做公众号的人多少都有这种体验选题想半天初稿磨两小时排版再折腾一小时发布完还要对着后台数据发呆。日更的情况下更是被“今天写什么”和“怎么写得快”两件事卡死。不是不想用AI而是打开一个AI对话框让它写一篇推文写完复制粘贴下一篇又重复同样的事——效率提升非常有限。我试过把AI用在单点环节比如只让它生成标题、只帮写开头效果还行但整体生产速度并没有本质变化。真正解决问题的方法是把AI组织成一套完整的“AI工作流公众号助手”从素材收集、选题判断、初稿生成、审校润色、标题优化到排版输出和发布后的数据分析全部串成一条自动化流水线。这篇文章就把这套工作流完整拆开从设计思路到踩坑实录一步步讲清楚适合正在做公众号、想引入AI但不知道从哪上手的人。1. 为什么需要一套“工作流”而不是一堆AI工具1.1 单点工具解决的是“写”解决不了“生产”很多人对AI辅助写作的理解是“更快的输入法”用提示词换一段还不错的文字然后手动搬到编辑器里。这个思路没错但没触及公众号生产的核心瓶颈。一篇推文的完整链路是素材收集、选题、提纲、写稿、校验、标题、摘要、排版、发版、复盘写作只是其中一环。用AI只写初稿其他环节还是手动省下来的时间很有限。我见过一些同行每天用AI生成初稿但依然加班到很晚问题就出在只自动化了一个点其他环节还是纯手工链路。真正的时间黑洞往往在排版、选题和来回拷贝数据上。初稿半小时能搞定排版可能就要一小时而且排版是纯重复劳动机器做比人做稳定得多。一旦把所有环节接到同一条流水线上初稿写完可以直接转成公众号兼容的排版格式标题可以自动生成三个候选摘要也能一并产出整个过程不需要切换五六个窗口。这才是“工作流”和“工具”的区别工具帮你做一件事工作流帮你省掉一整条路上的搬运成本。1.2 工作流的核心是“数据在环节之间流动”所谓AI工作流本质上不是让一个对话窗口帮你写文章而是把大模型、数据库、渲染模板和发布通道连接起来让上一环节的输出自动成为下一环节的输入。举个例子素材采集模块抓了几条行业新闻AI自动提炼成五条候选选题你选中的那条又会自动进入初稿生成提示词初稿完成后自动进入审校模块审校结果再带着修改意见回到正文最后由渲染模块吐出公众号排版好的HTML。这一过程中你只在选题和最终确认时介入其他时间可以去做更重要的判断。数据流动听起来简单做起来要解决三个问题格式统一、状态管理和异常处理。格式统一是指所有模块之间用纯文本或JSON交换不要一会儿Markdown一会儿富文本状态管理是指要知道每个选题目前处在哪个阶段是待选、写稿中还是已发布异常处理是指某一步失败时不要阻断整条链路比如素材抓取失败也应该能用前一天的数据继续跑。把这三点想清楚工作流才算稳。2. 工作流整体设计与工具选型2.1 先定流程骨架从素材到复盘的一整条链路我在设计这套公众号助手时没有一开始就写代码而是先把公众号生产拆成了七个环节。每个环节明确输入、输出和负责人再考虑哪些环节适合AI介入哪些环节必须人来做。环节输入输出AI参与度人工介入点素材采集订阅源、行业网站、历史文章结构化素材库高定期检查源的质量选题筛选素材库、账号定位候选题列表高拍板最终选题提纲生成选题、目标读者文章大纲中高调整结构初稿写作大纲、参考资料初稿文本高关键段落改写审校润色初稿、风格要求修正后的定稿中终审标题摘要定稿正文标题候选、摘要高选标题排版发布定稿、配图素材公众号图文、数据反馈中预览确认这个流程骨架的好处是先把“谁干什么”划清楚。全自动听起来很酷但公众号内容直接关系到账号风格和读者信任该由人拍板的地方必须保留人工决策点。AI负责把脏活累活干完把选项准备好人只做选择题。2.2 模型选型能接API是第一原则确定流程之后最实际的问题是模型怎么选。我试过两种路线一是在网页对话框里手动用二是通过API调用。网页对话框适合零散的写作辅助但工作流需要程序化调用所以API是底线。这里说的API不是特指某一家而是你要用的模型服务必须支持以编程方式发送指令、接收结果否则后面所有自动化都是空谈。从成本和质量平衡角度看需要一个通用能力强、上下文够长、且支持较长输出的模型。写公众号文章动辄两三千字上下文窗口太小会出现写到后面忘记前面内容的问题。另外要注意模型输出长度的上限有些模型单次回复不长适合拆成小节生成再拼接成整篇。我个人更建议选支持更长上下文与更高输出上限的模型实现成本会低很多。还有一点容易被忽略模型的“温度参数”。负责创意的环节标题生成、开头引入可以把温度调高一点让输出更多样负责事实整理和审校的环节温度要调低尽量输出稳定、贴近原文。年龄段在0.3到0.7之间比较合适具体数值需要根据你的素材类型试验。2.3 环节之间用什么粘起来流程骨架和模型都定了还需要一层“胶水”把不同环节粘起来。简单场景下一个本地Python脚本就够了脚本按顺序调用各个模块读取上一个模块的输出文件。复杂一点可以用自动化平台或者定时任务把每个环节做成可独立运行的命令再用调度器串起来。我采用的是“命令行 配置文件”的方式。每个环节对应一个命令比如“拉取素材”、“生成选题”、“生成初稿”命令之间通过一个数据目录传递文件。这样有几个好处单环节出错可以单独重跑新环节增加不影响已有部分手动干预和自动执行可以随时切换。数据文件我统一用JSON保存每个文件带一个状态字段方便知道流程走到哪一步。关键点在于不要一开始就追求复杂的平台调度。先用最简单的脚本把链路跑通后面流程确实需要定时触发或多人协作时再考虑接调度系统。3. 实操从0到1搭建公众号AI助手3.1 环境准备与基础抽象搭建这套工作流不需要很重的工程基础但要准备好几个基础能力能写脚本、有模型API的访问凭证、有稳定的运行环境。我的运行环境是一台常开的低配云主机因为素材采集和定时任务需要长时间在线本地电脑关机就断了。核心代码其实不复杂关键是封装一个统一的调用函数所有模块都通过它和模型交互。下面这个简化版本示意了最基础的抽象方式import requests import json API_URL https://api.example.com/v1/chat/completions API_KEY your-api-key def call_llm(prompt, temperature0.5, max_tokens2000): headers { Authorization: fBearer {API_KEY}, Content-Type: application/json, } payload { model: my-llm-model, messages: [{role: user, content: prompt}], temperature: temperature, max_tokens: max_tokens, } resp requests.post(API_URL, headersheaders, jsonpayload, timeout120) resp.raise_for_status() return resp.json()[choices][0][message][content]把模型调用封装成函数后后面所有环节都只关心“我给它什么提示词它返回什么文本”不用重复处理接口细节。如果某个环节需要更长的输出可以把max_tokens调大如果需要头脑风暴就把temperature调到0.8。这套抽象是工作流的基石后续维护成本很低。3.2 素材导入与选题筛选公众号助手的上游是素材库。我维护了一个文本文件加PDF的素材目录定期把行业相关的文章、报告摘要、自己随手记录的灵感放进去。素材的每一次导入都会触发一个自动处理流程模型先读素材提取关键信息生成20字以内的数字摘要并打上主题标签写入本地索引文件。选题筛选环节我设计了一个选题建议提示词每次从素材索引里抽出最近一周的数据让模型输出候选选题你是公众号运营编辑。以下是最近收集的素材摘要 [插入素材摘要列表] 请基于这些素材给出5个候选选题。 要求 1. 每个选题包含一句“为什么读者会想看” 2. 结合账号定位职场效率与个人成长 3. 不要空泛尽量落到一个具体的场景或问题上 4. 输出格式选题名称 一句话角度说明。这一步的人机协作点是模型负责从素材中提炼角度但你一定要自己判断哪个选题符合当前读者的真正需求。AI可能偏爱那些“题眼”很吸引人的标题但内容纵深不够需要你把关。3.3 初稿生成与审校拿到确认的选题后进入初稿生成环节。我的做法是先生成大纲再分段填充正文。生成大纲的提示词比较简单关键是让模型形成一个清晰的结构成稿时再把大纲连同素材一起喂进去避免模型自由发挥到没边。初稿提示词我反复调过几版目前这个版本最稳定请基于以下选题撰写一篇公众号推文初稿。 选题某工具如何改造内容生产过程 目标读者运营人员、内容创作者对AI有兴趣但没有技术背景 文章结构 1. 开头一个具体的场景痛点 2. 第一段为什么单点工具不够 3. 第二段一套流程能改变什么 4. 第三段落地时要注意的3个问题 5. 结尾一句可执行的建议 写作要求 - 用大白话不要端着 - 段落不超过4行 - 不用“总而言之”“综上所述”这类虚词 - 每个观点尽量配一个具体例子初稿出来之后很多人直接就想发。我建议不要省掉审校这一环。审校提示词不是让AI重写而是让它“挑毛病”请通读下面的文章检查四类问题 1. 事实性描述是否可能出错比如数字、定义、引用 2. 错别字与病句 3. 语句冗余可以压缩的地方 4. 段落开头是否出现重复句式。 只汇报问题清单和对应原文引用不要直接改写成新文章。把“审校”和“创作”分开很重要。创作提示词要求发散和可读性审校提示词要求收敛和精准两者用同一个温度参数会互相干扰。我让审校环境的温度保持在0.2左右输出基本稳定问题命中率明显更高。3.4 标题、摘要与多版本生成文章定稿后我还会跑一个标题生成模块。公众号标题对打开率影响很大而同一篇文章用不同标题效果差异可能很惊人。我的做法是用较低温尝试生成多个角度包括实用型、悬念型、清单型、情绪型每种给三个候选。生成6个公众号标题要求 1. 核心词必须包含“AI工作流” 2. 每个标题不超过22个字 3. 分三组一组强调效率一组强调避坑一组带一点反常识 4. 不要用“震惊”“重磅”“赶紧收藏”这类词。摘要方面公众号后台的摘要直接决定转发场景里展示什么我一般让模型从正文提炼两段话一段偏概要、一段偏价值点再自己手动融合一下。这个环节很短但值得做。不少公众号忽略了摘要其实摘要写好了打开率和转发率都会有正面影响。3.5 排版与发布准备公众号排版是我踩坑最多的环节这里单独说清楚。公众号后台的编辑器支持富文本但不直接支持Markdown渲染所以从Markdown到公众号HTML需要一个转换层。我先把初稿保持为Markdown格式再通过脚本转换成带内联样式的HTML。转换时要注意元素的兼容性Markdown元素公众号后台表现推荐处理方式标题## 样式受主题影响大转成加粗大字再用留白分隔代码块默认样式朴素套浅灰背景和内边距引用 支持有限转成带左边线的段落无序列表兼容保持简洁不要嵌套太深加粗 / 斜体支持正常转换链接支持统一加下划线样式我的排版脚本核心逻辑是先解析Markdown标题、段落、列表和代码块再为每个元素生成对应的HTML标签和CSS类最后把所有样式写成内联样式。因为公众号后台会过滤部分样式缩进、间距尽量用内联属性实现不要依赖外部CSS。配图策略也要想好。工作流早期的版本我没有配图模块后来发现没有图文的封面和头图整体观感差很多。我的做法是维护一个图库目录按主题分类脚本根据文章标签自动选一张候选图片推送到本地预览文件里由我确认后再上传。封面图还是建议人工选一下AI选图偶尔会出现封面文字被折叠的问题。4. 常见问题与避坑指南4.1 生成内容为什么总有“AI味”这是所有用AI写公众号的人最先遇到的问题。所谓“AI味”主要是模型在默认状态下偏爱工整排比、高频连接词和总结性结尾。最典型的表现是段落开头全是“首先”“其次”“最后”或者每段结尾都强行升华。我的对策有三个。一是审校环节专门检查“AI味”让模型找出“看起来像模板的句子”并给出替代方案。二是在初稿提示词里明确禁用某些词比如“总而言之”“不难发现”“值得关注的是”。三是提供自己的写作风格样本给模型一篇你自己过去的文章要求它模仿你的用词节奏。我发现最有效的是给风格样本。模型看过你的真实文章后输出会明显更自然因为它在模仿一个具体的人而不是模仿“公众号文章平均语感”。你也可以故意写一段带个人风格的句子放进提示词比如你习惯用短句就在例子里体现短句。4.2 事实错误和幻觉怎么处理大模型的幻觉问题在公众号场景里尤其致命。公众号文章一旦被读者发现事实错误信任成本很高。我的处理方式是先承认模型的“知识截止日期”问题不把记忆当事实库。工作流里加了“事实核查”这个强制环节。凡是涉及具体数字、时间、引文、产品功能的内容模型必须标注出处来源如果找不到来源就明确标注“待人工确认”。脚本还会在审校阶段专门提取所有包含数字的句子列成清单我逐条过一遍。这个过程不到十分钟但能把事实错误风险降到很低。如果素材是内部资料或行业报告我会把原始PDF或网页抓取的正文先存入本地资料目录再在提示词中要求模型“只能根据资料内容回答不要补充记忆中未经确认的信息”。这一步本质上是给模型加了一个“外挂知识库”对专业型公众号特别有用。4.3 排版到公众号后台全乱了我最早一批文章全都栽在排版上。Markdown在本地看起来很正常一旦黏贴到公众号后台要么代码块没有底色要么引用块变成一坨挤在一起的文字要么行间距忽大忽小。排查下来问题集中在几个地方公众号后台对标准Markdown支持不全对某些CSS属性不支持对特殊字符处理不稳定。我的解决方案是“先转为HTML再逐项检查内联样式”。脚本转换后我会在本地用浏览器打开渲染结果确认样式再把HTML源码复制到公众号后台的富文本编辑器里用预览模式对比。这里有一个重要的经验不要直接在公众号后台的“源码模式”里粘贴整段JSON或代码示例。后台源码模式会把双引号、尖括号等字符吃出问题。我的做法是把代码块内容先经过HTML转义确保小于号、大于号不会被浏览器解析成标签。4.4 要不要做全自动发布很多朋友问我工作流能不能做到一键自动发布甚至定时推送。我的建议是不要为了自动化而自动化。公众号平台的接口虽然可以创建草稿、群发消息但群发有频次限制而且群发出去的内容无法大面积修改。一旦标题、摘要、正文任何一个环节出问题损失无法挽回。我的工作流目前停在“生成草稿并预览”这一步最后的发布动作始终由人完成。具体做法是脚本调用接口把排版好的HTML和摘要写入草稿箱然后推送一个提醒我打开公众号后台检查预览再手动发布。这样既省掉了排版和反复复制粘贴的时间又把“最终内容发布”的控制权保留在人手里。5. 让工作流真正跑起来的几条经验5.1 建议从单环节自动化开始如果你现在还没接触过AI工作流不建议一上来就搭整条链路。先挑一个最痛的点比如标题生成或者排版转换把它自动化。跑顺一个环节后你自然能看到下一个可自动化的环节在哪里。我最初只做了一个标题生成脚本后来才逐步加上素材采集、初稿生成和排版。每加一个模块整个流程的稳定性都要重新调整单环节试错的成本要低得多。5.2 把提示词当代码管理写提示词不是聊天是在开发自己的“指令系统”。同样一个标题生成功能我前前后后改了十几个版本。每一步调整都记录了理由和效果比如加了“不要用震惊”后标题点击率有没有变加了“输出格式”后可用率高了多少。我把这些提示词版本存在单独目录里和代码一起管理这样可以随时回退到表现最好的版本也能对照不同版本之间的差异。5.3 人机协作的分工边界经过一段时间使用我对这套公众号助手最大的体会是AI负责效率人负责品质。AI可以在三分钟内生成一篇完整初稿可以一次性给你十五个标题候选可以帮你把排版时间从一小时压缩到五分钟但它不负责判断这篇文章是否符合你的账号调性不负责判断这条信息是否准确不负责对读者负责。所以我保留了三个必有的人工决策点选题决策、事实核查、发布确认。其余环节尽量自动化。刚开始手动环节会多一些随着对模型输出的信任度提升你可以逐步扩大自动化范围但“人做最终决策”这条底线建议一直保留。我一直认为AI工作流最理想的状态不是无人值守而是“人只做判断”。这套公众号助手把我从重复劳动里解放出来剩下的时间我用来看素材、想选题方向、琢磨标题语感。如果你也在摸索AI和内容生产怎么结合可以从一条最简单的链路开始素材到初稿初稿到草稿箱。先把这条跑顺再往上游和下游扩展。等你真正把流程跑起来就会发现公众号更新这件事可以比想象中从容很多。
