行銷內容批量生產流水線：從選題到成稿（Chinese original）

多數團隊用 AI 寫內容的方式是「想到一篇、打開工具、從零開始」，結果是產量看心情、風格看運氣。這篇要解決的決策問題是：如何把內容生產從「一件件手工」改造成「一條流水線」——每個環節有明確的輸入輸出、有固定的品質關卡，換人操作也能維持差不多的結果。流水線不是把人換掉，而是把人移到最有價值的位置：選題判斷、風格定義、事實把關。

讀完你會帶走六件工具：選題卡模板、素材包規格、把風格指南組裝成系統提示詞的方法、初稿與視覺素材的批次生成紀律、三道人工審核閘門的位置與檢查動作，以及一張「流水線是否真的有產出」的衡量指標表——每個指標都教你怎麼自己算。

流水線全景

先看清楚整條線，再逐段拆解。一條完整的行銷內容流水線，從進料到回收共八個環節：

選題池 → 選題確認 → 資料準備 → 初稿生成 → 風格校準 → 人工審核 → 多平台改寫 → 發佈與回收
                                              ↑                        │
                                              └────── 回饋修正 ────────┘

每個環節的輸入、產出與自動化程度，用一張表釘死：

環節	輸入	產出	誰負責	可自動化程度
選題池	各來源的題目	帶優先級的選題池	內容負責人	收集可半自動，排序靠人
選題確認	選題池	已立項的選題卡	內容負責人	不可（判斷題該不該做）
資料準備	選題卡	素材包	執筆者＋AI 輔助	高，但每項素材要人工核源
初稿生成	選題卡＋素材包＋風格提示詞	初稿	AI 生成，執筆者發起	高
風格校準	初稿	校準稿	AI 生成，執筆者發起	高
人工審核	校準稿	主稿（可發佈）或退修單	審核者	不可（唯一的品質閘門）
多平台改寫	主稿＋視覺素材	各平台版本	AI 改寫＋人工複審	高
發佈與回收	各平台版本	上線內容＋表現數據	運營	發佈可排程，判讀靠人

三個設計原則貫穿全程：

每個環節的產出是下個環節的標準輸入。 選題確認後產出「選題卡」，資料準備後產出「素材包」，初稿後產出「待審稿」。格式固定，責任清楚，出問題能定位到環節。
人可以從任何環節切入，但不可以跳過環節。 尤其是人工審核，它是整條線唯一的品質閘門。
末端回饋回前端。 發佈後的數據與讀者反應，要回流成下一輪選題與風格調整的依據。

用什麼把流水線串起來

落地時不需要寫程式：選題池用你們現有的表格工具管理；初稿生成與多平台改寫用無程式碼工作流平台掛上固定的 style prompt 批次執行；審核閘門保留人工，用通知把待審稿推給審核者。平台選擇與第一個工作流的完整做法，見不寫程式做出你的第一個 AI 工作流。

回饋迴路：數據怎麼回流

發佈不是流程的終點。每篇內容要回收三類信號：流量與停留類的表現數據、讀者直接回饋（留言、詢問、客訴）、以及業務側的信號（這篇內容有沒有帶來詢問或轉換）。回收的用途有兩個：喂給選題池——表現好的題目做延伸系列，無人問津的題目類型降權；喂給 style guide——讀者反覆追問的點，代表內容沒講清楚，下次生成時要在選題卡或風格規則裡補上。建議每月固定做一次「內容復盤」，把這三類信號整理回選題池，流水線才會愈跑愈準。復盤要看哪些指標、每個指標怎麼算，見後文「衡量」一節。

選題：流水線的進料口

內容品質問題，有一半其實是選題問題——選了不該做、做不動、或沒人看的題。選題不靠靈感，靠固定的進料來源。

選題來源清單

來源	怎麼取得	適合產出的內容
客戶與銷售團隊的問題	定期向第一線收「這週被問最多的問題」	FAQ 型文章、說明型內容
客服紀錄與常見工單	從客服系統或知識庫的未命中清單撈	教學型、排除問題型內容
既有內容的表現	看哪些舊文持續帶來流量或詢問	舊題更新、延伸系列
競爭對手的公開內容	定期瀏覽對手發佈的內容主題	差異化觀點、比較型內容
行業動態與行事曆	訂閱產業來源、標記年度重要節點	趨勢評論、時效型內容
內部專家的知識	訪談產品、技術、法務同事	深度型、權威型內容

把這些來源收進一個「選題池」（一張表格就夠），每題記錄：題目、來源、目標讀者、想解決讀者什麼問題、優先級。選題池要有人每週固定清理一次：併題、刪題、調優先級。清理的節奏建議綁在既有的例會上（例如每週的內容會議開頭十五分鐘），而不是另開一個「選題會」——綁在既有節奏上的動作才活得下來。

優先級：兩軸四格就夠

不需要複雜的評分模型，兩個軸就能排序：對讀者的價值（解決的是不是真問題、有多痛）與對生意的貢獻（做完會不會帶來詢問、信任、轉換）：

	生意貢獻高	生意貢獻低
讀者價值高	優先做，做成系列	做，用於建立信任與口碑
讀者價值低	小心做，別變成自說自話的推銷	不做，或併入其他題

排在「優先做」象限的題目才進入選題卡環節。這個象限同時是日後衡量環節的對照組：發佈後的表現數據要回流到這裡，驗證你對「價值」的判斷準不準。

選題卡：每個題目立項前填一張

選題確認後，填一張標準化的「選題卡」，它是初稿生成的直接輸入：

題目：
目標讀者：（是誰、他的處境）
讀者讀完能得到：（一句話）
關鍵訊息：（最多三點，一定要傳達的）
參考素材：（連結或文件，見下一節素材包）
字數與平台：
禁忌與注意事項：（不能說什麼、法務紅線）

選題卡的價值在於把「模糊的想法」逼成「明確的規格」。寫不出「讀者讀完能得到什麼」的題目，通常就是還不該做的題目。批次生成品質不穩，很多時候不是模型的問題，而是選題卡有的填得詳細、有的只有一句話——輸入不均勻，輸出必然不均勻。

素材準備：初稿的事實地基

初稿的品質上限由素材決定。模型很會把素材「寫好看」，但不會憑空產生你公司的事實——它如果硬要產生，那就是幻覺。素材準備環節的目標只有一個：讓初稿裡的每個事實都有出處。

一個合格的素材包至少包含：

素材類型	例子	核實要求
產品與服務事實	功能說明、規格、限制條件	以官方文件或產品同事確認為準
數據與數字	自家營運數據、可公開查證的統計	每項標明來源與取得日期
客戶聲音與場景	客服問答、訪談記錄	去識別化後使用，不改原意
既有內容	舊文、白皮書、簡報	標明可重用段落，避免新舊文自我矛盾
外部觀點	行業報告、新聞	保留連結，只引用可公開查證的部分

素材包有兩條紀律。第一，每項素材標來源：檔名、連結、提供者，三者至少有一。第二，用 AI 蒐集素材時，AI 給的每條資訊都要回到原始出處核對——搜尋型 AI 也會引錯來源或捏造細節，這是已被反覆驗證的失敗模式，原理與應對見LLM 幻覺與虛構分析；要讓 AI 助理幫你長期盯住多個資訊來源，做法見給 Agent 裝上互聯網的眼睛。

素材不足怎麼辦？答案是不開始寫，或明確縮小題目範圍。用半份素材硬寫十篇，不如用足份素材寫五篇——這條要寫進流水線規則，而不是靠執筆者自律。

風格一致性：把 Style Guide 變成 System Prompt

批量生產最大的風險是風格漂移：十篇文章像是十個不同品牌寫的。解法不是每篇都靠同一個人重改，而是把品牌風格寫成一份可執行的規格，放進每一次生成的系統提示詞裡。

Style Guide 該寫什麼

一份能驅動 AI 的 style guide，要具體到「可判斷」，而不是「要專業、要有溫度」這種形容詞。至少涵蓋：

維度	要寫清楚的內容
語氣與人稱	用「你」還是「您」、正式還是親切、可否用口語
句式與長度	偏好短句還是長句、段落多長、要不要用條列
用詞規範	品牌專有名詞的正確寫法、禁用詞、易錯詞對照
結構慣例	開頭怎麼起、要不要小標題、結尾怎麼收
事實與引用	數字要不要標來源、可以引用哪類來源
禁忌	不碰的主題、不做的承諾、不用的表達

沒有 Style Guide？從既有文章反推

公司還沒有風格指南的話，不要憑空發明，從「過去表現最好、最像你們品牌」的文章反推，四步定稿：

挑代表文章：內容負責人認可的、風格最「對味」的若干篇，寧少勿濫。
交給 AI 助理歸納：人稱與語氣、常用句式、段落長度、結構習慣、高頻詞與從不用的詞。
人工修訂歸納結果：把形容詞改成可判斷的規則——「語氣親切」改成「用第二人稱、可用口語反問、不用網絡流行語」。
定稿並指定負責人，每季檢視一次；有新的代表作文或品牌調性調整時更新。

第三步不能省。AI 歸納出來的是「統計上的像」，人工修訂後的才是「品牌上的對」。

把它組裝成 System Prompt

Style guide 寫好後，濃縮成一段系統提示詞，每次生成都掛上去。範例結構：

你是 {品牌名} 的內容主筆。為 {目標讀者} 撰寫 {內容類型}。

【風格規則】
- 人稱與語氣：{…}
- 句式：{…}
- 必用詞寫法：{正確寫法一}、{正確寫法二}
- 禁用詞：{…}

【結構規則】
- 開頭：{…}
- 小標題：{…}
- 結尾：{…}

【硬規則】
- 所有數字必須來自提供的素材，不得自行編造或估算。
- 不做素材未涵蓋的承諾或效果宣稱。
- 素材不足的段落，標記 [需補充] 而不是填補想像。

本次選題卡：{貼入選題卡}
素材包：{貼入或附上素材}

其中「硬規則」那三條是重點：它把「不編造」寫進了每一次生成，而不是靠人事後抓。素材不足時要求 AI 標記 [需補充]，是把幻覺風險轉成可見的待辦。

這段系統提示詞是整條流水線最重要的單一資產：要有版本號、有負責人，改動要記錄——它變了，所有輸出的風格都會跟著變，出了風格事故也要能查回是哪一版造成的。

初稿生成：兩段式與雙助理互檢

先大綱、後分段，不要一氣呵成

一個通用原則：把「一次生成一篇完整長文」拆成「大綱 → 確認 → 逐段生成 → 組裝」。原因有三：

一次生成太長，模型後半段容易失準、離題、重複前面的話。
大綱階段就能發現結構問題——改大綱的成本遠低於改全文。
每一步輸出都短、都可檢查，出問題能定位到具體哪一段。

逐段生成時，每段都帶上：該段要點、前後段的一句話摘要（保持連貫）、風格提示詞與該段相關素材。段與段的銜接由人把關，不要假設模型記得全文。

兩個助理互相檢查

只用一個模型時，它既是作者又是裁判，錯誤容易被順暢的文筆掩蓋。有條件的話讓兩個不同的 AI 助理分工（例如 ChatGPT 與 Claude 各跑一角）：一個寫初稿；另一個拿到初稿與素材包後，做「讀者視角＋事實視角」的批評——哪裡看不懂、哪裡沒有素材支撐、哪裡語氣偏離風格指南。批評意見回流給執筆者，決定是否重寫。

這不是保證抓出所有錯誤（最終仍靠人工審核），而是在人工介入前先過濾一層明顯問題，審核閘門的負擔會明顯變輕。兩件事注意：批評用的素材包要完整，否則「事實視角」無從核對；兩個助理的輸出都不要直接採用，執筆者永遠是組裝與取捨的人。

視覺素材與多平台改寫

配圖與封面：視覺也要有配方

文字風格會漂移，視覺風格一樣會。批次生成配圖（例如用 Midjourney 這類圖像生成工具）時的做法：

固定視覺配方：把構圖風格、色調、常用元素寫成一段固定的提示詞前綴，每張圖只換主題部分；或固定風格參考圖，讓新圖向它看齊。配方和文字端的 style prompt 一樣，要有版本、有負責人。
一題多圖、人工挑選：每個主題生成多個候選，由人挑一張。挑選標準寫進風格指南（例如：不出現真人面孔、不出現文字、色調符合品牌）。
尺寸從主視覺派生：一張核準的主視覺，派生各平台需要的比例與尺寸；各平台規格隨時間會變，以平台官方最新說明為準，團隊維護一張「平台規格卡」記錄當前要求與更新日期，不要把過時規格寫死在提示詞裡。

視覺配方模板：
- 風格描述：{插畫／攝影感、扁平／立體}
- 色調：{主色、輔色、禁止出現的顏色}
- 構圖：{主體位置、留白比例}
- 禁止元素：{文字、真人面孔、競品標誌…}
- 尺寸需求：{依平台規格卡}

圖片審核檢查點（發佈前逐項過）：圖中文字是否亂碼——AI 生成圖裡的文字經常拼錯，能不放入文字就不放；人物手部與細節是否變形；是否誤用受版權或商標保護的元素；色調是否偏離品牌。涉及可辨識真人形象的圖一律不用；代言人與客戶肖像的使用權限先問法務。合規邊界的完整盤點見AI 合規與風險邊界。

多平台改寫：一稿多用而不是一稿照貼

同一個核心內容，在不同平台需要不同形態，但重新寫一遍既費時又容易走味。正確做法是「一稿多用」：先有一份經過審核的「主稿」，再由主稿派生各平台版本。

平台類型	從主稿派生時要改什麼	提示詞要點
官方部落格／官網	完整結構、SEO 標題、可較長	保留全部關鍵訊息，補小標題與導讀
社群貼文	開頭要抓眼球、大幅縮短、口語化	只留一個核心訊息，加行動呼籲
電子報	有主旨、有問候、分段清楚	主旨吸引人但不聳動，內容忠於主稿
短影片腳本	改成口語、加鏡頭或節奏提示	前幾秒留住觀眾，逐句可念出口
問答與論壇平台	改成回答體，先結論再展開	直接回應提問情境，不硬銷

派生的紀律有兩條：其一，派生版本不得引入主稿沒有的事實或承諾——縮寫和改寫最容易不小心把話說過頭，「幫助提升效率」縮成「效率翻倍」就是事故。其二，每個派生版本同樣要過人工審核，不能因為「內容主稿已經審過了」就免審，因為壓縮與改寫本身就是新的出錯點。

人工審核：三道閘門放在哪裡

流水線可以自動，審核不能省。把人工把關集中在三個高槓桿的點，而不是每一字都盯：

閘門	卡在哪裡	審什麼	為什麼是這裡
選題閘	選題卡完成後、生成前	題目該不該做、角度對不對、有沒有踩禁忌	選錯題，後面全白做
事實與合規閘	初稿完成後	數字與引用是否屬實、有沒有誇大或不當承諾、有無法務紅線	幻覺與法律風險的唯一有效防線
發佈前閘	派生版本完成後	各平台版本的語氣、事實一致性、連結與圖片	派生改寫是新的出錯點

三道閘門裡，事實與合規閘最重要，也最不能交給 AI 自己審。做法：初稿中所有數字、引用、效果宣稱，逐條回到素材核對；核對不了的，刪掉或標記待補。涉及產品功效、比較性宣稱、價格與承諾的內容，發佈前依公司規定送法務或相關單位確認——不同行業對行銷宣稱有不同的監管要求，具體紅線請諮詢你們的法務與合規部門，本文不構成法律意見。相關的法務盤點框架見AI 合規與風險邊界。

審核要留下紀錄：誰審的、改了什麼、為什麼退修。這份紀錄既是責任歸屬，也是回饋給前端的改進素材——退修原因按月彙總，就能看出問題集中在選題、素材還是風格環節，這個分佈會直接餵給下一節的衡量表。

還有一個常被忽略的設計：審核要有時間預算。如果一篇稿子的審核要花掉審核者大半小時，這條流水線的產量會被審核環節卡死。解法不是降低標準，而是把前段做紮實——選題卡完整、素材有出處、硬規則擋掉編造，送到審核者面前的稿子問題就少，審核自然快。審核耗時長期異常，本身就是流水線某環節失靈的信號。

批次生成品質不穩怎麼辦

即使有了流水線，批量生成還是會出現品質忽好忽壞。不要急著歸咎模型，按下面這張表逐一排查——品質不穩通常有具體、可修的原因：

症狀	常見原因	排查與修正
有的文章很好、有的很空	選題卡或素材品質不一致	檢查差的那幾篇，素材是不是明顯更少；補齊素材標準
風格時對時錯	系統提示詞沒每次都掛，或寫得太籠統	確認 style prompt 固定掛載；把形容詞改成可判斷的規則
愈寫愈離題、前後矛盾	一次生成太長，模型後半段失準	拆成「先大綱、確認後再逐段展開」的兩段式生成
內容重複、自我抄襲	多篇文章共用太相似的素材與提示	在選題卡明確區隔角度；生成時把「已寫過的要點」列為排除項
偶爾冒出沒聽過的數字或引用	幻覺	強化硬規則；所有事實性內容要求標註素材來源，審核時逐條核對
批次前幾篇好、後幾篇差	同一對話累積太多上下文互相干擾	每篇用獨立對話或獨立執行，不共用上下文
開頭結尾制式、千篇一律	結構規則寫得太死	風格指南允許若干開頭變體，或首段由人工改寫
換人操作後品質下降	流程知識在個人手上，沒文件化	提示詞、選題卡、素材標準全部模板化並集中存放

排查的順序建議由前往後：先看輸入（選題卡、素材包是否完整一致），再看配置（風格提示詞是否掛載、是否最新版），最後才看生成方式（是否太長、是否共用上下文）。輸入問題佔了品質不穩的大半，而輸入問題最容易修。

一個通用原則再強調一次：把「一次生成一篇完整長文」拆成「大綱 → 逐段生成 → 組裝」。每一步的輸出都短、都可檢查，品質自然比一氣呵成穩定，出問題也更容易定位是哪一步。

批次節奏與抽檢策略

批量生產要控制節奏，不要一次開太大。建議的批次做法：

批次要小。 一批的篇數以「審核者能在當天全部看完」為上限。批次太大，審核會積壓，積壓的審核會放水。
前期全檢、穩定後抽檢。 流水線剛跑的前幾批，每篇都過完整審核；品質穩定後可以轉抽檢，但抽檢比例要自己定、並且保留「發現一篇有問題就回到全檢」的規則。抽檢不是偷懶，是把有限的審核力用在品質還在漂移的時期。
每批留樣本。 每批抽幾篇存檔，幾個月後回頭看，能看出風格有沒有慢慢漂移、品質有沒有隨模型或平台更新而變化。
批次之間做小改進。 每批結束後花半小時記錄「這批最常出現的問題」，累積幾批後回頭改 style guide 或選題卡模板。流水線的進步來自這種小步迭代，不是等一次大改。

批次生成品質的本質，是「輸入一致＋規則明確＋輸出可檢查」三件事的乘積。上面那張排查表的每一行，都是在幫你檢查這三件事裡的哪一件出了問題。

衡量：這條流水線真的有產出嗎

「上了 AI 之後內容變多了」是感覺，不是證據。要判斷流水線值不值得繼續投入、瓶頸卡在哪個環節，需要一組自己算得出來的指標。兩條原則先講：先記基線，再談改善——導入前先人工記錄現狀（現在每月實際發佈幾篇、每篇從立項到發佈花多少人工時間），沒有基線的對比都是自我安慰；指標要能指出行動——每個指標惡化時，你應該知道去查哪個環節。

指標	怎麼算	它告訴你什麼	常見誤讀
有效產量	統計期內實際發佈的主稿數	流水線的真實吞吐	拿「生成篇數」充數——生成不等於能發佈
一次通過率	一次送審即通過的篇數 ÷ 送審總篇數	前段環節（選題卡、素材、風格提示詞）的品質	通過率低就怪審核太嚴——先看退修原因分佈
採用率	最終發佈篇數 ÷ 生成篇數	有多少生成是白做的	採用率低就加大生成量——先修品質再談數量
每篇人工時間	統計期內投入的總人工分鐘 ÷ 發佈篇數	是否真的省人力	只算執筆時間，漏掉審核與修改工時
退修原因分佈	按退修原因分類計數（事實、風格、結構、合規）	瓶頸在哪個環節	只看總數不看結構，錯過最該修的一類
表現回流	各平台互動、流量、帶來的詢問，對照選題象限	哪類選題真的有效	把單篇爆款當常態，追熱點棄主線

幾個使用要點：

一次只選一個主指標。 產量不足時盯有效產量；品質不穩時盯一次通過率與退修原因分佈；成本存疑時盯每篇人工時間。全部指標一起盯，等於沒有重點。
基線和目標自己定。 每家公司的人手、平台數、內容型態都不同，不存在通用的「合格線」；用你自己的基線設目標、看趨勢。
警惕反指標。 生成篇數、AI 調用次數、審核者加班時數——這些數字漂亮不代表有產出，甚至可能代表浪費。
每月把指標帶回選題會。 退修原因分佈和表現回流是選題會的前兩頁議程，形成「數據 → 選題 → 生產 → 數據」的閉環。

最後回到整條線的定位：關鍵不是「全自動」，而是「自動的部分自動、該人做的人做」。一條健康的行銷內容流水線，AI 承擔的是產量與一致性，人保留的是判斷、風格定義與事實把關——這三樣恰恰是出了錯代價最大的部分。

常見誤區

誤區一：把 AI 當作者，而不是當初稿引擎。 期待它一次產出可直接發佈的成品，必然失望。正確定位是「高品質初稿＋人工精修」，流水線是圍繞這個定位設計的。

誤區二：審核只看錯字，不看事實。 錯字是顯性錯誤，幻覺出來的數字和引用才是真正會出事的。審核的重心要放在事實與合規，不是文句。

誤區三：追求全自動、想把人完全移出流程。 選題判斷、事實把關、風格定義移出人工，等於把品牌交給機率。自動化的是重複勞動，不是決策與責任。

誤區四：選題不做池、每次臨時想。 沒有選題池，內容就會被「這週誰有空想到什麼」驅動，做不出系列與累積。

誤區五：一稿照貼所有平台。 部落格長文直接貼到社群，效果一定差。平台差異是真實的，派生改寫不可省，但改寫後要重新審核。

誤區六：風格指南寫成形容詞集合。 「專業、有溫度、接地氣」對 AI 不可執行。每條規則要具體到兩個人讀完會做出一致的判斷，否則風格校準無從談起。

誤區七：用生成量證明成效。 生成了很多篇但採用率很低，只是把浪費從人工移到了算力。有效產量、一次通過率、每篇人工時間，才是能拿去匯報的指標。

下一步

把同樣的「流水線加人工閘門」思路用到內部協作：會議紀要自動轉行動項並分派。
審核閘門的法務依據與供應商文件要求：AI 合規與風險邊界。
動手把流水線串成半自動流程：不寫程式做出你的第一個 AI 工作流。
素材蒐集環節的幻覺防範：LLM 幻覺與虛構分析。
讓流水線從一個人會用變成全團隊的標準流程：組織 AI 能力建設。