用AI写作2年多,最拍大腿一件事是太晚想清楚这个问题!

文 | 阿水

图片 | 网络

字数 | 3574 · 预计阅读 9 分钟

第206篇

我不是那种天天发“AI改变世界”的人。

这篇文章是我某天晚上跟Claude折腾了将近2个小时之后，想记录下来的一些真实过程和想法。不是教程，不是方法论总结，就是复盘一件我觉得做对了的事。

那天我想做的事情很具体，也是小伙伴们找到了一个号的内容还不错，需要我去帮忙进行拆解然后让ai进行流程化创作。

是一类院线票房评论类的公众号文章，风格要贴近某个我欣赏的账号，数据要是当天的实时数据，内容要有选题判断，不只是帮我写字。

注意这个需求的颗粒度。不是“帮我写票房评论”，而是：要有实时数据、要有选题判断、要贴近特定内容的风格、要可以反复用不是做一次就完。

很多人用AI的方式是“帮我写一篇关于XX的文章”，增加了一些要求，然后对着生成结果皱眉头，说AI写得太通用了、没有自己的风格、不是我想要的感觉。

但问题出在需求本身。

模糊的需求产出通用的结果。你对AI说“帮我写篇文章”，它给你的就是一篇没有具体对象的“文章”。你把你真正要的是什么形状、什么味道、服务于谁、嵌在什么流程里说清楚，它才有可能真的帮到你。

举个简单例子：“帮我写一篇院线评论”和“帮我写一篇风格XX、用今天的实时数据、从数据里找出最值得写的选题、再配合联网搜索补充故事细节的院线评论”，这是两个完全不同的指令，当然会得到两个完全不同的结果。

你以为你知道，但你不知道你不知道什么

我做的第一件事，不是让AI开始写文章。

我让它去把那个账号的文章全量抓取下来，然后精读其中有代表性的几篇正文，把风格特征归纳出来。看起来是在“绕路”，你想写文章，结果先花时间研究别人的文章，感觉效率很低。

但这一步是整个流程里最重要的。

原因很简单：风格是感受不出来的，只能读出来。

你告诉AI“要口语化、要有数字、要接地气”，它给你的是它理解的口语化。

但我们肉眼在看一篇文章的口语化，是有具体质感的，它有固定的转折句式，有特定的数字使用方式，有自己的结尾处理逻辑。这些东西，不读原文是感受不到的，无论你的指令写得多详细。

读完52篇标题和几篇正文之后，我们归纳出了七个风格特征：

1。口语聊天体，像懂行朋友在说话，不是评论员在播报2。数字是情绪的载体，不是数据展示——“首日100多万，压根就没有人看”，数字后面跟的是感受，不是分析3。固定叙事结构：垫高期待 → 数字摔落 → 原因分析 → 轻收尾4。分析段用第一人称日常表达：“我觉得原因有2点”，不是“综上所述”5。借第三方嘴巴说话——圈内人的点评直接引用，增加可信度6。结尾轻放手，不升华，不煽情，留余地7。字数控制在900-1100字，不水

全是ai读完原文之后归纳出来的，这就是摸底的价值，你以为你知道，但你不知道你不知道什么。

我也顺便让Claude给我做了个选题分析报告：

“大概率不行”，是你给自己设的墙

然后我们开始想：数据从哪里来？

猫眼、豆瓣、微博，这些平台有没有可以直接调用的公开数据？我的第一反应是“猫眼肯定有防护，大概率不行”。

但我这次没有凭印象下结论，而是让AI真的去一个个试。

结果出乎意料，猫眼正面网站确实有限制，但它的专业版有一个实时票房接口，完全不需要登录，能拿到每部电影的累计票房、分账数字、场均观影人次、排片占比，全是明文。

如果我凭印象说“猫眼肯定不行”，就永远不会知道这扇门其实是开着的，ai的谄媚和附和特性，肯定也不会帮你去进行尝试。

豆瓣的正在热映页面是开放的，可以拿到评分、导演、演员、上映地区；微博热搜有接口可以直接调用等等。

最终跑通了五个稳定的数据来源，每一个都是试出来的。

实测出来的边界，和推断出来的边界，是两件完全不同的事。推断是一种猜测，实测是一种知识。在AI时代，很多“我觉得做不到”的事情，花十分钟试一下，结果往往会让你意外。

把感觉翻译成规则，是这件事最难的地方

数据来源打通之后，面对的问题是：每天拉回来这么多数据，怎么从里面找到值得写的选题？

我想要的不是“扫一眼感觉哪个有意思就写哪个”，而是一套可以稳定命中的规则。

把那个账号过去52篇文章的选题逻辑拆解完之后，我们归纳出了8条选题规则。举几个：

大牌困境型

：知名演员或导演主演，但场均观影人数极低。大名字配负面结果，天然制造认知缺口，读者会想知道“为什么”。数字反差型：排片占比远高于实际票房贡献。排片是院线给的机会，票房是观众用脚投票的结果，两个数字差距越大，说明越多人不买账，越刺眼。港片预热型：一周内上映的港片或动作片，想看人数超过一定量。情怀加期待，固定读者群天然共情，适合提前写预热文章。小成本黑马型：成本极低，评分高，票房出现逆跌。草根翻盘的叙事，同时反衬大制作的浪费，两头都有情绪。

规则是什么？规则是把“有经验的人的判断”翻译成可以执行的条件。

当你能把一个模糊的感受说清楚到“当A且B的时候，值得写C类型的文章”，这个判断就可以被系统化，可以被稳定复用，可以在你没有灵感的日子里也给出靠谱的结果。

这件事的本质，是一种分析能力，你能不能把“为什么这个选题有爆点”这种模糊的感受，翻译成可以被验证、可以被重复执行的条件。翻译得越准确，工作流越稳定。

与其告诉AI怎么写，不如给它看三篇好文章

这是一件最重要的事，也是很多人容易做错的地方。

以前我的做法是：在指令里写“语气要口语化，要像朋友聊天，不要太正式，结尾不要总结”，然后发现AI写出来的东西，口语化是口语化，但就是不对味。

这次我换了做法：直接把原文放进去。

不描述风格，而是给范本。

我选了三篇有代表性的原文，覆盖三种不同的选题类型——扑街分析型、小成本逆袭型、圈内人点评型——每篇前面加上结构标注，说明这篇用了哪种叙事节奏、情绪基调是什么、开头和结尾怎么处理。然后告诉AI：写正文之前，先把这三篇读完，感受腔调，再动笔，不要直接开写。

效果是立竿见影的。

AI写出来的文章，用了原作者的转折句式，用了原作者的数字表达方式，用了原作者的轻收尾——不是因为我告诉它“要这样写”，而是因为它读了原文，感受到了那个整体的语感。

原因其实很简单：语感是整体性的，不是拆解性的。你告诉AI“用短句”，它会用短句；你告诉AI“要有口语转折”，它会加“但是”“没想到”。但这些特征单独拿出来组合在一起，还是可能不对味。范本提供的是一个整体感受，是所有特征同时在场的状态，是你可能无法用语言完整描述出来的东西。

这个逻辑其实不只适用于AI，你教一个新人写文章，跟他说一百条规则，不如给他看三篇好文章，让他自己感受。

数据告诉你写什么，细节告诉你写得有没有人味

数据给的是选题方向，但光有数据还不够。

写管虎扑街分析，如果没有找到“梁静在路演现场哭了”这个细节，文章就是一堆数字的堆砌，没有温度。

写《火遮眼》港片预热，如果没有找到谢苗9岁就和李连杰搭戏、然后在娱乐圈边缘漂了将近三十年这段经历，文章就撑不起“三十年等这一刻”的情感主线，就是一篇普通的新片介绍。

数据给你的是选题方向，联网搜索给你的是写作素材。前者告诉你写什么，后者告诉你怎么写得有血有肉。两件事缺一不可，但很多人只做了第一件。

搜索也是有方向的，不是随便搜，扑街型的文章，要找主创的历史高光时刻、本片的制作背景、路演或首映时的真实反应；预热型的文章，要找主创的从业经历、海外首映的真实评价、电影本身的幕后故事。

找到那个能撑起情感主线的细节，文章就有了灵魂。

最终呢，我把它形成了一个skill，用于创作这种类型的文章：

每次执行，会先搜索，获取选题：

操作可以复制，但这几个思维习惯很难教

上面说的都是操作层面的内容，但这次做对的事里，操作层面其实是最容易复制的部分。更难复制的，是几个思维习惯。

把“感觉可以”换成“实测证明可以”。 我不止一次在错误的前提上花了很多时间，最后发现一开始的判断就是错的。现在的习惯是，对任何“能不能做到”的判断，先花十分钟试一下，而不是花一个小时推断。

工作流程比工具更重要。 AI是工具，但工具本身不产生价值，工作流程才产生价值。换一个工具，流程还在；工具升级，流程升级；但如果只有工具没有流程，换了工具一切又得重头来。

把有经验的人的判断翻译成规则。 你能不能把“这篇文章为什么好、这个选题为什么有爆点”这类模糊的感受，翻译成可以被执行、被验证、被重复使用的条件。翻译不出来，一切都依赖感觉；依赖感觉的事情，状态好的时候还行，状态差的时候就崩了，更不可能被规模化。

先做，再固化，不要先设计再做。 这套流程的最终形态，不是我事先设计好的，是先做了一遍，发现哪里重要、哪里可以省略，然后才把这些沉淀下来。如果我一开始就坐在那里“设计一个完美的AI写作工作流”，大概率会设计出一个看起来完整、但在真实使用中处处卡壳的东西。做了才知道，知道了再固化，固化了再优化。这个顺序不能反。

我不知道这篇文章对你有没有用。

可能你看完觉得，这不就是把活儿做细一点嘛，有什么稀奇的。可能你觉得，我也想这么做，但不知道从哪里开始。可能你就是好奇我折腾了什么，看完满足了就够了。

— END —