ARTICLE · 1211695
我用 OpenClaw 搭了套掘金自动化写作流水线:选题到发布全自动
发布时间：2026-10-19 18:51:06 最近访问：2026-10-19 18:51:09
我用 OpenClaw 搭了套掘金自动化写作流水线:选题到发布全自动
我用 OpenClaw 搭了套掘金自动化写作流水线：选题到发布全自动AI Agent 帮你收集选题、分析竞品、写稿自检、标签匹配、自动发布——把重复劳动交给机器，把创作决策留给自己作为一个技术博主，每月在掘金发几篇文章，选题 → 写稿 → 排版 → 发布这一套流程至少花掉大半天；更糟的是热门活动话题经常错过——等想起来，活动都快结束了。作者用一个周末，基于 OpenClaw（AI Agent）把整条链路自动化了：从选题到发布全自动，但关键决策点（选哪个话题、文章核心观点、调性）仍保留人工确认——全自动，但不失控。
一、整体架构：一条流水线，五个环节
系统拆成五个串联模块，像工厂流水线一样首尾相接：
原则很清晰：信息收集、格式排版、定时发布 这类重复劳动交给 AI；选题方向、核心观点、文章调性 这类创造性决策留给自己。
二、第一环：自动获取活动话题
掘金没有官方话题 API，但搜索接口能拿到热门话题列表。每天定时跑，按三条规则筛选——① 优先有抽奖（参与有奖励）、② 匹配技术方向（不写生活八卦）、③ 避开已参与过的。结果推到飞书，人扫一眼就决定写哪个：
"""获取掘金热门话题列表（搜索接口，无官方 API）""" url = "https://api.juejin.cn/tag_api/v1/theme/list_by_hot" response = requests.post(url, headers=headers, json={}) for item in response.json()["data"]: "topic_id": theme["theme_id"], "is_lottery": theme.get("is_lottery", False), "user_cnt": theme["user_cnt"], # 筛选策略：优先有抽奖 + 技术方向 + 未参与过 return filter_and_rank(topics)三、第二环：竞品分析与差异化定位
选定话题后，自动抓该话题下热门文章，算平均点赞、提炼常见角度、找出空白机会。作者举例：别人都在横向对比各家产品功能，他的差异化切入是「让它们一起跑马拉松」——用同一套任务测不同 Agent 的连续工作能力，这个角度一出来，数据明显好于平均：
def analyze_competitors(topic_keyword, limit=10): articles = search_articles(topic_keyword, limit) "avg_digg": sum(a["digg_count"] for a in articles) / len(articles), "hot_titles": [a["title"] for a in articles[:3]], "common_angles": extract_content_angles(articles), "gap_opportunity": find_missing_angle(articles), # 别人没写的角度四、第三环：AI 辅助创作 + 人工校准
分层创作：先生成大纲 → 按章节分段写（第一人称叙述、具体场景+代码示例、有情绪起伏）→ 写完后自动自检。自检重点查 AI 痕迹：过于规整的「首先/其次/最后」、套话「值得注意的是」、长句过多没口语短句。查出来自动标注，人工再调：
"""写完后自动过一遍：查 AI 痕迹、字数、代码块、链接""" "ai_trace": check_ai_patterns(article), # 套话/规整结构检测 "word_count": len(article) >= 2000, # 字数达标 "code_blocks": count_code_blocks(article), "links_valid": validate_links(article), return checks # 命中问题自动标注，人工再调五、第四环：智能标签匹配
标签直接影响推荐流量，必须精准。匹配器加载掘金标签库，提取关键词算相关度，返回 top5。一篇讲 OpenClaw 自动化的文章会推荐：Agent / 程序员 / 微服务 / 自动化 / AI：
def match_tags(title, content, category="人工智能"): """基于内容匹配掘金热门标签，返回 top5""" tag_library = load_juejin_tags() # 加载标签库 keywords = extract_keywords(title + " " + content) score = calculate_relevance(tag, keywords, category) matches.append((tag, score)) return sorted(matches, key=lambda x: x[1], reverse=True)[:5]# 例：一篇 OpenClaw 自动化文章 -> Agent/程序员/微服务/自动化/AI六、第五环：自动发布与数据归档
用 Playwright 模拟浏览器操作，自动完成登录→进发布页→填标题正文摘要→选分类标签→关联话题→点发布；发布后自动验证状态、更新飞书多维表、发通知：
def publish_article(title, content, brief, category, tags, topic_id): """用 Playwright 模拟浏览器自动发布到掘金""" page = browser.new_page() page.goto("https://juejin.cn/editor/drafts/new") page.fill("[placeholder='输入文章标题...']", title) page.fill(".editor-content", content) # 填正文（Markdown） page.click(f"text={category}") # 选分类 page.fill("[placeholder='搜索标签...']", tag) page.click(f"text={tag}") page.click("text=参与话题") # 关联活动话题 page.fill("[placeholder='搜索话题']", topic_id) page.click(f"[data-topic-id='{topic_id}']") page.click("text=发布文章") # 发布 + 自动归档七、踩过的坑与真实效果
三个坑都填了：① Cookie 过期导致发布失败 → 加有效期检查、快过期自动提醒；② AI 痕迹太重被限流 → 加强自检、提高人工调整比例；③ 话题关联接口偶发报错 → 加重试机制。跑了一个多月，效果是实打实的：
最爽的是「不再错过活动话题」。以前活动结束才想起来，现在系统每天自动检查，有合适的就推给你。
💡 小结
1. 本质：把重复劳动交给 AI，把创造性决策留给自己。
2. 五环：话题获取→竞品分析→AI 写稿自检→标签匹配→自动发布，关键决策留人工。
3. 选题：无官方 API 就打搜索接口，按「抽奖+技术方向+未参与」三规则筛选。
4. 抗限流：自检重点查 AI 痕迹（套话/规整结构），人工校准调性不可省。
5. 发布：Playwright 模拟浏览器填表发布；Cookie 过期、接口报错都要加重试与提醒。
