本文是系列第二篇，详细介绍了从数字人到营销视频的搭建过程。作者先拆解了数字人视频的五个要素（形象、声音、口型、内容、环境），并对比了全本地链路（自拍素材、Qwen TTS、MuseTalk）与云端音画同出方案（Seedance）。文章重点展示了如何利用飞书多维表格和豆包工作任务，实现选题采集、主播库管理、脚本生成和视频出片的自动化工作流，并讨论了效果与可控性的取舍。最后，作者总结了核心经验：拆解要素、权衡效果与可控、沉淀资产表以实现复利。
文章将写作视为工程问题，拆解为一套可重复的流程。核心方法论包括：选题应从个人爱好与工作中挖掘，并利用热点关键词叠加；受众定位应选择前1%的专业认知服务99%的泛人群；写作要符合X平台的移动端与转发逻辑；最重要的技巧是“写完不马上发”，通过冷却期降低后悔率，并利用AI Skill辅助审稿润色。
文章介绍了一种通过结合 NotebookLM 与 Claude 来大幅降低 Token 消耗的工作流。作者指出直接将海量数据（如 50 篇论文）塞进 Claude 对话极其昂贵且效率低下，而利用 NotebookLM 作为免费的“老师”进行语料存储和检索，让 Claude 仅负责推理与编排，可实现 17 倍以上的成本节省。文中详细解析了 RAG 与 Context 的成本差异、Prompt Cache 的局限性，并提供了针对学术论文、招股书阅读及个人知识库的具体操作指南。
文章指出直接将大量语料塞入Claude对话会导致Token消耗巨大且缓存利用率低。作者提出了一种优化方案：利用NotebookLM作为“老师”进行免费的知识库检索和带引用问答，仅将检索结果提供给Claude进行推理和编排。实测表明，该方案在研究、打新和知识库场景下可节省大量成本，但响应速度会降低。
