作为12年内容人，对于openclaw和vibe coding 大爆发之后的10条思考

这段时间，很多平时不联系的朋友和前同事都来问我openclaw相关的信息了，昨天在大屋顶碰到一个做营销的伙伴，跟我提到已经把openclaw装上了，但不知道用来干什么。我看到很多做内容的人，都陷入了一种很强的焦虑。大家讨论最多的，不再是“什么内容值得做”，而是：怎么用openclaw 抓 1000 条小红书链接，怎么批量采集爆款标题，怎么自动整理 1 万条内容数据。我花了一周的时间来思考，随着AI变强，内容创作者的壁垒是什么？我越来越觉得，这里面有一个根本性的误区：如果没有这个标准，抓再多链接，也只是信息堆积。工作流再复杂，也只是在放大混乱。如果没有这个主张，AI 给你的不是效率，而是噪音。我现在对 AI 时代内容创作的理解越来越清晰：不是先用 AI 抓内容，是先建立你的内容标准，先梳理你的工作流，先定义哪些环节本来就该由你来定义。 1.AI 很重要，但它不是内容的起点。内容的起点，永远是你对“好内容”的判断。今天很多人学 AI，最先学会的是采集。抓爆款账号、抓标题、抓评论、抓关键词、抓高赞内容…… 这些动作当然有价值，但它们本质上解决的只是一个问题：可内容创作真正难的，从来不是获得信息。真正难的是：你能不能判断哪些信息值得要，能不能从大量信息里提炼出结构，能不能把结构变成有辨识度的表达。这也是为什么，很多人明明已经拥有了更多数据，最后却还是做不出更好的内容。因为数据本身没有价值。 AI 可以帮助我们采集，帮助我们分类，帮助我们做初步整理。但一篇真正有传播力、有辨识度、有转化价值的内容，不会诞生于“多抓了 500 条链接”，而会诞生于： 2.第一步，不是学工具，而是先定义什么是“好内容” 我在去年8月份开始vibe coding，做了好几个产品，但都没有用下来，因为当时的我，只知道要做内容采集，但不知道采集完如何筛选。只知道要收集线索，而不知道我如何前置明确线索的标准。所以我现在对好内容的定义，是回到业务中。这件事如果不先说清楚，后面所有动作都会失焦。而“好内容”，其实可以分成两种。这种内容的核心，不只是信息量大，而是它有辨识度。比如半佛仙人的内容，你还没点开，你大概已经能猜出来文风了。是你听到这个观点，就知道背后站着一个什么样的人。是平台的算法记住你，用户也记住你。未来大家更愿意消费的，不会是那种“很像 AI 写的正确内容”，而会是：因为人的注意力是有限的。在一个信息极大丰富的时代，用户最后选择消费谁，很多时候不是因为谁更完整，而是因为谁更“值得期待”。比如我和半佛同样观点的内容摆在面前，我相信大家一定优先想看半佛的内容。这就是 IP 的护城河。所以从大众传播的角度看，一个真正的好内容，往往具备几个特征：它有鲜明的观点，它有独特的语言质地，它有真实的人感，它有让算法和用户都能识别的风格。这类内容的本质，不只是“写出来了”，而是“被记住了”。但另一种“好内容”，不完全是面向大众传播的，而是面向你的业务目标。比如对我来说，判断一篇内容是不是好，并不只看它有没有传播性，还要看它有没有满足我们真正需要的东西。我对生财好内容的定义是三个关键词：简称生财IPO 也就是有没有新知，有没有新的理解，有没有别人没说透的东西。如果一篇内容只是重复市场上已经存在的共识，那它就很难真正产生价值。内容不是把已知信息换一种说法再讲一遍。真正好的内容，应该让人产生一种感觉：比如小红书平台新规下要怎么做虚拟产品，比如在油管内容同质化的限流下，如何找到更好的内容赛道。也就是有没有过程、有没有细节、有没有路径。很多内容的问题不是观点不对，而是只有结论，没有过程。用户看到的只是“你做成了”，却不知道“我是怎么一步步做到的”。这会导致内容虽然看起来很厉害，却没有体感。而真正让人有代入感的内容，是能让用户感受到：不是你可以，而是我也可以。这才是一篇实战内容的力量，它能给人带来希望。不是你厉害，而是看到你的分享，我觉得我也可以很厉害。我最近看到这种希望来源于分享的做AI小程序的案例，因为真的看到不少圈友根据他的那篇内容做出来了。还有@zero 对AI视频的拆解，到底什么是爆款，不是对标，而是极致的拉片分析解读。为什么有些实战派创作者的内容特别有吸引力？不是因为他们更会讲大道理，而是因为他们写出了中间过程，写出了关键动作，写出了从0到1可以复刻的路径。偷偷说，这也是精华帖的核心权重标准，有没有具体的路径和过程。也就是有没有现实机会，或者有没有可迁移的方法。有些内容虽然是真实案例，但机会窗口已经过去了，对用户没有现实意义。那它最多只是故事，不是指导。所以一篇内容的价值，不只是“你过去成功过”，而是：现在别人还能不能做，如果不能直接复制，至少能不能学到背后的方法，能不能从你的路径里提炼出对今天依然有效的结构。这才是内容真正的可用性。所以对我来说，一篇在生财可以称得上好内容的帖子，不只是内容“写得好”，而是：当你明确了什么是好内容，下一步才是梳理流程。很多人一开始就问：“我该怎么用 AI 做内容？”但更本质的问题应该是： AI 只能嵌入流程，不能代替流程。我现在做内容，更习惯先把整个内容生产过程拆开来看。比如至少会有这样几个环节：1.先明确我们近期到底想要什么内容；2.再判断谁有能力产出这样的内容；3.然后去采集相关信息和线索；4.接着做筛选、排序和优先级判断；5.再进入写作、编辑、修改；5.最后才是分发、复盘和知识沉淀。在这个过程中，我会先用自己的框架定义内容需求。比如我会用“道、法、术、器”来拆：，是趋势、判断、时代命题；，是方法论、底层框架、策略逻辑；，是具体打法、实操路径、案例拆解；，是工具、系统、工作流、实现方式。当这个框架清晰以后，我就知道我到底缺的是什么内容。我们目前缺的不是术，不是how，而是what，是why。比如openclaw运行中，mcp是什么，面向业务是否能讲清楚根据它的需求，哪个技术方案最优。只有先把“我要什么”说清楚，后面才谈得上“我怎么获得它”。所以做内容时，真正重要的不是“AI 能做什么”，而是：这些是内容最核心的部分。比如：什么是你认可的好内容；什么议题值得做；什么观点是你的；什么表达方式有你的辨识度；哪些内容应该优先发；哪些东西虽然流量高，但不符合你的定位。这些事，本质上都不是执行问题，而是判断问题。 AI 可以给你建议，但不能替你建立标准。可以提供候选答案，但不能替你承担价值选择。换句话说： -适合交给 AI 的部分：采集、整理、初筛、分类、转写、改写而另一部分，AI 非常适合做。比如：自动采集选题；自动抓取爆款内容；自动提炼标题结构；自动做标签分类；自动生成内容框架初稿；自动改写成不同平台版本；自动把内容沉淀进知识库；自动分析一批内容中的重复主题和高频情绪点。这些都是重复、标准化、批量化程度高的工作。它们不需要你每次都从零开始动脑，但非常耗费时间。这种环节，越早交给 AI，越能把人从机械劳动里解放出来。所以我现在会把整个流程理解成四层： AI 帮我抓更多信息源和候选素材。我基于自己的标准做判断，AI 提供辅助分类和排序。我负责主张、结构、表达的关键修改，AI 做辅助生成和版本适配。 AI 协助我做多平台适配、资料归档、标签化管理。 AI 更像一个执行引擎，而不是内容灵魂。很多人对 AI 有一个误解，觉得只要把足够多的资料喂给它，它就能产出你想要的内容。但真实情况是：也就是说，最值得喂给 AI 的，不只是你过去写过的内容，而是：一篇内容初稿长什么样，你改完之后变成什么样，你删掉了什么，你强化了什么，你为什么这么改。因为真正有价值的，不是 before，而是 before 和 after 之间的差异。这中间藏着你的判断力：你更看重观点还是故事；你会把平的句子改成更有张力的表达；你会把模糊的概念改成具体场景；你会把泛泛的结论改成可复用的结构；你会把一段“说明书式表达”改成更有人感的表达。这些修改动作，才是你的内容方法论。这也是我和AI交流的部分，我写完之后会让她给我输出我调整的部分，我猜测后续这个可以变成我的一个内容改写skill。 AI 未来最好的用法不是“替你直接写”，而是：这样它提升的不是单次效率，而是你整个内容系统的效率。我现在一个越来越坚定的判断是：AI 可以放大内容生产，但很难代替爆款内容真正诞生的那一下。因为爆款内容的核心，不只是信息组织，而是注意力争夺。而注意力从来不属于最完整的内容，而属于最有张力的内容。今天一个人为什么会停下来？通常不是因为你解释得够全面，而是因为你说出了一个反常识的判断，一个强主张，一个他没想过但又隐隐觉得对的东西。也就是说，内容真正能打动人的部分，很多时候不是“正确”，而是：陌生、锐利、真实、带着人格的判断。这也是为什么未来IP两极分化会越来越明显：一边是大量 AI 生成的标准化内容，它们会越来越多，越来越便宜，越来越像基础设施；另一边是真正有辨识度的内容，它们会越来越稀缺，越来越依赖作者本人的认知和人格。用户未来会消费什么？我认为不是纯 AI 生成的内容。或者更准确地说，不是“看起来像 AI 写的内容”。用户真正愿意持续消费的，还是那些：有鲜明主张，有个人气质，有独特结构，有真实经验，有活人感，有思想钢印的内容。 AI 不是不能做内容。而是它更适合生产内容的“底”，却很难凭空生产内容的“魂”。 AI 时代对于所有内容创作者要建立的，我个人认为是设计架构的能力。说白了就是：因为现在写内容、写代码、做图这些执行动作，AI 都能帮你做，而且会越来越便宜。真正难的是：你能不能把复杂的事情拆清楚，知道先做什么、再做什么，把零散信息连成一条完整的路径。说白了就是：再举个形象的例子：AI 更像一个特别能干的工人。问题是：这些还是要人来决定。所以未来最值钱的能力不是干活，而是：这其实也是我理解的 vibecoding 的核心能力。执行正在越来越便宜。真正稀缺的，是谁能把复杂的信息组织成结构。所以我现在越来越相信，一个好的内容，不只是提供信息，而是提供一种新的理解方式。用户看完之后，不只是觉得“这篇文章有道理”，而是会觉得：比如：问题 → 数据 → 工作流 → 产品数据 → 知识 → 洞察事件 → 处境 → 需求 → 命题这些东西本质上都是结构。而一旦用户获得了新的结构，他以后面对新的案例、新的项目、新的问题时，就会自动调动这套理解方式。所以如果今天一个内容创作者想学 AI，我认为最好的路径，不是“从技术到内容”，而是：先不要急着学复杂代码，先学会三件事：第一，拆自己的工作流。你现在做内容，到底有哪些步骤？输入输出是什么？哪一步最重复？哪一步最耗时？哪一步最适合先交给 AI？第二，学会把需求说清楚。你想要的结果是什么？它长什么样？约束条件是什么？什么叫合格，什么叫不合格？第三，再补最少够用的技术能力。让你能看懂 AI 给你的代码，我会让AI告诉我api是什么，node,js是什么，docker是什么。围绕一个真实场景做项目，比如我最近就在学习一个公众号账号抓取平台。学编程，是为了把内容工作流做成系统 42章经有一期播客提到，未来的组织未必需要那么多人。这个命题我最近也想了很久。如果 AI 员工会越来越多，那人到底要如何自处？人的价值到底是什么？我现在给自己的答案是：只有创造，才能让你不只是一个执行节点。只有创造，才能让你不是接住 AI 给出的文字，然后一键发布。只有创造，才能让你保有主体性。这里说的创造，不只是写一篇新内容。更重要的是：创造新的问题定义，创造新的内容结构，创造新的表达方式，创造新的认知框架， AI 可以执行。但“要解决什么问题”“为什么这样组织”“什么值得被表达”，这些事情依然要由人来回答。所以我越来越觉得，未来语言和思维会成为一种结界。你怎么定义问题，怎么抽象经验，怎么组织结构，如何形成自己的判断，这些东西会决定，你到底是在使用 AI，还是被 AI 推着走。如果让我给做内容的人一个更直接的建议，我会说：不要一上来就追求全自动化，也不要一上来就想搭特别复杂的系统。你最先要做的，是先学会把 AI 用进你现在的内容工作里。最适合内容创作者开始用 AI 的方式，我觉得至少有三步。第一步：先把你的原始想法交给 AI，让它帮你把问题问得更清楚这是我觉得很多人最容易忽略，但其实特别关键的一步。很多人用 AI，是直接把一个模糊的需求丢进去，然后期待 AI 给你一个好答案。但问题是，如果你的问题本身是散的、空的、没有约束的，AI 给出来的内容也大概率是泛的。所以我现在很常用的一种方式是：因为一个更好的提示词，本质上就可以帮我明确标准，建立约束。帮你补充缺失条件，帮你把“我大概想要什么”变成“我清楚要什么”。比如我原本只是想问：“帮我分析一下这篇内容为什么写得好。”这句话其实太泛了。但如果先让 AI 帮你升级这个问题，它可能会变成：“请从选题张力、用户情绪、结构设计、表达辨识度、可复用性五个维度，分析这篇内容为什么成立，并指出哪些部分是我可以迁移到自己内容里的。” 你会发现，一旦问题变清晰了，AI 的输出质量就会立刻提升。在我看来，提示词的本质不是技巧，而是：你说得越清楚，AI 越有可能接近你的审美。你约束得越明确，AI 越不容易跑偏。你边界感越强，AI 给你的结果才越像“为你服务”，而不是“随机生成”。第二步：再让 AI 帮你把一团混乱的东西，整理成结构这是 AI 对内容创作者特别有价值的第二个用法。很多时候，我们不是没有想法，而是想法太多、太散、太乱。脑子里有一堆观察，一堆案例，一堆判断，但就是串不起来。这个时候，AI 最有用的地方，不是替你写，而是替你整理。你可以把一段很杂乱的语音转文字、一堆碎片笔记、一段混乱表达直接丢给 AI，让它帮你做几件事：先提炼核心观点，再拆成层级结构，再归纳重复出现的主题，再帮你找出其中可能存在的盲区，最后告诉你，这些内容之间到底是什么关系。 ps：让AI告诉你这些内容中有哪些你尚未发现的盲区很有用。这一步很重要，因为很多内容创作者真正的卡点不是“不会表达”，而是：没有先把脑子里的东西结构化。而 AI 恰恰特别适合做这种“从混乱到结构”的工作。比如你可以直接让 AI 帮你做这些事：“请帮我判断这段思考里，哪些是观点，哪些是例子，哪些是结论。”“请帮我找出这段内容里，我还没说透的地方。”“请帮我识别，这里面有哪些我默认知道、但用户未必知道的隐含前提。”“请帮我把这堆碎片化想法，整理成一个适合公众号表达的结构。” 这对内容人非常重要。因为很多时候，真正限制一个人表达能力的，不是文笔，而是结构。所以我会觉得，AI 一个特别大的价值，是帮你完成这件事：而且在这个过程中，它还可以帮你看到一些你自己没发现的盲区。比如：你的论证有没有跳步；你的结论是不是大于证据；你的表达是不是默认了太多背景信息；你的结构是不是有信息，但没有节奏。这些地方，人自己有时候很难看出来。但 AI 作为一个外部辅助视角，反而能帮你照出来。第三步：尝试用 CC、OpenClaw这一类工具去做采集你已经知道你要什么，也知道你想怎么分析了，这时候再去用 CC、OpenCloud 之类的工具帮你做采集，价值才会真正放大。因为采集最关键的问题，从来不是“能不能抓”，而是：如果这两件事不清楚，采集工具只会让你得到更多无用信息。比如你说你要采集小红书爆款内容，那你到底采什么？是采标题？采封面？采发布时间？采互动数据？采关键词？采评论区高频问题？以及你采完以后，到底要输出什么？是输出一个爆款标题库？还是输出一个选题方向清单？还是输出某类内容的共同结构？还是输出哪些情绪标签最容易触发互动？还是输出你下一周最值得做的三个选题？这就是为什么我一直觉得，采集不是一个工具动作，而是一个分析动作。采集的价值在于你是不是围绕一个明确的问题在抓，是不是为了一个明确的结果在抓。所以真正好的采集逻辑应该是：只有这样，采集才不是囤积信息，而是在为你的内容判断服务。回到最开始的问题： AI 时代，到底怎么做好内容？我的答案越来越简单了。好内容分两种：一种是大众认可、能够被记住的内容；一种是符合你业务目标、真正有价值的内容。先明确你到底要什么，再去设计你怎么获得它。你负责标准、判断、主张和风格；AI 负责采集、整理、分类和辅助生成。不是让 AI 直接替你写，而是让它慢慢学会你怎么判断、怎么改、怎么取舍。当这四步走通以后，AI 才不只是一个“会生成文字的工具”，最后再延展一点点，如何从数据到对内容和情绪的洞察？数据只是客观记录，本身没有解释。例如：小红书某条内容点赞 5 万，某个关键词搜索量增长 200%，一个产品月销售 1 万单这些都是孤立的信息点，只是告诉你“发生了什么”。如果只有数据，人很容易被信息淹没。当我们开始把数据连接起来，就形成知识。例如：高赞内容情绪很强，情绪型内容 → 更容易获得高互动，比如评论区数量意味着用户认同，用户提问多 → 转化率更高，比如搜索意味着用户某个细分需求，搜索量上涨 → 需求正在增长。这时候你不再只是看到数字，而是看到数据之间的逻辑关系。所以知识其实是：数据 + 解释 + 关系。洞察发生在更高一层。它不是简单总结关系，而是发现重复出现的模式。例如：我们发现很多爆款内容背后都有一个共同点： •情绪表达强 •标题具有冲突 •内容解决一个具体焦虑于是可以得到一个洞察：在内容平台上，“情绪共鸣 + 具体问题”比“信息密度”更容易传播。这就是一种可复用的规律。为什么洞察最有价值？因为洞察可以指导未来的决策。数据只能描述过去，知识解释现在，洞察可以预测未来我们对于数据的处理，其实是：不断把数据连接成知识，再从知识中提炼洞察。很多人面对一个领域的时候，是混乱的。比如 AI、内容创业、个人IP，信息很多，但不知道怎么理解。比如我刚刚梳理了我对于从采集数据到做出好内容的洞察：数据 → 知识→ 关系→ 洞察。这时候他获得的价值不是信息，而是理解方式。理解方式一旦改变，他以后看到新案例、新项目时，就会自动用这个结构去分析。当用户有了一些认知积木后，他会更容易判断很多事情。例如：看到一个 AI 项目，他可能会开始问三个问题：这个解决的是什么问题？有没有独特的数据？工作流在哪里？这时候他的思考方式已经变了。过去他可能只看：这个项目是不是很酷。现在他会看：这个结构是不是成立。这块积木可以被反复使用：用来理解一个领域，用来做决策，用来创造内容。当一个人积累的认知积木越来越多，他对世界的理解结构就会越来越清晰。而很多真正有影响力的内容，本质上就是在做一件事：给用户一块新的认知积木。如果让我用一句话总结 AI 时代的内容创作：这是我过去半年理解内容和理解AI的思路，也算是自己的第一篇万字长文了，如果觉得有帮助，也欢迎给我点赞，分享你对内容的洞察和思考┗|｀O′|┛ 嗷~~。

Comments on "作为12年内容人，对于openclaw和vibe coding 大爆发之后的10条思考" :

Leave a Reply

关注公众号

Comments on "作为12年内容人，对于openclaw和vibe coding 大爆发之后的10条思考" :

Leave a Reply

免费下载或者VIP会员资源能否直接商用？

提示下载完但解压或打开不了？

找不到素材资源介绍文章里的示例图片？

付款后无法显示下载地址或者无法查看内容？

购买该资源后，可以退款吗？

相关文章