如果你平时有发小红书或推文的习惯，一定试过让AI帮你来生成内容吧？但是直接丢给AI一句”帮我写一篇XX的内容“，AI给出的东西必然会很生硬。
所以最近一直有一个想法，能否让AI提取对标博主的文案，然后让AI来分析和洞察它的风格和结构，最后再让AI来帮我们生成新的内容？ 这样操作可以避免AI乱生成内容，因为我们有了对标内容的限制，生成的质量一定会高一点。
可以试试看。
核心的流程就像我们刚才说的： AI提取对标博主的文案 –> AI分析和洞察文案的风格和结构 –> 让AI根据风格和结构生成新的内容。
其实用n8n+多维表格就可以做出这一套流程，不过是比较复杂的。
今天我们换个思路，用cursor来完成这一整条流程，以洞察twitter为例。全程不用写任何代码，完全用AI帮我们搞定。
接下来我把我实现的思路和细节都一步步分享出来。
先不急着让AI干活，我们要先想清楚顶层的设计，顶层的框架规划好了后，之后AI就不容易出错。
所以我们基于上述的核心流程（AI提取对标博主的文案 –> AI分析和洞察文案的风格和结构 –> 让AI根据风格和结构生成新的内容。），写了一段需求给AI。
*（忽略掉youtube的部分）*
我复制出来看看：
我现在想做一个关于Twitter的，再新增一个Twitter_analysis的一级目录，后续关于twitter的内容都放在这个一级目录下。
接下来我详细描述下我的需求，分成三个部分，
1、twitter帖子的抓取：日常我发现有不错的博主时，我就会把他的twitter号维护在这里，然后用https://docs.tikhub.io/191321711e0 tikhub获取用户发帖的接口来抓取他们的推文，并把他们的内容记录到sqlite的数据库表里。数据库表可以记录博主的名称、博主id、发文时间、浏览量、评论数、点赞数、推文id、推文内容等（接口有返回的，你觉得有价值的都可以记录）。目前我收藏了两个博主@Yangyixxxx @binghe，可以用这两个为例。 另外，如果是单个的推文，我也可以做同样操作，比如把贴文链接给你，你也可以获取数据然后记录在数据表中。（获取单个推文数据可以用https://docs.tikhub.io/191321709e0 这个接口）
2、twitter帖子的洞察：对于抓取后的帖子，我可以从不同维度批量进行洞察，比如①让AI选择某个博主的帖子比如@Yangyixxxx的帖子，②或者择某个类型的帖子（可以对帖子内容进行打标，看在哪个环节比较合适），③或者是某个关键词或某个话题的帖子。④或者是浏览量或点赞量大于多少的帖子。洞察时先过滤掉无关的帖子（比如日常吐槽、广告贴等），然后批量进行洞察，对推文结构、叙事风格等文案进行专业的分析，然后把洞察结果，用md文件保存在项目文件里。
3、新帖子的生成：这一步我就要生成新帖了，比如我要生成或改写我的twitter内容或小红书内容，我会引用洞察的md文件，然后帮我生成内容，我只做人工审核即可。 这个过程中，我可以指出生成内容哪里不合适或不满意，你可以帮我修改我引用的md文件里的指令，修改时不用把之前的版本覆盖掉，可以增加版本， 比如之前为V1版本，那修改后的就是V2版本了。
以上是我的需求，你理解一下，看是否有问题，如果有问题可以追问我，如果没有，就开始工作吧！这是我最开始发给AI的需求
里面描述了几个关键点
1.需要建立清晰的项目文件夹，比如我新增一个Twitter_analysis目录，后续内容都放在这个文件夹里
2.twitter帖子的抓取，抓取什么、从哪抓取、抓取完放在哪。比如我用tikhub的接口来获取推文内容，那么就把这个接口文档链接发给AI，AI会读取网页里的接口文档内容，抓取后的内容，我们放在数据库的表里，可以用轻量化的sqlite数据库，在cursor里也有插件。
3.twitter帖子的洞察，对抓取后的帖子，过滤掉一些无关的内容，然后让AI根据不同的筛选条件帮我们来洞察分析推文的结构、叙事风格等，并把洞察结果用markdown文件保存在项目中
4.写新推文，可以引用洞察后的markdown文件，让AI来帮我们写作。
最后再问问AI有没有问题要问，没的话就干活！
以上就是整体的框架了，我们发给AI，AI帮我们对需求进行了总结
它也提出了自己的疑问
我们根据目前的实际需求来回复它
AI就开始帮我们干活了。
二、AI生成项目结构和生成脚本
1、首先它帮我们创建好了项目的文件夹
也就是左侧这里，每个文件夹都有自己的职能
- twitter_analysis（一级目录）
- content_generator（内容生成指令）
- knowledge_base（知识库：存放 insights 洞察和 patterns 模板）
- tweet_analyzer（数据分析：负责数据清洗和导出）
- tweet_collector（数据采集）
2、接着AI帮我们创建了数据库表，也就是sqllite表，后续抓取的推文内容就会存在这个表里
3、AI开始帮我们写python脚本了，比如推文抓取脚本、洞察分析工具、内容生成工具这些。同时也帮我们创建好了文档和指南
AI就这么一步一步的根据我们输入的需求来工作，当最后完成，AI会给我们回复消息
看，还是挺完整的。基本上就是把整个的项目都规划好，该建的结构建好了，该写的脚本也写好了。
三、AI执行
1、抓取推文
脚本都写好了，到底能不能用另说，所以，这一步我们开始指挥AI来干活了。
我们先让AI帮我们抓取@binghe的推文
AI自动就帮我们选择了抓取的python脚本来执行，这个还挺好的，至少不用人工去选这个脚本了。
第一次执行呢，出问题了，你看它只保存了0条推文
没关系，出错是正常的，我们提出问题，让AI帮我们修改就好
经过了几轮的追问，AI把抓取脚本改好并成功的抓取到推文了。
还贴心的告诉我们接下来可以做什么步骤
抓取到的推文存在哪里了？
AI帮我们创建了sqlite数据表
我们点击就可以预览到抓取的数据了
2、洞察推文
数据已经抓取了，也存在表里了，接下来我们就可以让AI帮我们洞察推文了
同样的，我们直接说出自己的需求，比如“帮我洞察XX点赞前10的推文”
AI会自动调用它之前写好的filter_tweets.py脚本，帮我们进行筛选
然后调用分析的指令ANALYSIS_PROMPT.md文件，来进行文案的洞察
随后AI给我们生成了洞察的结果
我把完整的复制下来看看
🔍 @binghe 爆款推文深度洞察分析报告
1. 整体判断
爆款特征：内容极度聚焦于 “AI 实战经验”、“信息差获取” 和 “内容变现逻辑”。
内容类型：主要是 “方法论输出”（60%）和 “实战案例复盘”（40%）。
目标受众：AI 创业者、自媒体博主、希望利用 AI 提效的职场人。
2. 文案结构分析（爆款密码）
🔓 开头钩子策略（抓眼球）
@binghe 的开头非常擅长使用反差和痛点直击：
反常识/冲突：“做内容的兄弟们都可能有一个共识...但如果...就必死无疑。”（引发危机感）
利益点前置：“我会在这条推文下面，更新20多个AI漫剧创业的技巧...”（直接给干货，诱导收藏）
提问+自嘲：“如何自学AI技能？我的笨办法如下：”（用“笨办法”降低读者的心理门槛，显得更真实）。
📝 展开方式（易读性）
极度结构化：几乎所有高赞推文都使用了 1, 2, 3... 或 A, B, C... 的分点陈述。
短句叙事：每行字数极少，大量留白，非常适合手机端快速滑动阅读。
实战背书：反复强调 “实战经验”、“真金白银换来的”、“团队运营半年”，增强可信度。
🔗 结尾策略（引导互动）
长推文(Thread)预告：利用推文下方的评论区持续更新，把单条推文变成一个“知识专题”。
价值观输出：在干货最后往往会带一句关于“认知”或“执行力”的感悟，引发共鸣点赞。
3. 核心话术提取（金句）
“观点最多只能干一件事：让人认同你，但认同 ≠ 购买动机。”
“全是拿真金白银换来的，不保证 100% 正确，但保证 100% 真实。”
“自学 AI 的笨办法：付费订阅世界上最顶尖的几个产品。”
“做内容最怕：你以为在输出价值，其实只是在自我感动。”
4. 可复用模板提炼
模板 A：干货合集类（最适合骗收藏/增加书签）
开头：我会在下面更新 [数量] 个关于 [领域] 的 [技巧/坑]，这是我们 [时间] 来的 [实战/金钱] 经验。
中间：1, [技巧1] + [为什么]；2, [技巧2] + [反面案例]...
结尾：这个领域水很深，建议先点赞收藏，我会持续在评论区更新。
模板 B：认知反差类（最适合引发讨论/转发）
开头：为什么 [常见做法] 很难 [达到目标]？因为 [常见做法] 只能 [表层效果]，而不能 [深层转化]。
中间：核心逻辑在于 [新观点]。1, ... 2, ...
结尾：认同的兄弟点个赞，不认同的评论区聊聊。
💡 给您的建议
如果您想模仿 @binghe 的风格，可以尝试：
多写“笨办法”：分享您研究 n8n 或飞书多维表格时的具体报错和解决过程，这种“真实感”在 Twitter 极受欢迎。
把推文做成“工具书”：比如“关于 n8n 的 10 个冷门但好用的节点”，这种内容书签数会非常高。
强调“实战价值”：在标题里加入“帮我节省了 XX 小时”或“解决了 XX 客户的痛点”。
您觉得这组分析对您有启发吗？需要我基于这些洞察，为您生成一条关于“n8n 自动化工作流”的模仿推文吗？那以上就是通过分析了binghe这位博主点赞前10的推文，得出来的分析结论，看到里面很详细的分析了整体的风格、文案的结构、展开方式、结尾策略等。
如果你觉得还不错，就让AI帮你把它存为指令模板
同样的给AI发出自己的需求：帮我们保存为指令模板
这个指令模板就会保存到知识库里，以后我们随时引用就好。
3、生成推文
洞察出来了结论，也把结论保存为指令模板了，接下来我们就来用这个指令模板生成新的推文。
比如我们复制一段自己写的内容到会话框，然后引用上面我们保存的指令模板
AI就会根据指令模板里的指令，为我们改写成了新的推文
根据你提供的博文内容，我参考了 @binghe 的爆款推文风格（极简、结构化、痛点直击、强调实战），为你改写了这一组 Twitter Thread（推文串）：
推文 1（开头钩子：反常识/冲突型）为什么同样的脚本、同样的品，别人的 TikTok 视频能爆，你的始终只有几百播放？很多做跨境的团队都有个共识：内容做得不少，但销量像心电图，偶尔出一个爆款也无法复制。其实底层逻辑错了，再努力也是白搭。做 TikTok 拼的不是“写了多少句”，而是你有没有踩中品类的有效表达方式。👇
推文 2（痛点拆解：极度结构化）传统 AI 写脚本的 3 大坑，你一定踩过：
只有通用语：AI 不懂行业“黑话”，洁面仪和宠物用品用一套话术。
不懂平台节奏：开头抓不住人，卖点排序混乱。
只有幻觉：丢给 AI 一句话就想出爆款，最后全是自嗨。
AI 没见过真实的“爆款素材库”，它凭什么帮你写出 GMV？
推文 3（方法论：利益点前置/笨办法）真正能产生增长的，是基于对标内容的“深度洞察”。我们的笨办法如下：Step 1：批量爬取。从爆品视频里抽取开头钩子、卖点、情绪曲线。Step 2：抽象模型。不让 AI 瞎写，而是按行业模板 × 商品模型生成。Step 3：规模化复制。引用模型，20 秒生成一套脚本+音频。内容 → 转化 → GMV → 推流。逻辑通了，剩下的就是执行。
推文 4（价值对比：实战背书）传统方式 vs 洞察模型，差距有多大？
脚本质量：不稳定 vs 稳定、可扩展
单条时间：20 分钟 vs 20 秒
日产脚本：10 条 vs 100 条+
复制能力：靠直觉 vs 靠体系
洞察模型是属于你自己的资产，会越用越强。
推文 5（行动号召：利益点+自豪感）既然大家都有这个痛点，我索性做了个工具：“TikTok 文案洞察和生成”。不画大饼，实战说话。现在注册就送 500 点，够你走完完整流程。工具链接：http://8.138.227.96:49173/方法对不对，真金白银试过才知道。认同的兄弟点个赞，评论区聊聊。🚀
💡 改写要点解析（对应 binghe 洞察文件）：
开头策略：使用了“反常识/冲突”策略（推文 1），通过“别人能爆你不能爆”制造危机感。
易读性：严格保持短句、分点（1, 2, 3...）和大量留白，符合手机端阅读习惯。
话术风格：使用了“底层逻辑”、“真金白银”、“笨办法”等 @binghe 常用词汇，增加实战感。
结构：采用了“模板 A”的干货合集结构，重点在于最后引导收藏和试用。当然了如果觉得结果不满意，我们可以指出问题，然后让AI再返回去调优我们的指令模板，这样来来回回几次后，指令就会越来越贴合我们的使用需求，以后发文的效率也会越来越快
最重要的是，AI 不再给我一堆废话，而是站在巨人的肩膀上瞬间产出了几条极具“人味”和“实战感”的推文。
四、 写在最后：分享一点心得
1. 不要让 AI 猜，要给它“范本”：AI 的上限取决于你喂的数据质量。 2. 把好的指令模板都用markdown格式保存为本地文件，这就是我们自己的知识库，等内容越来越多后，知识库也会越来越强大，这些知识库才是无价的。
最后，就是感觉cursor太费token了，月初才充的pro，20美金才过一个星期，就用的差不多了
感觉还是windsurf的token更耐用一些啊
用的时候建议关注下模型价格
一些简单的任务，就不要用太贵的模型了，就像大炮打蚊子。或者直接全auto模式，AI会根据任务的复杂度自动切换模型。能省一点token就省一点。
📋 这套Twitter洞察相关模板，我整理成模板了
跟着上面步骤搭要花点时间。想直接拿现成的改，加我微信备注「Twitter洞察」，我发你。
🤔 卡在某一步了？
搭建过程里如果哪一步卡住了，如果你照着做没跑通，或者你们公司情况不太一样，可以找我聊聊，我免费帮你看看怎么调。不合适我也会直说。
扫码加我，备注「Twitter洞察」领模板
想看更多这类方案，我都整理在 吨师傅工具箱 里了：客户管理、进销存、工单报修……按场景分好类，可以直接抄。
