"用 AI 做内容"这句话有两个极端：纯手工写到凌晨，或者一键生成一百篇垃圾。真正可持续的是中间态——一条有人工把关节点的流水线。本文拆解我自己在用的这条流水线。
全景：五个环节，两个人工闸门
选题采集 → 大纲生成 → 初稿写作 → 事实核查 → 排版发布
▲ ▲
人工闸门 1 人工闸门 2
两个闸门是我绝不自动化的环节，原因后面讲。
环节一：选题采集（自动化）
用一个定时脚本汇总信息源：行业 RSS、竞品更新、社区热帖，然后让模型做第一轮过滤。提示词的关键是给出明确的取舍标准，而不是"帮我找好选题"：
你是技术内容编辑。从下面的列表里挑出 5 个选题，标准：
1. 目标读者（独立开发者）三个月内用得上
2. 不是单纯的新闻搬运，有方法可以沉淀
3. 我们没有写过（附历史标题列表）
输出：标题 + 一句话角度 + 预期读者痛点。
环节二：大纲生成（人工闸门 1）
模型生成大纲很快，但大纲决定文章的灵魂。我会让模型出两版不同结构的大纲，然后亲自改：删掉正确的废话，加上只有实操过的人才知道的细节占位。
这个闸门不省。大纲平庸，后面写得再流畅也是平庸的文章。
环节三：初稿写作（自动化 + 风格约束）
把定稿大纲喂给模型，附上三样东西：
- 风格样本：两篇自己写过的文章，让它学语气而不是学通用腔
- 禁区清单：不用"赋能""抓手"，不用"在当今时代"开头
- 事实来源：大纲里每个论断对应的资料链接
有这三样约束，初稿的可改率能从三成提到八成。
环节四：事实核查（人工闸门 2）
大模型会一本正经地编造版本号、命令参数和统计数据。我的做法是反向利用它：
把上面文章中所有可验证的事实性陈述列成清单：
数字、命令、API 名、发布日期。逐条标注你有多大把握。
``]
然后对着清单逐条人工核实。把"通读检查"变成"清单核对"，速度快三倍，漏检率低得多。
## 环节五：排版发布（自动化）
Markdown 进，各平台格式出。用脚本做转换：代码块高亮、图片压缩、 frontmatter 生成。这一步纯机械，完全没有留人工的必要。
## 为什么不做全自动
全自动流水线的产出有个共同特征：**没有信息增量**。模型只能重组语料里的共识，而读者要的是你的判断。人工闸门的价值不在"纠错"，在于注入机器给不了的东西——取舍、偏好、和"我踩过这个坑"的体感。
## 落地建议
先用最朴素的方式跑通：一个存放提示词的文件夹 + 一个脚本目录，比上来就搭复杂的 Agent 系统靠谱得多。流水线稳定运行一个月后，再考虑把哪个环节换成更重的自动化。