AI内容创作系统：从洞察到成稿的完整思路

今天聊点别的。作为一个经常写文章的博主，平时写文章写多了，总会遇到一些很具体的问题：比如不知道这周该写啥、写出来有没有人看、这个选题是不是早就被别人写烂了。而且在工作时间之余要保持写作，是一个很耗神的事情。

所以我在写文章的过程中一直考虑，如何把写作的效率提升，但是又不至于写出一堆垃圾出来，而且内容一定是要对读者有帮助的。

现在不用AI都说不过去，各种Agent、skills都很火，大家也在用各种方式提效。最原始的方式就是打开AI会话框，然后输入“请帮我写一篇关于XX的爆款文章”并发送，这种方式输出的文章肯定没法用，AI只能胡编乱造。

还有一种方式就高级一点，比如把你需要写的文章的提纲和思路给AI，然后给AI一段提示词，比如你希望文章是什么风格的之类，然后让AI输入，这样在一定的限制条件下，AI输出的内容就会好很多。

但是问题来了，每次都要写提示词，复制内容，也挺难受。而且不同类型的文章，提示词肯定也不同。并且这种方式少了一些之前的分析和洞察工作。

所以，我在日常写作里也慢慢攒了一点自己的做法，直接用Cursor搭了一套自己的内容写作系统，从内容的AI洞察、内容的创作，串起来了。

Cursor在大部分人看来都是用来编程的，其实并不然，它能做的事情很多。

今天这篇内容就和大家分享下这套系统的思路，我是怎么想的、为什么这么设计、用下来有什么发现。如果能对朋友们有一点帮助，那就最好了。方法会讲，但重点还是背后的想法，给同样在做内容的人一点参考。

一、系统的逻辑是什么样

以我在写的微信公众号为例，其实，不管哪个平台，本质都是「数据进来 → 洞察 → 沉淀成可用的知识 → 用知识创作」

再往细点说，就是数据采集 → 多维度评分 → AI 洞察分析 → 知识库沉淀 → 内容生成

1.数据采集：抓取对标账号的文章和表现数据、监控公众号关键词搜索的文章和表现数据。

2.多维度评分：针对文章内容，进行多维度的评分，看文章的表现

3.AI洞察分析：抓了数据并进行了打分，针对表现好的文章，我们让AI来洞察，到底好在哪里。

4.知识库沉淀：把洞察后的结果抽象成AI指令

5.内容生成：用AI指令创作文章，并将文章二次生成为小红书文案和抖音脚本。

数据采集、多维度评分、AI洞察分析，这三个模块都是「Python 脚本 + SQLite」，直接让AI来跑。数据的采集我们之前讲过不少用n8n来实现的方式，其实都可以，n8n就是直观简单可视化一点，Python脚本就稍微复杂一些。

我会按这几个步骤，在cursor把目录建好。

下面就是cursor的全视图，左边是项目目录，中间是文件内容， 右边是和AI的会话框。

如果你想更省事的话，直接把需求给AI，让AI直接帮你建好目录。

二、数据采集

就拿对标账号这个场景为例，我平时会关注同领域的账号，为什么他们的账号做的好？到底写了什么内容？是如何写的？我们在cursor里可以直接让AI写python脚本并帮我们分析。

当然，抓取公众号数据，需要用到三方的接口，比如我常用的tikhub和极致了API

如何操作：把账号名称和接口地址以及你的接口key发给AI，让AI帮我们写脚本，并且把账号发布的文章内容都提取出来，提取到sqlite数据库表里就好。

AI会帮你写好脚本

下面就是脚本运行后提取出来的sqlite数据表，有文章标题、账号名称、链接、文章内容、还有点赞数、收藏数等文章的表现数据。

全程不用写代码，你只需要描述清楚自己的需求，剩下的就交给AI来完成。

Tips：有个缺点是，这一步太耗接口费用了。毕竟每次调用时，都会有成本，虽然单次不多，但数据量大的话， 还是肉疼。 所以建议我们可以用免费的公众号文章导出工具，先把对标账号文章导出到本地，然后再让AI帮我们写到sqlite表里，这样会省不少成本。 后续单点的，比如监控某个账号当天的更新，这个就可以用接口来监控和写入，毕竟单条的监控花不了几个钱。

以上是你有了对标账号，监控对标账号的一个思路。想更全面，我们可以用关键词搜索公众号文章，然后把数据用同样方式写到数据表里。

这一步做完，我们就有了一份同领域的微信公众号的文章数据清单。

三、多维度评分

只有一个清单作用不大，我们得知道，这里面的文章都是什么类型的？表现数据怎么样。所以这一步的思路就是，基于文章的表现数据，我们进行更进一步的加工，来分析文章的表现。

比如，我们不能光看文章阅读数，得把「传播意愿」「内容价值」「粉丝粘性」拆开看，才能知道一篇文章到底是靠转发爆的、还是靠干货被收藏的。以公众号为例，每篇文章我们会打四个维度的分：

1.传播爆发力（Propagation）：

(分享数 × 5 + 在看数 × 3) / 阅读数

2.内容深度价值（Value）：

(收藏数 × 8 + 评论数 × 2) / 阅读数

3.粉丝粘性互动（Engagement）：

(评论数 × 10 + 点赞数 × 1) / 阅读数

4.爆款综合得分（Total）：

阅读 × 0.2 + (点赞 × 1 + 在看 × 3 + 分享 × 5 + 留言 × 4 + 收藏 × 8)

权重是我自己调的，逻辑大致是：

• 分享比点赞更值钱：愿意转出去，才是真传播
• 收藏比评论更值钱：收藏代表「以后还要用」，多半是干货
• 在看介于两者之间：既有传播意愿，也有内容认可

所以我们可以通过数据的二次计算，来洞察文章背后的意义。

四、AI 洞察分析

有了这一份数据表，你可能会比较懵，接下来怎么搞？我也看不出啥？

抓数据和打分只是第一步，真正有用的是后面的 AI 洞察。这里的逻辑是：数据只能告诉你「爆了」，不能告诉你「为什么爆」。而后者才是写下一篇时能复用的东西。

所以这一步，我让AI对所有文章都做了几个维度的分析：

• 文章结构：比如是SCQA（情境-冲突-问题-答案）还是总分总/故事型/对比型
• 文章的标题：句式（陈述/疑问/反直觉/惊叹）、情绪词（焦虑/收益/好奇）、吸引力机制（数字锚定/规模震撼/利益相关）
• 文章的钩子：利益钩子、痛点钩子还是普通开场
• 文章的类型和标签：教程类,观点类,情报类,案例类,广告类；n8n,LLM/大模型,Agent/智能体。

并且对每篇文章都用AI进行了分析。

比如这是其中一篇文章的分析结果。

{
  "basic_info": {
    "title": "国内被骂割韭菜，出海半年就被Meta超百亿收购",
    "author": "饼干哥哥AGI",
    "publish_time": "2025-12-30 23:34:12",
    "category": "教程类,观点类,情报类,案例类,广告类",
    "sub_category": "Make,Agent/智能体,副业变现",
    "rating": "📝 普通"
  },
  "data_performance": {
    "read_num": 2662,
    "like_num": 15,
    "wow_num": 51,
    "comment_num": 28,
    "like_rate": 0.56,
    "wow_rate": 1.92,
    "comment_rate": 1.05
  },
  "scores": {
    "propagation": 0.2017,
    "value": 0.0887,
    "engagement": 0.0582,
    "total": 460,
    "propagation_level": "高传播",
    "value_level": "高价值",
    "engagement_level": "高互动"
  },
  "title_analysis": {
    "sentence_type": "陈述句",
    "emotion_words": [],
    "number_effect": "无数字",
    "attraction_mechanisms": [
      "规模震撼"
    ]
  },
  "content_analysis": {
    "structure_type": "自由式",
    "hook_type": "惊讶钩子",
    "potential_golden_sentences": [
      "因为合规和融资受阻，Manus 决定把总部和核心技术团队搬去新加坡，同时裁撤国内非核心业务。",
      "但我复盘了它大半年的数据，发现 Reddit 社区是它翻盘的关键战场。",
      "我花时间扒了 Manus 在 Reddit 上这一年的所有关键操作，总结出了一套很清晰的打法。",
      "这是他们整个营销里最关键的一步，也是直接拉升 ARR 的核心手段。",
      "2.给 Meta 的尽调团队展示了最真实的“民意”和活跃度。"
    ]
  },
  "success_factors": [
    "高评论数说明内容激发讨论欲望"
  ],
  "reusable_patterns": {
    "title_style": "陈述句",
    "content_structure": "自由式",
    "hook_type": "惊讶钩子"
  },
  "analyzed_at": "2026-01-10 11:23:30"
}

这些分析结果都写在了sqlite的数据表里。

接下来我们就可以直接基于这张表的数据，让AI给我们分析，比如什么类型的文章更受欢迎，文章结构怎么写，开头钩子怎么写数据更好…..

这就很简单了，你直接给AI指令，让它给你分析结果就好。

五、选题库

这一步说说选题。上面的分析最终要落到「能直接用」的地方，选题库就是出口。思路是：不直接抄爆款的标题，而是把爆款抽象成「可复用的选题方向」，同一个方向，换一个场景、换一个切入点，就是一篇新文章。

在上述分析基础上，AI会把高分文章抽象成「选题模板」，写进 sqlite的选题表里。

每条选题包括：

• 选题标题：抽象成可复用的方向（不是具体标题）
• 选题类型：n8n 教程 / 多维表格教程 / AI 观点 / 工具评测……
• 爆款原因：这类选题为什么容易爆
• 我的切入点：我可以从哪个角度写出差异化

比如说，一篇《多维表格联动 DeepSeek 批量生成商品文案》，会被提炼成：

• 选题标题：「多维表格 + AI 批量处理某类业务需求」
• 选题类型：多维表格教程
• 爆款原因：数字锚定（5 分钟/300 条）+ 具体场景（电商文案）+ 可复用的操作步骤
• 我的切入点：换个场景（HR 招聘/内容运营/客服回复），用同一套思路再写一篇

有了选题库，我就不用对着空白页发呆了，打开sqlite的选题表，挑一个「待使用」的选题，直接开写。

六、洞察之后：沉淀成 prompt，按类型生成文章

洞察出结果，最多告诉你，你这个领域，基于现有的文章数据，什么类型的文章，怎么写更受欢迎。你知道规律了。

当然，洞察不能只停在「知道规律」，还得能用来写。这里的逻辑是：把洞察结果改写成「文章生成 prompt」。比如教程类、观点类、工具评测类，各用一套自己的 prompt，里面把这类文章常用的结构、标题套路、开头钩子都写进去。选好选题之后，直接把选题信息塞进对应的 prompt，让 AI 生成一版初稿，再在初稿基础上改。

是不是就很顺了？

如下，我们把各种类型的prompt放在一个文件夹里，需要写文章的时候，就@对应的prompt，AI就会根据指令给你生成和润色文章。

七、如何把文章写的更有自己的风格

怕文章AI味太重？希望文章和自己的风格贴近？

你可以和洞察对标文章一样，把你的历史文章导出来，喂给AI，让AI用同样的方式进行洞察。

最后你会得到一个自己风格的AI prompt，用这个prompt来修改自己的文章。

系统负责「按规律出稿」，人负责「改到像自己」。不同类型用不同 prompt，生成的文章会更贴这类内容的套路；但最后那版能发的，一定还是自己改过、优化过的，AI 只是把之前要憋很久的「从零到一」缩短成「从初稿到定稿」。

文章生成后，我们还可以再加一个二次创作的prompt，把文章在改写成小红书文案和抖音脚本。一个内容多个地方用。

通过这个全流程，我写作的效率有了一定的提升，因为我们有了一套框架和指令。当然局限肯定也有：数据量决定洞察质量。对标账号和文章越多，规律越稳；刚起步时数据少，洞察参考价值有限。所以这套系统其实也是一个不断进化的系统。你不断的用，不断的优化它的框架，不断的修改提示词。它会越来越顺手。同理，如果你做youtube、抖音、小红书等内容，也可以用同样的思路来搭建属于你自己的内容系统。

八、Cursor 具体帮了啥忙

我产品经理出身， Python 只会基础水平，整个系统大概 30 个 Python 文件，基本都是往cursor来写的。

流程很简单：

1.说需求：用自然语言描述「我要一个抓取脚本，调这个 API，结果存 SQLite」，需求描述的尽快结构化，尽量清晰，这样AI才能更好的完成。

2.跑完再改：cursor写出了代码，我们直接给一个实际的需求跑一遍，如果哪里不对或不符合预期，继续对话改，改到没问题为止。

3.拆成模块：每个功能单独一个脚本，方便后面随便组合。

这个流程我跑了几遍，换了几个模型，最后Cursor还是很完美的完成了任务。

没有 Cursor 的话，我估计要两三个星期才能搭完；现在实际一天就把核心跑通了。

写在最后

1.这套思路100%完美吗？肯定不是，我只是根据我自己的写作习惯搭了这样一个体系。里面肯定有不完美的地方，这是一个不断优化和不断改进的过程。

2.AI 替代不了全部，也别指望它全干了、你什么都不用干。 AI 是提效：帮我们解决那些以前要花很多时间才能解决的问题，比如找选题、总结规律、出一版初稿。但你写出来的内容，还是少不了人的修改：哪里要收紧、哪里要加例子、语气像不像自己，都得你自己去优化。

尤其是我经常写教程的，最后案例能不能用，能不能跑的通，教程里的系统页面配图，这种都必须要亲力亲为才行。

把 AI 当成「省时间提效的搭档」，而不是「生成一堆垃圾的东西」，用起来就会更踏实。

3.不要指望在网上找一个通用的AI系统或指令就能写出爆款文章，不现实。不少朋友可能会问，你用这些也没见的写的多好，出了什么爆款啊？爆款有太多的因素。我们能做的，就是在自己的领域里，尽量多学习多洞察领域内优秀账号和博主的思路，找到自己的差距。然后自己找到属于自己的SOP流程。这一定是一个长时间不断磨练和精进的过程。好处是现在有了AI这类工具，门槛低了很多：以前可能要一个小团队才能做的内容分析，一个人两个周末就能搭出一套能用的系统。

4.Cursor 不只能写代码，其实也是很好的文章写作环境。我平时会在里面写脚本、跑数据，同时用很多 md 文件存 prompt、存分析框架、存选题备注，写文章时直接 @ 这些文件，AI 就能按你的习惯和思路来改稿。代码和内容都在一个项目里，查资料、迭代思路都方便。

---