ARTICLE · 992601
我让 AI 全自动写公众号:从选题到草稿箱只要半小时
亲测用开源 AI 工具链跑通公众号内容生产全流程：一句话触发，AI 自动选题、写稿、审稿、排版、配图并推入草稿箱。从定选题到进草稿箱只花一个下午，人工介入约 30 分钟，但踩了 4 个真实大坑。本文无虚构，全是实操日志。
你有没有算过—— 自己写一篇公众号要花多少时间？
我以前平均要 3–4 小时：找选题、列大纲、查资料、写初稿、改语气、找图、排版……光是打开编辑器就犯怵。
这两天，我决定试试让 AI 接手。 不是用某个成品 SaaS，而是靠一套叫 wechat-article-skills 的开源技能套件，在自己的本地 AI 助手 Hermes 里跑通了整条流水线。
结果？效率确实提了，但过程远没想象中丝滑。 今天这篇，就是我亲手折腾出来的全过程记录——包括那些差点让我砸键盘的坑。
一、工具链怎么搭起来的？
先说清楚我的目标： 输入一句模糊指令，比如“写一篇关于 AI 自动生成公众号文章的实测”，AI 就能自动完成选题细化、写稿、审稿、排版、配图，并把成品推到微信草稿箱。
听起来很科幻？其实技术上已经可行，只是配置有点门槛。
我用的核心工具是 GitHub 上的 aiworkskills/wechat-article-skills（9 个 skill，Apache 2.0 协议），宿主是我的本地 AI 助手 Hermes Agent（基于智谱 GLM 模型）。
整个搭建分三步：
- 装技能包
：一条 git clone命令，把 9 个 skill（main/topics/writing/review/formatting/images 等）拷进助手目录。 - 填配置文件
：在 config.yaml里写明账号领域（科技数码/AI 工具折腾）、目标读者、作者名；微信密钥（AppID/Secret）则单独放在本地aws.env文件里（AI 只校验存在性，不读内容，密钥不会过聊天记录）。 - 跑校验脚本
：执行 validate_env.py，检查环境是否就绪。
全程花了约 30 分钟——其中一半时间在排查生图模型问题（后面细说）。
一旦跑通，效果立竿见影。 我对 AI 说：“帮我出选题。” 它结合我知识库里 8 篇剪藏素材和当下热点，直接生成 5 张选题卡。我选中“AI 全自动运营公众号亲历记”——也就是你现在读的这篇。
人双手敲键盘，屏幕四周漂浮清单、对话气泡、齿轮等 UI 面板，人在监督 AI 干活
从那刻起，流程自动推进：写作 → 审稿 → 排版 → 配图 → 推草稿箱。 我只在关键节点确认一下，纯人工介入时间约 30 分钟。
二、AI 到底干了些什么？
很多人以为“AI 写公众号”就是扔个 prompt 出一篇文章。 其实真正的价值，在于多个技能模块协同工作。
我的流水线拆成五个环节：
- 选题（topics skill）
：从模糊方向生成 5 个具体选题卡，带标题和摘要，供我拍板。 - 写作（writing skill）
：调用 通义千问 qwen3-max（走 OpenRouter 接口），按公众号规范写 1800–2500 字口语化长文，含小标题、短段落、互动结尾。 - 审稿（review skill）
：检查事实错误、敏感词、语气一致性。第一版初稿因虚构“Docker 部署”“一周实验”被直接打回重写——这正是本文的素材来源。 - 排版（formatting skill）
：把 Markdown 转成微信兼容的 HTML，处理段间距、引用块等样式。 - 配图（images skill）
：调用 AI 助手内置的 FLUX 2 生图能力，生成 3 张配图，不到 1 分钟完成。
最让我安心的是审稿机制。 它不是简单查错别字，而是核对事实。比如初稿里写了“用 skill-chain 一周实验”，我在定稿前核对时发现全无此事：既没做过一周实验，也没有 skill-chain 这个项目，只好推倒重写。
这种“防编造”机制，恰恰说明 AI 不是万能的——它会一本正经地胡说八道，必须用人喂的真实素材约束它。
最终产出：
一篇结构合规的文章草稿 3 张配图（含封面） 自动推入微信草稿箱（通过官方 API，需人工确认后群发）
对比以前 3–4 小时的手工活，现在核心创作压缩到半小时内。
三、四个真实踩坑清单
理想很丰满，现实全是坑。 这次实验，我踩了 4 个实实在在的大坑：
第一坑：生图模型全是雷。 想用 OpenRouter 上的 qwen 生图模型？不存在。换 Gemini？返回 403 “This model is not available in your region”。再试 glm-4.6？它根本不会生图，只会写 Python 代码教你“自己画”。最后靠 AI 助手内置的 FLUX 2 才搞定。
第二坑：AI 会编故事。 初稿里赫然出现“Docker 部署”“一周实验”“skill-chain 项目”等完全没发生的情节。AI 为了逻辑完整，会自动补全细节——哪怕全是假的。必须用真实素材库约束，否则越写越离谱。
第三坑：流程卡得死。 技能套件有严格流程约束：缺产物就拦着不让走。比如配图分析发现文件格式不对，写稿脚本直接拒绝运行。虽然烦人，但反而防呆——避免垃圾内容一路推到草稿箱。
第四坑：IP 白名单老问题。 微信 API 要求调用 IP 在白名单内。我家宽带 IP 会变，每次都要手动更新。这是老坑了，但自动化流程放大了它的影响。
小机器人在砖墙前困惑，人指向绕行路牌，寓意踩坑与绕行
这些坑告诉我：AI 不是替代人，而是把“手工活”从笔头转移到 API 调试。
四、我的三点清醒认知
经过这次实测，我对“AI 全自动”有了更落地的理解：
- AI 能扛 80%执行层工作
：选题建议、初稿撰写、基础排版、配图生成——这部分效率提升真实可见。 - 人必须守 20%决策关
：选题拍板、事实核对、人设语气把关、最终发布确认——这些无法外包。 - 别信“全自动躺赢”
：前期调试成本高，但一旦跑顺，边际成本趋近于零。真实收益是把 3–4 小时压缩到约半小时人工参与。
所以，别追求“完全无人”，而要设计“人机协作闭环”。 比如先让 AI 写初稿，你专注修改和发布；等跑熟了，再逐步加自动化模块。
如果你也在折腾 AI 工具，不妨从一个小闭环开始。你在用 AI 辅助内容创作时，遇到过哪些让你哭笑不得的 bug？欢迎留言聊聊。
觉得有用？点个关注，持续获取优质内容。