企业官网建设流程全解析

如果你同时要运营好几个不同定位的内容账号，应该很容易共鸣：每天最累的往往不是“写”本身，而是从选题、查资料、写初稿、改标题到分发，所有环节都得你一个人扛，大脑在任务之间来回切换，半天就耗光了。今年我给自己搭了一条“内容生产流水线”，把选题搜集、素材调研、初稿生成、编校质检、渠道分发这些重复性、检索性的工作交给Agent去跑，自己只在关键节点做判断和终审。这套Agent工作流跑通后，我最直观的感受不是“产量数字变好看了”，而是我不再需要反复进入状态、被打断、再进入状态，精力终于集中在了内容判断上。下面我把整套流水线的设计逻辑、任务卡写法、实测踩坑和分发回流方案都展开讲讲，正在做个人品牌或小团队垂类内容的同学应该用得上。

1. 为什么我把内容生产改成了流水线作业

1.1 真正耗人的是“切换成本”，不是打字速度

大多数做内容的人都会把问题归结为“我写得太慢”，其实写作本身的速度完全不是瓶颈。真正的瓶颈是大脑在不同任务之间反复切换时的那个“回神”过程。

你可以回忆一下自己写一篇文章的完整路径：先想今天写什么，想到一个方向之后，发现手头素材不够，于是去搜资料；搜了几页资料，脑子里存了一堆片段，但还没组织成观点；这时候又看到一个热点，觉得应该追一下，于是又回去改选题。等真正坐下来要写的时候，上午已经过去一大半，而且因为任务频繁切换，整个人是躁的，很难进入深度写作状态。这种状态持续一天，产出反而很少。

流水线的思路就是彻底改变这个结构，把“一个人从头到尾搞定一篇内容”改成“拆分工序，每道工序交给对应角色”。每个角色只做自己最擅长的一件事，不用同时记着选题、素材、结构和发布需求。人不再事必躬亲，而是像一个质检员，站在流水线的几个关键卡口上做判断。这也是我会用“流水线”而不是“自动写作”来形容这套方案的原因——它不是帮你把文章秒写完，而是帮你把生产过程中那些反复横跳的损耗剪掉。

1.2 这套流水线里，“人”和“Agent”各自干什么活

首先要说清楚，我这里说的Agent，不是某个神秘黑盒，它的本质是一段有固定输入、固定输出、固定交接格式的自动化任务。你可以把它理解成一个“只做一道工序的虚拟员工”，它不知道前后发生了什么，只需要依据任务卡完成自己的部分。

我的分工原则非常朴素：Agent负责执行重复性、检索性、生成性任务，比如收集热点、整理素材、写初稿、做格式检查；人负责做判断性任务，比如定选题方向、审稿改稿、决策发布时间、判断数据有没有参考价值。凡是“看一眼就知道对不对”的活儿，都可以交给Agent；凡是“需要结合经验做取舍”的活儿，尽量留在人这边。

我在实际操作里的经验是：不要追求“全自动无人值守”。内容生产是一个需要兜底的行业，全自动意味着所有风险都要由算法兜底，但在内容质量这件事上，算法兜底还不够可靠。半自动流水线才是当前最稳的形态。这也是为什么我在后面设计的每一个环节里，都会刻意留一个人工检查点，而不是把所有事情一股脑交给AI。

2. 五段式流水线的整体设计：每个环节都在往下一个环节交“标准件”

2.1 先看整条链路是怎么串起来的

我先说下整条流水线的主干，后面再逐个环节展开。它其实只有五站，外加一个回流闭环：

选题雷达 → 调研Agent → 成稿Agent → 编校Agent → 分稿Agent → 数据复盘（回流到选题）

其中“选题”和“审稿”两个位置需要人工重点介入，其余环节基本可以让Agent自主运行。人工检查点不是“审核所有内容”，而是只做选择题：这个选题要不要做、这篇稿子能不能发、这个标题行不行。

这个结构和一拍脑袋的做法完全不同。最初我想的是让一个大模型从头聊到尾，用一段超长提示词把需求说清楚，让它自己完成所有事情。后来发现，单段长提示词的问题在于：它把选题、素材、成稿、摘要全部混在一个对话里，一旦中间某一步想调整，整个对话的一致性和可控性都会被破坏。把每个环节拆成独立的Agent，用标准化的“交接单”连接起来之后，每一步都可回放、可修改、可替换，这才是流水线真正的价值。

2.2 第一站：选题雷达，收集候选而不是拍脑袋

选题雷达承担的是“广撒网”的工作。它要做两件事：一是从公开信息里收集候选话题，二是按照账号定位给这些话题排序，排出“值得做”的优先级。

它的输入一般是三样东西：账号定位描述（越具体越好，比如“面向30岁左右职场人的时间管理技巧”）；历史爆款标题清单（过去30天自己账号或同类账号表现最好的10条）；当前热点候选池（可以手动整理，也可以让脚本定期抓取热词列表喂给它）。

它的输出不是一两个标题，而是一张按优先级排好的选题表。每条选题至少包含六个字段：选题标题、为什么值得做、热度来源、时效窗口、目标受众、竞争强度。为什么要这些字段齐全？因为下一站调研Agent需要知道选题依据是什么，否则它不知道往哪个方向搜集素材。第一次跑选题雷达时，你会明显感觉到它给出来的东西比“随机聊天式灵感”要靠谱，原因是它被要求给出依据，而不能凭空冒出一个话题。

这里的人工操作点是一周两次，把选题雷达交上来的表过一遍，勾选或者加备注。做这个动作时不需要从头想“写什么”，只需要对候选做减法，半小时以内完全可以结束。

2.3 第二站：调研Agent，把选题变成一份“资料包”

选题确定之后进入调研环节。这个环节最容易被人低估。以前自己写稿时，查资料是顺着搜索引擎一页页翻，翻了半天发现大半用不上；现在调研Agent可以在几分钟内拉出一份结构化的资料包。

资料包至少包含五部分：关键数据（每一项都要带来源）、案例库（真实发生的具体案例，带时间）、观点光谱（这个议题下有哪些不同的立场）、金句或可用表述、以及争议点。这个输出结构看起来简单，但对成稿质量影响巨大。资料包里有没有真实案例，决定了初稿是不是只会说空话；有没有观点光谱，决定了文章是不是一边倒的喊口号。

这里最关键的一点是：所有信息必须做“事实分级”标注。来源可靠的标记为“已验证”；只有单一来源、暂时无法交叉验证的标记为“待核实”；模型归纳或者推断的表述标记为“推测”。这套标记在成稿和编校环节会派上大用场，也是后面我专门讲“事实核查翻车”那一节的地基。

2.4 第三、四站：成稿Agent和编校Agent，一个负责写，一个负责挑毛病

资料包到了成稿Agent手里，就要开始输出初稿。成稿Agent的输出目标不是“一篇完美文章”，而是“一篇结构完整、语言通顺、可以被编校和人工继续修改的初稿”，这个定位很重要。一旦你把目标设定成“完美文章”，它就会用力过猛，产出一堆看起来很华丽但很难改的内容。

所以它要先按固定骨架来写。骨架一般这样定：开头前3秒抓人（用一个反常识结论、悬念或者具体场景切入）；正文分成多个小标题，每段不超过五行；每段只讲一个观点；结尾落到行动建议或者互动引导。不要让它自由发挥结构，否则返工率特别高。这个骨架看起来约束很多，实际上恰恰是它能稳定产出可用初稿的原因，内容创作的自由体现在观点和表达上，而不是体现在结构随机上。

编校Agent是很多新人在搭流水线时会忽略的一环，但它其实是成本最低的一道质检站。它可以非常廉价地完成这些检查：错别字和标点、重复用词、段落衔接断层、逻辑前后矛盾、长句拆分、语气不一致。这些工作不需要“理解”多深，只需要按清单逐项检查，把问题列出来就行。

它还有一个很关键的职责：把稿件里的“待核实”和“推测”标记全部抽出来，单独生成一张“待确认问题清单”。人在审稿时不需要通读全文去猜哪里可能有事实风险，只需要对着问题清单逐条确认即可。这个设计是我认为整套流水线里性价比最高的一处。

2.5 第五站：分稿Agent和各渠道的“一鱼多吃”

初稿通过人工审稿后，进入分稿环节。大多数人在做一稿多发时会偷懒：把正文复制到三个平台，改个标题，改个开头，完事。但不同渠道的阅读场景差异真的很大，这个我后面会展开讲。

在这个环节，分稿Agent要做的是基于同一份主稿，分别生成不同渠道专用的版本。我给分稿Agent设定的输出通常包括三个产物：渠道A版（长图文）保留完整逻辑，信息密度最高；渠道B版（短内容）只保留核心观点和最有冲击力的案例，开头第一句必须是钩子，全文尽量控制在几百字；渠道C版（社群口语化）加入互动提问，语气更放松，像在群里跟朋友聊天。

不同渠道的标题也要重新生成，不能共用同一个标题。标题生成还有个隐藏要求：必须保留原稿的核心观点，不能为了吸睛跑偏。这就在后续改稿时节省了大量“标题太夸张、跟正文对不上”的返工时间。

发完之后，数据站会把发布后的表现记录下来，定期回流给选题雷达。这一个环节很关键，我在第五章会单独讲，因为它是整条流水线能不能持续进化的命门。

3. 让Agent链真正跑起来的三件套：任务卡、交接单、提示词模板

3.1 任务卡：先别急着堆提示词，先把“岗前培训”写清楚

很多人在搭Agent工作流时最容易犯的错误是：直接写一段“请你帮我做选题”这样的对话提示词，发现效果不稳定，然后开始疯狂改提示词。其实问题往往不是提示词写得不够好，而是这个Agent缺少“任务卡”。

任务卡本质上就是岗位说明书，它和一次对话的提示词是两回事。提示词只负责单次对话的输出，任务卡负责让这个Agent在每次运行前都清楚自己是谁、能做什么、不能做什么、交什么格式的产出、遇到边界情况怎么办。在我这套流水线里，任务卡有七个固定部分：角色定义、任务目标、输入来源、输出格式、质量标准、禁忌事项、兜底方案。

拿选题雷达举例。它的任务卡会写明：角色是“垂类账号的选题策划编辑”；任务目标是“基于账号定位和热点池，生成一版优先级选题表”；输入来源是“定位描述+历史爆款清单+热点池”；输出格式是“六字段表格”；质量标准是“每个选题必须给出可验证的来源依据，不许编造”；禁忌是“不要写泛娱乐话题，不要涉及争议敏感方向”；兜底方案是“如果热点池为空，就从历史爆款中找规律，生成复利型选题”。

七个部分写清楚以后，提示词反而会变得非常简洁。因为每次运行只需要读取任务卡，再结合当天的输入，就能稳定完成任务，而不是每次都要在提示词里把所有背景重新讲一遍。

3.2 交接单：结构化输出是流水线不卡壳的命根子

流水线和普通对话最大的差别在于，每个Agent的产出不是给人看的“最终答案”，而是要给下一个环节当“原料”的。既然原料要过手，就必须有统一的交接格式。

我把这种格式叫做交接单。每个Agent完成自己的工序后，都要输出一份包含这五部分的信息：状态标记（正常/需要人工确认/存在风险）、核心结论、素材明细、待确认问题、下一环节的使用建议。用这个格式的动机是：人工只需要看“状态标记”和“待确认问题”两栏，就能决定下一步动作，不需要把整份内容重新读一遍。

实际运行的时候，交接单用Word或者Markdown都可以，关键是字段稳定。我最开始用在线文档，后来发现本地Markdown文件最方便，因为脚本可以直接读取、追加、组合，不受编辑权限干扰。每个Agent在启动时读取上一站交付的交接单，把对应字段当作输入，再输出自己的交接单，整条链就跑起来了。

3.3 两段可以直接抄的提示词模板

提示词不用写得太玄，重点是“把任务卡压缩成一段指令，并把交接单的字段写进输出要求”。我直接放两个用着还顺手的模板，你可以按自己领域替换里面的占位内容。

第一个是选题雷达的提示词：

【角色】你是一名专注[某领域]的内容策划编辑。 【任务背景】账号定位是[一段话]，目标受众是[人群画像]。 【输入】以下是近期热点候选池和过往爆款标题清单： [粘贴输入] 【输出要求】 1. 只输出一份候选选题表，表头固定为：选题标题 | 选题理由 | 热度来源 | 时效窗口 | 目标受众 | 竞争强度 2. 每个选题必须附带可验证的热度来源，来源不明视为无效 3. 选题数量控制在5-10个，按建议执行优先级排序 4. 如果热点池为空，请基于历史爆款规律生成选题，并在热度来源列标注“历史规律” 【禁忌】 - 不要编造话题热度 - 不要输出与账号定位无关的泛娱乐话题 - 不要涉及争议敏感方向

第二个是编校Agent的质检提示词：

【角色】你是一名严格的文字质检编辑。 【任务】检查下面这篇稿件，输出问题清单。 【检查项】 1. 错别字、标点、格式 2. 重复用词和口语赘词 3. 段落衔接是否断裂 4. 前后结论是否有矛盾 5. 是否存在未经确认的[待核实]或[推测]表述 【输出格式】 问题编号 | 原文位置 | 问题类型 | 修改建议 最后单独列出一份“待人工确认事实清单”，只摘出所有[待核实]和[推测]的句子。 【注意】不要重写全文，不要改作者观点，只做质检。

这两段模板我每次都会根据实际微调，但框架从没大改。建议你第一次跑的时候，先让它输出一次，再根据“最不满意的部分”把对应禁忌或格式要求补进任务卡，而不是急着换一个听起来更高级的提示词框架。

4. 实测最容易翻车的三个环节：热度判断、事实核查、平台风格适配

4.1 热度判断：模型不知道“今天”发生了什么，只能靠输入驱动

如果让选题雷达自己去“回忆”近期什么话题火，效果会很糟。原因很简单：模型的训练数据有截止时间，它记住的“近期热点”可能是几个月甚至一年前的事情。它还会因为训练语料多，把一些已经不热门的老话题描述得好像刚刚发生过。

我踩过非常明显的一次：让模型生成追热点选题，它推荐了一个热度早过了的行业话题，理由是“讨论热度持续走高”。实际上当时那个话题已经没有流量。这个问题的解法不是让模型变得更聪明，而是把“今天的输入”换成机器可靠的数据：用定时脚本抓取当前热词、行业榜单里的实时候选，再作为输入喂给Agent。Agent只负责按账号定位过滤、排序、补理由，不负责“知道今天发生了什么”。

另外，每一条选题都要有时效窗口字段。如果时效窗口很窄（比如只有一天），那这条选题不能排在流水线深处慢慢加工，应该走一个“快速响应通道”。时效性不够的选题就当常青内容储备，慢慢做。这样一分流，流水线对热点的响应速度会明显好很多。

4.2 事实核查：让“待核实”的句子单独站队，而不是让模型自说自话

第二个翻车点是事实层面。调研Agent给出来的资料包，如果混进了模型自己的推测，成稿Agent会毫不犹豫地把推测当成事实写进正文，而且语气非常笃定。你让编校Agent再查一遍，它的处理方式很可能是顺着上下文强行圆场，而不是指出问题——这也是为什么“让大模型自己审核自己”在事实环节基本不可靠。

我的解决方案就是前面提到的“事实分级标记”，它在整个流水线里是硬约束：调研Agent给出的每一条关键信息，都必须带“已验证”“待核实”“推测”标记；成稿Agent只能把“已验证”的信息直接写进正文，“待核实”和“推测”的内容只能作为“待确认选项”列出，不能融入叙述；编校Agent把所有带标记的句子单独抽出来生成问题清单，由人工对问题和结论做最终确认。

跑了一段时间后，我的直观感受是：这个设计表面上把流程变繁琐了，实际省下来的时间远大于增加的检查成本。因为人工审稿最怕的不是“内容多”，而是“不知道哪些内容需要重点看”。有了事实清单，你只需要把那几条拎出来查一查，其余部分可以快速浏览，审稿效率反而翻倍。

4.3 平台风格适配：一稿多发不是复制粘贴，而是不同版本的重写

在分稿环节，最常见的翻车是把同一篇稿子换个标题就发到所有渠道。它最明显的后果是阅读体验和互动率都上不去，因为不同渠道里的用户预期完全不同。

举个例子，在长图文渠道，用户是来“获取完整信息”的，他们能容忍较长铺垫，但要求逻辑闭环；在短内容渠道，用户是被动刷到的，前1-3秒抓不住注意力就会划走，所以必须把最反常识、最具冲击力的信息放在最前面；在社群类渠道，用户期待的是对话感，长篇大论会被直接跳过，口语化、互动提问、分点小段才是主流。

你如果指望分稿Agent自动领悟这套差异，它大概率只会做表面功夫，比如把长文截断成短段落，或者语气稍微改一下。要让结果可用，必须给它一个风格框架表，明确到每个渠道的五个维度：第一句的写法、段落长度、信息密度、语气标签、结尾引导方式。没有这个框架，它改出来的版本和原稿的差别基本就是字数不同而已。

“改版不是缩短”这句话，是我调分稿Agent时最重要的一课。要避免生成“长文的删减版”，必须让Agent从第一句开始就用渠道自己的逻辑重新组织结构，而不是在原稿基础上做减法。

5. 最后一公里的分发与数据回流设计

5.1 分发不只是点发布：时机、标签、封面、导语都要有“决策依据”

流水线走到分发这一步，很多人会松口气，觉得把内容发出去就完事了。但分发恰恰是“信息损耗”极其严重的位置。同一篇内容，发布时间不同、标题不同、标签不同、导语不同，最终表现可以差出好几倍。

我这边会把分发的各项要素拆开处理：发布时间，根据自己账号后台的粉丝活跃时段来定，并且倾向固定节奏培养用户预期；标签，让分稿Agent根据主稿语义生成一版候选标签，我再根据平台推荐机制做选择；封面和导语，单独生成，导语一定和正文标题错开，承担“让人愿意点进来”的职责；评论区首条，也提前写好互动型文案，引导用户参与讨论。

这些琐碎的信息如果都靠人现想，每条内容要多花不少时间。全部交给分稿Agent按固定格式生成后，人只需要在发布前扫一眼，基本上可以实现“发布环节不卡人”。这也是流水线在接近末端时最明显的体感变化。

5.2 数据回传：最容易被砍掉，但最不应该被砍掉

发完内容之后，下一件事就是记录数据。为什么这一环如此重要？因为如果你只把流水线定义到“发布”为止，那么下一轮选题就缺少了“什么内容真的被认可”这个最关键的反馈信号。没有反馈信号，选题雷达只会重复使用历史爆款作为模板，内容会慢慢越来越像自己，越来越没有张力。

我的做法是，在发布后的1小时、24小时、72小时三个时间点分别记录一批指标：阅读/播放量、互动率、转评比、涨粉数量。把这些数据按内容标题回填到一张总表里，按周汇总。数据回传的字段不需要很多，抓最重要的几个就行。字段太多反而容易让人陷入数据焦虑，也容易让流水线的下一环判断失衡。对于一个垂类账号来说，互动率和“有多少人愿意看完并评论”通常是最接近内容质量的两个信号。

如果你觉得手动记录麻烦，可以用一个最简单的表格脚本，把发布内容的编号、发布时间、各时段数据列出来。前期手工填都可以，不一定非要上复杂的自动化。

5.3 复盘Agent：把数据变成下一轮选题的“燃料”

到了周末，我会跑一次复盘Agent。它的输入是本周发布清单、数据汇总表、上周选题表；输出是一份复盘纪要，内容包括：本周表现最好的三条内容以及它们的共性、表现最差的两条以及它们在标题、开头、结构上的共同问题、下一周建议优化的方向、以及可供选题雷达参考的标题句式。

这里有个经验想分享：复盘Agent做归纳可以，做“深度洞察”要大打折扣。不要让它给出类似“因为用户喜欢XX，所以下周应该重点做XX”这种因果结论，模型很容易编造出听起来合理的解释。更好的用法是让它把“共性特征”列出来，把因果解释留给人。复盘Agent最大的价值其实是“提醒我不要自我重复”。当它从数据里抽出的共性越来越窄时，通常说明账号的内容方向正在变窄，该主动破圈了。

6. 一个月跑下来的数据变化与维护经验

6.1 数据变化：我不再被“待办清单”追着跑

这套流水线我连续跑了一个月，中间也在持续调任务卡和提示词。可以给你一组示意性的变化数据，不算精确，但能代表趋势：月度产出从过去手写的8篇左右提升到22篇；单篇从“从零开始”到发布的全流程耗时，从平均将近4小时降到1.5小时左右；因为多了编校质检，发布前发现问题的比例明显上升，成品内容的返工率反而下降；最明显的变化是精力分配，以前每天要把大几个小时花在“写”上，现在每天只需要集中在早上半小时看选题池、晚上一小时审稿和确认清单上。

这里真诚提醒一句：不同领域、不同账号体量的效果差异很大，不要把这些数字直接当预期。如果你做的是深度长文，流水线能帮你压缩的是“收集素材和搭骨架”的时间，决定文章上限的依然是你的观点积累和表达能力。流水线不会让平庸的观点变深刻，它只是让深刻观点被更快地生产出来。

6.2 哪些节点不能省：人工检查点的固定节奏

我跑了一个月后，总结出四个必须由人来盯的节点，省掉任何一个都可能出问题。

第一个是选题方向确认，一周两次。AI能做排序和初步筛选，但“这个领域接下来值得深耕哪个方向”这种判断，必须由账号主理人自己把握。第二个是审稿，这条绝对不能省。成稿Agent再流畅，它也是在已有资料包里做排列组合，观点深度、情绪分寸、表达风格都还需要人拿主意。第三个是标题和导语终审，发布前扫一眼。标题是内容的最后一道闸门，标题不对，后面做得再好都白搭。第四个是数据复盘时对“下一轮选题方向”的确认。复盘Agent列出的共性特征只当参考，真正决定要不要追热点、要不要深耕某个细分方向的，还是人对账号定位的理解。

只要这四个节点不省，流水线的产出质量就始终可控。我见过很多翻车案例，基本都是因为后期太信任AI，省掉了审稿或标题确认，结果发出去之后才发现问题。

6.3 如果让我重新搭一次，我会先做三件事

第一，先把任务卡和交接单写好，再开始接Agent。我最开始是先跑了几个零散的提示词，觉得效果不错再临时拼流水线，后面改起来特别费劲。正确顺序应该是先定义清楚每个环节的输入输出，再让Agent去适配框架。

第二，先手动跑三轮再自动化。意思是，最初三轮我用人工模拟Agent的角色，手动去填交接单，让每一站的输出样例固定下来。样例固定后才值得写脚本、做自动触发，否则自动化只是把半成品流程加速成批量半成品。

第三，不要在一开始就追求五个环节全部到位。先挑自己最痛的那一个，比如选题效率低，就先把选题雷达做扎实；等它稳定了，再往下一站延伸。流水线是“长”出来的，不是“规划”出来的，先让一个环节产生肉眼可见的收益，才更有信心继续搭下去。

我自己的体会是，这套Agent工作流真正带来的不是“把人的活都抢了”，而是把内容从业者的注意力从重复劳动中腾出来，集中到最值钱的判断上。内容行业里，最稀缺的一直是判断力，而不是打字速度和检索速度。Agent能省时间的地方，恰恰是那些不需要判断的工序。后续我还在给这条流水线增加新的角色，比如让分发环节根据实时互动数据做快速迭代，让选题雷达吸收评论区高频词做下一期选题参考。方向不少，但每一步都得先把“任务卡和交接单”这两样基本功补扎实，再谈要不要继续往下扩展。