从搜索到核查:打造高质量内容的AI六步生产流水线 ✍ SagaSu🕐 2026-07-10📦 18.2 KB 🟢 已读 𝕏 文章列表 文章对比了AI写作的“魔法棒”与“流水线”模式,指出一次性生成缺乏质量门禁,容易产生误导性幻觉。作者提出了一套包含库检索、补搜、写作、配图、核查、修复的六步生产管线,强调通过结构化验证和分诊核查,确保每个论点有据可查,从而将AI写作从简单的文本生成升级为可验证的知识生产过程。 AI写作工作流信息核查Prompt工程内容生产RAG质量控制YouMind知识库自动化 # #02 一条流水线——从搜索到核查的六步生产管线 **作者**: SagaSu **日期**: 2026-07-10T02:59:30.000Z **来源**: [https://x.com/sujingshen/status/2075414580843696448](https://x.com/sujingshen/status/2075414580843696448) ---  > 📌 本文是「AI 时代的知识编排」系列的第 2 篇。全系列共 6 篇,记录我们如何用 youmind + 结构化知识库在 7 天内产出 9 篇高质量技术博客,在 X 上获得 1,000+ 关注,付费博客营收 300 美元。这不是教程——是实战复盘。每篇可独立阅读。 ## 魔法棒 vs 流水线 上一篇文章讲了为什么写文章之前要先建知识库。这篇讲建完库之后,到底怎么用。 大多数人对 AI 写作的理解是这样的:打开 ChatGPT,输入「帮我写一篇关于 XX 的文章」,等十秒钟,复制粘贴,发布。一气呵成。这就像挥魔法棒——念一句咒语,嘭,文章就出来了。 问题是,魔法棒产出的东西你敢直接发吗? Stanford 大学的 AI 研究所 2026 年的报告测了 26 个主流 AI 模型——在用户暗示自己相信一个错误说法的场景下,AI 会顺着用户的意思附和,这种附和的比例从 22% 到 94%。最好的模型每暗示 5 次错误说法,有 1 次 AI 会跟着附和;最差的每暗示 10 次,有 9 次在陪你演戏。 如果你写文章时带着一个先入为主的观点让 AI 帮你论证——而那个观点恰好是错的——AI 不会纠正你,它会帮你把错误写成看起来头头是道的文章。 挥魔法棒的问题不在于 AI 不会写字。AI 一分钟能写一千字,通顺、连贯、像模像样。问题在于没有人在中间检查。错误一旦生成就直接进了最终产出,一路畅通无阻地到达读者面前。 我们的做法不是魔法棒,是流水线。 想象一个汽车工厂。钢板进去,不是直接变成汽车出来——中间要经过冲压、焊接、喷漆、组装、质检,六七道工序。每一道都有明确的输入和输出,每一道都有人检查。冲压出了问题,焊接工序会发现;喷漆有瑕疵,质检会拦下来。没有任何一道工序的产出会未经检验就进入下一道。 我们的文章生产流程也是六道工序。每一道都有明确的输入、输出和质量标准。错误在哪一步产生的,就在哪一步拦截。下面逐一道来。 ## 六个工位 第一工位:从知识库检索。 写每一篇文章之前,第一件事不是打开 ChatGPT,是从我们预建的 43 篇文献库里搜索相关资料。用的不是 Google 的关键词搜索,是语义搜索——翻译成人话就是「你描述你想找什么概念,系统帮你找到对应的那篇文献,不需要你记住标题」。比如写「AI 编码到底快不快」这篇文章,我输入「AI 编码速度的实验数据」,系统从 43 篇文献里捞出两篇正好对这个话题的——一篇说快了 55.8%,一篇说慢了 19%。这个工位的输出是:一批和主题相关的文献,每条带着来源类型、核心论点、证据强度。 第二工位:补充搜索。 知识库是某个时间点收集的,但新报告、新数据每天都在产生。所以第二步是用 Google 搜索知识库里没有的最新数据。但这里有个关键区别:不是打开 Google 从零搜,而是带着明确目的去搜——我知道文章里缺什么,我去补什么。比如我们之前写过一个关于 AI 编码的系列(叫 SDD 系列,讲的是「先写清楚需求再让 AI 干活」),其中第七篇需要 2026 年最新的开发者生产力遥测数据。知识库里没有——因为这份报告在我们收集文献时还没发布。于是我专门去搜这份报告的名字,找到后补进来。这个工位的输出是:知识库已有文献 + 补充的最新数据。 第三工位:写作。 拿着前两步的资料,开始写正文。AI 不是凭记忆写,是拿着我们整理好的文献摘要、数据点和论点框架来写。每引用一个数据点,都要标注来源。写完的文章自带参考文献列表。这个工位的输出是:一篇 3,000-5,000 字的完整文章,带 8-10 条参考文献。 第四工位:配图。 不是「写完文章找几张图配上」,是给每篇文章设计 6 张统一风格的配图。每张图对应文章里的一个核心概念。我们用卡皮巴拉(一种看起来永远很淡定的水豚)作为主角,所有图用同一张基准图做参考,保证风格一致。这个工位的输出是:6 张风格统一的配图,每张对应一个段落的核心概念。 第五工位:信息核查。 文章写完了,配图也好了,但还不能发。下一步是把文章拆解成一条条独立的事实断言,逐条验证。每个数字对不对?每个引用准不准?因果关系成不成立?这不是「读一遍觉得没问题」,是系统性地拆解。比如文章里说「AI 编码快了 55.8%」,核查时要确认:这个数字来自哪个实验?实验测的是什么任务?样本量多大?实验设计有没有偏差?这个工位的输出是:一份核查报告,标注每个断言的状态——✅ 已验证、⚠️ 需要修改、❌ 有错误、❓ 无法验证。 第六工位:修复。 根据核查报告,修复所有 ⚠️ 和 ❌。改完后,文章才能发布。这个工位的输出是:经过验证和修复的最终稿。 六道工序,每一步的输出是下一步的输入。第一步从 43 篇文献中检索,最后一步输出一篇每个论点都有来源、每个数据都经核查的文章。中间任何一步发现问题,都可以停下来修,不用等整篇文章写完才发现错了。  ## 光有库还不够:为什么要补搜 上一篇文章花了很大篇幅讲知识库的重要性。你可能会问:既然有了 43 篇文献的库,为什么还要额外搜索?直接用库里的东西不就行了? 因为库是某个时间点的快照,不是实时更新的。 我们的 43 篇文献是花两天时间收集整理的。但行业报告、学术论文、实践数据每天都在产生。写 SDD 系列第七篇的时候,我需要论证「AI 编码让代码产出变快,但整体交付变慢」这个观点。知识库里有 DORA(Google 旗下的 DevOps 研究机构)的报告和早期数据,但 2026 年最新的 Faros AI 遥测报告——对 22,000 名开发者的实际监测数据——在我们收集文献时还没发布。 如果我只用知识库里的数据,文章会缺最新的一块拼图。读者看到的是一个半年前的结论,而不是当下的全貌。 所以第二步的补充搜索不是可选项,是必需品。但关键在于怎么搜。 大多数人的搜索方式是:打开 Google,输入「AI 编码速度」,看前几条结果,随便挑几个数字用。这和上一篇文章批评的「临时搜索」没有区别。我们的方式是:已经知道文章里缺什么,带着具体问题去搜。不是「AI 编码速度」,而是精确到报告名称、年份、数据类型。搜到之后还要按来源可靠性评估:这是官方报告还是个人博客?数据是怎么收集的?样本量多大? 一句话:预建库解决「深度」,补充搜索解决「时效」。 两者缺一不可。光有库,你的文章可能过时;光有搜索,你的文章碎片化、没有结构。库给你地基,补搜给你最新的砖。  ## 配图不是装饰,是独立工序 很多人对配图的理解是:文章写完了,找几张图插进去,好看就行。图片是文字的附属品。 我们不这么干。在我们的流水线里,配图是第四个独立工位,和写作、核查同等重要。每篇文章 6 张图,不是随便找的,是专门设计的。每张图对应文章里的一个核心概念,用卡皮巴拉的视角把那个概念可视化。 为什么这么重视配图?因为读者的第一接触点不是文字,是图片。 在社交媒体上,用户刷信息流的速度极快——一条内容从出现在屏幕上到被划走,平均不到两秒。这两秒里,图片是唯一能抓住注意力的东西。文字需要读,图片一眼就能看懂。如果图片不能在两秒内传达「这篇文章讲什么」以及「值得点开看」,读者就划走了。 但配图最大的坑不是「好不好看」,是「风格不统一」。第一篇文章用了卡皮巴拉厨房风格,第二篇突然变成了赛博朋克风格,读者会觉得这不是同一个人写的。风格断裂比没有图更糟——它传递的信号是「这人不专业」。 我们的解决方案:所有文章的配图都用同一张基准图做参考。AI 生成图片时,如果给它一张参考图,它会模仿那张图的画风。我们第一篇文章的配图定下来之后,后续每一篇都用那张图的风格做基准。9 篇文章,54 张配图,全部是同一个卡皮巴拉世界——读者一眼就能认出「这是那个系列」。 这不是「给文章配几张图」。这是用视觉语言建立品牌识别度。和文字一样,配图也是一条需要设计、需要执行、需要统一标准的生产线。  ## 质量门禁:一次性生成为什么靠不住 现在说回最关键的问题:为什么要搞这么复杂的流水线?一次性生成到底差在哪? 答案就两个字:门禁。 一次性生成的问题在于没有检查点。AI 写完就是终稿,你按了发送键,所有错误——编造的数据、不准确的引用、错误的因果关系——全部直达读者。你可能会说「我会自己读一遍」。但问题是,你读一遍能发现多少错误? 我们的 SDD 系列第七篇,写完之后跑了一次系统性的信息核查。核查发现了什么? 文章里说 Faros AI 的报告「追踪了九个月的数据」——核查后发现实际是八个月。文章里说这是「纵向追踪」——核查后发现实际上是「独立横截面」研究(翻译成人话:不是同一批人被追踪了八个月,而是在两个不同时间点各做了一次独立调查,两份报告之间隔了八个月)。文章里说两组数据「直接对冲」——核查后改为「形成张力」(因为两个数据测的东西不完全一样,不能简单说谁对谁错)。 这些错误,你「读一遍」的时候能发现吗?大概率不能。因为它们不是「一看就知道错了」的问题——它们是「看起来合理但实际上不够精确」的问题。AI 写的「追踪了九个月的数据」读起来完全通顺,逻辑也说得通。但事实是八个月。你不查,读者也不查,但万一有读者较真去翻了原始报告,你的可信度就没了。 这就是为什么需要第五工位——信息核查。而且核查不是「全部检查」,是分诊的。 LoudScale 2026 年的一篇方法论文章提出了一个「分诊核查」的概念——翻译成人话就是「不是所有内容都需要同等力度的检查」。来自学术论文的数据(经过同行评审的)快速过一遍就行;来自个人博客的数据(谁都能写的)要重点查。这样核查效率高,不会在可靠来源上浪费时间,把精力集中在最可能出错的地方。 但分诊只是第一步。2026 年行业实践的一个共识是:最强的核查不依赖单一检查器。SuccessTechServices 的工具对比报告指出——最好的工作流是 AI 核查工具 + 源检索(回到原始出处核实)+ 引用审查 + 人工编辑判断的组合。翻译成人话:不是让一个工具包打天下,是用多种方法交叉验证。 还有一个更深的问题:单个事实正确,不等于整体正确。TrySight 2026 年的方法指南提出了「结构性验证」的概念——一篇文章里每个数据单独看都没错,但它们组合在一起传达的整体框架可能是误导性的。比如你引了三个都说「AI 让编码变快」的数据,但故意忽略了三个说「AI 让交付变慢」的数据——每个事实都对,但整体是片面的。结构性验证就是检查这种「局部正确、整体偏差」的问题。 这里还有一个容易踩的坑:用 AI 核查 AI 的产出。Dachary Carey 2026 年的实践复盘指出,AI 评审自己的输出时存在系统性偏差——一是「自归因偏差」,模型评审自己家族的产出时倾向于给高分;二是「同族偏差」,比如 GPT 系列的模型偏好 GPT 家族的输出。翻译成人话:让 GPT 核查 GPT 写的文章,它会觉得「写得不错」。解决方案是用不同的模型核查、引用外部来源验证、人工做最终判断。 我们的核查流程结合了这三个层面:分诊(优先查低可靠性来源)+ 多层验证(AI 工具 + 源检索 + 人工判断,且核查用的模型和写作用的不是同一个)+ 结构性检查(看整体框架是否片面)。第七篇核查后从 3 条参考文献扩展到 10 条,第八篇修复了 5 个问题。这些问题如果不修,文章照样通顺、照样好看——但经不起较真的读者拿去验证。 一句话:管线和一次性生成的区别,不是产出的文章好不好看,是产出能不能经得起检验。 管线的每一步都是一道门禁,错误在中间被拦截,而不是一路传播到读者面前。  ## 把流水线装进脑子里 回到开头的问题:AI 写作到底是魔法棒还是流水线? 答案取决于你要什么质量的产出。 如果你要的是「看起来像篇文章的东西」——通顺、有结构、没什么明显错误——那魔法棒够用了。打开 ChatGPT,说一句话,复制粘贴,三分钟搞定。 如果你要的是「经得起验证的文章」——每个数据有来源,每个论点有证据,每个断言都被检查过——那就得用流水线。六道工序,每一步可检验、可修复、可复现。 我们的 9 篇文章,每一篇都走完了这六道工序。不是每一篇都在每一步发现问题,但每一步都在那里等着。就像汽车工厂的质检站——不是每辆车都有问题,但每辆车都要过那一关。你不会因为「上次没发现问题」就跳过质检。 这六道工序也不是说你要花很多时间。熟练之后,一篇 3,000-5,000 字的文章从检索到发布,整个流程大约两到三个小时。和「打开 ChatGPT 写完直接发」相比,多了两个小时。但这两个小时换来的是:10 条可验证的参考文献、6 张统一风格的配图、所有断言经过逐条核查。 把 AI 写作当成流水线而不是魔法棒——每一步都可检验、可修复、可复现。 这不是效率的妥协,是质量的投资。  参考文献 1. Stanford HAI. (2026). The 2026 AI Index Report. 26 个前沿模型在用户暗示错误信念场景下的附和率 22%-94%。423 页年度报告。https://hai.stanford.edu/ai-index/2026-ai-index-report/responsible-ai 2. LoudScale. (2026). How to Fact-Check AI Content Before Publishing. 分诊核查系统:按来源可靠性分配核查力度,不是所有内容都需要同等检查。2026 年律所提交虚构案例引用被 NYT 报道。https://loudscale.com/blog/fact-check-ai-content-before-publishing/ 3. SuccessTechServices. (2026). AI Fact Checking Tools: Best Options For 2026. 最强核查工作流 = AI 核查工具 + 源检索 + 引用审查 + 人工编辑判断。引用生成器不是事实检查器。https://www.successtechservices.com/ai-fact-checking-tools/ 4. TrySight. (2026). Fact Checking AI Generated Content: A 2026 Guide. 单个事实正确≠整体正确。多 Agent 内容系统需要结构性逻辑审查。核查清单应内嵌发布流程。https://www.trysight.ai/blog/fact-checking-ai-generated-content 5. Dachary Carey. (2026). The Verification Gap in AI Content Pipelines. LLM-as-judge 的自归因偏差(模型评审自己的输出时系统性给高分)和同族偏差(GPT-4o 偏好 GPT 家族输出)。需要异构验证。https://dacharycarey.com/2026/03/29/ai-content-pipelines-verification-gap/ 6. digitalapplied.com. (2026). AI Hallucination Rate Benchmarks 2026: 5-Model Study. 5,000 道题 × 5 个最新模型。开启「深度思考」模式后编造率减半(GPT-5.5: 8.3%→4.2%)。最好与最差模型差距 3 倍。https://www.digitalapplied.com/blog/ai-model-hallucination-rate-benchmarks-2026-study 7. SDD 博客系列项目(自有数据). 43 篇文献 → 9 篇文章 × 6 张配图 → 2 次信息核查修复 10+ 问题 → 第七篇核查后参考文献从 3 条扩展到 10 条 → 第八篇修复 5 个问题。 sagasu.art 本文由 YouMind 自动从 Markdown 转换排版。 ## 相关链接 - [SagaSu](https://x.com/sujingshen) - [@sujingshen](https://x.com/sujingshen) - [https://hai.stanford.edu/ai-index/2026-ai-index-report/responsible-ai](https://hai.stanford.edu/ai-index/2026-ai-index-report/responsible-ai) - [https://loudscale.com/blog/fact-check-ai-content-before-publishing/](https://loudscale.com/blog/fact-check-ai-content-before-publishing/) - [https://www.successtechservices.com/ai-fact-checking-tools/](https://www.successtechservices.com/ai-fact-checking-tools/) - [https://www.trysight.ai/blog/fact-checking-ai-generated-content](https://www.trysight.ai/blog/fact-checking-ai-generated-content) - [https://dacharycarey.com/2026/03/29/ai-content-pipelines-verification-gap/](https://dacharycarey.com/2026/03/29/ai-content-pipelines-verification-gap/) - [digitalapplied.com](https://digitalapplied.com/) - [https://www.digitalapplied.com/blog/ai-model-hallucination-rate-benchmarks-2026-study](https://www.digitalapplied.com/blog/ai-model-hallucination-rate-benchmarks-2026-study) - [sagasu.art](https://sagasu.art/) - [YouMind](https://youmind.com/landing/markdown-to-x-article?utm_source=export-to-x-article) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [10:59 AM · Jul 10, 2026](https://x.com/sujingshen/status/2075414580843696448) - [43 Views](https://x.com/sujingshen/status/2075414580843696448/analytics) --- *导出时间: 2026/7/10 11:02:52*
先 先建库,再写文章——为什么大多数 AI 写作是「无根之木」 文章指出直接使用 ChatGPT 等 AI 生成内容往往缺乏事实依据且容易产生幻觉,作者提出了一种「先建库,再写作」的方法。通过提前花两天时间收集并结构化整理 43 篇高质量文献作为私有知识库(人工版 RAG),确保写作时每个论点都有可靠的数据和来源支撑。文章对比了临时搜索与提前备料的差异,并展示了该方法在 7 天内产出多篇高质量技术博客并获得显著收益的实战案例。 技术 › 工具与效率 ✍ SagaSu🕐 2026-07-09 AI写作知识管理RAG个人知识库内容创作YouMind文献综述效率方法论工作流事实核查
如 如何构建能在你睡觉时运行的公司大脑 本文介绍如何超越个人知识库,构建一个“公司大脑”。通过将文件系统与 AI 智能体结合,设定文件夹作用域、定时任务和自动汇报,让智能体自动处理营销、文件归档等工作,实现无需人工干预的全自动企业级知识管理。 技术 › Agent ✍ Hila Shmuel🕐 2026-07-29 AI知识库自动化工作流LLMCabinet
从 从选题到写作再到发布,我把几十个 skill 串成了一条自动流水线 作者分享了自己如何利用 Hermes、Codex 和 Claude 中的数十个 Skill,搭建了一条从素材抓取、选题分析、风格润色到图文排版的内容自动生成流水线。文章详细介绍了自动化流程的设计思路、遇到的痛点以及如何通过拆分 Prompt 保持文风一致性,同时也反思了人机协作中人工审核与决策的重要性。 技术 › Skill ✍ 得否🕐 2026-07-23 自动化工作流AI写作AgentHermesCodexClaude效率工具内容生产prompt工程人机协作
构 构建可复用十年的AI写作框架 本文探讨了如何构建一个健康、可持续的AI写作框架,旨在帮助写作者避免被特定软件厂商或AI模型绑架。作者提出了一套基于文件夹系统和Agent工具的“AI外骨骼”工作台,强调让AI辅助而非替代创作,实现数据的自主掌控和灵活迁移,从而让作者专注于故事创作本身。 技术 › 工具与效率 ✍ 忒修斯的船板🕐 2026-07-16 AI写作工作流自动化写作技巧AgentClaudeObsidian方法论
普 普通人不会搭建知识库?方法超简单1分钟教会你 文章指出很多人搭建知识库失败的根本原因在于资料难以持续稳定地“入库”。作者介绍了通过 WorkBuddy 与 ima 知识库的组合,利用自然语言指令和自动化文件夹监控,将网页链接、本地文件等低成本地沉淀到知识库中,从而将知识库从简单的收藏夹转变为能辅助内容生产的数字助理。 技术 › 工具与效率 ✍ SakuAI🕐 2026-07-10 知识库WorkBuddyima工作流AI工具自动化内容创作Agent效率提升
O Obsidian+AI 内容生产线搭建指南 文章介绍了一套基于 Obsidian 和 AI 的内容生产工作流,旨在解决素材收集难、利用率低的问题。方案涵盖 Obsidian 的基础安装、双链笔记法、文件夹分类心法,以及如何通过 Copilot 和 Claudian 插件接入 DeepSeek 与 Claude,实现素材的自动化整理、知识库构建与写作辅助,帮助创作者建立可复用的个人资产库。 技术 › 工具与效率 ✍ 宋宋🕐 2026-07-09 ObsidianAI工作流内容生产知识库双链笔记Claude CodeDeepSeek效率提升写作技巧自动化
工 工具篇上集|日更质量长文保证持续稳定涨粉的秘密大公开 文章介绍了一套利用 Grok 和 Claude 进行内容生产的自动化流水线,旨在解决长文日更的产能瓶颈。流程分为选题、分窗抓取、补全叙事节点、蒸馏成长素材和双轨成稿五步,并开源了配套脚本。文章特别强调了通过零容忍的数字核查机制来保证内容的真实性和质量。 技术 › 工具与效率 ✍ 夜神月🕐 2026-07-08 自动化内容生产GrokClaude开源脚本工作流涨粉
如 如何使用 Claude Code 创建循环工作流 本文提出了一种通过“循环”机制优化 Claude 工作流的方法,旨在解决传统一次性会话在重复性任务中效率低下的问题。作者定义了包含触发、上下文、行动、验证、状态更新和决策的六步循环结构,并详解了由 TASK.md、PROGRESS.md、LOOP_INSTRUCTIONS.md 和 outputs 组成的四文件系统,以实现状态持久化和流程自动化。 技术 › Claude Code ✍ Rahul🕐 2026-07-07 Claude Code工作流自动化Prompt工程状态管理效率提升
O Obsidian 进阶指南:30个与 Claude 结合的工作流、插件与配置 本文介绍了如何将 Obsidian 与 Claude 深度集成,打造 2026 年最强大的个人知识系统。内容涵盖 10 个核心插件(如 Smart Connections、Templater)、10 个关键工作流(如每日综合、会议处理、研究摄入管线)以及 10 个高级设置(如将 Vault 作为持久化记忆)。文章旨在帮助用户突破基础笔记用法,通过 AI 实现知识的自动化管理、检索与深度连接。 技术 › 工具与效率 ✍ Khairallah AL-Awady🕐 2026-05-31 ObsidianClaude插件工作流PKMRAG自动化效率AI教程
利 利用 Obsidian 和 Claude 替代高薪内容团队的实战指南 文章阐述了如何构建“四区域”知识库系统,通过 Obsidian 管理知识资产,利用 Claude 进行内容自动化生成。文中详细介绍了 3 个信息捕获面、5 个工作流引擎(如夜间处理器、简报生成器)以及包含 N8N、Cursor 在内的技术栈。核心观点在于从“只收集不产出”转变为以交付为导向的资产复用,将笔记转化为高价值的内容产品,从而实现个人商业收益的最大化。 技术 › 工具与效率 ✍ ZEUS🕐 2026-05-30 ObsidianClaude个人知识库自动化工作流AI内容生产知识管理N8N提示词
A AI辅助写作全流程:从公式选型到去AI味实战 本文详细介绍了如何利用AI进行辅助写作的完整流程。作者提出“选题→匹配公式→搭骨架→AI填肉→去AI味→格式化发布”的六步法,重点分享了如何使用PAS、SCAR等文案公式构建结构,以及在Obsidian中通过约束提示词避免AI产生机械感的具体技巧(如禁用破折号、打破对称句式),最后利用AI检测结构性问题并配合人工修正以消除“AI味”,实现高效且高质量的内容产出。 技术 › 工具与效率 ✍ 爆裂队长NEXT🕐 2026-05-25 AI写作提示词工程Obsidian内容生产去AI味SCAR公式PAS模型工作流效率提升技能
如 如何自动化日产 1000+ AI UGC 视频:分步实战解析 文章详细介绍了作者如何通过 Claude Co-work、GPT Image 2 等 AI 工具构建自动化流水线,突破传统运营在策略决策、脚本撰写、素材生成和分发上的瓶颈,实现单人管理下日产 1000+ 条 AI UGC 视频的高效规模化生产体系。 技术 › 工具与效率 ✍ Adrian Solarz🕐 2026-05-06 ClaudeAI自动化内容生产UGC工作流SaaS视频生成自动化操作指南大规模生产