覆盖不了用户真正在搜的问题,也不成体系。
第二,品质靠人肉。 一个人写,质量取决于当天的状态;多个写手,取决于每个人的水平。一旦上量,编造数据、绝对化用词("最""第一""百分百")、前后矛盾这些低级问题就会冒出来,因为这些全靠「人记得检查」。
所以我做了一个判断:与其找一个更会写的 AI,不如先给内容生产建一套「标准化工厂」:原料标准化、工序标准化、质检标准化。
原料层:100 问选题库,把「能写什么」变成表格
流水线的第一道工序是原料。我做的第一件事,是把每一类产品做成一张 「100问」选题库。
比如太阳膜、隐形车衣、轮毂、底盘护板、电动踏板、新车保护……每个产品我都整理成 100 个用户真正会问的问题,然后给每个问题打上结构化标签:
- 问题本体:「太阳膜贴了会不会影响信号?」
- 板块:属于哪个知识领域(材质、施工、寿命、售后…)
- 内容分型:适合视频 / 图文 / 纯文章
- 主承接平台:这个问题最适合发在抖音、小红书还是官网/知乎
- 优先级 / 漏斗阶段:P0 先做还是常规;TOFU(认知)/ MOFU(兴趣)/ BOFU(行动)
- 理由玩法:这条内容为什么做、靠什么火
100 个问题,配上这六七列标签,一张表的几百个字段就把「这个产品能写什么」变成了可排序、可筛选、可排期的原料。而且这些标签不是摆设,后面的工序全都在消费这张表:分型决定走视频还是文章,优先级决定先产哪一批,平台字段决定改写成哪种调性。
这周我一口气做了 11 张:轮毂、底盘护板、太阳膜、隐形车衣、改色膜、汽车地板、新车保护、电动踏板、洗美养护、家庭用车升级、预算,共 1100 个问题全部录进飞书。
关键感悟:选题库的真正价值,是给每个问题配上可被程序消费的元数据。 没有元数据的选题库,只是换个格式的记录;有了元数据,它就是整条流水线的工艺图纸。
引擎层:GEOFlow 批量产母版
原料有了,接下来是「量产」,这一步靠 GEOFlow。
我把选题库的标题喂给 GEOFlow,让它批量生成每一篇的母版(master article):一篇完整的、带对比表 / FAQ / 一句话结论 / 数据来源的种子文章。流程是这样的:
- 建标题库:把某一板块的 100 个 SEO 化标题录进去
- 建任务:按板块试点(先跑 10 篇验证),指定模型(DeepSeek)、GEO 营销信任型提示词、产品分类、本地发布范围
- 批量消费:任务启动后自动按标题库顺序一篇篇生成
- 落盘 + 登记:每篇按
NN-母版-板块-NCP-xxx-标题-V1.md命名落盘,同时自动登记进飞书母版库,编号连续唯一
几组关键数字说明问题:
- 单篇母版约 3500 字,含对比表、FAQ、可摘录的一句话结论,这是给 AI 改写用的「数字底稿」。
- 板块先试点再批量:每个新产品都是先跑板块 01 的 10 篇验证通顺,再放心批量跑剩下 90 篇。这条经验省了我无数次返工。
- 编号管理是命门:母版编号靠"全局 max+1"从文件系统算,必须串行,否则并发会撞号。这周中途就撞过一次车,编号 100-105 重叠,最后从 GEOFlow 源头全部恢复干净重建。
绕过的坑值得一提:连接 GEOFlow 的 API 请求里不能带中文(idempotency header 用 latin-1 编码会崩),必须强制 ASCII;后台跑批量任务会被系统 2 分钟超时杀掉,所以要用 nohup + 日志轮询而不是前台命令。
到这里,」写」的活已经基本不占我的时间了。但母版只是半成品,它是给 AI 和给各个平台改写用的,不能直接当成品发。
分发层:五个写手 agent 改写 + 飞书归档闭环
母版产出来之后,最重要的一道工序是让内容真正适合每个平台的调性。
同一篇母版,发小红书和发知乎完全是两种写法:小红书要短句短段、emoji、种草心态;知乎要开头直接给结论、结构化段落;公众号要品牌权威、科普形态;什么值得买要口语化避坑、横评对比;汽车之家要提车作业、验收清单。
所以我配了 5 个平台写手 agent(小红书 / 公众号 / 知乎 / 什么值得买 / 汽车之家),每个 agent 内置一套平台调性和红线,做「母版 → 平台稿」的改写。关键是把每一套改写逻辑显性化成一个「改写指南」:标题多长、要不要数字、对比表能不能动、FAQ 几条、标签几个、合规自查怎么过,全写清楚。
然后在五步管线里串起来,最后落到飞书:
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
graph LR
A[母版库<br/>母版 XXX] --> B[写手 agent<br/>平台改写]
B --> C[命名校验<br/>MMDD-平台-主题-V1]
C --> D[上传飞书<br/>平台文件夹]
D --> E[改写稿表<br/>CT 编号]
E --> F[母版状态<br/>已改写]每篇改写稿都会登记一个 CT 编号(内容编号),并回写母版库的状态列(待改写 → 已改写),谁的活干没干、在哪个环节,一眼看得见。这套东西我甚至做成了 dsh 插件,一条命令拉改写稿汇总、拉母版状态,不用每次翻飞书。
几个实战里的坑:
- CT 编号是不可控的:它是飞书表的 auto_number 字段,写入被忽略,系统自动分配。所以登记逻辑要改成「写进去,再从返回里读它实际给的是什么」。
- 长任务会让 AI 幻觉工具:agent 一接长任务就爱调用不存在的工具(比如去读 BashOutput)。对策是把任务拆短:读母版一个任务、改写一个任务,明确工具边界,幻觉基本消失。
- 上传要用相对路径:agent 第一次用绝对路径上传被拒,改相对路径就成功了。
证据纪律:整条线的保命符
讲完「快」,必须讲「稳」。内容一上量,最大的风险是编数据,AI 一不留神就给你编个价格、编个参数、编个"行业第一"。而这恰恰会在对比表、FAQ 这些「最容易被 AI 引用」的地方出现,等于在喂给 AI 搜索引擎的入口上自毁权威。
所以这条流水线的地基是一条硬纪律,写进每个写手 agent 和每个改写指南里:
- 已核验的才写,未核验的参数明确标注
[待确认],宁缺毋假 - 不编造价格、参数、榜单:对比表里的数字必须是母版里核对过的
- 合规自查是动作不是口号:每篇改写完做一遍自查,绝对化用词(最/第一/百分百)不出现,平台内部标记不带出去
我把它叫「证据纪律」。很多 AI 内容管线只解决「产能」,不解决「真实性」,结果产得越多、埋的雷越多。流水线越快,纪律越要硬,这是我把这句话刻进每个环节的原因。
能搬走的,是三样东西
复盘这一周,真正有价值、能复用到任何内容领域的,是三件事:
- 选题库系统化:任何产品 / 领域,先把「能写什么」整理成带元数据的表格,让选题可排序、可排期、可编程。
- 自动化管线:原料 → 批量产母版 → 平台改写 → 归档,每一环只做一件事,编号和状态全程可追踪。
- 证据纪律:把「不编造」变成每个 agent 和每篇稿子的硬约束,这是 AI 内容时代比文笔更稀缺的东西。
工具(GEOFlow、飞书、写手 agent、dsh)都会迭代,但这三样是思维层的方法论,换任何工具都能重建。
最后给我的个人判断:内容生产工业化最大的门槛,是「你敢不敢把判断力下沉到流程里」。 你敢把「哪篇先写、怎么写、写错了怎么办」都定义清楚,AI 就能替你接管大部分重复劳动;你不敢定义,它就永远只能当你手忙脚乱的助手。
如果你也在做 AI 内容,我建议从最小的一条线开始:先给一个产品做一张 100 问选题库,再让 AI 批量产一批母版,最后只挑一篇发给某个平台写手改写。「武器」上这两个月我踩坑踩出来的,从半条线起步足够。