从选题拆解到风格说明书，从批量生产到多平台分发，这套系统化解决方案正在重新定义数字内容的生产逻辑。本文首次披露19个内容创作场景的完整操作手册，揭示AI如何将模糊的写作经验转化为可复用的工程流程。

这是一个系列文章，一共 12 篇，会把实操的 ClaudeCode 的 172 个应用场景，完整详细的输出出来。

我打算写这一个系列的背景是因为，最近给一家公司做 AI 实战培训，我在过程中演示了很多小技巧，CFO 问我这些小技巧你有没有写到你公众号里，我当时说我没有。事后我觉得这件事很有价值，而且我有 ClaudeCode 历史所有会话，完全可以用这些历史数据来清洗出 ClaudeCode 的小技巧和应用场景。

过去半年，我在 ClaudeCode 中有 780+ 个会话，每个会话又进行了几十上百轮对话，我工作中 70～80% 可能都是由 ClaudeCode 完成的，这个过程中有大量我实际的应用场景、操作技巧，这些都是非常高价值的资产。

所以我把所有会话原始数据提取出来（在.Claude/projects 这个路径下），并让 ClaudeCode 从这 780+ 会话中提取我的应用场景、ClaudeCode 的操作小技巧分享给大家。

如下图是会话原始数据

将场景和分类做了合并后，一共提取出 12 大分类，172 个应用场景，接下来我会写 12 篇文章，把这 172 个场景详细输出出来，每一个场景都会讲清楚：原来怎么做、我用 ClaudeCode 怎么做、输入什么、输出什么、这件事节省了什么、适合谁照着做等。

我用的 ClaudeCode，你用 Hermes、龙虾、Codex，也都是相同逻辑。

今天第一篇：内容创作这个分类的应用，下面是正文

过去半年，我在 Claude Code 里做了大量内容创作相关的工作。

这里说的内容创作是把内容生产拆成了一套完整流程：选题、调研、框架、写作、改写、配图、质检、分发，基本都可以放进 Claude Code 里跑。

这部分一共 19 个场景，都是从我过去 780 多个 Claude Code 原始会话里提取出来的真实用法。每个场景我会尽量讲清楚：原来怎么做，现在怎么让 Claude Code 做，输入是什么，输出是什么，真正省心的地方在哪里。

一、前置准备：把素材和角度准备好，再动笔

很多人写文章，是打开一个空白文档，然后开始憋。我现在基本不这么做。

我会先让 Claude Code 做前置准备：这个人群是谁，他们关心什么，我过去有没有相关素材，这个主题能从哪些角度切，我自己的表达风格是什么，竞品博主怎么写。等这些东西准备好之后，真正写稿只是最后一步。

1. 分人群素材调研 + 写作框架

这是批量写稿前的第一道工序。

原来我要写一组面向“财务”“HR”“销售”“老板”的文章，通常要先自己找素材、翻以前的案例、想痛点、搭结构。每换一个人群，都要重新来一遍。这个过程很耗时间，而且容易漏掉自己以前讲过的好案例。

现在我会让 Claude Code 先为某一类人群做一套前置资料。

输入是：目标人群定义、准备写的几个标题、必须参考的知识库、写作风格要求、哪些内容不能编、哪些案例需要脱敏。比如我要写“财务人怎么用 AI”，就会让它去读我的内容创作库、AI AS ME、过往培训材料、客户案例和相关公众号资料。

输出通常是两份 Markdown 文件：调研资料.md 和 写作框架.md。

调研资料.md 里面会有人群画像、典型痛点、常见工作场景、真实案例、可引用素材和一些金句。写作框架.md 里面会拆每篇文章怎么开头，正文分几段，每段讲什么，哪些案例能用，结尾怎么收，适合加什么收藏清单。

省心的地方在于：以后写这一类人群的文章，不需要每篇都重新找素材。前面一次性把“弹药库”和“写作骨架”搭好，后面批量出稿时直接读取这两份文件。

这类场景特别适合持续写垂直内容的人。比如长期写财务 AI、HR AI、销售 AI、老板 AI，如果每篇都临时找素材，效率会很低。更合理的做法是先为每个人群沉淀一套资料包，然后反复调用。

2. 拆解自己的写作风格

很多人让 AI 写文章，最大的问题是写出来不像自己。原因很简单：自己也没有把“我到底怎么写”说清楚。

原来我也只能凭感觉判断。有些句子一看就不像我，有些表达太工整，有些段落太像 AI，但要我说清楚具体哪里不像，其实也不容易。

现在我会让 Claude Code 直接读取我过去写过的文章，然后拆我的写作风格。

输入是：我已发布文章的目录、几篇代表性文章、我明确不喜欢的表达、我希望保留的表达习惯。Claude Code 会去分析我的标题习惯、开头方式、段落节奏、常用句式、观点展开方式、案例使用方式、结尾收束方式。

输出是一份“写作风格说明书”。

这份说明书里面会写清楚：我通常怎么开头，是先讲一个现象，还是先抛一个判断；我喜欢怎么展开，是用案例推进，还是用问题拆解；我常用什么词，哪些表达要避免；我不喜欢太满、太正、太宣传化的句子；哪些句式有明显 AI 味。

省心的地方在于：把“写得像我一点”这种模糊要求，变成一套可复用的规则。后面再让 Claude Code 写文章时，它有一个更接近我自己的风格基准。

3. 拆解竞品博主和爆款套路

除了分析自己，我也会让 Claude Code 拆别人的文章。

原来我看竞品博主，最多是凭感觉觉得这个人标题好、那个案例强、这篇文章数据不错。但这种感觉很难沉淀成方法，下次写的时候也不一定能用上。

现在我会把一个博主的多篇文章交给 Claude Code，让它系统拆解。

输入可以是某个博主的 10 篇文章、一个公众号的爆款列表、几篇小红书高赞笔记，或者一段短视频开头话术。Claude Code 会逐篇分析：这篇讲了什么，标题为什么成立，开头用什么钩子，中间怎么组织信息，结尾怎么引导，哪些概念反复出现，信息密度高不高，读者为什么愿意看。

输出通常是一份拆解报告，包括这个博主的写作公式、常用结构、标题套路、内容优势、内容问题、可借鉴点和可写选题清单。

这件事的重点不是照抄别人，而是看清楚别人到底靠什么让读者愿意看下去。有些博主强在类比，有些强在故事，有些强在标题，有些强在把用户的痛点说得很重，有些只是包装强但内容密度一般。拆完之后，我就知道哪些东西能借鉴，哪些东西不适合我。

4. 选题生成与标题批量打磨

标题和选题很适合让 Claude Code 做第一轮扩展。

原来我定一个主题之后，经常只能想到三五个标题，而且大多差不多。比如想写“企业老板为什么要亲自用 AI”，我可能来回想半天，也只是在几个表达之间改来改去。

现在我会让 Claude Code 用不同视角批量拆标题。

输入是：一个主题、一段核心观点、一篇已有文章，或者一组历史标题。Claude Code 会按多个视角生成标题，比如痛点视角、反直觉视角、清单视角、故事视角、趋势视角、争议视角、老板视角、方法论视角。

输出一般是 15 到 20 个标题，每个标题会附上它抓的是什么情绪点，适合什么人群，爆款潜力大不大，和其他标题相比差异在哪里。有时我也会让它反过来分析一批已有标题，看哪些角度已经覆盖，哪些角度还缺。

这件事省下的不是最后定标题的判断，而是从 0 到 1 想角度的时间。Claude Code 给出的标题我不会全部直接用，但它能把可选方向一次性摊开，我再从里面挑一个更适合自己的表达。

5. 爆款方法论提炼 + 写作风格建模

有些文章数据好，不能看完就过去。真正有价值的是把“为什么好”拆出来。

原来一篇文章火了，我最多会觉得这个方向不错，下次可以继续写。但为什么不错，是标题好、话题好、情绪强、案例扎实，还是刚好踩中热点，不一定说得清楚。

现在我会把多篇表现不错的内容交给 Claude Code 做复盘。

输入是：多篇爆款文章、自己的社媒动态、外部访谈材料，或者一批小红书高赞内容。Claude Code 会分析它们的共性，比如是不是反直觉，是不是替用户说出了不敢说的话，是不是有可收藏的方法，是不是有站队感，是不是把痛点讲得足够具体。

输出是可复用的方法论：哪些标题结构值得复用，哪些开头方式更容易抓人，哪些内容属于“有用型”，哪些属于“嘴替型”，哪些属于“战队型”，哪些属于“打疼型”。

这件事的价值是把零散经验变成可复用规则。内容创作很怕只靠灵感，灵感有时候有，有时候没有。把爆款规律拆出来，后面写新内容时就可以按规则调用。

二、批量生产：一套体系，多种内容形态

前面是准备工作，接下来才是真正写作。

Claude Code 的优势不只是生成文字。更重要的是它可以读文件、建目录、调用脚本、自查、保存结果、批量处理。所以我更愿意把它当成内容生产系统，而不是单纯的写稿助手。

6. 分人群批量写公众号 / 视频号长文

这是我最核心的内容生产流水线之一。

原来如果我要给 9 类人群分别写文章，比如全员职场、HR 行政、财务法务、销售 BD、内容新媒体、电商运营、程序员产品、老板管理层、创业者一人公司，就得一篇篇想、一篇篇写。每篇文章都要重新找角度，重新想案例，重新控制风格。

现在我会先为每个人群准备好调研资料和写作框架，然后让 Claude Code 批量写。

输入是：我的人设、目标人群、一批标题、该人群的 调研资料.md、该人群的 写作框架.md、写作约束、保存路径。Claude Code 会读取这些文件，再按每个标题生成完整文章。

输出是每篇 1500 到 3000 字的公众号或视频号长文。通常一批可以写 3 到 7 篇，并且会按规范命名存盘，附带字数统计和合规检查结果。

这里我会加很多硬约束：70% 是我的观点，30% 是事实和案例；不能编造经历；真实客户案例必须脱敏；写完要用 wc -m 查字数；要用 grep 检查禁用句式、中英文空格和敏感词；已写过的标题不能重复写。

省心的地方在于：它不是写一篇文章，而是把“个人风格 + 真实案例 + 人群痛点”标准化复用到不同人群。调研和框架做一次，后面就可以连续出稿，而且风格、字数、命名和自检都能统一。

7. 基于素材包批量写主题系列长文

有时候我不是按人群写，而是围绕一个主题写一个系列。比如“AI 落地真相”系列，或者一组面向 B 端老板的 AI 转型文章。

原来写系列文章，很容易写散。第一篇讲一个角度，第二篇又换一种说法，到了后面前后主线不统一，素材也没有被充分复用。

现在我会先准备一个主题素材包。里面放核心观点、真实案例、外部数据、过往文章、项目经验和一些我反复强调的判断。然后让 Claude Code 每次读取这个素材包，按一批标题写 4 到 8 篇。

输入是：RAG 素材包、公共素材包、一批标题、每篇文章的核心观点提示、写作规则、保存路径。输出是一个系列里的多篇长文，每篇结构完整，有开头 hook，有现象，有根因，有方法或清单，有结尾收束。

这个场景里我会特别强调一条规则：素材不够，就写分析型文章，不编故事，不编数字，不硬造案例。

写完以后，我会让 Claude Code 回读自查：每个论据有没有来源，案例角色有没有写错，有没有编造数字，观点有没有偏离素材包。

这件事的价值是，一个素材包可以被反复使用。系列文章不再是写一篇算一篇，而是围绕同一套认知体系持续展开。对长期做内容的人来说，这比单篇爆发更重要。

8. 基于专家访谈写解读型长文

还有一类内容，是基于外部专家材料做二次解读。

比如拿到一个海外 AI 转型专家的访谈，里面有很多高密度观点。如果只是翻译或摘要，读者感受不会太强。真正有价值的是把外部观点和自己的项目经验结合起来，变成适合本土企业读者看的文章。

原来我需要自己读访谈、摘观点、翻译关键句、再结合自己的案例重写，整个过程非常费时间。

现在我会把访谈全文、整理大纲、我的业务背景、本篇标题和核心观点一起输入给 Claude Code。

输出是一篇 2000 到 3000 字的解读型长文。文章里会保留 1 到 2 句专家英文原话，再配中文翻译，用来提供权威背书；同时会加入我的二次解读和本地化案例。

这类文章的关键是转译。专家讲的是海外企业 AI 转型，我会结合国内中小企业的实际情况解释；专家讲的是大型组织案例，我会补充我接触客户时看到的问题；专家给一个判断，我会转成老板能听懂的说法。

省心的地方是：外部权威材料可以快速变成我的原创分析，不用从头搭结构，也不会停留在普通摘要层面。

9. 代笔《xxx 白皮书》正文

这是更重的一类内容。

我之前写过 xxx 相关的白皮书，目标是十几万字。这样的内容不可能靠一次对话完成，必须拆成章节、文件和规则，让 Claude Code 持续推进。

原来人工写一本白皮书，要做目录、搭主线、写章节、统一风格、补案例、做脱敏、查数据、改口吻，工作量很大。最大的问题是写到后面容易风格不统一，案例也容易重复或散掉。

现在我会把白皮书拆成章节任务，让 Claude Code 按篇处理。

输入是：全书目录、章节结构、本章写作说明、文风范本、素材库、可用案例、脱敏规则、禁用表达、保存路径。Claude Code 会先读规则库和范本章节，再按要求写每章正文。

输出是每章单独的 Markdown 文件，每章大概 6000 到 8000 字。写完还会回报字数、缺口和需要人工补充的地方。

这个场景里有几个关键控制点。第一，文风要统一，所以必须先读范本章节。第二，案例要真实，客户案例可以脱敏，但不能乱编。第三，敏感信息要处理，比如公司名、客户名、内部项目要统一替换成更适合公开传播的说法。第四，写完要自检，包括字数、禁用句式、未脱敏信息和事实来源。

省心的地方在于：一本十几万字的白皮书，可以拆成一个可执行的内容工程。Claude Code 不只是写正文，它还能管理文件、遵守规则、批量生成、回读检查、保留缺口。

10. 按角色拆分的 AI Skills 推荐系列

这类内容更偏工具和方法，适合做系列化文章。

比如给不同职业写一组文章：销售该用哪些 AI Skills，财务该用哪些，HR 该用哪些，产品经理该用哪些，运营该用哪些，创业者该用哪些。

原来每篇都要重新解释工具用途，很容易重复，也容易写散。有时候写到后面，结构变了，风格也变了。

现在我会给 Claude Code 一个固定结构，让它按角色批量写。

输入是：目标角色、推荐的 Skill 清单、每个 Skill 的一句话功能说明、文章字数要求、写作规则、保存路径。输出是一篇 2000 到 3000 字的角色文章。

每个 Skill 都按四段展开：它是做什么的，为什么这个角色需要它，具体怎么用，真实场景是什么。

这个结构很稳定，所以特别适合批量写。比如同一个模板，可以连续覆盖教育、自由职业、销售、创业者、HR、财务、程序员、设计师、产品、运营等角色。

省心的地方在于：工具推荐类内容很容易模板化。只要模板设计好，Claude Code 就可以持续产出结构一致、风格一致、适配不同人群的文章。

11. GitHub 项目研究 → 公众号 / 工具号文章

我也会用 Claude Code 写 AI 工具类文章。

比如 n8n、Dify、AnythingLLM、Whisper、ComfyUI、MinerU 这类 GitHub 项目。很多工具值得介绍，但人工一篇篇读 README、查功能、整理安装方式，再写成中文文章，很耗时间。

现在我会让 Claude Code 先研究项目，再按固定模板写文章。

输入是：GitHub 项目地址、项目研究资料、指定标题、写作要求、目标读者、字数范围。Claude Code 会通过 web 搜索、gh repo view、WebFetch 读取 README 和官方资料，先确认真实信息，再开始写。

输出是一篇 1000 到 1800 字的工具号文章。结构通常是：开头讲痛点，解释项目定位，列核心能力，简单讲安装方式，说明适合谁，最后给收藏清单。

这个场景里最重要的是不能凭印象写工具。项目有什么功能、安装方式是什么、适合什么场景，都要从 README 或官方资料里来。

这件事的价值是把“选题 → 查项目 → 读 README → 写工具文”串成流水线。一晚批量产出多篇工具文，同时尽量避免编造功能。

12. 热词深讲系列：B 端 / C 端分开写

有些内容是讲 AI 热词和概念，比如 Agent、RAG、MCP、AI 搜索、GEO、数字员工。这类文章如果写成百科，读者很难有感觉。

我会把热词文章分成 B 型和 C 型。

B 型写给老板和企业决策者，重点是这个东西和企业有什么关系，能不能落地，风险是什么，值不值得投入。C 型写给个人用户，重点是普通人怎么理解，怎么用，有哪些工具，有哪些坑。

原来我经常会把同一个概念讲给所有人，结果老板觉得不够业务，普通用户觉得太抽象。

现在我会让 Claude Code 根据受众重写结构。

输入是：标题、受众类型、字数范围、可用案例、是否需要配图 prompt、保存路径。输出是一篇短文，同时包含图片 prompt 占位，方便后面继续生成配图。

比如同样讲 Agent，写给老板时，我会讲组织流程、岗位协作、投入产出和落地边界；写给个人时，我会讲怎么用 Agent 做资料整理、写作、表格处理、自动化任务。

这件事的价值是：同一个热词，可以根据不同受众拆成不同内容。受众一变，文章结构就要变。

13. 仿博主风格写 C 端小红书笔记

我也用 Claude Code 写过偏 C 端的小红书内容，比如参考“跟着阿亮学 AI”的风格，写给想用 AI 提效、搞副业、做个人工作流的职场人。

原来写小红书和公众号很不一样。公众号可以讲完整逻辑，小红书要更短、更口语、更有代入感，还要有一个可收藏的东西。如果直接让 AI 写，很容易写成空泛鸡汤。

现在我会用专门的写作 Skill，让 Claude Code 按固定风格生成。

输入是：标题、核心大纲、内容类型、写作规则、参考素材。内容类型可以是观点型、经历型、实操型、趋势型。输出是一篇 1000 到 2000 字的小红书笔记。

这类笔记有一个关键要求：每篇必须带一个“可收藏实体”。比如一个提示词模板、一个步骤清单、一个工具清单、一个避坑清单。这样读者看完之后才有收藏理由。

这里还会加很多规则：口语短句、不要 emoji、中英文之间加空格、不写太推销的句子、不写过度总结的句子，不要把文章写成模板感很强的 AI 文。

省心的地方在于：小红书不是随便把长文改短，而是有自己的内容结构。把这个结构做成 Skill 后，单个主题就可以快速变成小红书笔记。

三、多平台分发：一份内容，多种形态

文章写出来以后，内容生命周期还没结束。

同一个素材，可以变成长文、短文、小红书、视频号、图文卡片、工具号、案例分析。Claude Code 在这一步的价值，是帮我做内容再加工。

14. AI 创业者 / 赚钱案例采访视频转原创分析短文

我看过不少 AI 创业者、AI 赚钱案例和访谈视频。这类素材如果只看完就过去，很浪费。更好的做法是把它转成自己的分析内容。

原来我看完视频，最多记几个点。要把它改成一篇原创短文，还要重新梳理人物、项目、模式、判断，比较费时间。

现在我会先把视频或采访转成文本，再让 Claude Code 写成原创分析短文。

输入是：合并后的采访文本、每个采访的分隔符、人设、写法原则、字数要求。输出是每个采访一篇 600 到 800 字的 Markdown 短文，按序号命名保存。

我通常会要求它按“70% 分析判断 + 30% 事实概括”来写。也就是说，文章不能只是复述采访内容，而要有我的判断。

不同类型的案例还要用不同结构。数据型案例，用数据分析框架；故事型案例，用人物经历框架；方法论型案例，用步骤拆解框架；行业型案例，用趋势判断框架。这样批量写 30 篇，也不至于每篇长得一样。

省心的地方在于：外部采访和视频可以规模化转成自己的原创分析，既保留事实，又能体现个人判断。

15. GitHub 推荐文 / 观点文批量改写

有些内容不是第一次写，而是为了多平台分发，需要换一种表达再发。

原来人工改写很烦。改太少，容易重复；改太多，又可能偏离原意。尤其是几十篇 GitHub 推荐文或观点文，如果一篇篇改，会非常消耗精力。

现在我会让 Claude Code 保留标题和核心结构，但重写正文表达、案例和论证方式。

输入是：标题列表、原文章、改写规则、平台要求、字数范围、保存路径。输出是一批新的 Markdown 文件。GitHub 推荐文通常是 800 到 1200 字，观点文一般是 600 到 1000 字。

这个场景的重点是“同题不同稿”。比如一篇 GitHub 项目推荐文，可以保留项目定位，但换开头、换使用场景、换表达方式。一篇观点文，可以保留核心结论，但调整论证顺序和案例。

这件事适合多平台分发，也适合做内容矩阵。它省下的不是原创判断，而是重复改写的机械劳动。

16. Markdown 长文改写成小红书文案

很多公众号长文或技术文章，不能直接发小红书。公众号可以讲逻辑，小红书更需要代入感、短段落、收藏点和话题感。

原来我需要人工改：换标题，删技术细节，拆短段，加钩子，加标签。这个过程不难，但很烦。

现在我会把 Markdown 长文交给 Claude Code，让它转成小红书版本。

输入是：原始 Markdown 文件、目标平台、改写要求、保存路径。输出是一个新的 _小红书版.md 文件。

Claude Code 会做几件事：换一个更适合小红书的标题，开头增加代入感，正文拆短段，删除过重的技术细节，增加提问感和场景感，结尾加话题标签，同时保留核心观点。

省心的地方在于：一篇长文可以快速平台化。公众号负责讲深，小红书负责讲场景感和收藏价值，不需要从头重写。

17. AI 爆款改写

有时候我会拿到一篇别人的文章，或者自己一篇表达比较平的文章，想看看能不能按爆款逻辑重新包装。

原来我会手动改标题、调开头、加一些更具体的表达。但人工改的时候，很容易只改表面，结构没有变化。

现在我会让 Claude Code 先做爆款评估，再给改写版本。

输入是：原文标题、摘要、正文、改写要求。输出是 3 到 5 个备选标题、一个优化后的正文版本，以及一份爆款评估分析。

它会分析这篇文章的核心观点是什么，为什么现在不够吸引人，哪个情绪点可以加强，哪些地方可以增加具体感，哪里适合变成清单，哪里可以加社交货币。

但这个场景我会谨慎用。因为如果只追求爆款，AI 很容易写出营销味，甚至编造数字。所以我更常把它当成“标题和结构参考”，不会完全照搬最终版本。

省心的地方在于：它能快速给出多个包装方向，让我判断哪一种更值得继续改。

四、后期加工：出来的是成品，不是半成品

内容写出来以后，还有一堆尾部工作。

配图、排版、卡片、价值观校验、视频拆解，这些事情单独看都不复杂，但加起来非常耗时间。Claude Code 在这一步的价值，是把文章从“写完了”推进到“可以发布了”。

18. 文章批量转图文卡片 + 自动配图

文章写完之后，经常还要变成图文卡片，用来发小红书、视频号、抖音图文或朋友圈。

原来这个环节很耗时间。文章写完只是第一步，后面还要排版、分页、做封面、做尾页、导出 PNG。篇数一多，人工做图会成为瓶颈。

现在我会用 Claude Code 把 Markdown 文章批量转成 3:4 图文卡片。

输入是：Markdown 文件、卡片样式、封面规则、是否需要尾页 CTA、输出路径。输出是 PNG 卡片，包括封面、正文分页图和尾页图。

我用过几种方式。

第一种是现成 Skill，把 Markdown 直接转成小红书卡片。比如一篇文章可以自动分成多张 3:4 图片，包含封面、页码和尾页 CTA。

第二种是自建 HTML 发布工具。Claude Code 帮我写一个 HTML 页面，我把 Markdown 粘进去，它自动分页成 3:4 卡片，再用 html2canvas 和 JSZip 一键导出所有 PNG。

第三种是自动配图。文章里提前放  占位符，再用注释写 prompt，Claude Code 调图片生成接口批量生成插图，并保存到同目录。

省心的地方在于：文章写完后，不需要人工一张张排版。Markdown 可以直接变成可发布的图文素材，几十篇文章也可以批量跑。

19. 文章价值观校验与改写

批量写内容以后，最怕两件事：文章不像我，文章编了我没说过的话。

原来我只能自己一篇篇看，凭感觉判断哪里不对。但文章一多，很容易漏。有些内容表面看起来顺，但其实观点不是我的；有些经历写得很像真的，但我根本没说过。

现在我会让 Claude Code 对照我的知识库和写作规则做发布前校验。

输入是：一批 Markdown 文章、我的 AI AS ME、CLAUDE.md、价值观规则、禁用表达。输出是每篇文章的校验结论，以及必要时的改写版本。

它会检查几个问题：是否符合我的观点，是否编造经历，是否出现不该公开的客户信息，是否过度营销，是否有 AI 味太重的表达，是否违背我一贯的判断。

如果只是表达偏差，就直接改写。如果是纯编的经历，就删掉。如果案例可以用但需要脱敏，就按脱敏规则处理。

这件事非常关键。AI 批量写作一定要有质检。产量越高，风险越高。字数、格式、禁用表达、事实来源、价值观校验，都要写进流程里，不能等发布前靠人工补救。

20. 视频逐镜头解析 → 复刻用的生成 prompt

有时候我看到一条视频，觉得这个节奏、镜头和表达方式可以参考。

原来只能凭感觉说：“我想做一个类似的视频。”但这种说法没法直接交给视频生成模型，因为模型需要的是更具体的画面、镜头、动作、节奏和风格描述。

现在我会把视频交给 Claude Code，让它逐镜头解析。

输入是：一个本地 MP4 视频，或者一条下载下来的视频素材。输出是这条视频主要体现什么，以及一份可以直接喂给视频生成模型的分镜 prompt。

Claude Code 会拆每个镜头：画面里有什么，人物或物体怎么动，镜头怎么切，节奏是快还是慢，文案和画面怎么配合，整体风格是什么。

省心的地方在于：把“我想做类似的”变成“模型可以执行的指令”。这一步对短视频创作很有用，因为它把感性的参考视频，转成了结构化的生成 prompt。

五、这套内容创作体系真正解决了什么问题

如果只看单个场景，好像都是一些小功能：写标题、写文章、改小红书、做卡片、查风格、配图、质检。

但把它们串起来之后，意义就不一样了。

它解决的不是“AI 帮我写一篇文章”的问题。它解决的是内容生产的系统化问题。

我现在更像是在搭一条内容生产线：前面有选题和调研，中间有不同类型的写作流水线，后面有平台改写、卡片生成、价值观校验，最后还能把视频、访谈、外部资料继续反哺回来。

这套体系里有几个关键原则。

1. 调研和写作要分离

不要每次写文章都从零开始找素材。先让 Claude Code 把目标人群、痛点、案例、写作框架整理出来。这些东西做一次，可以反复用。真正决定文章质量的，往往是前面的素材和角度。

2. 风格要显性化

“写得像我一点”太模糊。更好的做法是让 Claude Code 先读你的历史文章，拆出你的表达方式、结构偏好、禁用句式和常见观点。风格一旦变成规则，就可以被复用。

3. 批量生产必须带质检

只要批量写，就一定会有风险。可能编造案例，可能客户没脱敏，可能表达不像你，可能出现你不认可的观点。所以字数、格式、禁用表达、事实来源、价值观校验，都要写进流程里。

4. 一份素材要多次产出

一个专家访谈，可以变成长文。一篇长文，可以变成小红书。一组文章，可以变成图文卡片。一个素材包，可以写成几十篇系列文章。内容生产的效率，不只来自写得快，也来自素材复用率高。

5. Claude Code 更适合做内容工程

如果只是让 AI 写一篇文章，普通聊天工具也能做。Claude Code 更适合的地方，是读文件、建目录、批量处理、调用脚本、自查、保存结果、复用规则。

这也是我后来越来越明确的一点：内容创作不是单点写作能力，而是一套工程化流程。