Ahrefs内容营销总监Ryan Law找到了一个答案——不是用AI批量生产低质量内容，而是用AI系统化复制他们现有的高质量内容生产流程。
结果：原本需要数小时的文章草稿，现在可以在6到12分钟内完成。Ahrefs已经用这套系统发布了约15篇文章，更新了30多篇内容。
这套系统的核心是Claude Code——Anthropic的代码行命令行AI工具——以及Ryan精心设计的23个”技能文件”（Skill Files）。
这不是AI替代内容团队
在深入介绍这套系统之前，有一个关键认知需要澄清：这不是用AI大规模生产内容，而是用AI提升内容工程师的效率。
Ryan在文章中特别强调了几个重要限制：
- 系统效果高度依赖操作者的内容专业积累——Ryan有13年内容营销经验，这是系统输出质量的前提
- 只适合信息型SEO内容，不适用于观点性写作或高度个性化的内容
- 目标是维护高质量内容库，而不是批量扩大内容数量
这种清醒的定位，正是这套系统值得关注的原因之一——它是对AI能力的理性使用，而非滥用。
核心架构：23个链式技能文件
整个内容工程系统的基础是23个相互连接的技能文件（Skill Files）。每个技能文件负责内容生产流程中的一个特定环节：
典型的流程链条：
- 关键词研究（Keyword Research）
- 内容差距分析（Gap Analysis）
- 竞争对手分析（Competitor Analysis）
- 文章大纲生成（Outlining）
- 初稿撰写（Drafting）
- 编辑和润色（Editing）
- SEO优化检查（SEO Review）
一个名为 blog-pipeline 的主控技能文件负责按顺序调用所有其他技能文件，形成一个完整的自动化工作流。
用户只需要在流程开始时输入一些方向性指引，系统就会接管后续所有环节，最终输出一篇接近可发布状态的草稿。
7个让这套系统有效的核心设计原则
Ryan总结了7个关键原则，这些原则不仅解释了这套系统为什么有效，也为其他想要构建类似工作流的团队提供了参考。
原则1：链式编排内容技能
核心思想： 将复杂的内容生产流程拆解为一系列可以独立测试和迭代的步骤，然后将这些步骤链式连接起来。
这种设计的优势在于：
- 每个步骤都可以单独优化，不影响其他步骤
- 如果某个环节出现问题，可以精确定位并修复
- 新团队成员可以通过学习技能文件快速理解整个内容流程
类比来看，这就像一个SOP（标准操作程序）手册被写成了AI可以执行的代码。
原则2：逐步输出文档
核心思想： 每个处理步骤都将其输出保存为独立文件，而不是一次性输出最终结果。
为什么重要： 当最终草稿出现问题时，你可以追溯到问题发生的具体环节。例如，如果大纲阶段的结构就有问题，那么草稿再精美也无济于事——你需要在大纲阶段就介入和修正。
这种”流程透明化”设计让AI内容工程变成了一个可以检查和调试的流水线，而不是一个黑箱。
实践建议： 在构建自己的内容工作流时，不要只看最终输出，要在每个关键节点都可以审查中间产物。
原则3：使用测试用例持续改进提示词
核心思想： 不要靠主观感觉判断提示词是否有效，而要用具体的测试用例来验证改进是否真实有效。
Ryan使用Anthropic的skill-creator工具来测试提示词变更：输入同样的素材，对比新旧提示词的输出差异，判断修改是否真的带来了改善。
这种严格的测试文化，是很多AI内容团队缺失的。很多人凭感觉写提示词，改来改去却没有系统化记录哪次改动有效、哪次无效。
原则4：使用高质量数据源
核心思想： AI输出的质量，很大程度上取决于输入的数据质量。
Ahrefs系统的一个关键设计是整合了Ahrefs自己的MCP（Model Context Protocol）工具，可以实时获取真实的SEO数据：
- 关键词的实际搜索量和竞争难度
- 竞争对手页面的真实流量数据
- 产品功能的最新文档
为什么重要： AI如果只能依赖训练数据，很容易产生过时或不准确的信息。通过实时接入权威数据源，可以大幅提升输出内容的准确性和时效性。
启发： 如果你在构建内容AI工作流，考虑接入什么样的实时数据源——Google Search Console数据、行业报告、你的产品文档——都可以显著提升输出质量。
原则5：前置人工方向指引
核心思想： 在自动化流程开始之前，给用户提供一个”方向输入”的机会，让他们指定角度、重点话题或需要强调的功能。
这解决了AI内容的一个常见痛点：即使AI写出的内容在技术上没有问题，也可能缺乏创作者想要表达的独特观点或品牌声音。
通过前置人工输入，系统可以：
- 避免写出与竞争对手高度同质化的内容
- 保持每篇文章的独特角度
- 确保内容与品牌的一贯立场保持一致
实践建议： 在完全自动化和完全人工之间找到平衡点——让AI处理结构性工作，让人类负责方向性决策。
原则6：生成交互式HTML预览
核心思想： 将Markdown草稿自动转换为带样式的HTML预览，方便人工审核时获得更接近实际发布效果的视觉呈现。
相比阅读原始Markdown，带格式的预览让审核者能更快速地判断：
- 内容结构是否清晰
- 段落长度是否合适
- 标题层级是否正确
这是一个看似小的细节，但对提升审核效率有实际帮助。
原则7：为团队成员提供个性化定制
核心思想： 鼓励团队成员分叉（fork）系统，根据自己的写作风格和偏好进行定制。
这反映了一个重要洞察：即使在同一个团队内，不同的写作者也有各自的风格习惯。允许个性化定制，既保留了系统化的效率，又不会让所有内容听起来像从同一个模板生成。
这套系统实际效果如何？
量化效果
- 时间节省： 从数小时到6-12分钟出草稿
- 实际发布： 约15篇文章、30+篇内容更新
- 适用范围： Ahrefs博客的信息型SEO内容
重要的质量保障措施
Ryan特别强调，这套系统并非完全自动化发布——每篇AI生成的草稿都需要经过人工审核和修改才能发布。
人工审核环节主要检查：
- 事实准确性（特别是数据和工具功能描述）
- 品牌声音和立场的一致性
- AI无法带来的第一手经验和洞察
- 原创观点和独特角度
关键前提条件
如果你想复制这套系统，Ryan的经验揭示了几个关键前提：
- 操作者需要有深厚的内容专业积累——系统只是放大你已有的能力，无法替代专业判断
- 需要清晰文档化的内容标准——系统能够复制的，是那些已经被明确定义的流程
- 需要投入时间建立和迭代提示词——初期需要大量测试和调优
对内容营销团队的启示
如何思考AI内容工程
Ryan的实践提供了一个有价值的思维框架：不要想着用AI替代内容团队，而要想着用AI让内容团队成为”10倍效率”的团队。
具体来说，这意味着：
- 识别你的内容生产流程中，哪些环节是规律性、结构性的工作（AI擅长）
- 识别哪些环节需要创造力、经验和人类判断（人工不可替代）
- 设计一个流程，让AI处理前者，让人工专注于后者
从内容工程的视角重新看待内容质量
传统的内容营销主要关注”什么内容”（话题选择、角度策划），以及”如何写”（写作技巧）。
内容工程（Content Engineering）引入了第三个维度：系统如何确保一致性和可扩展性？
这包括：
- 内容质量标准的明确文档化
- 内容生产流程的系统化设计
- 效果评估的量化指标体系
接入真实数据是AI内容的关键升级
Ahrefs系统最强大的地方之一，是直接接入了真实的SEO工具数据。对大多数内容团队来说，这是一个值得认真考虑的方向：
- 接入Google Search Console数据，让AI了解哪些话题在你的网站已经有排名
- 接入Google Analytics数据，了解哪类内容最能驱动用户转化
- 接入竞争对手分析工具，让AI知道应该如何差异化
工具和资源
Claude Code（claude.ai/code）— Anthropic提供的AI命令行工具，支持通过技能文件构建自动化工作流。
Model Context Protocol（MCP） — 开放协议，允许AI工具实时接入外部数据源，如Ahrefs数据库、Google Analytics等。
Anthropic skill-creator工具 — 用于测试和优化技能文件提示词效果的工具。
未来展望
Ryan提到，他正在开发这套系统的第三个版本，并提供了早期访问等待名单。
可以预见，随着AI工具能力的持续提升和内容工程方法论的成熟，这类系统将成为内容营销团队的标准基础设施——不是替代内容团队，而是成为每位内容专家手中的效率放大器。
对中国内容团队的思考
这套系统的逻辑对中文内容团队同样适用，但有几个本地化考量：
- 数据源的替换： Ahrefs MCP需要替换为中文SEO工具（如百度站长工具、5118等）的数据
- 内容标准的中文化： 技能文件中的内容标准需要根据中文内容平台（公众号、小红书、抖音）的特点进行调整
- 合规内容审核： 中文平台有额外的内容合规要求，需要在工作流中增加相应检查环节
总体而言，Ryan Law的内容工程实践为我们展示了一条可行的路径：用AI系统化地提升内容质量和效率，而不是陷入AI内容的低质量陷阱。
微信扫一扫 或 点击链接联系我