ClaudeCode 的 172 个应用场景（1）：内容创作

但真正做内容的人都知道，写作只是后半段。前半段更麻烦的是：素材从哪里来？公众号文章怎么抓？小红书评论怎么拿？GitHub 项目怎么读？长报告怎么消化？几百篇文章怎么分类？这些东西如果都靠人工复制、阅读、整理，基本不可能长期坚持。

所以第二篇，我想讲 Claude Code 的第二大类应用：内容抓取与素材处理。

这部分解决的不是“怎么写文章”，而是“怎么把外部信息变成自己的内容弹药库”。

我把它分成四段：

一、单篇抓取：先把有价值的内容拿下来

内容创作的上游，是信息输入。

以前看到一篇好文章，我最多是收藏一下，或者复制到文档里。问题是收藏之后很少再看，复制也经常格式乱、图片丢、正文不完整。后来我开始让 Claude Code 直接抓取、清洗、总结、归档。

1. 单篇 / 多篇公众号文章抓取 + 结构化总结

这是我用得非常多的一个场景。

原来看到一篇公众号文章，想快速判断有没有价值，一般要自己点开读完。遇到几千上万字的长文，还要自己摘重点。如果想保存正文，还要复制粘贴，格式很容易乱，标题、作者、发布时间也经常漏掉。

现在我会直接把公众号链接丢给 Claude Code。

输入是：一个或多个公众号文章 URL。

输出通常有两类：第一类是抓取下来的正文，包括标题、作者、发布时间、正文内容，保存成 JSON 或 Markdown；第二类是结构化总结，包括核心论点、关键洞察、案例数据、对我业务的启发。

如果是多篇文章，我还会让 Claude Code 横向对比：哪些观点重复，哪些文章值得看，哪些可以转成选题，哪些对我的三条业务线有用。

这里真正省心的地方是：我不需要一篇篇复制，也不需要自己先完整读完。Claude Code 先帮我把正文抓下来，再压缩成我能快速判断的结构。文章如果值得深入看，我再继续读；如果不值得，就只保留摘要。

这一步很像内容创作的“入口”。外部文章先被抓下来，才有可能进入后面的素材库、选题库和知识库。

2. 资讯 / 纪要网站文章页抓取与站内搜索取链接

除了公众号，我也经常会看一些资讯网站、产品经理社区、投资纪要网站或行业文章页。

原来处理这类网站也很烦。我要么手动复制正文，要么在站内搜索关键词，然后一个个点开结果，把标题、作者、日期、链接保存下来。做一次还行，多做几次就很浪费时间。

现在我会让 Claude Code 直接访问页面或做站内搜索。

输入是：一个文章链接，或者一个网站加一个关键词。比如让它在某个产品经理网站里搜索 “Claude Code”，提取前几篇相关结果。

输出可以是文章正文，也可以是搜索结果列表，包括标题、作者、日期、URL 和简短说明。

这个场景里，Claude Code 做的不是复杂研究，而是把原本要人工点网页、复制链接、整理表格的动作自动化。特别是站内搜索这类动作，人工做起来很碎，交给它会省不少时间。

它的价值在于：普通网页也能进入我的内容工作流，不会停留在浏览器收藏夹里。

3. 长报告 / 长文速读总结提炼

有些材料不是单篇文章，而是几万字的行业报告、白皮书或长文。

原来我拿到这类材料，第一反应通常是先收藏，等有时间再看。但实际情况是，大部分长报告收藏之后就不会再打开。因为完整读一遍成本太高，不读又不知道里面有没有价值。

现在我会先让 Claude Code 做速读总结。

输入是：一份长报告全文，可能是几万字的文本，也可能是 PDF 或 Markdown。

输出是：按原报告结构整理出的摘要、核心判断、关键数据、重要案例、值得引用的观点，以及“这份报告对我有没有用”的判断。

比如一份文化产业和生成式 AI 相关的长报告，Claude Code 可以帮我按章节梳理：报告讲了什么问题，哪些数据最关键，哪些观点适合引用，哪些内容和我的企业 AI 转型业务有关。

这件事省心的地方是：我不用先完整读完报告，Claude Code 先帮我把骨架拆出来。后面我要写文章、做 PPT、做培训时，可以直接从摘要里挑可用材料。

它不是替代深读，而是降低判断成本。先知道这份报告有没有价值，再决定要不要深入看。

4. 播客 / 视频转录文本价值提取与归类沉淀

有些素材来自播客、访谈或视频转录稿。

原来音视频内容最大的问题是不好检索。听的时候觉得有价值，听完之后很难再找回某个观点。即使已经转成文字，如果只是放在那里，也很难复用。

现在我会让 Claude Code 对已经转好的播客或视频文本做二次提炼。

输入是：播客转录文本、访谈稿、视频口播稿，或者 docx 格式的长文本。

输出是：节目摘要、核心观点、金句、对我业务有用的启发、可以转成文章的选题，以及归档到 Obsidian 或飞书知识库的结构化内容。

这里的重点不是转文字本身，而是把文字稿变成可用知识。比如一段访谈里提到 AI 产品、组织转型、知识管理，我会让 Claude Code 按主题拆出来，并标记哪些观点适合写公众号，哪些适合放进培训课件，哪些适合做客户沟通素材。

这件事的价值是：播客和视频不再只是听过就忘，而是能变成可检索、可复用、可二次创作的素材资产。

二、批量归档：把零散内容变成知识库

单篇抓取解决的是“拿下来”。

但内容一多，真正的问题就变成了：怎么归档？怎么去重？怎么命名？怎么放进知识库？怎么让后面写文章的时候还能找回来？

这一部分，Claude Code 更像一个内容资料管理员。

5. 批量抓取多篇公众号文章 → 迁移进 Obsidian 知识库

有时候我不是抓一篇文章，而是一次性给 Claude Code 十几个公众号链接，或者要求它把我自己公众号里的历史文章全部迁移到知识库。

原来做这件事很麻烦。每篇文章都要打开、复制、保存、改标题、补日期、放到对应文件夹。文章一多，很容易重复、漏抓、格式不统一。

现在我会让 Claude Code 批量处理。

输入是：一批公众号链接，或者一个公众号历史文章列表，外加目标知识库路径和命名规则。

输出是：每篇文章对应的 Markdown 文件，按 YYYY-MM-DD_标题.md 命名，正文前面带元信息，比如标题、作者、公众号、发布时间、原文链接。文件会自动放进 Obsidian 的指定目录。

如果中间有部分文章抓取失败，它会用浏览器自动化或登录态方式兜底。迁移自有公众号文章时，它还会按账号名去重，避免把同一篇文章重复保存。

这件事省心的地方是：我不用手动复制粘贴几十篇文章，也不用逐篇整理格式。外部文章和自己的历史文章，都可以变成统一格式的知识库文件。

这一步对长期做内容很关键。因为你过去写过什么、收藏过什么、看过什么，只有进入知识库，后面才可能被重新调用。

6. 公众号文章全量爬取 + CSV 转 Markdown 归档

还有一种更重的场景：把某个公众号的历史文章尽可能全量抓下来。

比如我研究一个 AI 财务博主，想看他过去一年到底写了哪些内容，哪些文章和财务有关，哪些和 AI 有关，能不能从中整理出财务 AI 场景。

原来这种事人工根本做不了。一个公众号几百篇文章，靠手动打开复制，不现实。

现在我会让 Claude Code 改造爬虫，把文章列表和正文抓下来。

输入是：公众号账号信息、抓取配置、cookie 和 token、目标保存路径。

输出是：文章元数据 CSV，包括标题、摘要、发布时间、链接等；以及每篇文章正文对应的 Markdown 文件。后续还可以按月份、来源或主题分文件夹保存。

比如抓取某个公众号 260 多篇文章后，Claude Code 可以先生成 wechat_articles.csv，再把 CSV 转成 Markdown，一篇篇放进 Obsidian。

这件事的价值是：一个公众号可以从“只能在线浏览的信息源”，变成“本地可检索的知识库”。后面要做分类、打标、提取场景、分析选题，全都有了底料。

7. 网页 / GitHub 长内容完整抓取入库

有些网页很长，比如一个 AI Agent 项目合集，一个 Google Agent 落地案例页面，或者 GitHub 上几百个开源项目的 README 汇总。普通抓取经常会被截断、反爬，或者只拿到前面一小段。

原来遇到这种情况，很容易只看摘要，或者随便列几个案例就算了。但如果我要做咨询素材或白皮书素材，只看几个案例是不够的。

现在我会让 Claude Code 尽量抓完整内容。

输入是：网页链接、GitHub 仓库链接、希望提取的内容范围、目标保存路径。

输出是：完整正文、结构化解析后的 Markdown 文件，或者按行业、项目类型、应用场景拆好的知识库文档。

比如一个页面里有几百上千个 Agent 案例，Claude Code 会通过浏览器自动化、CDP、GitHub API 等方式尽量拿到完整内容，再解析成可读的结构。最后保存到本地知识库里，而不是只给我一个简短摘要。

这件事最重要的教训是：做资料沉淀时，先全量抓下来，再做摘要。不要拿几个片段冒充全量。对企业 AI 咨询来说，案例库越完整，后面做方案和培训时越有底气。

8. 付费专栏内容提取入飞书 / 核验

我也会把一些已经购买的付费专栏内容整理到飞书或本地知识库里。

原来小报童这类付费专栏很难整理。内容在网页里，可能需要登录态，图片还会懒加载，手动复制会丢格式、丢图片。如果有几十篇文章，人工搬运非常麻烦。

现在我会让 Claude Code 借助浏览器登录态，把已购买内容完整提取出来。

输入是：付费专栏链接、文章链接列表、目标飞书文档或知识库路径。

输出是：完整文章正文、图片、文章链接列表，必要时直接写入飞书文档，并尽量保持图文顺序。

这个场景里，Claude Code 做的不只是复制文本。它会打开网页，滚动加载内容，提取正文和图片，再通过飞书文档工具写入知识库。如果是核验任务，它还可以确认哪些文章可访问，哪些链接失效，哪些内容已经成功提取。

这件事的价值是：我购买过的内容不再散落在平台里，而是能沉淀到自己的学习库中，后面可以检索、总结、引用和二次加工。

三、结构化提炼：从大量素材里提取标签、场景和判断

当内容抓下来以后，新的问题出现了：资料太多，怎么用？

几百篇文章放在知识库里，如果没有标签、分类、摘要和场景抽取，本质上还是一堆文件。Claude Code 在这里的价值，是把“内容堆”变成“结构化素材库”。

9. 海量公众号文章并行打标分类

比如我抓了一个财务博主 260 多篇文章，想知道哪些是财务，哪些是 AI，哪些是财务 AI，哪些都不相关。人工逐篇读，一天都不一定够。

原来这种分类工作很无聊，也很容易标准不一致。今天觉得某篇算 AI，明天可能又觉得不算。

现在我会把文章切成多个 batch，让 Claude Code 并行打标。

输入是：每批文章的标题、摘要、正文节选和分类标准。分类标准会写清楚：财务包括会计、报表、税务、预算、ERP 等；AI 包括大模型、Agent、自动化、AI 工具等。

输出是严格 JSON 数组。每篇文章都会标注 财务、AI、财务AI 或 都不相关，必要时还会附一句理由。

这件事省心的地方是：几百篇文章可以分批并行处理，最后再用程序回收结果。分类标准写死以后，多批处理的口径也会比较一致。

这里有一个关键点：不能只靠关键词匹配。比如标题里没有“AI”，但正文里讲的是智能体、自动化分析，也可能属于 AI；标题里有“智能”，但实际只是规则系统，也未必算 AI。Claude Code 的语义判断在这类任务里比简单脚本更好用。

10. 从财务 + AI 文章抽取“财务场景 + AI 用法”结构化清单

文章分类之后，我还会进一步抽取场景。

比如从几十篇“财务 AI”文章里，提取出 AI 到底能在财务里干什么：发票审核、费用报销、对账、预算预测、现金流分析、报表生成、税务检查、制度问答等。

原来人工读文章时，只能边看边摘，最后很容易变成一堆零散笔记。想整理成“15 大场景、75 个具体用法”，工作量很大。

现在我会让 Claude Code 逐篇提取。

输入是：每批 8 篇左右的财务 AI 文章，以及明确的提取规则。

输出是结构化 JSON。每篇文章会输出标题，以及其中真实提到的场景和 AI 用法。如果文章里没有具体场景，就标记“无具体场景描述”。

这个场景里，我会特别强调：只提取文章里确实写到的，不脑补，不扩展，不把 RPA 或普通规则引擎强行算成 AI。

这条规则很重要。因为场景库一旦掺入 AI 自己脑补的内容，后面做培训、白皮书、客户方案时就会失真。

这件事的价值是：几百篇文章不只是被收藏，而是被压缩成可检索、可复用的“场景-用法”清单。后面我要做财务 AI 培训，就可以直接从里面选案例、选场景、选用法。

11. 小红书笔记 + 多级评论完整抓取 → 应用场景清单

有些真实需求不在正式文章里，而在小红书评论区里。

比如我想研究“AI 在财务场景到底有没有真实需求”，光看公众号文章不够，还要看真实用户怎么说。他们吐槽什么，觉得哪里有用，哪里不靠谱，哪些问题每天都在发生。

原来小红书内容最难处理。正文可以看，但评论很多是折叠的，还有一级、二级、三级回复。人工翻评论非常累，也很容易漏。

现在我会让 Claude Code 走浏览器登录态，把笔记正文和多级评论完整抓下来。

输入是：小红书笔记链接、搜索关键词，或者几条指定笔记。

输出是结构化 JSON，包括标题、作者、正文、赞藏数、评论，以及多级嵌套回复。后续 Claude Code 还可以继续把评论整理成场景分类表，比如数据查询、自动化、审核合规、票据处理等。

这件事的价值是：我可以从真实用户评论里提取一手需求。公众号文章更像作者观点，小红书评论更像用户现场。两者结合，做出来的场景判断会更接近真实市场。

比如有人在评论区说“每天都在对账”“发票审核很麻烦”“系统导出的表格式乱”，这些都可能变成后面的培训案例、Demo 方向或产品场景。

12. 公众号素材逐篇摘要 + 配“曾俊视角”选题角度

有时候我抓了一批行业文章，不一定马上写，但需要快速判断哪些能变成我的选题。

原来我会打开文件夹，一篇篇看标题和开头，大概判断有没有用。看完之后如果不马上写，很快又忘了。

现在我会让 Claude Code 批量读这些文章，并给每篇补一个“曾俊视角”。

输入是：一个文件夹里的多篇公众号文章，或者一个月度素材目录。

输出是：每篇文章的标题、来源公众号、核心主题、2 到 3 个关键点，以及“对曾俊的潜在选题角度”。

比如一篇文章讲 AI Agent，Claude Code 不只是摘要，还会帮我判断：这篇文章可以怎么转成“企业 AI 培训”的选题，怎么转成“智能体定制”的选题，怎么转成“老板认知”的选题。

这件事省心的地方是：看文章不再只是看文章，而是看完就能沉淀选题。它把外部素材和我的业务线接起来。

这一步对持续写公众号特别有用。因为素材很多，但真正能写成自己文章的角度，需要结合自己的定位重新解释。

13. 多博主公众号数据分析找爆款规律 + 基于标题选题筛选

除了分析内容本身，我也会分析数据。

比如抓取几个 AI 博主的文章数据，看哪些主题点赞、分享、阅读更好，再反过来验证我的选题判断。

原来我对“什么内容容易火”的判断更多靠感觉。觉得某些标题好，某些主题有用，但没有数据支撑。

现在我会让 Claude Code 结合 Python 做数据分析。

输入是：多个博主的公众号文章 Excel，里面包含标题、发布时间、点赞、分享等数据；或者我自己素材库里几千个标题。

输出是：高互动主题规律、TOP 文章主题分布、全量主题占比、标题类型分析、可写选题推荐。

比如我可以验证一个假设：“对用户有帮助”是不是爆款的充分条件。分析后可能会发现，有帮助只是基础，真正拉开数据的还包括低门槛、热点、场景感、首发、情绪表达等因素。

这件事的价值是：选题不再完全靠拍脑袋。Claude Code 可以帮我把标题、互动数据、主题标签放在一起看，找出哪些方向值得继续写，哪些只是我自己觉得重要但读者不一定关心。

14. 内容素材库摸底 / 清理 + 自己历史文章提炼技巧

素材库越用越大，也会越来越乱。

有些文件是 AI 相关，有些不是；有些文章已经过时，有些重复；有些自己过去写的内容，其实可以拆出很多课程素材，但如果不重新整理，就一直躺在文件夹里。

原来清理素材库是一件很烦的事。人工一个个打开判断，效率很低。只看标题又不准确，因为有些标题看不出内容是不是相关。

现在我会让 Claude Code 做素材库摸底和清理。

输入是：一个公众号文章文件夹、一个 Obsidian 目录，或者自己历史文章链接。

输出可以有几类：第一类是删除或标记无关内容；第二类是按主题整理已有素材；第三类是从自己历史文章里提炼可复用技巧；第四类是把几十篇运营技巧文压缩成速查摘要。

比如我以前写过一篇“29 条提示词技巧”，Claude Code 可以抓取正文后，从里面挑出适合做进阶课、培训案例或文章选题的条目。这样历史文章就不只是发布过的内容，也能重新变成课程素材。

这件事省心的地方是：素材库可以持续维护，旧内容也可以被重新激活。长期做内容，最怕素材越积越多但越来越不可用。Claude Code 可以定期帮我做清理、归类和复用。

四、反哺创作：把素材变成选题、流程图和业务判断

抓取和整理最终还是要服务创作、培训、咨询和产品判断。

所以第二大类最后一部分，不只是“把内容存起来”，而是把内容加工成我后面能直接用的东西：选题、流程图、产品判断、场景清单、培训素材。

15. 抓取文章 → 整理成 Mermaid 流程图 + 产品深挖追问

有些文章讲的是一个产品流程或工具方案，只读文字不够直观。我会让 Claude Code 把它拆成流程图，再继续追问产品逻辑。

原来我看到一篇讲产品拆解的文章，只能自己边读边想：这个产品到底怎么跑？核心价值是什么？成本在哪里？是不是软文？有没有真实壁垒？

现在我会让 Claude Code 先抓文章，再画流程图。

输入是：一篇产品拆解文章，或者一个工具介绍链接。

输出是：按照文章内容整理出的 Mermaid 流程图，以及后续产品分析，比如核心流程、关键环节、可能的技术实现、成本结构、产品壁垒和可疑点。

比如一篇文章讲某个视频工具，Claude Code 可以先把 Hunt、Analyze、Recreate 这样的流程画成图。接着我继续追问：它核心价值到底是不是多了个搜索？用的可能是什么模型？成本是不是很高？文章是不是偏推广？

这件事的价值是：我不只是“读懂文章”，还能快速形成产品判断。流程图帮助我看结构，追问帮助我识别文章里没讲清楚的地方。

对我这种既做内容又做企业 AI 方案的人来说，这类能力很有用。它可以把一篇软文拆成一个可判断的产品逻辑，而不是被文章表述牵着走。

五、这套素材处理体系真正解决了什么问题

如果只看单个场景，好像都是一些抓取、总结、分类、归档的小动作。

但把它们串起来之后，意义就不一样了。

它解决的是内容生产的上游问题：素材从哪里来，怎么拿下来，怎么变成知识库，怎么分类，怎么提取场景，怎么反哺选题和业务判断。

我现在更像是在搭一条内容输入和素材加工流水线。

前面有公众号、网页、GitHub、小红书、播客、视频、付费专栏这些信息源。中间有抓取、清洗、归档、去重、分类、摘要、抽取。后面有选题、培训素材、场景库、流程图、产品判断和文章写作。

这套体系里有几个关键原则。

1. 不要只收藏，要抓下来

收藏夹里的内容，大多数最后都不会再看。真正有用的内容，应该进入自己的知识库，变成可检索、可总结、可复用的文件。

2. 不要只抓正文，要保留结构

一篇文章只有正文还不够。标题、作者、发布时间、来源链接、摘要、标签、主题分类，都应该一起保留。这样后面做检索和引用时，才不会变成一堆无来源文本。

3. 批量内容必须结构化

几百篇文章如果只是存成 Markdown，价值有限。必须继续做分类、打标、摘要和场景抽取。结构化之后，内容才会从“资料堆”变成“素材库”。

4. 素材要和业务线接起来

我抓文章不是为了单纯囤资料，而是为了服务后续写作、培训、咨询和产品设计。所以每篇文章最好都能回答一个问题：它能变成什么选题？能支持哪个观点？能进入哪个案例库？能不能变成客户方案里的一个场景？

5. Claude Code 更适合做素材工程

普通 AI 聊天工具也可以总结一篇文章。但 Claude Code 更适合做完整素材工程：抓网页、读文件、跑脚本、批量处理、生成 JSON、写入 Obsidian 或飞书、再反过来支撑写作。

这也是我越来越明确的一点：内容创作的前提是内容资产化。没有稳定的素材输入和整理流程，后面的写作一定会越来越虚。

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。