用四个AI智能体跑通内容全链路：从选题到复盘的全自动实践

AiToEarn这个思路，说的是用四个AI智能体把内容从选题、写作、多平台发布到数据复盘跑成一个完整链路。很多人以为只要有一个会写文章的模型就能做内容变现，实际上真正跑通之后你会发现，卡点根本不在单篇写作，而在选题连续性、格式适配、发布节奏和复盘反馈。下面直接按四个智能体怎么分工、怎么串联、在哪一步容易翻车来拆。

1. 内容全链路到底要拆成几个环节

内容类账号的日常循环并不复杂：定选题，收集素材，写初稿，改成不同平台需要的格式，发布，隔一段时间看数据，再根据数据定下一轮选题。复杂的是每一步都有大量重复劳动。AiToEarn的做法是把这套循环抽象成四个岗位，每个岗位由一个智能体承担。听起来像是把原有流程换了个叫法，但实际操作起来会发生几个明显变化。

第一，职责边界变得非常清楚。选题调研只能产出选题和素材，不能直接改文章；内容生成只能基于素材写初稿，不能自己跑去搜索，除非你专门给它加搜索工具；格式适配只负责改写，不负责判断内容对不对；数据复盘只负责分析，不负责生成新内容。这样每个智能体需要记忆的状态很少，出错时能很快定位到具体环节。

第二，提示词更容易控制。如果让一个智能体从头干到尾，它的提示词里要同时装下运营、作者、设计师、数据分析师四种身份。上下文一多，模型很容易忘记早期指令。四个智能体分开之后，每个提示词只需要管一个具体任务，长度可以压缩到比较舒服的范围，输出质量也会稳定不少。

第三，成本控制更直观。模型接口按Token计费，如果用一个大Agent把所有事做完，会让调研素材和格式改写也消耗同样的模型资源。分开之后，调研可以用便宜模型，长的正文才用更贵的模型。实测下来，同样一周发五篇内容，独立智能体方案的总Token消耗通常比一个大Agent少，原因是不会为了改一句话，把整段背景重新发一遍。

1.1 为什么是四个智能体，不是一个大模型

你可能会疑问：现在很多智能体框架都能在一个流程里调用多个工具，一个超级智能体是不是更好？这里的关键是可维护性和可预期性。

一个大模型加一串工具的方案，适合探索性任务，比如帮我研究一个话题并给出报告。它有能力自己规划步骤，但每一步可能换一种思路，输出不稳定。内容创作链路不一样，它是固定的生产流水线：A产出后给B，B产出后给C，C产出后给D，每一步的输入输出都很确定。用固定节点串起来，比让模型自己决定下一步更稳。

另外，智能体开发人才需求确实在涨，但自己搭这条链路不一定要先成为专业开发者。四个智能体本质上就是四个提示词模板加上一个串行调度。你可以用可视化工作流工具拖出四个节点，也可以用几十行Python脚本调用模型接口。关键是先把节点定义清楚。

1.2 四个智能体各自负责什么

智能体	核心职责	输入	主要输出
A 调研智能体	选题、热点检索、素材汇总	账号定位、平台、上期复盘结论	3到5个选题、关键词、参考链接、写作角度
B 创作智能体	初稿撰写	A的精选素材、选题	结构完整的文章初稿
C 适配智能体	多平台改写、标题与标签	B的初稿、平台模板	CSDN版、公众号版、知乎版、配图提示词
D 复盘智能体	发布跟踪、数据分析、下轮建议	发布链接、数据快照	数据摘要、结论、下一轮选题建议

这里要注意，D也要产出选题建议，因为链路要闭环。如果D只输出“这篇阅读量多少”，A下一轮还是要靠拍脑袋选方向，这个循环就断在了最后一环。

2. 搭建前先想清楚几个问题

2.1 用现成平台还是自己写代码

如果你平时不怎么写代码，优先选择可视化工作流平台。这类平台普遍支持节点加模型调用加条件分支，你只需要按链路顺序拖节点，把每个节点的输入输出字段对上，就能跑通一个基础版本。很多平台还提供定时触发，适合每天固定时间自动跑一轮选题和创作。

如果有一点编程基础，用Python脚本或轻量服务其实更灵活。你可以把每个智能体封装成函数，主流程就是四个函数依次调用。好处是失败日志、重试逻辑、多人协作都好处理。坏处是模型接口需要自己接，第一次搭大概要花半天到一天。

我更推荐的做法是：先用可视化工具跑通最小闭环，确认输出稳定后，再把高频步骤沉淀成脚本。不要一开始就追求全套自动化，否则遇到跨节点字段对不上时，排错会非常痛苦。

2.2 模型、Token和成本怎么控制

四个智能体不一定用同一个模型。常见配置是：

• A调研智能体：用支持长上下文、能读网页摘要的模型，不追求极致文笔。
• B创作智能体：用中文表达能力强、长文生成稳定的模型，这是成本大头。
• C适配智能体：可以用比B便宜一些的模型，因为改写任务比创作任务简单。
• D复盘智能体：重点是能按固定格式输出JSON，速度快就行。

Token要提前估一下。粗略按常见计费口径估算，一篇文章正文大概2000字，中文1个字大约对应1.5到2个Token，一次完整生成大概消耗3000到5000个Token。如果C要改写出两个平台版本，还要再加一份输入和输出。假设每周5篇，一个月就是20篇，创作类Token消耗可能在10万到30万之间，这个量级多数接口都能接受。

还有一点要特别注意：不要把调研智能体拉回来的所有网页全文直接喂给创作智能体。先让A把素材压缩成重点摘要，每篇控制在300到500字。否则B的输入会非常长，既费钱，又容易让输出偏离核心。

2.3 最小闭环先跑哪三步

第一次搭建不要直接连四个平台。建议按这个顺序来：

1. 先跑A到B。只做选题和写初稿，看看内容质量能不能达到基础要求。
2. 再加C。只做一个平台，比如CSDN，看看改写结果是否合理。
3. 再加D。用一个固定文案手动发布后，用D抓一次数据，验证数据格式。

这三步都稳定之后，再加定时、多平台、失败重试。很多人一上来就搭全自动，最后发现不是模型不行，而是链路里某个字段对不上，排错排到崩溃。

3. 调研智能体是整个链路的起点

3.1 输入输出怎么设计

A的输入不需要太复杂，建议包含这样几个字段：

• 账号定位：一句话描述，比如写AI工具和效率方法。
• 目标平台：CSDN、公众号、知乎等。
• 内容比例：多少偏教程、多少偏经验分享。
• 最近发布标题：给出上一轮内容，避免重复选题。
• 来自D的复盘建议：如果有的话，比如上一轮数据分析类标题打开率高。

输出建议用结构化字段，方便下一个节点解析。例如：

[ { "title": "用四个AI智能体跑通内容全链路", "keywords": ["AI智能体", "内容自动化"], "angles": ["流程拆解", "踩坑记录"], "reference": ["提供3个参考链接或来源"], "why": "为什么这个选题值得写" } ]

如果A返回的是纯文本，B解析时会很麻烦。所以提示词里一定要强调“只输出JSON数组，不要给多余解释”。这一步能省掉大量后期清洗工作。

3.2 调研结果怎么判断质量

判断A靠不靠谱，主要看三个标准：

• 选题是否重复。如果连续两周给出同一个角度的选题，说明它没有正确读取历史数据。
• 关键词是否准确。关键词不一定是热点词，更重要的是用户会搜索的组合。
• 角度是否具体。“AI趋势”是空角度，“用四个AI智能体跑通内容全链路”是具体角度。

如果选题太泛，可以在提示词里加一个限制：“每个选题必须包含一个能落地的动词或场景”。比如要求“如何搭建”而不是“AI介绍”。

3.3 热点时效性怎么处理

调研智能体如果接了联网搜索，容易抓到过时或来源不明的信息。我一般会在提示词里要求它标注信息日期，并优先选择近7天的内容。如果是教程类内容，素材时效性要求没那么高，可以放宽到近30天。

另外要注意，不要让智能体直接复制来源文章的大段内容。版权和重复率都是问题。正确做法是让A只提取事实性要点和可参考的结论，具体表达留给B重新生成。

4. 创作智能体决定内容质量

4.1 提示词模板怎么搭

B的提示词至少要包含五块：

1. 角色定位。比如你是一个有十年经验的技术博主，擅长写教程和踩坑记录。
2. 任务描述。把A给出的选题转化为一篇完整中文文章。
3. 输入材料。只附上A压缩后的素材摘要，不要附全部搜索记录。
4. 输出格式。比如文章标题、开头200字、至少四个小节、结尾经验建议。
5. 质量要求。比如段落不超过300字，多用短句，不要出现总结式空话。

下面是一个简化示例：

你是一个有十年经验的中文技术博主，擅长把复杂流程写成可复现的教程。 请根据以下选题和素材，写一篇2000字左右的CSDN风格博文。 选题：用四个AI智能体跑通内容全链路 素材摘要：<A输出的摘要> 要求： 1. 开头前100字内出现“AI智能体”和“内容全链路”。 2. 每个小节标题要具体，禁止使用“概述”“介绍”这类空标题。 3. 段落之间多有实操细节，少空话结论。 4. 结尾用经验总结，不要写“通过本文介绍”。

这里最容易忽略的是：B的输入只放A压缩后的摘要，不要放原始网页全文。否则上下文一长，输出质量和成本都会失控。

4.2 长文生成是拆开跑还是一次跑

如果文章超过2000字，一次生成容易后半段跑偏。我试过两种方式：一种是让B先生成大纲，再按大纲逐节生成；另一种是一次性生成全文，后续再删改。前者的稳定度更高，但会多消耗一次调用；后者快，但长文经常出现重复观点或结尾空洞。

现在的做法是两步：第一步让B生成大纲和开头，第二步让B按大纲逐段补齐。虽然调用次数多，但每个片段上下文更短，输出质量更稳定。

4.3 输出质量怎么验收

拿到B的初稿后，不要急着发。建议做一个快速检查清单：

• 开头前100字是否出现了核心关键词。
• 每个小节的标题是否具体，有没有“概述”“介绍”“总结”这类空标题。
• 有没有大段排比句和AI常用句式。
• 有没有把A给的事实写错。

如果初稿结构没问题但句子太模板化，可以单独做一次去AI味改写。比如要求“删掉‘随着技术的发展’这类开头，每段首句直接说结论”。润色可以放在C适配时顺便做，也可以单独加一个轻量模型，但会增加链路复杂度。

5. 适配智能体不是简单的复制粘贴

5.1 不同平台到底差在哪

实测时我发现，C这一步最容易被低估。很多人觉得把同一篇文章复制到不同平台就行，但数据差异很大。原因有几个：

• 平台调性不同。CSDN用户更希望看到怎么落地，知乎用户更偏逻辑论证，小红书用户需要更加口语化和标签化。
• 排版格式不同。CSDN支持Markdown，公众号需要分段落，小红书摘要短。
• 标题风格不同。同一个选题在CSDN可以用“四个AI智能体跑通内容全链路”，在知乎可以更偏问题化“如何用AI智能体搭一条内容生产流水线”。

C的输入应该是B的初稿加每个平台的适配规范。输出是多个平台版本。如果C只做语法替换，那这步价值不大；真正价值是让内容在不同平台都像一个本地创作者写出来的。

5.2 配图提示词怎么生成

C还可以承担封面图或配图提示词的生成。不用让C直接画图，而是让它生成一段适合绘图模型的提示词，例如“技术博主工作台，四个智能体流程图，简洁扁平风格，蓝色主调”。然后由绘图模型生成图片。

如果你不想用绘图模型，也可以让C生成配图思路，比如截图需要标注哪些关键环节，剩下由人工完成。图片版权和平台规范要自己把握，不要使用来源不明的商用素材。

5.3 适配结果怎么验证

验证C的输出主要看三点：

• 事实是否变形。C可以改表达，但不能改结论和数据。
• 字数是否适配。比如小红书正文一般不超过1000字，如果C产出2000字，说明规范没写清楚。
• 标签和关键词是否合理。C生成的标签要控制在5到8个左右，太多会被平台判定堆砌。

如果C输出不稳定，可以在提示词里带一个正例和反例。用一组示例约束格式，通常比只写规则更有效。

6. 复盘智能体让链路真正循环起来

6.1 发布环节怎么接入

发布这块，我不建议在第一次搭链路时就追求全自动。不同平台的接口权限、发布规范不一样，一旦处理不好容易出问题。更稳妥的做法是：让C输出一个待发布文件包，包含各平台版本和配图路径；你手动或半自动发布；发布成功后把链接回填给D。

如果想做半自动，可以用脚本处理“复制标题和正文到剪贴板”这类操作，但仍然需要人工确认最终发布界面。这既符合平台规则，也避免账号风险。全自动发布牵扯到各种签名、权限和风控问题，不是第一版该做的事。

6.2 数据采集时间点怎么设

D的典型数据采集时间点有三个：发布后1小时、24小时、72小时。分别对应快速反馈、稳定反馈、长尾反馈。

• 1小时看标题和封面是否吸引人。
• 24小时看内容质量，同时判断平台推荐机制是否给了更多流量。
• 72小时看长尾搜索流量，很多阅读来自几天后的搜索。

如果D能定时采集，就存成JSON或表格，方便后续做趋势分析。数据字段至少包括阅读量、点赞、评论、收藏、转发。如果没有某些指标权限，就采集能拿到的字段即可。

关于采集频率，也要加一个“发布时间”字段。如果当前时间距离发布时间不足一定间隔，就跳过这轮采集，而不是记成0阅读。否则会把“数据还没更新”误判成“内容没人看”。

6.3 复盘结果怎么喂回给调研智能体

D不能只看数据高还是低，要生成可供A直接使用的建议。建议输出这样的结构化字段：

{ "content_id": "20250112-001", "pv": 1200, "avg_read_rate": 0.42, "conclusion": "教程类开头比经验类开头阅读率高", "next_round_advice": "下一轮优先做完整搭建类教程，标题数据化" }

A在下一轮运行时读取这份结果，并把next_round_advice作为输入条件。这样内容创作就不再是碰运气，而是每一次都有数据反馈。

对于阅读量很低的内容，D也要给出“停止这类型选题”或者“换角度再试一次”的判断，而不是所有内容都继续做。复盘的价值不是表扬某个选题，而是帮下一轮避开坑。

7. 四个智能体怎么串起来，以及哪里容易翻车

7.1 串行和并行怎么选

最开始的串行顺序是固定的：A到B，B到C，C到D。这是依赖关系决定的，没法省略。但C这一步可以并行：B的初稿出来后，C可以同时生成CSDN版和知乎版。如果用的是工作流平台，把C节点复制成两个分支，分别配置不同平台的提示词即可。

D也可以并行：对于多个发布链接，D可以同时采集多个内容的数据。但要注意平台的频率限制，不要一次性请求太猛。

调度时序大致是：

1. 定时触发A，输出选题列表。
2. 人工或规则确认选题后，传给B。
3. B生成初稿，传给C。
4. C并行生成多平台版本。
5. 人工发布，发布链接回填给D。
6. D按时间点采集数据，最终输出复盘结论给A。

7.2 最容易翻车的三个位置

第一，节点之间的字段不匹配。A返回的是JSON，B却按纯文本读取；或者B输出的标题字段叫title，C读的时候读成headline。这种错误在可视化平台里很常见。解决办法是在每个节点后固定输出结构，并且写一个简单的格式校验：检查必填字段是否存在，不存在就重试。

第二，上下文超长。A把大量网页全文传给B，导致B输入超出模型限制。解决办法是A先压缩成摘要。C也一样，如果平台版本太多，不要把五份适配稿都放到同一个D的输入里，D只需要读取发布链接和统计数据。

第三，数据采集时机的空值。发布后立刻采集，数据可能还没更新，D会以为内容是0阅读。更好的做法是采集时增加发布时间字段，如果当前时间距离发布时间不足一定间隔，就跳过这轮采集。

遇到链路报错，先定位到具体节点，再检查输入输出字段，不要急着换模型。

7.3 排查问题时先看什么

当链路报错，我一般按下面的顺序排查：

1. 看日志。哪个节点报错，错误信息是什么。
2. 手工跑单个节点。把上一节点的输出保存下来，直接喂给报错节点，看是否复现。
3. 检查输入格式。很多问题是字段名不一致或数据结构变了。
4. 检查模型输出。看看是不是内容正常但JSON解析失败。如果是，可以要求模型只输出JSON，不要解释，或者用更宽松的解析方式。
5. 最后再考虑改提示词或换模型。

不要一上来就怀疑模型能力不够。大多数链路问题出在调度、字段、超时和格式上，而不是模型本身。把这套排查顺序固定下来，后面再扩展多平台、定时任务和更多智能体时，会轻松很多。

我个人更建议第一次搭链路时保留两个人工确认点：一个在发布前，一个在数据复盘后。发布前确认内容质量和平台规范，数据复盘后确认下一轮选题方向。其余环节能自动就自动。四个AI智能体跑通内容全链路，真正价值是让重复劳动变少，让每一次内容都有数据反馈，让选题不再靠拍脑袋。先把链路缩短，再把自动化程度加上去，这样跑起来会稳很多。