「一句话生成」的文章 AI 味儿十足？试试六步迭代法

背景

最近在用 QClaw（一个 AI Agent 工具）帮自己写内容。我把自己用 AI 的经验整理出来发到知识星球、公众号、博客和小红书。与其说是在做一个社群，不如说是在分享的过程中看看这些东西对别人有没有用。

网上关于「用 AI 写文章」的演示很多，给人的印象是，输入一句话，AI 直接吐出一篇成品。但这种玩法实际产出的内容，怎么说呢，看着像那么回事，读完什么也没记住——空洞，才是真正的 AI 味儿。

我自己推崇的是协作式写法。我提思路，AI 出初稿，我提修改意见，AI 调整，迭代几轮后我来审稿和裁剪。这个过程是反复几轮的，不是一次性生成。

这篇文章记录的是，我用这个方式从选题到四个平台同步发布的完整过程，包括中间走的弯路、做的纠正，以及做完之后的复盘。不是教程，是真实记录。

真实的协作过程是什么样的

我们以一篇叫《MDCard 小程序：不写一行代码，用 AI 从想法到上线》的文章为例。这篇文章拆解了我用 AI 做一个小程序的全过程。

整个流程是这样的：

第一步，写 brief 卡片。 动笔之前，先把主题、核心观点、内容结构、素材清单写成一张卡片。这步强制自己想清楚要写什么，而不是边写边想。说实话，这一步我以前经常想跳过，觉得直接开写更快。但每次跳过的结果都是写到一半发现方向不对，返工花的时间更多。

第二步，套模板写初稿。 我提前给自己建了几种内容类型的结构模板，实战项目拆解、经验复盘、工具指南等。写的时候直接套，不用每次从零搭架子。

第三步，事实检查。 AI 写完初稿后，我检查时间线、数字、技术术语的准确性。比如 AI 把 git 提交记录里的时间当成人实际投入的时间，48 小时的提交跨度，我实际只投入了 4-5 小时。这种错误不大但很要命，不查的话发出去就是个笑话。

第四步，结构审查。 这是最花时间的一步。我从「一个合格的读者读起来会不会觉得别扭」的角度审查，发现了 6 个问题：缺截图、某个阶段内容太空、卡点描述逻辑不对、结尾和前面重复。逐个改。

第五步，润色。 结构确认没问题后，才做文字层面的润色。去 AI 腔、去书面化、换成口语感。这一步我有专门的润色 skill 来处理，不是手动逐句改。这里有个教训，我一开始把润色放在结构审查前面，结果结构大改之后润色白做了。后来调过来，先结构后润色，不返工。

第六步，多平台改写和发布。 一篇定稿，用对应的 skill 改写出四个版本同步发出去：知识星球版（纯 Markdown，直接发）、公众号版（带品牌排版的 HTML）、小红书版（1000 字以内）、博客版（Astro Markdown，push 到 Git 让 Vercel 自动部署）。

几个关键认知：

• 每轮解决不同层次的问题。事实准确性、结构逻辑、文字润色，三个层面的事，混着改会乱。
• 人在其中做的事不是「写」，而是判断和决策。方向纠偏、事实确认、结构取舍，这些 AI 做不了。
• 这六步不是线性的。第三步发现结构问题，要回到第一步改 brief；第五步润色时发现事实不对，要回到第三步重新查。迭代是会在步骤之间来回跳的，不是走一遍就完。

模板体系：让 AI 有章可循

这个是最值得说的。

我用 QClaw 的一个核心优势是它有持久的工作空间（workspace，简单说就是本地一个固定的文件目录），文件、模板都存在里面，每次写稿时 AI 直接读取。这意味着我可以把「怎么写」这件事固化下来，而不是每次重新教 AI。

具体来说，我建了两套体系：

Brief 卡片体系： 每篇内容动笔前，先写一张选题卡片，包含主题、核心观点（不超过 3 条）、目标读者、内容结构大纲、素材清单、特别交代。这张卡片写完，等于把「要写什么」想清楚了。另外一个实际好处是，brief 能有效减少 AI 瞎编。AI 拿到一张写满事实和约束的卡片，就不太会自己编细节。你提前把素材喂进去，它就不用猜，猜的概率越低，编的东西越少。

结构模板体系： 每种内容类型有一个骨架。比如「实战项目拆解」模板的结构是：这是什么 → 我怎么想到的 → 用了什么工具 → 开发过程 → 关键卡点 → 核心收获 → 可复用经验。写的时候往骨架里填肉，不用每次搭结构。

这两个体系的价值在于，约束 AI 的产出范围。AI 生成内容最大的问题不是写不好，是容易跑偏。写着写着核心观点从 3 条变 5 条，结构从「拆解」变成「教程」。有了 brief 和模板，跑偏了拉回来就行，不用从头改。

但模板本身要人来定和维护。AI 不知道你的读者是谁、你的语气应该怎样、什么内容能发什么不能发。这些是人的决策，AI 只是在你给的框架内执行。

复盘是工作流的放大器

写完那篇 MDCard 文章后，我做了一件事，复盘整个创作流程，找出可以优化的点。

6 个问题里，最值得说的三个：

润色和结构审查的顺序反了。 先润色再结构审查，结果结构大改，润色白做了。后来调过来，先结构后润色，不返工。这个教训直接写进了模板流程说明里，以后不会再犯。

小红书版砍了 3 轮。 先写 1500 字再砍到 990，来回折腾。后来新建了小红书模板，标注 1000 字硬限制，写的时候直接控制字数，不用事后砍。

brief 卡片没同步更新。 初稿的 brief 和定稿已经不一致了——3 阶段变 2 阶段、4 条观点变 3 条。后来在 brief 模板里加了一条提醒：定稿后必须同步更新本卡片。

另外三个是工程层面的优化：QClaw 找 skill 时漏搜了目录，补了搜索路径清单；公众号 HTML 之前手写，后来写了脚本自动渲染；博客封面之前要手动复制，后来加了一步同步。

每个改进都直接落地到文件体系里，不是记在脑子里。

这个过程的关键在于，做完一篇就迭代一次流程。问题不是写的时候才发现的，而是复盘时跳出来看全局才发现的。6 个改进点里，大部分在写的时候觉得「有点慢但还能忍」，复盘时才意识到这些是系统性问题。

改完之后，下一篇从一开始就走优化后的流程。这就是工作流的复利，每篇都比上一篇顺一点。

这套方法的边界

最后说说适用范围。

需要一个有持久记忆和 workspace 的 Agent。 这套方法的核心是文件体系，brief、模板、检查清单都存在本地，AI 每次读取。这篇 MDCard 文章从选题到四平台发布，断断续续花了大概两天，但其中大部分时间不是在写，而是在搭建体系——改结构、查事实、调流程。有了这套体系之后，再写新文章花费的时间少了很多，之后应该会更快。一次性对话式 AI（比如网页版 ChatGPT）做不到，每次对话都是全新的。我用的是 QClaw，类似的还有 OpenClaw、Hermes Agent，WorkBuddy、TRAE Work 这些也可以。工具不重要，重要的是能在固定的工作空间里搭起这套文件体系——brief、模板、检查清单都存着，每次写东西直接复用。

前期投入大。 建模板、写 brief、多轮迭代，第一篇花的时间可能不比手写少多少。但第二篇、第三篇开始，效率提升就出来了。模板越来越完善，AI 越来越懂你的风格，迭代越来越少。

适合高频内容创作的人。 如果你一个月才写一篇，不值得搭这套体系。但如果你每周都在产出内容，有个越用越顺的工作流，收益就很大。

说到底，AI 协作创作的核心不是「生成」的能力，而是「约束」的能力。你给 AI 的约束越好——模板清晰、brief 具体、检查严格——产出质量就越稳定。AI 不是替你写文章，是帮你在你想清楚之后，快速把文章做出来。剩下那些判断和决策，什么该写什么不该写、哪里要展开哪里要收住，才是人的价值所在。